Captulo 5

Texto Gua -Sistemas de Ingeniera

CAPTULO 5
ANLISIS DE DUALIDAD Y SENSIBILIDAD DE LA
PROGRAMACIN LINEAL
5.1 Introduccin
La solucin de la programacin lineal se basa en una toma instantnea de las
condiciones que prevalecen en el momento de formular y resolver el modelo. Pero se debe
tener en cuenta que en el mundo real, los ambientes de decisiones rara vez permanecen
estticos, y es fundamental determinar como cambia la solucin ptima cuando cambian los
parmetros del modelo. Eso es lo que hace el anlisis de sensibilidad.

5.2 Definicin del problema dual

El problema dual es una programacin lineal definida en forma directa y
sistemtica a partir del modelo original (o primal) de programacin lineal. Los dos
problemas estn relacionados de forma tan estrecha que la resolucin ptima de un
problema produce de forma automtica la resolucin ptima del otro.
En la programacin lineal, el dual se define para varias formas del primal,
dependiendo del sentido de la optimizacin (maximizacin o minimizacin), tipos de
restricciones (, o =), y la orientacin de las variables (no negativa o no restringida).
Nuestra definicin del problema dual requiere expresar el problema primal en forma
de ecuaciones, todas las restricciones son ecuaciones, con lado derecho no negativo y todas
las variables son no negativas.
Para mostrar como se forma el problema dual, se define el primal en forma de
ecuaciones, como se muestra a continuacin:
n

Maximizar o Minimizar c j x j
j 1

Sujeta a:
n

a
j 2

ij

x j bi , i 1,2, , m

x j 0, j 1,2, , m

Las variables xi,j =1,2,..., n, incluyen las variables que se denominan de

excedencia, holgura y artificiales, si las hubiera.
La tabla 5.1 el cual muestra como convertir un problema dual a partir de un primal,
lo que se tiene a continuacin son las condiciones que requieren:
1. Se define una variable dual por cada ecuacin primal (restricciones).
2. Se define una restriccin dual por cada variable primal.

99

Captulo 5

Texto Gua -Sistemas de Ingeniera

3. Los coeficientes de restriccin (columna) de una variable primal definen los

coeficientes en el lado izquierdo de la restriccin dual, y su coeficientes objetivo
define el lado derecho.
4. Los coeficientes objetivos del problema dual son iguales a lados derecho de las
ecuaciones de restriccin primal.
Tabla 5.1 Construccin del dual a partir del primal

x1
c1
a11
a21

..

..

..

..

..

..

b1
b2

..

xn
cn
a1n
a2n

..

Variables Duales
y1
y2

x2
c2
a12
a22

Variables Primales
..
xj

..
cj

..
a1j

..
a2j

ym

am1

am2

..

amj

amn

bm

J-sima restriccin
dual

Coeficientes objetivo
duales

Las reglas para determinar el sentido de la optimizacin (ya sea maximizacin o

minimizacin), el tipo de restriccin (, o ) , y el signo de las variables duales
(siempre no restringido), esta en resumen en la tabla 5.2; obsrvese que el sentido de la
optimizacin de problema dual siempre es el opuesto al del primal.
Tabla 5.2 Reglas para construir el problema dual
Problema Dual
Objetivo del
Problema primal1

Objetivo

Tipo de Restriccin

Signos de variables

maximizacin
minimizacin

minimizacin
maximizacin

No restringido
No restringido

En los siguientes ejemplos se demuestra el uso de la tabla 5.2 y tambin demuestra

que la definicin comprende todas las formas del primal, en forma automtica.

Ejemplo de aplicacin 5.1

1

Todas las referencias primales son ecuaciones con lado derecho no negativo y todas las variables son no
negativas.

100

Captulo 5

Texto Gua -Sistemas de Ingeniera

Problema Primal

Problema Primal en forma de ecuacin

Maximizar z 10 x1 8 x2 5 x3
Sujeta a:

Maximizar z 10 x1 8 x2 5 x3 0 x4
Sujeta a:

Variables
Duales

x1 2 x2 3 x3 x4 10

y1

10 x1 5 x2 x3 15

10 x1 5 x2 x3 0 x4 15

y2

x1 , x2 , x3 0

x1 , x2 , x3 , x4 0

x1 2 x2 3 x3 10

Problema Dual
Minimizar w 10 y1 15 y 2
Sujeta a:

y1 10 y2 10
2 y1 5 y2 8
2 y1 y2 5
y1 0 y2 0

y1 0, y2 sin restriccio nes

y1 , y2 sin restriccci ones

Como se puede observar en el ejemplo se debe tener en cuenta las 4 condiciones:

1. como se tiene dos restricciones se tiene dos variables duales ( y1 , y2 ).
2. como se ve en la forma de ecuacin el problema primal tiene cuatro variables (
x1 , x2 , x3 , x4 ) por lo tanto

Se deber tener 4 restricciones

y1 10 y2 10
2y 5y 8
1 2

2 y1 y2 5
y1 0 y2 0

3. como indica esta condicin se ve claramente en este ejemplo que los coeficientes
columna de las dos restricciones

x1 2 x2 3 x3 x4 10

10 x1 5 x2 x3 0 x4 15

que corresponden a los

coeficientes de cada variable, lo cual se observa de la variable x 1 son 1 y 10, de la

variable x2 son 2 y 5, as sucesivamente son utilizadas en el lado izquierdo de las
restricciones como se ve:

101

Captulo 5

Texto Gua -Sistemas de Ingeniera

Tambin se indica que los coeficientes del lado derecho de las restricciones del
problema primal son utilizados como coeficientes en la funcin objetivo del
problema dual del lado derecho. Como se muestra a continuacin:

4. como seala esta condicin, los coeficientes de la funcin objetivo del problema
primal que son 10, 8, 5 y 0 son utilizados en el lado derecho de las restricciones del
problema dual. Como se muestra a continuacin:

Y como se comento sobre la tabla 5.2 cuando se trata de maximizar en el problema

primal, en el problema dual se tiene que minimizar la funcin objetivo, segn esta tabla
todas las restricciones en el problema son del signo .
Ejercicio de aplicacin
Cierta dietista necesita preparar una comida que contenga determinados nutrientes,
al menos en las cantidades que se indican en la siguiente tabla. Dispone de tres ingredientes
cuyos costos y contenidos de cada nutriente (unidades por gramo de ingrediente) se dan en
la misma tabla.
Ingredientes
1

Requerimientos u.
/comida.

20

30

10

10

Nutriente

Costo $/g 200 300 250

El problema a resolver consiste en definir la combinacin de ingredientes que
permite obtener, al mnimo costo, el alimento con el contenido nutricional deseado.

102

Captulo 5

Texto Gua -Sistemas de Ingeniera

La solucin puede obtenerse resolviendo el siguiente modelo, en el cual las

variables xi indican la cantidad (g.) del ingrediente i a utilizar.
Minimizar Costo Utilidad =
Sujeto a

con xi

200

+ 300

+250

x1
4 x1
5 x1
1 x1
2 x1
2 x1

x2
+3 x 2
+6 x 2
+2 x 2
+3 x 2
+3 x 2

x3
+2 x 3
+3 x3
+1 x 3
+1 x3
+1 x 3

> 20
> 30
> 10
> 5
> 10

Nutriente A
Nutriente B
Nutriente C
Nutriente D
Nutriente E

> 0, i = 1, 2,3.

Antes de conocer la solucin ptima de este modelo, consideremos una situacin

hipottica que puede presentrsele a la dietista. Un laboratorio farmacutico ofrece pastillas
de cada uno de los nutrientes, con los cuales ella puede sustituir la comida que piensa
preparar.
Para resolver este nuevo problema reflexionemos en el hecho de que el director del
laboratorio desea obtener la mxima utilidad en la venta de las pastillas. Por ello, al evaluar
la cotizacin del laboratorio, en comparacin con el costo de preparar la comida, la dietista
necesita conocer el mximo precio que puede pagar por una pastilla que contenga una
unidad de cada nutriente.
La dietista tambin sabe que los precios que puede pagar tienen limitaciones
provenientes de los costos y contenido vitamnico de los ingredientes, as por ejemplo:
Un gramo del alimento 1 cuesta $200 y aporta cuatro unidades del nutriente A,
cinco del nutriente B, uno del C, dos del D y dos del E. Por lo tanto, por esas cantidades de
los nutrientes puede pagarse en total un mximo de $200.
Similarmente, como un gramo del alimento 2 cuesta $300 y aporta tres unidades del
nutriente A, seis del B, dos del C, uno del D y tres del E, lo mximo que podemos pagar
conjuntamente por esas cantidades de los nutrientes es $300.
Si denotamos respectivamente con las variables YA, YB, YC, YD, YE, los precios
mximos que se pueden pagar por la pastilla con una unidad de cada uno de los nutrientes,
y efectuamos un anlisis para todos los ingredientes, obtenemos el siguiente modelo de
programacin lineal.
Maximizar ventas ZD = 20YA +30YB +10YC +5YD +10YE
Sujeto a
4YA +5YB +1YC +2YD +2YE < 20 Ingrediente 1
3YA +6YB +2YC +1YD +3YE < 30 Ingrediente 2
2YA +3YB +1YC +2YD +1YE < 10 Ingrediente 3
con YA, YB, YC, YD, YE > 0

Este segundo modelo representa el enfoque dual del primero y de nuevo podemos
verificar que se presentan ciertas relaciones estructurales, a saber

103

Captulo 5

Texto Gua -Sistemas de Ingeniera

1. El vector de coeficientes objetivo de uno es la transpuesta del vector de coeficientes

recurso del otro
2. El vector de coeficientes recurso del uno es la transpuesta del vector de coeficientes
objetivo del otro.
3. La matriz de coeficientes tecnolgicos de uno es la transpuesta de la matriz de
coeficientes tecnolgicos del otro.
4. Ambos problemas estn en formato cannico, o sea que tienen las siguientes
caractersticas
4.1 El objetivo del primal es minimizar, mientras que el del dual es maximizar.
4.2 Las restricciones del primo son del tipo =, y las del dual del tipo =.
4.3 Las variables de ambos problemas solo pueden tomar valores mayores o iguales
que cero.
Pero las relaciones de forma no son las ms importantes para nuestro estudio de la
dualidad en Programacin lineal, como si lo son las relaciones lgicas existentes entre sus
soluciones ptimas y el significado econmico de las variables del modelo dual.

5.3 Resolucin opcional de problema primal con restricciones del

tipo o =
Cuando este tipo de restricciones o = se puede convertir resolver de la
siguiente manera, lo cual nos evitar utilizar los mtodos de penalizacin y las variables
artificiales.

5.3.1 Restriccin de la forma mayor o igual

Problema Primal
Maximizar z 10 x1 20 x 2
Sujeta a:
x1 2 x 2 4
2 x1 3x 2 6
x1 , x 2 0

Observe que la segunda desigualdad es de la forma mayor o igual que. Lo convertiremos

primero a la forma menor o igual que. Multiplcanos la segunda restriccin en ambos lados
por -1:
1 2 x1 3x 2 1 6
O
2 x1 3x 2 6

Y se remplaza la segunda restriccin por esta equivalente, de aqu se obtiene el modelo

primal equivalente descrito a continuacin:
Problema Primal

104

Captulo 5

Texto Gua -Sistemas de Ingeniera

Maximizar z 10 x1 20 x 2
Sujeta a:
x1 2 x 2 4

2 x1 3 x 2 6
x1 , x 2 0

Y su problema dual se convertira en lo siguiente:

Problema Dual
Minimizar w 10 y1 15 y 2
Sujeta a:

y1 2 y 2 10

2 y1 3 y 2 20
y1 , y 2 0

5.3.2 Restriccin de la forma igualdad

Problema Primal 1
Maximizar z 10 x1 20 x 2
Sujeta a:
x1 2 x 2 4

2 x1 3 x 2 7
x1 , x 2 0

Observe que la primera restriccin es una ecuacin, no es una desigualdad es de la forma

menor o igual que. Para determinar el modelo dual observamos que en modelo primal 1
reemplazamos por las 2 desigualdades siguientes:
x1 2 x 2 4
x1 2 x 2 4

x1 2 x 2 4

Con este reemplazo se obtiene el siguiente problema de programacin lineal:

Problema Primal 2
Maximizar
z 10 x1 20 x 2

Sujeta a:

x1 2 x 2 4

x1 2 x 2 4
2 x1 3 x 2 7
x1 , x 2 0

Y su problema dual se convertira en lo siguiente:

105

Captulo 5

Texto Gua -Sistemas de Ingeniera

Problema Dual
Minimizar w 4 y1 4 y 2 7 y 3
Sujeta a:
y1 y 2 2 y 3 10

2 y1 2 y 2 3 y 3 20
y1 , y 2 , y 3 0

5.4 Relaciones PRIMAL DUAL

Los cambios que se hacen en modelo original de programacin lineal afectan a los
elementos de la tabla ptima actual, que a su vez puede afectar la ptimalidad y/o la
factibilidad de la solucin actual. Por esta razn estudiaremos como se recalculan los
elementos de la tabla smplex optimo para reflejar los nuevo cambios.

5.4.1 Planteamiento de la tabla smplex

La figura 5.1 es una representacin esquemtica de las tablas smplex de inicio y
general. En la tabla de inicio, los coeficientes de las restricciones debajo de las variables de
inicio forman una matriz identidad2. Despus con las dems iteraciones de la tabla
smplex, generadas con las operaciones de rengln de Gauss-Jordn, se modificara los
elementos de la matriz identidad para producir como resultado la llamada matriz inversa.

Variables de inicio
Rengln del
objetivo z

Columnas de
restriccin

0 0
0 0

1
0

0
1

Matriz identidad

(Tabla de Inicio)
Variables de inicio
Rengln del
objetivo z

Columnas de
restriccin

Matriz identidad: todos los elementos de la diagonal principal iguales a 1 y fuera de la diagonal principal
iguales a cero

106
Matriz Inversa

(Tabla General)

Captulo 5

Texto Gua -Sistemas de Ingeniera

Figura 5.1

5.4.2 Solucin dual ptima

Las soluciones primal y dual se afectan en forma tan estrecha que la solucin
ptima del problema primal produce en forma directa (con unos pocos pasos adicionales),
la solucin ptima dual. En esta unidad se refieren 2 mtodos3 para calcular este resultado.
Mtodo 1

Valores ptimos
de las variables
duales

Vector rengln de los coeficientes

objetivos originales de las
variables bsicas ptimas primales

Inversa primal

ptima

Los elementos del vector rengln de los coeficientes objetivos del primal original
deben aparecer en el mismo orden que aparecen las variables bsicas en las columnas
bsicas de la tabla smplex.
Mtodo 2
Coeficientes zprimal ptimos
(costo reducido)
de cualquier
variable xj

Lado izquierdo de la j-esima

restriccin dual

Lado derecho de
la j-esima
restriccin dual

Estos mtodos puede implicar una gran ventaja de computo si la cantidad de

variables en primal fuera bastante menor que la cantidad de restricciones. Ya que la
cantidad de clculos smplex, depende mucho de la cantidad de restricciones, en este caso
ms eficiente resolver el dual, del cual se puede determinar entonces la solucin del primal.
Ejemplo de aplicacin 5.2
Se tiene la siguiente programacin lineal
3

Para las operaciones matriciales ver ANEXO A

107

Captulo 5

Texto Gua -Sistemas de Ingeniera

Maximizar z x1 5 x 2 3x3

Sujeta a:

x1 2 x 2 x3 3
2 x1 x 2

x1 , x 2 , x3 0

Para preparar para resolver con el mtodo smplex (mtodo de la M), se debe
agregar dos variables artificiales R en la primera y segunda restriccin, los problemas
primales y duales que son asociados se muestran a continuacin:
Problema Primal 1
Problema Primal 3
Maximizar z 1x1 5 x 2 3x 3
Sujeta a:

Maximizar z 1x1 5 x 2 3x 3
Sujeta a:

x1 2 x 2 x 3 3

x1 2 x 2 x 3 x 4

2 x1 x 2

x1 2 x 2 x 3

x1 , x 2 , x 3 0

2 x1 x 2

x5
x6

2 x1 x 2

x 7 4

x1 , x 2 , x 3 0

Problema Primal 2
Maximizar z 1x1 5 x 2 3x 3
Sujeta a:
x1 2 x 2 x 3

Problema Dual
Minimizar w 3 y1 3 y 2 4 y 3 4 y 4
Sujeta a:
y1 y 2 2 y 3 2 y 4 1

x1 2 x 2 x 3 3

2 y1 2 y 2 y 3 y 4 5

2 x1 x 2

y1 y 2 3

2 x1 x 2

x1 , x 2 , x 3 0

Resolviendo con el Mtodo de la M, se obtiene la tabla primal ptima siguiente

Tabla 5.3 Tabla ptima del primal del ejemplo 5.2

La matriz inversa ptima, que se obtiene y se seala las variables de inicio R1 y R2.

108

Captulo 5

Texto Gua -Sistemas de Ingeniera

Inversa ptima =

1 0.5

0 0.5

A continuacin se vera como se obtiene los valores ptimos duales usando los dos
mtodos que se mencionaron con anterioridad.
Mtodo 1. Lo primero que se debe observar es que las variables ptimas aparecern en la
tabla en orden, primero x3 y despus x1, lo cual debe los elementos de los coeficientes
originales del objetivo para las dos variables deben aparecer en el mismo orden
(Coeficientes objetivo originales) = (Coeficientes de x3, coeficientes de x1)
= (3, 1)
Ahora se puede calcular los valores duales ptimos como sigue:
(y1, y2) = (Coeficientes objetivo originales de x3, x1) (Inversa ptima)

= (3, 1)

1 0.5

0 0.5

= (3,-1)
Mtodo 2. Como el problema dual tiene dos variables, se necesitan dos ecuaciones para
llegar a la solucin. Tomemos las restricciones duales asociadas con las variables primales
de inicio R1 y R2. Como se sabe por la definicin de dual, las restricciones duales asociadas
con las variables primales de inicio son:
Variable de inicio R1: y1 M
Variable de inicio R2: y 2 M
Tambin, de acuerdo con la tabla ptima que se vio en la tabla 5.3
Coeficientes z de R1 = 3 + M
Coeficientes z de R2 = M 1
De acuerdo con el Mtodo 2.
3 M y1 ( M ) y1 3
M 1 y 2 ( M ) y 2 1

109

Captulo 5

Texto Gua -Sistemas de Ingeniera

Note que en cada ecuacin interviene exactamente solo una variable, por que la
solucin esta disponible de inmediato. Este siempre es el caso de las restricciones duales
asociada con las variables de inicio.

5.4.3 Calculo con la tabla smplex

Lo cual quiere verse en esta seccin, es que se puede generar toda la tabla smplex
en cualquier iteracin, a partir de los datos originales del problema y la inversa asociada
con la iteracin. Usando la distribucin de la tabla smplex de la figura 5.1, se puede
dividir los clculos en 2 tipos:
1. Columnas de restriccin (lados izquierdo y derecho).
2. Rengln objetivo z.

5.4.3.1 Clculos de columnas de restriccin.

En cualquier iteracin smplex, una columna del lado izquierdo o derecho se calcula
como se muestra a continuacin:
Columna de
restriccin en
iteracin i

Inversa en la
iteracin i

Columna
original de
restriccin

Formula 1

5.4.3.2 Clculos de rengln objetivo z.

En cualquier iteracin smplex, una columna del lado izquierdo o derecho se calcula
como se muestra a continuacin:
Coeficiente de la
variante en la
ecuacin primal
de z (costo
reducido)

Lado izquierdo
de la restriccin
dual
correspondiente

Lado derecho de
la restriccin
dual
correspondiente

Formula 2

Ejemplo de aplicacin 5.3

Se usa la programacin lineal segn el ejemplo de aplicacin 5.2 para poder ilustrar
la aplicacin de la formula 1 y 2. De acuerdo con la tabla ptima 5.3

110

Captulo 5

Texto Gua -Sistemas de Ingeniera

Inversa ptima =

1 0 .5

0 0 .5

El uso de la Formula 1 se ilustra calculando todas las columnas de lado izquierdo y

lado derecho de la tabla ptima:
Columna de en
iteracin ptima

Inversa en la iteracin
ptima

Columna de original

1 0 .5 1 0

0 .5 2 1

De manera parecida se calculan las siguientes columnas de restriccin:

111

Captulo 5

Columna de en
iteracin ptima

Texto Gua -Sistemas de Ingeniera

Columna de en
iteracin ptima

Inversa en la
iteracin ptima

Columna de
original

1 0.5 2 2.5

0 .5 1 0.5
Inversa en la
iteracin ptima

Columna de
original

112

Captulo 5

Texto Gua -Sistemas de Ingeniera

Columna de en
iteracin ptima

1 0 .5 1 1

0 .5 0 0
Inversa en la
iteracin ptima

Columna de
original

113

Captulo 5

Texto Gua -Sistemas de Ingeniera

Columna de en
iteracin ptima

1 0 .5 1 1

0 .5 0 0
Inversa en la
iteracin ptima

Columna de
original

114

Captulo 5

Texto Gua -Sistemas de Ingeniera

Columna de lado
derecho en la
iteracin ptima

1 0.5 0 0.5

0 .5 1 0.5
Inversa en la
iteracin ptima

Columna de lado
derecho original

115

Captulo 5

Texto Gua -Sistemas de Ingeniera

1 0 .5 3 1

0 .5 4 2

A continuacin se mostrara como se hacen los clculos del rengln objetivo, con la
Formula 2. Los valores ptimos de las variables duales (y1, y2) = (3,-1) que se calcularon
en el ejemplo de aplicacin 5.2, con dos mtodos distintos. Estos valores son utilizados en
la Formula 2 para determinar los coeficientes asociados de z como se ve a continuacin:
Coeficientes de x1 en z = y1 2 y 2 1 3 2 1 1 0 .
Coeficientes de x 2 en z = 2 y1 y 2 5 2 3 1 5 2 .
Coeficientes de x 3 en z = y1 3 3 3 0
Coeficientes de R1 en z = y1 M 3 M
Coeficientes de R2 en z = y1 M 1 M
Es importante saber que los clculos realizados por las Formulas 1 y 2, pueden ser
aplicadas a cualquier iteracin, sea problema primal o dual. Solo se necesita la inversa
asociada con la iteracin primal o dual y los datos de la programacin lineal original. Lo
cual se obtiene la tabla ptima del problema primal siendo la tabla 5.3.
Tabla 5.3 Tabla ptima del primal del ejemplo 5.2

116

Captulo 5

Texto Gua -Sistemas de Ingeniera

5.4.4 Valor objetivo primal y dual

En el problema primal-dual, si uno es maximizacin el otro es minimizacin, desde
ese punto de vista, los valores objetivos en los dos problemas se relacionan de la siguiente
manera:
Para cualquier par de soluciones primales y duales factibles

Valor objetivo en el
problema de
Maximizacin

Valor objetivo en el
problema de
minimizacin

En el ptimo, la relacin es valida estrictamente como ecuacin.

Obsrvese que la relacin no especifica cual problema es primal y cual es dual. En
este caso solo importa el sentido de la optimizacin (maximizacin o minimizacin)

Ejemplo de aplicacin 5.4

En el ejemplo 5.2 ( x1 =2, x1 =0, x1 =1) y (y1 = 2, y2 =-1) son soluciones factibles primal y
dual. Los valores asociados de las funciones objetivos z = 5 y w = 2

5.5 Otros algoritmos smplex para programacin lineal

En el algoritmo smplex que fue presentado en el captulo 4, el problema se inicia
en una solucin bsica factible. Las iteraciones sucesivas siguen siendo bsicas y factibles,
pero avanzan hacia la optimalidad, hasta que se llega al ptimo en la ltima iteracin. A
veces se llama mtodo smplex primal a este algoritmo.
En esta seccin presenta dos algoritmos ms: el smplex dual y el smplex
generalizado. En el smplex dual, la programacin lineal se inicia en una solucin bsica
que es (mejor que la) ptima, pero no es factible, y las iteraciones sucesivas siguen siendo
bsica y (mejores que la) ptima, a medida que se acercan a la factibilidad. En la ltima
iteracin se encuentra la solucin factible (ptima). En el mtodo smplex generalizado se
combinan los mtodos smplex primal y dual en un solo algoritmo. Maneja problemas que
comienzan siendo no ptimos y no factibles a la vez. En este algoritmo se asocian las
iteraciones sucesivas con soluciones bsicas (factibles o no factibles). En la iteracin final
la solucin es ptima y no factible al mismo tiempo (suponiendo claro esta que exista una).
117

Captulo 5

Texto Gua -Sistemas de Ingeniera

Se puede aplicar los tres algoritmos, primal dual y el generalizado con mucha
eficiencia en los caculos del anlisis de sensibilidad. Lo que se indicara en las siguientes
secciones.

5.5.1 Mtodo dual Smplex

Como el mtodo smplex primal, la base el mtodo smplex dual es que cada
iteracin siempre esta asociada a una solucin bsica. Las condiciones de optimalidad y
factibilidad se establecen para preservar la optimalidad de las soluciones bsicas y al
mismo tiempo mover las iteraciones de la solucin hacia la factibilidad.

5.5.1.1 Condicin dual de factibilidad

La variable que sale es la variable bsica que tiene el valor ms negativo (los
empates se rompen arbitrariamente). Si todas las variables bsicas son no negativas el
proceso termina y se alcanza la solucin factible (ptima).

5.5.1.2 Condicin dual de ptimalidad

La variable que entra se elige de entre las variables no bsicas como sigue:
z j c j

min

rj

, rj 0

Donde z j c j es el coeficiente objetivo del rengln z en la tabla, y rj es el

coeficiente negativo de restriccin de la tabla, asociado con el rengln de la variable de
salida x r , y con la columna de la variable x j no bsica (los empates se rompen
arbitrariamente).
Observe que la condicin de ptimalidad dual garantiza que se mantendr la
ptimalidad en todas las iteraciones.
Para el inicio de una programacin lineal que sea ptima y no factible a la vez, debe
cumplir dos condiciones:
1. La funcin objetivo debe satisfacer la condicin de ptimalidad del mtodo smplex
regular.
2. Todas las restricciones deben ser del tipo ( ).
Por la segunda condiciones se requiere convertir toda ( ) a ( ), solo se debe
multiplicar ambos lados de la desigualdad ( ) por -1. Si en la programacin lineal hay
restricciones (=) se debe reemplazar la ecuacin con dos desigualdades, por ejemplo:
x1 x 2 1

Equivale a:
x1 x 2 1, x1 x 2 1

O bien tambin equivale a:

x1 x 2 1, x1 x 2 1

118

Captulo 5

Texto Gua -Sistemas de Ingeniera

Despus de convertir todas las restricciones en ( ), la programacin lineal tendr

una solucin de inicio no factible si, y solo si al menos uno de los lados derechos de las
desigualdades es estrictamente negativo. En caso contrario si z es ptima y ninguno de lo
lados derechos es negativo no habr necesidad de aplicar el mtodo smplex dual, por la
solucin de inicio ya es ptima y factible.
Ejemplo de aplicacin 5.4.
Minimizar z = 2 x1 3 x 2
Sujeta a:
2 x1 2 x 2 30
x1 2 x 2 10
x1 , x 2 0

Lo primero que se debe hacer en este ejemplo es el de multiplicar la segunda

desigualdad o restriccin por -1 para poder convertirlas a restricciones ( ). As, la tabla de
inicio es:
Bsicas

x1

x2

x3

x4

Solucin

-2

-3

x3

30

x4

-1

-2

-10

Tabla ptima comienza (todas las z j c j 0 en el rengln z) y la solucin bsica de

inicio es no factible x3 30, x 4 10 .
Segn la condicin dual de factibilidad antes mencionada, que la variable de salida
es aquel que tiene el valor ms negativo, en el ejemplo seria x 4 10 . A continuacin se
muestra una tabla de cmo se usa la condicin dual de ptimalidad para determinar la
variable de entrada.
Variables

x1

x2

x3

x4

Rengln de z z j c j

-2

-3

Rengln de x 4 , 4 j

-1

-2

3
2

Razn,

z jc j

4 j

, 4 j 0

Por la razn obtenida indica que la variable de entrada es x 2 , se puede observar

que una variable x j es candidata a para entrar a la solucin bsica solo que su ij sea

119

Captulo 5

Texto Gua -Sistemas de Ingeniera

estrictamente negativa. Eso quiere decir en el ejemplo no se debe tomar en cuenta las
variables x3 y x 4 .
A continuacin la siguiente tabla debe obtenerse de la misma manera que se obtiene
con las conocidas operaciones de rengln
Bsicas

x1

x2

x3

x4

Solucin

-0.5

-1.5

15

x3

20

x2

0.5

-0.5

En esta ltima tabla es factible (y ptima) por lo que se termina el algoritmo (como
se observa en esta ultima tabla no hay ya variable que entre por que el resultado de x 3 es
positivo, lo cual no cumple la condicin dual de factibilidad, por lo que se lo deja en esta
tabla, lo que insina que la variable x1 no entra en la variables bsicas y es igual a 0). La
solucin que corresponde es x1 0, x 2 5 y z 15 .
Para la compresin del alumno del mtodo smplex dual en la figura 5.2 se muestra
en forma grafica la trayectoria que fue seguida por el algoritmo para resolver el ejemplo de
aplicacin 5.4. La trayectoria se inicia en el punto (0,0).

Figura 5.2

120

Captulo 5

Texto Gua -Sistemas de Ingeniera

5.5.2 Algoritmo smplex generalizado

El algoritmo smplex (primal) del captulo 4 inicia siendo factible, pero no ptimo,
el modelo matemtico. El smplex dual inicia siendo mejor que el ptimo, pero no factible.
Que pasara si un modelo matemtico de programacin lineal se iniciara no ptimo y no
factible al mismo tiempo. Se vio que el smplex primal tiene en cuenta la no factibilidad de
la solucin de inicio usando variables artificiales. De igual forma que el smplex dual tiene
en cuenta la no ptimalidad usando restricciones artificiales, el objeto de estos
procedimientos es de ampliar el computo automtico, lo cual los detalles pueden hacer
perder los detalles de la vista de lo que realmente se trata el algoritmo smplex, lo cual es
que la solucin ptima de una programacin lineal siempre este asociada con una solucin
de punto de esquina (o bsica). Con esta observacin el lector debera poder adaptar su
propio algoritmo smplex para los modelos de programacin lineal que inician no ptimos y
no factibles a la vez. En el siguiente ejemplo se puede ver lo que se llama algoritmo
smplex generalizado.
Ejemplo de aplicacin 5.5.
Maximizar z 2x3
Sujeta a:

x1 2 x 2 2 x3 8
x1 x 2 x3 4
2 x1 x 2 4 x3 10
x1 , x 2 , x3 10

El modelo de programacin lineal, se puede poner en la tabla siguiente, en el que la

solucin bsica de inicio x 4 , x5 , x 6 es al mismo tiempo no ptima por x3 y no es no
factible por x 4 8 . (La primera ecuacin se multiplico por -1 para dejar ver la no
factibilidad en forma directa, en la columna solucin).
Bsicas
z

x1

x2

x3

x4

x5

x6

-2

Solucin
0

x4

-2

-8

x5

-1

x6

-1

10

Este problema se puede resolver sin usar variables ni restricciones artificiales.

Se lo puede resolver de la siguiente manera:
1. Quitar la no factibilidad aplicando una versin de la condicin smplex dual de
factibilidad, que selecciona a x 4 como variable de salida. Para determinar cual es
la variable de entrada todo lo que se necesita es una variable no bsica cuyo
coeficiente de restriccin en el rengln de la variable de salida en este caso; x 4 sea
estrictamente negativo. Se puede hacer la seleccin sin ningn cuidado ya que no
afectara la ptimalidad, por que de cualquier manera es no existente en este punto
(comprela con la condicin de ptimalidad dual). El resultado es la siguiente tabla:

121

Captulo 5
Bsicas
z

Texto Gua -Sistemas de Ingeniera

x1

x2

x3

x4

x5

x6

-2

Solucin
0

2
1
2

14

x2

-1

x5

x6

Ahora la tabla anterior es factible, pero no ptimo, para lo cual se resuelve usando el
smplex primal para determinar la solucin ptima. En general si es que no pudiramos
haber encuentra la factibilidad con la tabla anterior, se puede repetir la veces que sean
necesarias hasta encontrar la factibilidad o de otro modo hasta que haya pruebas de que no
tenga solucin factible, una vez atendida la factibilidad el siguiente paso.
2. Es el ocuparse de la ptimalidad que puede ser resuelto aplicando la condicin
acomodada de ptimalidad del mtodo smplex primal. De la anterior tabla, se
resuelve y se obtiene la siguiente tabla:
Bsicas
z

x1

x2

x3

x4

x5

x6

-2

Solucin
0

2
1
2

14

x2

-1

x5

x6

La variable x3 es la variable que entra por ser el que tiene el coeficiente ms negativo, y la
variable x 6 es la variable que sale por la razn mnima que se hace con el mtodo smplex
primal, lo cual da la siguiente tabla:
Bsicas
z

x1

x2

x3

x4

x5

x6

-0.5

0.5

Solucin
0

x2

-0.75

-0.25

0.5

x3

-0.25

0.25

0.5

x6

2.25

-1.25

-1.5

14

Y la tabla ptima es la siguiente (donde la variable que entra es x1 y la que sale es x 6 ).

Bsicas
z

x1

x2

x3

x4

x5

x6

0.22

0.66

0.22

Solucin
3.11

x2

-0.67

0.33

8.66

x3

0.11

0.33

0.11

1.55

122

Captulo 5
x1

Texto Gua -Sistemas de Ingeniera

1

-0.56

-0.67

0.44

6.22

x1 6.22

Las respuestas factibles y ptimas son x 2 8.66

x3 1.55

Tcnica de la cota superior

Es comn en problemas de programacin lineal que algunas o todas las variables
individuales xi tengan restricciones de cota superior.
xi u j

Donde u j es una constante positiva que representa al mximo valor factible de x j .

Se puso en relieve que el factor determinar en cuanto al tiempo de calculo al correr el
mtodo smplex es el nmero es el nmero de restricciones funcionales, mientras que el
nmero de restricciones de no negatividad casi carece de importancia. Entonces, un nmero
grande de restricciones de cota superior incluidas en las restricciones funcionales
incrementa mucho el esfuerzo computacional requerido.
La tcnica de la cota superior evita este mayor esfuerzo al eliminar las restricciones
de cota superior del conjunto de restricciones funcionales y al tratarlas por separado, en
esencia, como restricciones de no negatividad. Hacer esto no causa problemas siempre y
cuando ninguna de las variables adquiera un valor mayor que su cota superior. La nica vez
que el mtodo smplex incrementa alguna de las variables es cuando la variable bsica
entrante aumenta su valor para obtener la nueva solucin bsica factible. La tcnica de la
cota superior, simplemente aplica el mtodo smplex al resto del problema (es decir, sin las
restricciones de cota superior) pero con la restriccin adicional de que cada nueva solucin
bsica factible debe satisfacer las restricciones de cota superior adems de las normales de
cota inferior (no negatividad).
Para poner en practica esta idea, note que una variable de decisin x j con una
restriccin de cota superior x j u j siempre se puede sustituir por:
xj uj yj

En donde y j ser entonces la variable de decisin. En otras palabras, se puede

elegir entre dos tipos de variables de decisin, la cantidad mayor que cero ( x j ) o la
cantidad menor que u j ( y j u j x j ). (Se har referencias a x j y y j como variable de
decisin complementarias) como:
0 xj uj

Tambin se cumple que:

0 yj uj

Entonces, en cualquier momento al trabajar con el mtodo smplex se puede:

1. Usar en donde 0 x j u j .
2. Sustituir x j por u j y j , en donde 0 y j u j .

123

Captulo 5

Texto Gua -Sistemas de Ingeniera

La tcnica de la cota superior emplea la siguiente regla para hacer esta eleccin:
Regla: comenzar con la opcin 1.
Si x j 0 , se utiliza la opcin 1, de manera que x j es no bsica.
Si x j u j , se utiliza la opcin 2, de manera que y j 0 es no bsica.
Se cambia de opcin solo cuando x j alcanza el otro valor extremo.
As pues, siempre que una variable bsica llega a su cota superior se debe cambiar
de opcin y usar su variable de decisin complementaria como la nueva variable no bsica
(la variable que sale) para identificar la nueva solucin bsica factible. Entonces, la nica
modificacin sustantiva que se hizo al mtodo smplex esta en la regla para elegir la
variable bsica que sale.
Recuerde que el mtodo smplex elige como variable bsica que sale a aquella que
seria la primera en convertirse bsica entrante. En cambio, con la modificacin que se
acaba de hacer, se seleccionan la variable bsica entrante. En cambio, con la modificacin
que se acaba de hacer, se selecciona la variable que seria la primera en no factible en
cualquier direccin, ya sea por volverse negativa o por sobrepasar la cota superior cuando
se incrementa la variable bsica entrante. (Obsrvese que una posibilidad es que la
variable bsica entrante se vuelva no factible si adquiere un valor mayor que su cota
superior, en este caso su variable complementaria se convierte en la variable que sale). Si
la variable bsica que sale adquiere el valor cero, se procede con el mtodo smplex en
forma normal, pero si por el contrario alcanza su cota superior, entonces se cambia de
opcin y su variable de decisin complementaria ser la variable bsica que sale.
Ejemplo de aplicacin 5.6.
Maximizar z 2 x1 x2 2 x3
Sujeta a:

4x1
x2
=
x3 =
2x1
0 x1 4 0 x2 15

12
4
0 x3 6

As, las tres variables tienen restricciones de cota superior ( u1 4, u 2 15, u3 6 ).

Las dos restricciones de igualdad se encuentran ya en la forma apropiada de
eliminacin de Gauss para identificar la solucin bsica factible inicial (
x1 0, x2 12, x3 4 ) y ninguna de las variables de esta solucin excede su cota superior;
as, x2 y x3 se pueden usar como variables bsicas iniciales estas variables de la funcin
objetivo para obtener la ecuacin (0) inicial.

z
z

2x1
x 2 2x3
(4 x1
x2
x3
2( 2 x1
2x1

= 0
= 12)
= 4)
= 20

Para comenzar con la primera iteracin, esta ecuacin (0) inicial indica que la
variable bsica entrante inicial es x1 . Como las restricciones de cota superior no estn

124

Captulo 5

Texto Gua -Sistemas de Ingeniera

incluidas, el conjunto inicial completo de ecuaciones y los clculos correspondientes para

seleccionar la variable bsica que sale se muestra en la tabla siguiente:
Valor factible mximo de x1
x1 4
(ya que u1 4 )

Conjunto inicial de ecuaciones

(0)
(1)
(2)

2x1
4x1 x2
2x1

x3

= 20
= 12
= 4

x1

x1

12
4

= 3

64
2

= 1

mnimo (ya que

u3 6

La segunda columna muestra cuanto puede aumentar la variable bsica entrante x1

antes de que alguna variable bsica (incluyendo a x1 ) se vuelva no factible. Ahora, el valor
mximo que se da a la ecuacin (0) es sencillamente la cota superior para x1 . Para la
ecuacin (1), como el coeficiente de x1 es positivo, al aumentar a 3 su valor, la variable
bsica ( x 2 ) en esta ecuacin disminuye de 12 a su cota inferior de cero. En la ecuacin
(2), el coeficiente de x1 es negativo, por lo que se aumenta su valor a 1 la variable bsica (
x3 ) en esta ecuacin aumenta de 4 a su cota superior de 6.
Este ultimo valor mximo de x1 es el ms pequeo, lo que determina que x3 sea la
variable bsica que sale. Ahora bien, como x3 alcanzo su cota superior, x3 se sustituye por
6 y3 de manera que y3 0 se convierte en la nueva variable no bsica en la siguiente
solucin bsica factible y x1 se convierte en la nueva variable bsica en la ecuacin (2).
Este reemplazo lleva a los siguientes cambios en esa ecuacin:
(2)

2x1 +
2x1 +
2x1
x1

x3
6 y3
y3
1
y3
2

=
=
=

4
4
2

Entonces, despus de eliminar algebraicamente x1 de todas las dems ecuaciones, el

segundo conjunto completo de ecuaciones es:
(0)
(1)
(2)

z
x2
x1

y3
2 y3

= 22
= 8

1
y3 =
2

La solucin bsica factible que se obtiene es x1 = 1, x 2 = 8, y3 =0. De acuerdo con

la prueba de ptimalidad, se trata de una solucin ptima, por lo que x1 = 1, x2 = 8, x3 =6
y3 = 6 es la solucin que se busca para el problema original.

5.6 Anlisis Pos-ptimo o de sensibilidad

El entorno de la construccin y de la ingeniera civil muchas veces es impredecible e
incierto debido a factores tales como cambios econmicos, reglamentaciones pblicas,
dependencia de subcontratistas y proveedores, etc. Los ingenieros generalmente se ven

125

Captulo 5

Texto Gua -Sistemas de Ingeniera

inmersos en un entorno dinmico e inestable donde aun los planes a corto plazo deben reevaluarse constantemente y ajustarse de manera incremental. Todo esto requiere una
mentalidad orientada al cambio para hacer frente a las incertidumbres. Recuerde que las
sorpresas no forman parte de una decisin slida.
El hombre utiliza la construccin (modelos) matemticos e informticos para una
variedad de entornos y propsitos, con frecuencia para conocer los posibles resultados de
uno o ms planes de accin. Esto puede relacionarse con la construccin, inversiones
financieras, prcticas industriales e impactos ambientales. El uso de modelos se ve
perjudicado por la inevitable presencia de incertidumbres, que surgen en distintas etapas,
desde la construccin y corroboracin del modelo en s hasta su uso. Normalmente su uso
es el culpable.
Toda solucin a un problema de toma de decisiones se basa en determinados
parmetros que se presumen como fijos. El anlisis de sensibilidad es un conjunto de
actividades posteriores a la solucin que sirven para estudiar y determinar qu tan sensible
es la solucin a los cambios en las hiptesis. Estas actividades tambin se denominan
anlisis de estabilidad, anlisis what-if o de hiptesis, modelacin de escenarios, anlisis
de especificidad, anlisis de incertidumbre, anlisis de inestabilidad numrica,
inestabilidad funcional y tolerancia, anlisis de post ptimalidad, aumentos y
disminuciones admisibles y muchos otros trminos similares que reflejan la importancia de
esta etapa del proceso de modelacin.
Se puede hacer frente a las incertidumbres de una manera ms "determinista". Este
abordaje tiene distintos nombres tales como "modelacin de escenarios", "modelacin
determinista", "anlisis de sensibilidad" y "anlisis de estabilidad". La idea es generar, de
manera subjetiva, una lista ordenada de incertidumbres importantes que supuestamente
podran tener un mayor impacto sobre el resultado final. Esto se lleva acabo antes de
focalizarse en los detalles de cualquier "escenario" o modelo.
Resulta vital comprender la influencia de lo antedicho en el plan de accin sugerido
por el modelo por las siguientes razones:
Pueden presentarse distintos niveles de aceptacin (por el pblico en general, por
los decisores, por las partes interesadas) a distintos tipos de incertidumbre.
Distintas incertidumbres tienen distintos impactos sobre la confiabilidad, robustez y
eficiencia del modelo.
La relevancia del modelo, depende en gran medida del impacto de la incertidumbre
sobre el resultado del anlisis. Las sorpresas no forman parte de las decisiones
ptimas slidas.
Existen numerosos ejemplos de entornos donde esto es aplicable, tales como:

Construccin de indicadores.

126

Captulo 5

Texto Gua -Sistemas de Ingeniera

Anlisis y pronstico de riesgo.

Optimizacin y calibracin de modelos.

A continuacin, sigue una lista abreviada de las razones por las cuales se debe tener
en cuenta el anlisis de sensibilidad:
Toma de decisiones o desarrollo de recomendaciones para decisores:

Para probar la solidez de una solucin ptima. Las sorpresas no forman parte
de las decisiones ptimas slidas.
Para identificar los valores crticos, umbrales, o valores de equilibrio donde
cambia la estrategia ptima.
Para identificar sensibilidad o variables importantes.
Para investigar soluciones sub-ptimas.
Para desarrollar recomendaciones flexibles que dependan de las
circunstancias.
Para comparar los valores de las estrategias de decisin simples y complejas.
Para evaluar el riesgo de una estrategia o escenario.

Comunicacin:

Para formular recomendaciones ms crebles, comprensibles, contundentes o

persuasivas.
Para permitir a los decisores seleccionar hiptesis.
Para comunicar una falta de compromiso a una nica estrategia.
El decisor debe incorporar algunas otras perspectivas del problema tal como
perspectivas culturales, polticas, psicolgicas, etc. en las recomendaciones
del cientfico de administracin.

Aumentar la comprensin o aptitud del sistema:

Para estimar la relacin entre las variables de entrada y las de salida.

Para comprender la relacin entre las variables de entrada y las de salida.
Para desarrollar pruebas de las hiptesis.

Desarrollo del modelo:

Para probar la validez o precisin del modelo.

Para buscar errores en el modelo
Para simplificar el modelo.
Para calibrar el modelo.
Para hacer frente a la falta o insuficiencia de datos.
127

Captulo 5

Texto Gua -Sistemas de Ingeniera

Para priorizar la adquisicin de informacin.

El anlisis de sensibilidad o pos-optimidad investiga y trata del cambio de la

solucin ptima que resulta de hacer cambios en los parmetros del modelo matemtico de
la programacin lineal, en la tabla siguiente se describe todos los posibles casos que puedan
darse en el anlisis de sensibilidad, as como la acciones necesarias para obtener la nueva
solucin (si es que existiera):
El anlisis pos-ptimo se refiere a la determinacin de los efectos causados sobre la
solucin ptima, por las variaciones en los parmetros.
Pregunta. En un modelo de programacin lineal en general, Cules parmetros son
estimados?
Respuesta. Los parmetros que son estimados ms a menudo son: los coeficientes (utilidad
unitaria o costos unitarios) de las variables de la funcin objetivo, los nmeros del lado
derecho de las restricciones y los coeficientes de las variables de las restricciones.
Condiciones resultante de los cambios
La solucin actual queda ptima y
factible.

Accin recomendada
No es necesaria accin alguna.

La solucin actual se vuelve no

factible.

Usar el smplex dual

recuperar la factibilidad.

para

La solucin actual se vuelve no

ptima.

Usar el smplex primal

recuperar la ptimalidad.

para

La solucin actual se vuelve no

ptima y no factible, al mismo
tiempo.

Usar
el
mtodo
smplex
generalizado para obtener una
nueva solucin.

5.7 Cambios que afectan la factibilidad

La factibilidad de la solucin ptima solo puede variar si:
1. Cambia el lado derecho de las restricciones.
2. Se agrega al modelo una restriccin nueva.
En ambos casos se tiene no factibilidad cuando al menos un elemento del lado
derecho en la tabla ptima se hace negativo; esto es, una o ms de las variables bsicas
actuales se vuelve negativa.

128

Captulo 5

Texto Gua -Sistemas de Ingeniera

5.7.1 Cambios en el lado derecho.

Estos cambios requieren volver a calcular el lado derecho de la tabla, usando la
Formula 1 (vase seccin 5.6) lo cual es:
Columna de
restriccin en
iteracin i

Inversa en la
iteracin i

Columna
original de
restriccin

Formula 1

Se tiene que tener en cuenta, de que el lado derecho de la tabla expresa los valores
de las variables bsicas. En el siguiente ejemplo se muestra este procedimiento:
Ejemplo de aplicacin 5.7.
Ladrillos S.A. fabrica tres tipos de ladrillos: Ladrillo de 3era Clase, Ladrillo de 2da
Clase y Ladrillo de 1era Clase, los cuales se hacen con 3 operaciones. Los lmites diarios de
tiempo disponible para las tres operaciones son 430, 460 y 420 minutos, respectivamente y
las utilidades por el ladrillo de 3era Clase, 2da Clase y 1era Clase son Bs. 3, Bs. 2 y Bs. 5,
respectivamente. Los tiempos de fabricacin de la 3era Clase, en las 3 operaciones son 1, 3 y
1 minutos, respectivamente. Los tiempos respectivamente para el de 2 da Clase y 1era Clase
son (2, 0, 4) y (1, 2, 0) minutos (un tiempo de cero indica que no se uso la operacin).
Si x1 , x 2 y x3 representan la cantidad diaria de unidades fabricadas de ladrillos de
3 Clase, 2da Clase y 1era Clase y si los modelos de programacin lineal primal y dual son
los siguientes:
era

Problema Primal

Problema Dual

Maximizar z 3x1 2 x 2 5 x3

Minimizar w 430 y1 460 y 2 420 y 3

Sujeta a:

Sujeta a:

x1 2 x 2 x3 430

3x1

2 x3 460

x1 2 x3

420

Operacin 1
Operacin 2
Operacin 3

y1 3 y 2 3 y 3 3
4 y3 2

2 y1
y1 2 y 2

y1 , y 2 , y 3 0

x1 , x 2 , x3 0

Solucin ptima:

Solucin ptima:

y1 1, y 2 2, y 3 0, z 1350 Bs

x1 0, x 2 100, x3 230, z 1350 Bs

La tabla inicial del primal es la siguiente:

Bsicas

x1

x2

x3

x4

x5

x6

Solucin

-3

-2

-5

x4

430

x5

460

129

Captulo 5
x6

Texto Gua -Sistemas de Ingeniera

1

420

La tabla ptima del problema primal es la siguiente

Bsicas
z

x1

x2

x3

x4

x5

x6

Solucin
1350

100

230

-2

20

x2

x3

x6

Supongamos que Ladrillos S.A. desea ampliar su capacidad de fabricacin

aumentando en un 40 % la capacidad diaria de cada una, hasta 602, 644 y 588 minutos,
respectivamente. Con esos aumentos, el nico cambio que se har en la tabla ptima es el
lado derecho de las restricciones (y el valor objetivo ptimo), lo cual la nueva solucin
bsica se determina como sigue:
Nuevo lado
derecho de la
tabla en la
iteracin i

Inversa en la

iteracin i

Nuevo lado
derecho de la
iteracin i

Formula 1

130

Captulo 5

Texto Gua -Sistemas de Ingeniera

1 1 0
x2 2 4 602 140

1x 0 0 64 32
3 2
x 58 328
6 2 1

Lo cual las nuevas variables bsicas x 2 , x3 y x 6 siguen siendo factibles con los
nuevos valores 140, 322 y 328. La utilidad ptima correspondiente es 1890 Bs.

5.7.2

Intervalos de factibilidad de los elementos del lado derecho.

Otra forma de examinar el efecto de cambiar la disponibilidad de los recursos (es

decir, el vector del lado derecho) es determinar el intervalo para la cual la solucin actual o
del momento permanece factible. El siguiente ejemplo se muestra este procedimiento:
Ejemplo de aplicacin 5.8.

131

Captulo 5

Texto Gua -Sistemas de Ingeniera

En el modelo utilizado anteriormente de Ladrillos S.A., se quiere suponer que lo

que interesa es determinar el intervalo de factibilidad de la capacidad de la operacin 1. Se
puede hacer reemplazando el lado derecho con:

430 D1

460
420

La cantidad D1, representara el cambio de la operacin 1, arriba y debajo del valor
actual de 430 minutos, la solucin bsica permanecer factible si todas las variables bsicas
son no negativas esto es se ve a continuacin:

132

Captulo 5

Texto Gua -Sistemas de Ingeniera

1 D1
0 10
x2 2 4 30D1 2 0

1x0 0 460 230 0
3 2

x 420 20 D 0
6 2 1 1

Las condiciones que resultan llevan a las siguientes cotas de D1:

133

Captulo 5

Texto Gua -Sistemas de Ingeniera

x2 0 : 100 D1 0 D1 200
x3 0 : x3 es independiente de D1
x6 0 : 20 2 D1 0 D1 10
Lo cual se nota que la solucin cuando se encuentre en el siguiente rango ser
factible:
200 D1 10

Lo cual equivale a variar los minutos de disponibilidad de la operacin en el

siguiente intervalo:
430 200 Capacidad de la operacion 1 430 10
230 Capacidad de la operacion 1 440

El cambio en el valor objetivo ptimo que esta relacionado con D1 es D1 y1 ,

siendo y1 el valor por unidad (precio dual), en Bs. por minuto de la operacin 1.

5.7.3

Cambios realizados en una restriccin

5.7.3.1

Aadir una nueva restriccin

El proceso: Introduzca la solucin ptima corriente en la restriccin recin aadida.

Si la restriccin no se viola, la nueva restriccin NO afecta la solucin ptima. De lo
contrario, el nuevo problema debe resolverse para obtener la nueva solucin ptima.

5.7.3.2

Suprimir una restriccin

El proceso: Determine si la restriccin es obligatoria (es decir, activa, importante)

hallando si el valor de holgura/excedente es cero. Si es obligatoria, la supresin
puede cambiar la solucin ptima corriente. Suprima la restriccin y resuelva el
problema. De lo contrario (si no es una restriccin obligatoria), la supresin no
afectar la solucin ptima.

5.7.3.3

Reemplazar una restriccin

Supongamos que se reemplaza una restriccin por una nueva. Cul es el efecto de
este intercambio?
El proceso: Determine si la restriccin previa es obligatoria (es decir, activa,
importante) hallando si el valor de holgura/excedente es cero. Si es obligatoria, el
reemplazo puede afectar la solucin ptima corriente. Reemplace la restriccin y
resuelva el problema. De lo contrario (si no es una restriccin obligatoria),
determine si la solucin corriente satisface la nueva restriccin. Si la satisface,
entonces este intercambio no afectar la solucin ptima. De lo contrario (si la
134

Captulo 5

Texto Gua -Sistemas de Ingeniera

solucin corriente no satisface la nueva restriccin), reemplace la restriccin

anterior por la nueva y resuelva el problema.

5.7.3.4

Aadir una variable (por ejemplo, introducir un nuevo producto)

El proceso: Construya la nueva restriccin del problema solucin ptima corriente

es ptima, de lo contrario produzca el nuevo producto (la solucin ptima corriente
ya no es ms ptima). Para determinar el nivel de dual. Inserte la solucin dual en
esta restriccin. Si la restriccin se satisface, NO produzca el nuevo producto, la
produccin del nuevo producto (es decir, una solucin ptima mejor) resuelva el
siguiente problema.

5.7.3.5

Suprimir una variable (es decir, cancelar un producto)

El proceso: Si para la solucin ptima corriente, el valor de la variable suprimida es

cero, entonces la solucin ptima corriente sigue siendo la ptima sin incluir la
variable. De lo contrario, suprima la variable de la funcin objetivo y las
restricciones, y luego resuelva el problema.
A continuacin mostraremos uno de los cambios que se puede realizar en una restriccin:

5.7.3.6

Adiccin de nuevas restricciones.

La adiccin de una nueva restriccin a un modelo existente puede llevar a uno de

los dos casos siguientes:
1. La nueva restriccin es redundante (es decir sobrante), por lo cual se quiere decir
que se satisface con la solucin ptima actual y por consiguiente, se puede eliminar
por completo del modelo.
2. La solucin actual viola la nueva restriccin, y en este caso se puede aplicar el
Mtodo Smplex Dual para recuperar la factibilidad.
Se debe observar que la adiccin de una nueva restriccin como en el caso 2,
nunca puede mejorar el valor objetivo ptimo actual.
Ejemplo de aplicacin 5.9.
Se supone que en Ladrillos S.A. cambia la forma de fabricacin de los ladrillos y
que para este cambio se requiere agregar o aumentar una 4 ta operacin en las fases de
fabricacin. La capacidad diaria de la nueva operacin es de 500 minutos, y los tiempos por
unidad, para los tres productos en esta operacin son 3, 1 y 1 minutos, respectivamente. La
restriccin resultante se forma, por consiguiente, como sigue:
3 x1 x 2 x3 500

Este restriccin es redundante como se hablo anteriormente, lo cual inferimos de

que se queda satisfecha con la solucin ptima actual x1 0, x 2 100, x3 230, z 1350 Bs
. Eso quiere decir que la solucin ptima actual permanece sin cambios.

135

Captulo 5

Texto Gua -Sistemas de Ingeniera

Ahora pongamos que los tiempos por unidad para Ladrillos S.A., para la cuarta
operacin son 3, 3 y 1 minutos, respectivamente. Todos los datos restantes del modelo
quedaran iguales, ahora la cuarta restriccin quedara as:
3 x1 3 x 2 x3 500

Por lo que se nota reemplazando los valores de x1 0, x 2 100, x3 230 , se tiene

530 500 lo cual no queda satisfecha por la solucin actual. Lo cual debemos aumentar la
nueva restriccin a la tabla ptima actual, como se ve a continuacin (donde x7 es holgura).
Como se muestra la siguiente tabla:
x1

x2

x3

x4

x5

x6

x7

Solucin
1350

100

230

x6

-2

20

x7

500

Bsicas
z
x2

x3

Como se puede observar las variables x 2 y x 3 son bsicas, se debe sustituir y

eliminar sus coeficientes de restriccin en el rengln de x 7 , lo que se puede hacer con la
siguiente operacin:
Nuevo rengln de x 7 =Rengln anterior de x 7 -{3 (rengln de x 2 )+ 1 (rengln de x 3
)}

Entonces la nueva tabla es la siguiente:

Bsicas
z

x1

x2

x3

x4

x5

x6

x7

Solucin
1350

100

230

-2

20

-30

x2

x3

x6
x7

136

Captulo 5

Texto Gua -Sistemas de Ingeniera

Luego se aplica el mtodo smplex dual lo cual dar como resultado la nueva
solucin ptima: x1 0, x 2 90, x3 230, z 1330 Bs .

5.8

Cambios que afectan la ptimalidad

En esta seccin se examinan dos soluciones particulares que podran afectar la

ptimalidad de solucin actual:
1. Cambios en los coeficientes objetivo originales.
2. Adicin de una nueva actividad econmica (variable) al modelo.

5.8.1

Cambios en los coeficientes de la funcin objetivo.

Esos cambios solo afectan la ptimalidad de la solucin. Por consiguiente requieren

recalcular los coeficientes del rengln z, con el siguiente procedimiento:
1. Calcular los valores duales con los Mtodos 1 y 2 de la seccin 5.6
2. Usar valores duales en la Formula 2 de la seccin 5.6, para determinar los
nuevos coeficientes en el rengln z.
Se presentaran dos casos:
1. El nuevo rengln de z satisface la condicin de ptimalidad, y la solucin
permanece sin cambio (sin embargo, el valor objetivo ptimo puede cambiar).
2. La condicin de ptimalidad no se satisface, y en ese caso se aplica el Mtodo
Smplex (primal) para recuperar la ptimalidad.
Ejemplo de aplicacin 5.10.
En el modelo ya utilizado de Ladrillos S.A., supongamos que la empresa tiene una
nueva poltica para igualar la competencia. Bajo la nueva poltica, las utilidades por unidad
son Bs. 2, Bs. 3 y Bs. 4, por los ladrillos de 3 era Clase, 2da Clase y 1era Clase,
respectivamente, la nueva funcin objetivo es:
Maximizar z 2 x1 3 x 2 4 x3

Problema Primal

Problema Dual

Maximizar z 2 x1 3 x 2 4 x3

Minimizar w 430 y1 460 y 2 420 y 3

Sujeta a:

Sujeta a:

x1 2 x 2 x3 430

3x1

2 x3 460

x1 2 x3

420

Operacin 1
Operacin 2
Operacin 3

x1 , x 2 , x3 0

y1 3 y 2 3 y 3 2
2 y1

4 y3 3

y1 2 y 2

y1 , y 2 , y 3 0

Y la nueva tabla inicial del primal es la siguiente:

137

Captulo 5

Texto Gua -Sistemas de Ingeniera

Bsicas
z

x1

x2

x3

x4

x5

x6

-2

-3

-4

Solucin
0

x4

430

x5

460

x6

420

As:
(Nuevos coeficientes objetivo de x 2 , x 3 y x 6 bsicas) = (3, 4, 0)
Las variables duales se calculan con el Mtodo 1 de la seccin 5.6, como sigue:

1 1 0
2 4
1 35
y1, y2, y3 3,4,0 0 2 0 2, 4, 0
2 1 1

Los coeficientes del rengln z se determinan como la diferencia entre los lados
izquierdos y derecho de las restricciones duales (formula 2, seccin 5.6). No es necesario
otra vez calcular los coeficientes de las variables bsicas x 2 , x3 y x 6 en el rengln
objetivo, por que siempre son iguales a cero, independientemente de los cambios que se
haya hecho a los coeficientes objetivos.

x1 : y1 3 y 2 y3 2 3 3 5 0 2 13
2
4
4
x4 : y1 0 3
2
x5 : y 2 0 5
4
Notamos que el lado derecho de la restriccin dual asociada con x1 es 2, el
coeficiente nuevo en la funcin objetivo modificada.
Los clculos indican en la solucin actual, x1 0, x 2 100, x3 230 . La nueva
utilidad se calcula de la siguiente manera como 20 + 3100 + 4230 = Bs. 1220.

138

Captulo 5

Texto Gua -Sistemas de Ingeniera

Ahora supongamos que la funcin objetivo de Ladrillos S.A. es:

Maximizar z 6 x1 3 x 2 4 x3
Los cambios correspondientes en el rengln z se indican en la siguiente tabla:
Bsicas

x1

x2

x3

x4

x5

x6

Solucin

4
1
4
1
2

1220

100

230

20

x2

x3

-2

x6

2
2

Los elementos que estn en la celda sombreada son las nuevas z j c j para las
variables no bsicas x1 , x 4 y x 5 , todos los elementos restantes de la tabla son iguales a los
de la iteracin original ptima. Entonces la nueva solucin ptima se determina haciendo
entrar x1 y salir x 6 con lo que se da es:
x1 10, x 2 102.5, x3 215 y z 1227.50 Bs

5.8.2

Intervalo de ptimalidad de los coeficientes objetivo.

Otra forma de investigar el efecto de los cambios en los coeficientes de la funcin

objetivo es calcular el intervalo para el que cada coeficiente individual mantenga la
solucin ptima actual. Esto se hace reemplazando el c j actual con cj + dj, donde dj
representa la cantidad (positiva o negativa) de cambio.
Ejemplo de aplicacin 5.11.
Supongamos que la funcin objetivo del modelo Ladrillos S.A. cambia a:
Maximizar z 3 d1 x1 2 x 2 5 x3
Determinar el intervalo de ptimalidad para el cambio d1.
Seguiremos el procedimiento que se describi arriba. Pero hay que observar que la
variable x1 no es bsica en la tabla ptima. Los valores duales no se vern afectados por
este cambio y en consecuencia permanecern igual que en el modelo original es decir
y1 1, y 2 2, y 3 0 .
En realidad, como x1 es no bsica, solo afectara su coeficiente en el rengln z y
todos los dems coeficientes de ese rengln permanecern sin cambio. Lo cual nos indica
que debemos emplear la formula 2 seccin 5.6 a la restriccin dual asociada solo con x1 ,
lo cual nos da:
x1 : y1 3 y 2 y 3 3 d1 1 3 2 0 3 d1 4 d1

Como el modelo de Ladrillos S.A. es un problema de maximizacin, la solucin

original permanecer ptima siempre que:
4 d1 0

sea

139

Captulo 5

Texto Gua -Sistemas de Ingeniera

d1 4

Analizando y remplazando quiere decir que la solucin actual permanecer ptima

siempre que el coeficiente objetivo c1 3 d1 de x1 no sea mayor que 3 + 4 = Bs. 7.

5.8.3 Adicin de una nueva actividad.

La adicin de una nueva actividad en un modelo de programacin lineal equivale a
agregar una nueva variable. En forma intuitiva, la adicin de una nueva actividad solo es
deseable si es rentable, solo sirve si mejora el valor ptimo de la funcin objetivo. Esta
condicin se puede comprobar aplicando la Formula 2 de la seccin 5.6, a la nueva
actividad. Como esa nueva actividad no es todava parte de la solucin, se puede considerar
como una variable no bsica. Lo cual quiere decir que los valores duales asociados con la
solucin actual permanecen invariables.
Si la Formula 2 de la seccin 5.6, indica que la nueva actividad satisface la
condicin de ptimalidad, la actividad no es rentable. En caso contrario, es mejor tener en
cuenta la nueva actividad.
Ejemplo de aplicacin 5.12.
Ladrillos S.A. reconoce los ladrillos de 3 er Clase no se producen en la actualidad por
que no son rentables. La empresa quiere remplazar los ladrillos de 3 er Clase con un nuevo
producto, un ladrillo de diferente clase pero que utilice las instalaciones existentes.
Ladrillos S.A. estima que la utilidad por esta nueva clase es de Bs. 4 y los tiempos de
fabricacin son de 1 minuto en cada de las operaciones 1 y 2, y 2 minutos en la operacin
3.
Sea x 7 el nuevo producto. Como y1 1, y 2 2, y 3 0 son los valores duales
ptimos, el costo reducido se puede calcular como sigue:
1 y1 1 y 2 2 y 3 4 1 1 1 2 2 0 4 1

Segn lo obtenido resulta conveniente econmicamente la inclusin de la variable

x 7 en la solucin ptimo se calcula primero la columna de restricciones con la Formula 1
seccin 5.6, como sigue:

140

Captulo 5

Texto Gua -Sistemas de Ingeniera

Columna de restriccin de x 7

1 1 0 1
2 4 1 4
1 1
0 0 1
2 2
2 11 2 1

As se debe modificar la tabla smplex actual como sigue:

Bsicas
z

x1

x2

x3

x7

x4

x5

x6

-1

Solucin
1350

100

230

-2

20

x2

x3

x6

Se determina el nuevo ptimo haciendo entrar x 7 a la solucin bsica, y en ese caso

se debe salir x 6 . La nueva solucin ser: x1 0, x 2 0, x3 125, x 7 210 y z 1465 Bs .
En el caso de agregar una actividad nueva tambin abarca al caso en que se hicieron
cambios a los usos de los recursos, en una actividad existente. En forma especifica se puede

141

Captulo 5

Texto Gua -Sistemas de Ingeniera

considerar a x 7 como si al principio tuviera un coeficiente de objetivo cero y uso cero de

los tres recursos, y que esos valores cero se cambiaron a los nuevo valores que se dan para
x 7 . Por esta razn no se describir por separado el caso de cambiar los coeficientes de
restriccin de una variable existente.

5.9 Problemas propuestos

1. Dados los siguientes problemas lineales, plantear su primal y dual hallando las
soluciones simtricas; hacer su interpretacin econmica y aplicar los teoremas de
dualidad.
a) Fo:
Max z = -5w1 - 2w2 + 1 w3
Sa:
w1 + w2 + w3 10
5w1
- w3 15
w1 ; w2
1
w3 0
b) Fo:
Sa:

Min z = 4x1 + 5x2

x1 2x2 2
2x1 + x2 6
x1 + 2x2 5
x1 + x2 1
x1 ; x2 0

142

Captulo 5

c) Fo:
Sa:

Texto Gua -Sistemas de Ingeniera

Min z = 3x1 2x2

x1 + x2 0
3x1 + 5x2 0
5x1 + 3x2 0
2x1 3x2 4
x1; x2 NO RESTRINGIDO
2. Considere el siguiente modelo de programacin lineal
MODELO PRIMAL
Maximizar z = 2x1 + 3x2
Sujeto a
4x1 + 5x2 6
7x1 + 8x2 9
x1; x2 0
Dar el dual del modelo primal.
3. Considere el siguiente modelo de programacin lineal
MODELO PRIMAL
Maximizar z = 2x1 + 3x2 4x3
Sujeto a
5x1 + 6x2 + 7x3 8
8x1 9x2 + 10 x3 11
x1; x2; x3 0
Dar el dual de este modelo.
4. Considere el siguiente modelo de programacin lineal
MODELO PRIMAL
Minimizar z = 2x1 + 3x2
Sujeto a
4x1 + 5x2 6
7x1 + 8x2 9
x1; x2 0
Dar el dual de este modelo.
5. Considere el siguiente modelo de programacin lineal
MODELO PRIMAL
Maximizar z = 2x1 + 3x2 4x3
Sujeto a
5x1 + 6x2 + 7x3 8
9x1 10x2 + 11 x3 = 12
13x1 14x2 + 15 x3 16
x1; x2; x3 0
Dar el dual de este modelo.
6. Considere el siguiente modelo de programacin lineal
MODELO PRIMAL
Maximizar z = 2x1 + 3x2
Sujeto a
1x1
2
143

Captulo 5

Texto Gua -Sistemas de Ingeniera

1x2
2
x1; x2 0.

La solucin ptima de este modelo primal se da en el siguiente tablero smplex.

Variable z x1 x2 S1 S2 Valor
Bsica
x1
0 1 0 1 0
2
x2
0 0 1 0 1
2
z
1 0 0 2 3
10
Dar el dual del modelo primal anterior. Usando este tablero smplex, dar la solucin
ptima para el modelo dual.
7. El modelo de programacin lineal
MODELO PRIMAL
Maximizar z = 2x1 + 3x2 4x3
Sujeto a
1x1 + 0x2 + x3 4
0x1 + 1x2 + 2x3 6
x1; x2; x3 0
La solucin ptima de este modelo primal se da en el siguiente tablero smplex.
Variable z x1 x2 x3 S1 S2 Valor
Bsica
x1
0 1 0 1 1 0
4
x2
0 0 1 2 0 1
6
z
1 0 0 12 2 3
24
Dar la solucin ptima para el dual del modelo primal anterior. Muestre que la
solucin ptima del modelo primal y la del modelo dual satisfacen las condiciones
de holgura complementaria.
8. El modelo de programacin lineal
MODELO PRIMAL
Maximizar z = - 2x1 3x2 + 4x3
Sujeto a
1x1 + 0x2 + x3 4
1x1 + 1x2 + 2x3 6
x1; x2; x3 0
La solucin ptima de este modelo primal se da en el siguiente tablero smplex.
Variable
Bsica
x1
x2
z

z x1 x2 x3 S1 S2 Valor
0
0
1

1
0
0

0
1
0

1
1
9

-1
1
1

0
1
3

4
2
14

Dar la solucin ptima para el dual del modelo primal. Muestre que las soluciones
ptimas de ambos modelos satisfacen las condiciones de holgura complementaria.
9. El modelo de programacin lineal:

144

Captulo 5

Texto Gua -Sistemas de Ingeniera

MODELO PRIMAL
Minimizar z = - 2x1 3x2 + 4x3
Sujeto a
1x1 + 0x2 + x3 4
1x1 + 1x2 + 2x3 6
x1; x2; x3 0.

Al resolverlo como un problema equivalente a un problema de maximizacin de

utilidades, tiene la solucin ptima dada en el tablero siguiente.
Variable
Bsica
x1
x2
z

z x1 x2 x3 -S1 S2 Valor
0
0
1

1
0
0

0
1
0

1
1
9

-1
1
1

0
1
3

4
2
14

Dar la solucin ptima para el dual del modelo primal anterior. Muestre que las
soluciones ptimas del primal y del dual, satisfacen las condiciones de holgura
complementaria.
10. Resuelva por el Dual y de la tabla ptima del primal
Minimizar w = 3y1+2y2-y3
Sujeto a:
y1+2y2-y310
2y1+y2+2y38
y1+y2+y30

5.10 Bibliografa
MODELOS LINEALES DE OPTIMIZACIN Rafael Terrazas Pastor [Segunda
Edicin]
INVESTIGACIN DE OPERACIONES Hamdy A. Taha [Sptima Edicin]
INVESTIGACIN DE OPERACIONES Moskowitz, Herbert; Wrigth, Gordon P.
INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES Frederick S.
Hillier, Gerald J. Lieberman. [Sexta Edicin]

5.11 Enlaces
http://apuntes.rincondelvago.com/analisis-de-sensibilidad.html
http://www.itlp.edu.mx/publica/tutoriales/investoper1/unidad4.htm
http://cursos.universia.net/app/es/showcourse.asp?cid=2146
www.itson.mx/dii/elagarda/apagina2001/ PM/word/dualidadysensibilidad.ppt
www.geocities.com/gilberto-rojas/index35.html

145

Captulo 5

Texto Gua -Sistemas de Ingeniera

146