Académique Documents
Professionnel Documents
Culture Documents
CUARTO TETRAMESTRE
FORMULACIÓN DEL PROBLEMA DUAL
(Teoría de Dualidad)
Hemos visto como la programación lineal puede ser usada para resolver una extensa variedad de
problemas propios de los negocios, ya sea para maximizar utilidades o minimizar costos. Las
variables de decisión en tales problemas fueron, por ejemplo, el número de productos a producir, la
cantidad de pesos a emplear, etc. En cada caso la solución óptima no explicó cómo podrían ser
asignados los recursos (ejemplo: materia prima, capacidad de las máquinas, el dinero, etc.) para
obtener un objetivo establecido.
En este capítulo veremos que a cada problema de programación lineal se le asocia otro problema de
programación lineal, llamado el problema de programación dual. La solución óptima del problema
de programación dual, proporciona la siguiente información respecto del problema de programación
original:
1. La solución óptima del problema dual proporciona los precios en el mercado o los beneficios
de los recursos escasos asignados en el problema original.
2. La solución óptima del problema dual aporta la solución óptima del problema original y
viceversa.
EJEMPLO:
Una compañía produce y vende 2 tipos de máquinas de escribir: manual y eléctrica. Cada máquina
de escribir manual es vendida por un ingreso de 40 dls. y cada máquina de escribir eléctrica produce
un ingreso de 60 dls. Ambas máquinas tienen que ser procesadas (ensambladas y empacadas) a
través de 2 operaciones diferentes (O1 y O2).
La compañía tiene una capacidad de 2000 hrs. Mensuales para la operación O1 y 1000 hrs.
Mensuales de la operación O2.
El número de horas requeridas de O1 y O2 para producir un modelo terminado se da en la siguiente
tabla.
O1 3 2 2000
O2 1 2 1000
Encuentre el número óptimo de unidades de cada tipo de máquina de escribir que se debe producir
mensualmente para maximizar el ingreso.
Maximizar Z= 40 X1 + 60X2
Sujeto a:
Sujeto a:
V. Básica Z W1 W2 S1 S2 Solución
Z 1 0 0 5 25 35000
S1 0 1 0 1/ 2 -1/2 500
W1 0 0 1 -1/ 4 3/ 4 250
Método Dual-Simplex.
Ejemplo 1
Considere el siguiente modelo de PL y determine su solución por el método
dual-simplex.
Minimizar. Z= 2X1 + X2
S.A.
3X1 +X2 3
4X! +3X2 6
X! +2X2 # 3
Se recurre al siguiente problema muy pequeño, pues contiene tres variables que
representan la actividad del problema y sólo dos restricciones.
Ejemplo 3-7. Cambio en el vector C de costos en MINSENC1.
alcanzada la tabla (tableau) final en la aplicación del método simplex, resulta de interés evaluar el
impacto en la solución óptima del problema si cambia un coeficiente o parámetro en la función
objetivo asociado a una variable básica. Se busca dar respuesta a este escenario sin la necesidad
Para conservar la solución óptima identificada inicialmente, se debe cumplir que el costo reducido
de todas las variables debe ser mayor o igual a cero (recordar que el costo reducido de las
variables básicas es cero por tanto dicha condición en la práctica se establece sobre las variables
no básicas). Lo anterior se garantiza si el incremento es cualquiera en el siguiente intervalo:
Donde rj es el costo reducido de la respectiva variable no básica en la actual solución óptima y los
coeficientes yij denotan las entradas en la tabla final del método simplex asociadas a la variable
de Programación Lineal:
Luego de llevar a la forma estándar, incorporando S1, S2 y S3 como las variables de holgura de
las restricciones 1, 2 y 3 respectivamente y resolver el modelo lineal anterior a través del método
simplex se alcanza la siguiente tabla óptima:
Después de obtener la solución óptima en un problema de programación lineal, a menudo es deseable estudiar el
efecto de cambios discretos en los coeficientes del problema en la solución óptima actual. Una forma de lograrlo
es resolviendo el problema de nuevo, pero puede ser computacionalmente ineficiente. Si uno hace uso de ciertas
propiedades del método simplex, es posible reducir los cálculos adicionales considerablemente.
Los datos para el planteamiento del problema normalmente son estimaciones de eventos futuros y, tal vez, nos
interese conocer como cambiaría la solución óptima si existe algún cambio importante en los datos del modelo.