Beruflich Dokumente
Kultur Dokumente
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.
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
99
Captulo 5
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
Objetivo
Tipo de Restriccin
Signos de variables
maximizacin
minimizacin
minimizacin
maximizacin
No restringido
No restringido
Todas las referencias primales son ecuaciones con lado derecho no negativo y todas las variables son no
negativas.
100
Captulo 5
Problema Primal
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 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
101
Captulo 5
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:
Requerimientos u.
/comida.
20
30
10
10
Nutriente
102
Captulo 5
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.
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
104
Captulo 5
2 x1 3 x 2 6
x1 , x 2 0
y1 2 y 2 10
2 y1 3 y 2 20
y1 , y 2 0
2 x1 3 x 2 7
x1 , x 2 0
x1 2 x 2 4
Sujeta a:
x1 2 x 2 4
x1 2 x 2 4
2 x1 3 x 2 7
x1 , x 2 0
105
Captulo 5
2 y1 2 y 2 3 y 3 20
y1 , y 2 , y 3 0
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
Figura 5.1
Valores ptimos
de las variables
duales
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 derecho de
la j-esima
restriccin dual
107
Captulo 5
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
La matriz inversa ptima, que se obtiene y se seala las variables de inicio R1 y R2.
108
Captulo 5
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
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.
Inversa en la
iteracin i
Columna
original de
restriccin
Formula 1
Lado izquierdo
de la restriccin
dual
correspondiente
Lado derecho de
la restriccin
dual
correspondiente
Formula 2
110
Captulo 5
Inversa ptima =
1 0 .5
0 0 .5
Inversa en la iteracin
ptima
Columna de original
1 0 .5 1 0
0 .5 2 1
Captulo 5
Columna de en
iteracin ptima
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
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
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
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
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
Valor objetivo en el
problema de
Maximizacin
Valor objetivo en el
problema de
minimizacin
Captulo 5
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.
min
rj
, rj 0
Equivale a:
x1 x 2 1, x1 x 2 1
118
Captulo 5
x1
x2
x3
x4
Solucin
-2
-3
x3
30
x4
-1
-2
-10
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
119
Captulo 5
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
x1 2 x 2 2 x3 8
x1 x 2 x3 4
2 x1 x 2 4 x3 10
x1 , x 2 , x3 10
x1
x2
x3
x4
x5
x6
-2
Solucin
0
x4
-2
-8
x5
-1
x6
-1
10
121
Captulo 5
Bsicas
z
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
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
-0.56
-0.67
0.44
6.22
x1 6.22
123
Captulo 5
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
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
2x1
4x1 x2
2x1
x3
= 20
= 12
= 4
x1
x1
12
4
= 3
64
2
= 1
u3 6
2x1 +
2x1 +
2x1
x1
x3
6 y3
y3
1
y3
2
=
=
=
4
4
2
z
x2
x1
y3
2 y3
= 22
= 8
1
y3 =
2
125
Captulo 5
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
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:
Captulo 5
Accin recomendada
No es necesaria accin alguna.
para
para
Usar
el
mtodo
smplex
generalizado para obtener una
nueva solucin.
128
Captulo 5
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
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
x2
x3
x4
x5
x6
Solucin
-3
-2
-5
x4
430
x5
460
129
Captulo 5
x6
420
x1
x2
x3
x4
x5
x6
Solucin
1350
100
230
-2
20
x2
x3
x6
Inversa en la
iteracin i
Nuevo lado
derecho de la
iteracin i
Formula 1
130
Captulo 5
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
131
Captulo 5
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
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
133
Captulo 5
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
5.7.3
5.7.3.1
5.7.3.2
5.7.3.3
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
5.7.3.4
5.7.3.5
5.7.3.6
135
Captulo 5
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
x2
x3
x4
x5
x6
x7
Solucin
1350
100
230
x6
-2
20
x7
500
Bsicas
z
x2
x3
x1
x2
x3
x4
x5
x6
x7
Solucin
1350
100
230
-2
20
-30
x2
x3
x6
x7
136
Captulo 5
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
5.8.1
Problema Primal
Problema Dual
Maximizar z 2 x1 3 x 2 4 x3
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
137
Captulo 5
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
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
sea
139
Captulo 5
140
Captulo 5
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
x1
x2
x3
x7
x4
x5
x6
-1
Solucin
1350
100
230
-2
20
x2
x3
x6
141
Captulo 5
142
Captulo 5
c) Fo:
Sa:
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
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
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
146