TEORÍA DE DUALIDAD

Formulación de modelos con variables no restringidas

Un modelo de programación lineal, con variables no restringidas, se presenta cuando en

la realidad se presenta una situación en la cual una o mas variables de decisión, pueden
asumir un valor real cualquiera, es decir esta puede ser negativa, positiva o cero.

Este tipo de variables caracterizan problemas donde una variable puede asumir valores
como variable de holgura (en casos donde hay sobrantes de recursos), o como variable de
exceso (en casos de existir faltantes de recursos). Estas variables en muchas ocasiones
pueden tener un coeficiente de costo en la función objetivo diferente cuando se trata de
un exceso o un faltante de recursos, los cuales se formularán de manera adecuada como
una variable de decisión con el fin de determinar las cantidades de recursos faltantes o
sobrantes.

El proceso para formular problemas con este tipo de variables se define a continuación:

 Descripción y cuantificación de la situación problemica.

 Formulación del objetivo del modelo a desarrollar.
 Definición de las variables de decisión del modelo
 Formulación del modelo correspondiente a la situación problemica.

Para ilustrar una situación de esta índole, se presenta el siguiente ejemplo:

Un pequeño restaurante italiano, prepara espaguetis en dos diferentes preparaciones

para sus clientes, en una de ellas por plato emplea 300 gramos y en los otros 250 gramos.
El restaurante inicia cada semana con un pedido de 100 kilogramos de espagueti, con un
precio de compra de $ 700 por kilogramo y en caso de ser necesario puede pedir mas
pasta, a un costo adicional de $ 200 por kilogramo para cubrir los costos de envió y
transporte desde una pequeña fabrica de pasta cercana al restaurante. La pasta sobrante
al final de la semana se envía como donativo a un albergue geriátrico cercano, con un
costo de $ 50 por kilogramo de costos de envío y traslado a dicho sitio. El restaurante
vende a sus clientes la primera preparación a $ 3000 por plato y $ 2800 por plato la
segunda preparación, si el restaurante espera vender no menos de 50 platos de la
preparación uno y como mínimo 200 de la preparación dos, cual será el plan de ventas
del restaurante por semana que garantice la máxima utilidad posible. (Suponga que los
acompañantes y salsas de cada una de las preparaciones no tienen costo).

Para la solución de este modelo, la formulación queda de la siguiente forma:

Objetivo: Determinar la cantidad de platos de espagueti con la preparación tipo “j” a

vender por el restaurante, con máxima utilidad; con j=1, 2.

Variable de decisión:

𝑿𝒋 : Cantidad de platos de espagueti a realizar con la preparación tipo “j”; j = 1, 2, 3

𝑿𝟏 : Cantidad de platos de espagueti con la preparación tipo 1;

𝑿𝟐 : Cantidad de platos de espagueti con la preparación tipo 2.

A partir de la definición de las variables de decisión, la representación del modelo
quedaría:

En primera medida la utilidad generada por cada plato de espagueti es de $ 2300 para la
preparación uno y $2100 para la preparación dos, lo que hará que la función de utilidad
por el momento quede: 𝑴𝒂𝒙 𝒁 = 𝟐𝟑𝟎𝟎𝑿𝟏 + 𝟐𝟏𝟎𝟎𝑿𝟐 . Ahora de acuerdo a lo anterior la
restricción de materia prima, es decir de cantidad de espagueti disponible por semana
quedaría tentativamente 𝟎. 𝟑𝑿𝟏 + 𝟎. 𝟐𝟓𝑿𝟐 ≤ 𝟏𝟎𝟎, si la cantidad de espagueti es suficiente
por semana, pero en caso contrario la restricción quedaría: 𝟎. 𝟑𝑿𝟏 + 𝟎. 𝟐𝟓𝑿𝟐 ≥ 𝟏𝟎𝟎, para lo
cual se requerirá mayor cantidad de espagueti y tendría que solicitarse de la planta
cercana. De esta forma no se sabe si el restaurante incurrirá en el primer caso en un
sobrante de espagueti (caso en al cual se adiciona una variable de holgura) y lo envía al
albergue o en el segundo caso en un faltante (caso en el cual se adiciona una variable de
exceso) con pedidos adicionales. Por lo cual para reemplazar estas dos restricciones y
poder expresarla como una sola se agrega una variable de decisión sin restricciones,
quedando así la restricción: 𝟎. 𝟑𝑿𝟏 + 𝟎. 𝟐𝟓𝑿𝟐 + 𝑿𝟑 = 1𝟎𝟎, con 𝑿𝟑 sin restricciones, la cual
asume el papel de variable de exceso o holgura según se desee en el modelo. Es decir,
será positiva si toma el valor de una variable de holgura, en caso de sobrante de
espagueti. Para el caso de un sobrante de espagueti, asumirá el valor de una variable de
exceso siendo en este caso negativa, por lo cual se dice que 𝑿𝟑 , se tiene sin restricciones.

𝑴𝒂𝒙 𝒁 = 𝟐𝟑𝟎𝟎𝑿𝟏 + 𝟐𝟏𝟎𝟎𝑿𝟐 +? 𝑿𝟑 (𝟏)

𝑺. 𝑨:
𝟎. 𝟑𝑿𝟏 + 𝟎. 𝟐𝟓𝑿𝟐 + 𝑿𝟑 ≤ 𝟏𝟎𝟎 (𝟐)
𝑿𝟏 ≥ 𝟓𝟎 (𝟑)
𝐗𝟐 ≥ 𝟐𝟎𝟎 (𝟒)
𝑿𝟏 , 𝑿𝟐 , ≥ 𝟎 (𝟓)
𝑿𝟑 𝒔𝒊𝒏 𝒓𝒆𝒔𝒕𝒓𝒊𝒄𝒄𝒊ó𝒏 (𝟔)
El modelo anterior queda formulado adecuadamente, pero todavía contiene dos
problemas por resolver para estar en condiciones de ser resuelto por el método simplex, la
primera es que la nueva variable debe tener un coeficiente de costo en la función objetivo
y la segunda es que esta debe ser estrictamente positiva, lo cual se soluciona realizando
la sustitución 𝑿𝟑 = 𝑿𝟑+ − 𝑿𝟑− , 𝒅𝒐𝒏𝒅𝒆 𝑿+ 𝟑 , 𝑿𝟑 ≥ 𝟎 donde 𝑿𝟑 > 0 representa una holgura con
− +

𝑿𝟑 = 𝟎; y en caso contrario 𝑿𝟑 > 0 y 𝑿𝟑 = 0, representa un exceso, como los dos valores no

− − +

pueden tener a su vez valores diferentes de cero por la sustitución realizada, la restricción
de disponible de materia prima quedara: 𝟎. 𝟑𝑿𝟏 + 𝟎. 𝟐𝟓𝑿𝟐 + 𝑿+ 𝟑 − 𝑿𝟑 = 𝟏𝟎𝟎 y la función
−

objetivo, tendrá coeficientes de -200 si se trata de un faltante y de -50 si se trata de un

sobrante, ambos negativos por ser costos en una función de utilidad, con lo cual queda:
𝑴𝒂𝒙 𝒁 = 𝟐𝟑𝟎𝟎𝑿𝟏 + 𝟐𝟏𝟎𝟎𝑿𝟐 − 𝟓𝟎𝑿𝟑+ − 𝟐𝟎𝟎𝑿− 𝟑 , con esto el modelo queda listo para ser
resuelto por el método simplex:

𝑴𝒂𝒙 𝒁 = 𝟐𝟑𝟎𝟎𝑿𝟏 + 𝟐𝟏𝟎𝟎𝑿𝟐 − 𝟓𝟎𝑿+ −

𝟑 − 𝟐𝟎𝟎𝑿𝟑
𝑺. 𝑨:
𝟎. 𝟑𝑿𝟏 + 𝟎. 𝟐𝟓𝑿𝟐 + 𝑿+ −
𝟑 − 𝑿𝟑 = 𝟏𝟎𝟎
𝑿𝟏 ≥ 𝟓𝟎
𝐗𝟐 ≥ 𝟐𝟎𝟎
𝑿𝟏 , 𝑿𝟐 , 𝑿+𝟑 , 𝑿𝟑− ≥ 𝟎

Definición del problema dual

Un problema dual, es un modelo de programación lineal que se relaciona y define a partir

del modelo original (modelo primal). Esta relación se utiliza para resolver uno de los dos
modelos (primal o dual) e inmediatamente obtener la solución óptima del otro, esto se
realiza por practicidad y minimización de los cálculos requeridos para la obtención de la
solución optima de un modelo de programación lineal.

Formulación del modelo primal:

Para iniciar la formulación de un modelo dual relacionado con el modelo original, se hace
necesario, la formulación de este ultimo como un modelo, que cumpla las condiciones de
lados derechos y variables no negativas y restricciones expresadas en forma de igualdad,
esto es de la siguiente manera:
𝒏

𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓 𝒐 𝒎𝒊𝒏𝒊𝒎𝒊𝒛𝒂𝒓 𝒁 = ∑ 𝑪𝒋 𝑿𝒋 (𝟏)

𝒋=𝟏
𝑺𝒖𝒋𝒆𝒕𝒐 𝒂:
𝒏

∑ 𝒂𝒊𝒋 𝑿𝒋 = 𝒃𝒊 ∀ 𝒊; 𝒊 = 𝟏, 𝟐, 𝟑 … 𝒎 (𝟐)
𝒋=𝟏
𝑿𝒋 ≥ 𝟎, 𝒋 = 𝟏, 𝟐, 𝟑 … 𝒏 (𝟑)
Donde 𝑋𝑗 , 𝑗 = 1,2,3 … 𝑛, considera las variables de decisión del modelo original así como
las variables de holgura, exceso y artificiales, de acuerdo a la estructura del problema.

Formulación del modelo dual:

Un modelo dual, se formula a partir del modelo primal, teniendo como base las siguientes
reglas:

 Por cada restricción del modelo primal, se define una variable del modelo dual.
 Por cada variable del modelo primal, se define una restricción del modelo dual.
 Los coeficientes del vector de disponibilidad del modelo primal, se convierten en
los coeficientes de costo de la función objetivo del modelo dual.
 Los coeficientes de costo de la función objetivo del modelo primal, se convertirán
en los coeficientes de restricción del vector de restricción de cada restricción del
modelo dual.
 El criterio de optimización del modelo primal, se cambia por el inverso para el
modelo dual.

El sentido de las restricciones y de las variables de decisión del modelo dual se define por
la siguiente tabla:

Problema de maximización Problema de minimización

Restricciones Variables
≥ ⇔ ≤0
≤ ⇔ ≥0
= ⇔ Sin restricción
Variables Restricciones
≥0 ⇔ ≥
≤0 ⇔ ≤
Sin restricción ⇔ =
La cual se puede resumir de la siguiente manera, si el problema primal es de
maximización, se pueden presentar las siguientes opciones para las restricciones del
modelo dual que será de minimización, generadas a partir de este:

 Si una o mas restricciones es de tipo mayor o igual, la variable dual generada será
negativa,
 Si una o más restricciones son de carácter menor o igual, las variables duales
generadas serán positivas
 Y en caso que las restricciones sean de tipo igualdad, las variables duales
generadas serán no restringidas.

En el caso de las variables del modelo primal las variables de decisión, generaran
restricciones en el modelo dual con las siguientes características:

 Si una o mas variables del modelo primal son mayores a cero, las restricciones
duales generadas son de tipo mayor e igual.
 Si una o mas variables del modelo primal son negativas, las restricciones duales
generadas son de carácter menor e igual.
 Si una o mas variables del modelo primal son iguales a cero, las restricciones
duales generadas son de carácter de igualdad.

De manera homologa, si el caso primal es de minimización, el problema dual será de

maximización con las siguientes opciones en cuanto a sus variables:

 Si una o mas restricciones es de tipo mayor o igual, la variable dual generada será
positiva,
 Si una o más restricciones son de carácter menor o igual, las variables duales
generadas serán negativas,
 Y en caso que las restricciones sean de tipo igualdad, las variables duales
generadas serán no restringidas.

Para las restricciones, el problema dual de maximización, tendrá las siguientes

características:

 Si una o mas variables del modelo primal son mayores a cero, las restricciones
duales generadas son de tipo mayor e igual.
 Si una o mas variables del modelo primal son negativas, las restricciones duales
generadas son de carácter menor e igual.
 Si una o mas variables del modelo primal son iguales a cero, las restricciones
duales generadas son de carácter de igualdad.

Una vez determinado este procedimiento se procederá a realizar, la formulación de

modelos duales a partir de un modelo primal, tal como se indico en los pasos anteriores,
estos ejemplos muestran todos lo casos posibles:

Ejemplo 1: considere el siguiente problema, halle el dual correspondiente:

Modelo primal:

𝑴𝒊𝒏 𝒁 = 𝟏𝟓𝟎𝟎𝑿𝟏 + 𝟓𝟎𝟎𝑿𝟐 + 𝟓𝟐𝟎𝑿𝟑

𝑺. 𝑨:

𝟏𝟓𝟎𝑿𝟏 + 𝟖𝟎𝑿𝟐 + 𝟐𝟎𝑿𝟑 ≤ 𝟒𝟖𝟎

𝟏𝟓𝟎𝑿𝟏 + 𝟖𝟎𝑿𝟐 + 𝟐𝟎𝑿𝟑 ≥ 𝟐𝟎𝟎
𝟏𝟓 𝑿𝟏 + 𝟐𝟎 𝑿𝟐 + 𝟓𝟎 𝑿𝟑 = 𝟏𝟐𝟎
𝑿𝟏 , 𝑿𝟐 , 𝑿𝟑 ≥ 𝟎
Modelo dual:

Inicialmente como el modelo primal es un caso de minimización, su dual será un modelo

de maximización, adicional como el modelo primal tiene tres restricciones, el modelo dual
tendrá tres variables de decisión (𝑌1 , 𝑌2 , 𝑌3 ), los coeficientes del vector de disponibilidad del
modelo primal serán los coeficientes de costo de la función objetivo en el modelo dual, así
como cada variable del modelo primal nos dará una restricción del modelo dual:

𝑴𝒂𝒙 𝑾 = 𝟒𝟖𝟎𝒀𝟏 + 2𝟎𝟎𝒀𝟐 + 𝟏𝟐𝟎𝒀𝟑

𝑺. 𝑨:

𝟏𝟓𝟎𝒀𝟏 + 𝟏𝟓𝟎𝒀𝟐 + 𝟏𝟓𝒀𝟑 ≤ 𝟏𝟓𝟎𝟎

𝟖𝟎𝒀𝟏 + 𝟖𝟎𝒀𝟐 + 𝟐𝟎𝒀𝟑 ≤ 𝟓𝟎𝟎
𝟐𝟎 𝒀𝟏 + 𝟐𝟎 𝒀𝟐 + 𝟓𝟎 𝒀𝟑 ≤ 𝟓𝟐𝟎
𝒀𝟏 ≤ 𝟎, 𝒀𝟐 ≥ 𝟎, 𝒀𝟑 𝑺𝒊𝒏 𝒓𝒆𝒔𝒕𝒓𝒊𝒄𝒄𝒊𝒐𝒏

Ejemplo 2: considere el siguiente modelo, halle su dual:

Modelo primal:

𝑴𝒂𝒙 𝒁 = 𝟐𝟎𝟎𝑿𝟏 + 𝟐𝟓𝟎𝑿𝟐 + 𝟏𝟑𝟎𝑿𝟑

𝑺. 𝑨:

𝟎. 𝟓𝑿𝟏 + 𝟎. 𝟕𝑿𝟐 + 𝟎. 𝟖𝑿𝟑 ≤ 𝟓𝟎𝟎

𝟎. 𝟓𝑿𝟏 + 𝟎. 𝟑𝑿𝟐 + 𝟎. 𝟐𝑿𝟑 ≤ 𝟑𝟎𝟎
𝟏. 𝟎𝑿𝟏 + 𝟎. 𝟓𝑿𝟐 + 𝟎. 𝟐𝑿𝟑 ≥ 𝟖𝟎
𝟎. 𝟕𝑿𝟏 + 𝟎. 𝟓𝑿𝟐 + 𝟎. 𝟖𝑿𝟑 ≥ 𝟒𝟎
𝑿𝟏 = 𝟓𝟎
𝑿𝟑 = 𝟒
𝑿𝟏 , 𝑿𝟐 , 𝑿𝟑 ≥ 𝟎

Modelo dual:

Inicialmente como el modelo primal es un caso de maximización, su dual será un modelo

de minimización, adicional como el modelo primal tiene seis restricciones, el modelo dual
tendrá seis variables de decisión (𝑌1 , 𝑌2 , 𝑌3 , 𝑌4 ,𝑌5 , 𝑌6 ) los coeficientes del vector de
disponibilidad del modelo primal serán los coeficientes de costo de la función objetivo en
el modelo dual, así como cada variable del modelo primal nos dará una restricción del
modelo dual quedando:

𝑴𝒊𝒏 𝒁 = 𝟓𝟎𝟎𝒀𝟏 + 𝟑𝟎𝟎𝒀𝟐 + 𝟖𝟎𝒀𝟑 + 𝟒𝟎𝒀𝟒 + 𝟓𝟎𝒀𝟓 + 𝟒𝒀𝟔

𝑺. 𝑨:

𝟎. 𝟓𝒀𝟏 + 𝟎. 𝟓𝒀𝟐 + 𝟏. 𝟎𝒀𝟑 + 𝟎. 𝟕𝒀𝟒 + 𝟏𝒀𝟓 ≥ 𝟐𝟎𝟎

𝟎. 𝟕𝒀𝟏 + 𝟎. 𝟑𝒀𝟐 + 𝟎. 𝟓𝒀𝟑 + 𝟎. 𝟓𝒀𝟒 ≥ 𝟐𝟓𝟎
𝟎. 𝟖𝒀𝟏 + 𝟎. 𝟐𝒀𝟐 + 𝟎. 𝟐𝒀𝟑 + 𝟎. 𝟖𝒀𝟒 + 𝟏𝒀𝟔 ≥ 𝟏𝟑𝟎
𝒀𝟏 , 𝒀𝟐 ≥ 𝟎
𝒀𝟑 , 𝒀𝟒 ≤ 𝟎
𝐘𝟓, 𝒀𝟔 Sin restricción
Relación entre los problemas primal y dual:

La relación entre el problema primal y el problema dual, se fundamenta en que cualquier

cambio en uno de los modelos afectara las condiciones de optimalidad y factibilidad del
otro, cambiando de esta forma la solución optima de los problemas a solucionar. Es decir,
si se obtiene una solución para uno de los modelos se puede hallar una solución para ello
otro modelo dado su relación, que como ya se explico están dadas en función del numero
y tipo de restricciones y variables que contiene cada modelo.

Dada estas condiciones una vez se halla la solución óptima del problema primal es
posible hallar la solución optima del problema dual, realizando unos cálculos sencillos, de
la siguiente manera.

Los valores óptimos de las variables duales se hallan al multiplicar el vector reglón de los
coeficientes objetivos originales de las variables básicas óptimas del primal en el mismo
orden en el cual aparecen en tableau simplex óptimo por la inversa óptima del primal.
Este procedimiento se muestra en el siguiente ejemplo:

Considere el siguiente ejemplo:

Modelo primal: Modelo dual:

𝑴𝒂𝒙 𝒁 = 𝟏𝟎𝑿𝟏 + 𝟐𝟎𝑿𝟐 𝑴𝒊𝒏 𝐖 = 𝟏𝟎𝟎𝒀𝟏 + 𝟐𝟒𝟎𝒀𝟐 + 𝟑𝟎𝟎𝐘𝟑 + 𝟒𝟎𝐘𝟒

𝑺. 𝑨: 𝑺. 𝑨:
𝟐𝑿𝟏 + 𝟓𝑿𝟐 ≤ 𝟏𝟎𝟎 𝟐𝒀𝟏 + 𝟒𝒀𝟐 + 𝟔𝒀𝟑 + 𝒀𝟒 ≥ 𝟏𝟎
𝟒𝑿𝟏 + 𝟑𝑿𝟐 ≤ 𝟐𝟒𝟎 𝟓𝒀𝟏 + 𝟑𝒀𝟐 + 𝟑𝒀𝟑 + 𝒀𝟒 ≥ 𝟐𝟎
𝟔𝑿𝟏 + 𝟑𝑿𝟐 ≤ 𝟑𝟎𝟎 𝒀𝟏 , 𝒀𝟐 , 𝒀𝟑 , ≥ 𝟎
𝑿𝟏 + 𝑿𝟐 ≥ 𝟒𝟎 𝒀𝟒 ≤ 𝟎
𝑿𝟏 , 𝑿𝟐 ≥ 𝟎

Ahora bien al resolver el modelo primal, el tableu simplex óptimo queda de la siguiente
manera:
1
C(j) 20 0 0 0 0 -M
0
H H
Cb Base X1 X2 H1 S1 A1 Xc Rc,
2 3

0 S1 0 3⁄ 1⁄ 0 0 1 -1 10
2 2
0 H2 0 -7 -2 1 0 0 0 40
0 H3 0 -12 -3 0 1 0 0 0
1 5⁄ 1⁄
X1 1 2 2 0 0 0 0 50
0
50
C(j)-Z(j) 0 -5 -5 0 0 0 -M
0

Donde la solución del problema esta dada por:

𝑋1 = 50; 𝑋2 = 0; 𝐻1 = 0; 𝐻2 = 40; 𝐻3 = 0; 𝑆1 = 10

A partir de los resultados anteriores se estima los valores óptimos del problema dual, de
la siguiente manera:
𝐶𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒𝑠 𝑜𝑏𝑗𝑒𝑡𝑖𝑣𝑜 𝑑𝑒𝑙 𝑝𝑟𝑖𝑚𝑎𝑙
(𝑌1 , 𝑌2 , 𝑌3 , 𝑌4 ) = ( ) × (𝐼𝑛𝑣𝑒𝑟𝑠𝑎 ó𝑝𝑡𝑖𝑚𝑎)1
𝑒𝑛 𝑒𝑙 𝑜𝑟𝑑𝑒𝑛: 𝑆1 , 𝐻2 , 𝐻3 , 𝑋1
 1/2 0 0 1
−2 1 0 0
(𝑌1 , 𝑌2 , 𝑌3 , 𝑌4 ) = (0, 0, 0, 10) × ( )
−3 0 1 0
1/2 0 0 0

(𝑌1 , 𝑌2 , 𝑌3 , 𝑌4 ) = (5, 0, 0, 0)

Una vez hallada la solución optima al modelo dual esta queda de la siguiente manera:

𝑌1 = 5; 𝑌2 = 0; 𝑌3 = 0; 𝑌4 = 0

La cual al ser reemplazada en el modelo dual, da como resultado el mismo valor optimo
de 500 unidades, cumpliendo las restricciones duales de forma homologa a como se
realizo en el modelo primal.

Ahora bien si resolvemos el modelo dual obtenemos el siguiente tableu optimo

C(j) 100 240 300 -40 0 0 M M
Cb Base Y1 Y2 Y3 Y4 S1 S2 A1 A2 Xc Rc,
0 S2 0 7 12 −3⁄ 5⁄ 1 −5⁄ -1 5
2 2 2
100 Y1 1 2 3 −1 ⁄2 1 ⁄2 0 −1 ⁄2 0 5
C(j)-Z(j) 0 40 0 10 50 0 50+M M

Donde la solución óptima del modelo es:

𝑌1 = 5; 𝑌2 = 0; 𝑌3 = 0; 𝑌4 = 0; 𝑆1 = 0; 𝑆2 = 5

La cual concuerda con la solución hallada por la relación que existe con el modelo primal,
en los apartes anteriores.

Para hallar ahora la solución del primal por medio de la relación existente con el dual,
establecemos la relación a través de la inversa óptima:

𝐶𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒𝑠 𝑜𝑏𝑗𝑒𝑡𝑖𝑣𝑜 𝑑𝑒𝑙 𝑑𝑢𝑎𝑙

(𝑋1 , 𝑋2 ) = ( ) × (𝐼𝑛𝑣𝑒𝑟𝑠𝑎 ó𝑝𝑡𝑖𝑚𝑎)
𝑒𝑛 𝑒𝑙 𝑜𝑟𝑑𝑒𝑛: 𝑆2 , 𝑌1

5⁄ 1
(𝑋1 , 𝑋2 ) = (0, 100) × ( 2 )
1⁄ 0
2
(𝑋1 , 𝑋2 ) = (50, 0)

Una vez hallada la solución optima al modelo primal esta queda de la siguiente manera:

𝑋1 = 50; 𝑋2 = 0;

La cual corresponde exactamente al valor óptimo hallado en la solución del modelo

primal, con lo cual se corrobora que la solución optima de un modelo primal o dual
conduce de inmediato a la solución optima de su dual o primal según sea el caso.

De acuerdo a la anterior comprobación podemos afirmar, que los problemas primal - dual
se relacionan además del número, tipo y carácter de variables y restricciones, en su
solución ya que si el problema primal es factible el dual también lo será, en otras

1
La inversa optima es el resultado obtenido en la base original del modelo es decir es la inversa de la matriz
inicial, esta se observa en color gris en el tableau optimo presentado.
palabras, si uno de los problemas tiene solución el otro también lo tendrá, originando la
siguiente afirmación:

(𝑉𝑎𝑙𝑜𝑟 𝑜𝑏𝑗𝑒𝑡𝑖𝑣𝑜 𝑒𝑛 𝑒𝑙 𝑝𝑟𝑜𝑏𝑙𝑒𝑚𝑎 𝑑𝑒 𝑚𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑐𝑖𝑜𝑛)

≤ (𝑉𝑎𝑙𝑜𝑟 𝑜𝑏𝑗𝑒𝑡𝑖𝑣𝑜 𝑒𝑛 𝑒𝑙 𝑝𝑟𝑜𝑏𝑙𝑒𝑚𝑎 𝑑𝑒 𝑚𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑐𝑖𝑜𝑛)

La cual no implica cual de los dos es primal y cual es dual, sino solo es importante el
sentido de optimización (maximización y optimización).

Interpretación económica del teorema de dualidad.

Considere un modelo primal y su dual formulados de forma general:

Modelo dual:
𝒎
Modelo primal
𝒏 𝑴𝒊𝒏 𝑾 = ∑ 𝒃𝒊 𝒀i
𝑴𝒂𝒙 𝒁 = ∑ 𝑪𝒋 𝑿𝒋 i=𝟏
𝒋=𝟏 𝑺. 𝑨:
𝒏
𝑺. 𝑨:
𝒏 ∑ 𝒂𝒊𝒋 𝒀𝒊 ≥ 𝑪j ∀ 𝒋; 𝒋 = 𝟏, 𝟐, 𝟑 … 𝒏
∑ 𝒂𝒊𝒋 𝑿𝒋 ≤ 𝒃𝒊 ∀ 𝒊; 𝒊 = 𝟏, 𝟐, 𝟑 … 𝒎 𝒋=𝟏
𝒋=𝟏 𝒀 i ≥ 𝟎, 𝒊 = 𝟏, 𝟐, 𝟑 … 𝒎
𝑿𝒋 ≥ 𝟎, 𝒋 = 𝟏, 𝟐, 𝟑 … 𝒏

De acuerdo a la formulación anterior, la interpretación económica del problema de

dualidad considera el problema primal como un modelo de asignación de recursos con 𝑛
productos o actividades económicas y 𝑚 recursos disponibles y escasos, en el cual la
función objetivo representa la utilidad total generada la suma de cada unidad de producto
o actividad económica [𝑋𝑗 ] por su utilidad unitaria [𝐶𝑗 ], cada recurso 𝑚, tiene una
disponibilidad máxima por unidad de tiempo [𝑏𝑖 ] la cual se consume para la fabricación
de cada unidad de producto o actividad económica 𝑛 a una razón o tasa [𝑎𝑖𝑗 ].

De esta forma en el modelo dual, solo si tiene una solución óptima el modelo primal, el
valor de las variables duales [𝑌𝑖 ] será igual al valor por unidad de recurso tipo i, es decir
ese es el valor óptimo por unidad de recurso consumido para la fabricación de todas las
unidades de producto o actividad economía tipo j. lo cual indica que se obtendrá un
máximo optimo solo si se consumen todos los recursos por completo. Razón por la cual
las variables duales reciben también el nombre de precios sombra o precios duales.

En cuanto a las restricciones del problema dual estas mostraran el costo de todos los
recursos combinados para lograr una unidad de producto o actividad económica j, que a
su vez debe ser como mínimo igual a la utilidad generada por esta en un mercado, si esta
condición no se cumple será un indicador para la asignación de recursos a otra actividad
económica que sea rentable para la contribución a la utilidad total del modelo.

Como ejemplo considere el modelo:

Una empresa de fabricación de muros prefabricados, fabrica dos tipos de muros

prefabricados uno para exteriores y otro para interiores los cuales equivalen a dos metros
cuadrados, estos se fabrican a partir de la mezcla de tres materias primas: Cemento,
grava y pigmento los cuales tienen una disponibilidad diaria máxima de 28, 10 y 24
kilogramos respectivamente, el consumo del muro para exteriores es de 7 kilogramos de
cemento, 4 kilogramos de grava y 3 kilogramos de pigmento. Para realizar un muro de
interiores se requieren de 4 kilogramos de cemento, 5 kilogramos de grava y 8 kilogramos
de pigmento. De igual forma un muro para exteriores se vende con una utilidad de U$ 7 y
uno para interiores con utilidad de U$ 6, cual será el programa de producción diaria de la
empresa que garantice máxima utilidad para la empresa. ¿Si la empresa quisiera vender
las materias primas en vez de utilizarlas en la fabricación, cual seria su recomendación?
Teniendo la situación problema acotada se define el problema de asignación de recursos
como modelo primal y el modelo dual como el modelo económico de asignación de
recursos de la siguiente manera:

Modelo primal:
Modelo dual:
𝑴𝒂𝒙 𝒁 = 𝟕𝑿𝟏 + 𝟔𝑿𝟐
𝑺. 𝑨: 𝑴𝒊𝒏 𝑾 = 𝟐𝟖𝒀𝟏 + 𝟐𝟎𝒀𝟐 + 𝟐𝟒𝐘𝟑
𝟕𝑿𝟏 + 𝟒𝑿𝟐 ≤ 𝟐𝟖 𝑺. 𝑨:
𝟒𝑿𝟏 + 𝟓𝑿𝟐 ≤ 𝟐𝟎 𝟕𝒀𝟏 + 𝟒𝒀𝟐 + 𝟑𝐘𝟑 ≥ 𝟕
𝟑𝑿𝟏 + 𝟖𝑿𝟐 ≤ 𝟐𝟒 𝟒𝑿𝟏 + 𝟓𝑿𝟐 + 𝟖𝐘𝟑 ≥ 𝟔
𝑿𝟏 , 𝑿𝟐 ≥ 𝟎 𝐘𝟏 , 𝒀𝟐 , 𝐘𝟑 ≥ 𝟎
La solución optima del modelo primal, es mostrada en el siguiente tableau:
C(j) 7 6 0 0 0
Cb Base X1 X2 H1 H2 H3 Xc Rc,
7 X1 1 0 5⁄ −4⁄ 0 60⁄
19 19 19
6 X2 0 1 −4⁄ 7⁄ 0 28⁄
19 19 19
0 H3 0 0 17⁄ −44⁄ 1 52⁄
19 19 19
C(j)-Z(j) 0 0 −11⁄ −14⁄ 0 588⁄
19 19 19

A partir de este tableu, la solución óptima del modelo es:

60 28 52
𝑋1 = ;𝑋 = ; 𝐻1 = 0; 𝐻2 = 0; 𝐻3 =
19 2 19 19

Adicionalmente la solución del problema dual, se estimará a través del procedimiento

descrito para hallar la solución de un problema relacionado como dual:

𝐶𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒𝑠 𝑜𝑏𝑗𝑒𝑡𝑖𝑣𝑜 𝑑𝑒𝑙 𝑝𝑟𝑖𝑚𝑎𝑙

(𝑌1 , 𝑌2 , 𝑌3 ) = ( ) × (𝐼𝑛𝑣𝑒𝑟𝑠𝑎 ó𝑝𝑡𝑖𝑚𝑎)
𝑒𝑛 𝑒𝑙 𝑜𝑟𝑑𝑒𝑛: 𝑋1 , 𝑋2 , 𝐻3

5⁄ −4⁄ 0
19 19
(𝑌1 , 𝑌2 , 𝑌3 ) = (7, 6, 0, ) × −4⁄19 7⁄
19 0
17 −44⁄ 1)
( ⁄19 19
11 14
(𝑌1 , 𝑌2 , 𝑌3 ) = ( , , 0)
19 19

Dado que los valores óptimos de las variables duales son:

11 14
𝑌1 = ;𝑌 = ; 𝑌 = 0; 𝑌4 = 0; 𝑆1 = 0; 𝑆2 = 0
19 2 19 3
Entonces la interpretación económica del primal del modelo propuesto queda de la
siguiente manera:

 Las cantidades optimas a fabricar del muro para exteriores es de 3.15 unidades
por día y de muros para interiores 1.47 unidades por día.
 El consumo de cemento para la fabricación de muros es de 28 kilogramos por día.
  El consumo de grava para la fabricación de muros es de 20 kilogramos por día.
 El consumo de pigmento para la fabricación de muros es de 21.26 kilogramos por
día.
 Hay un sobrante de pigmento de 2.74 kilogramos por día de la fabricación de
muros.
 La utilidad por la venta de muros es equivalente a U$ 30.94 por día.

El análisis e interpretación económica del modelo dual propuesto queda de la siguiente

manera:

 El valor de cada kilogramo de cemento por cada unidad de muro fabricado

equivale a U$ 0.57.
 El valor de cada kilogramo de grava utilizado por cada unidad de muro fabricado
equivale a U$ 0.73
 Los recursos para fabricar una unidad de muro para exteriores se deben vender
en un mínimo de U$ 7, el cual muestra el valor optimo de la combinación de ellos
con cualquier venta superior a ese valor es mejor vender los recursos y no
fabricar.
 Los recursos para fabricar una unidad de muro para interiores son de U$ 6, con el
cual se halla el optimo valor de estos al ser combinados, una venta por encima de
ese valor indicara mayores utilidades por venta de recursos y no por la fabricación
de muros para interiores.

En relación al análisis anterior, ahora es posible comprender la utilidad de la formulación

de un modelo dual, en la programación lineal.

Un caso especial se presenta en los casos en que un modelo a través de esta técnica sea
no factible, el dual será no acotado y viceversa.

Método simplex dual:

El método simplex dual se utiliza cuando existen problemas que carecen de factibilidad es
decir cuando al menos un componente del vector de disponibilidad es negativo, lo cual
indicaría que no existe disponibilidad de recursos.

Este método se emplea para hallar la solución optima en algunos casos del análisis de
sensibilidad o post optimo, consiste en iniciar las iteraciones con una solución básica no
factible, pero con un valor en la función objetivo mejor que la optima, haciendo que cada
vez se haga una iteración este valor se acerque al optimo del modelo, acercándose de esta
forma a la condición de factibilidad, alcanzando esta en el momento en el cual se llega al
optimo del modelo.

Los pasos para realizar este método se pueden resumir en la siguiente manera:

 Aplicar la condición dual de factibilidad que determinara la variable de salida del

modelo.
 Aplicar la condición dual de optimalidad que determinara la variable de entrada
del modelo.
 Verificar la condición dual de terminación del algoritmo.

Las iteraciones del modelo se realizan como es acostumbrado con la selección de un

elemento de pivote a ser reducido en el cruce de las variables de entrada y salida del
modelo y la reducción de los demás elementos con las operaciones entre reglones del
método de Gauss Jordán.
Para ilustrar este método considere el siguiente ejemplo:

𝑀𝑖𝑛 𝑍 = 6𝑋1 + 4𝑋2

𝑆: 𝐴:
−6𝑋1 − 2𝑋2 ≤ −6
−𝑋1 − 6𝑋2 ≤ −12
2𝑋1 + 2𝑋2 ≤ 6
𝑋1 , 𝑋2 ≥ 0

El tablero inicial queda:

C(j) 6 4 0 0 0
Cb Base X1 X2 H1 H2 H3 Xc
0 H1 -6 -2 1 0 0 -6
0 H2 -1 -6 0 1 0 -12
0 H3 2 2 0 0 1 6
C(j)-Z(j) 6 4 0 0 0 0

En este tableu comienza con todos los costos reducidos [𝐶𝑗 − 𝑍𝑗 ] ≥ 0, lo cual indica una
solución óptima pero no factible con 𝐻1 = −6 y 𝐻2 = −12, con la cual se inicia el algoritmo
de simplex dual, conocida como la condición dual de factibilidad, la cual indica que la
variable de salida es la variable básica con valor mas negativo en los coeficientes de lado
derecho o vector de disponibilidad (los empates se rompen arbitrariamente). Si no existe
alguna variable con valor negativo el algoritmo termina. Esta se muestra con una flecha
en color rojo en el tableu inicial.

La variable de entrada se determina a través de la condición dual de optimalidad, la

cual se determina mediante la siguiente formula, la cual solo se estima para las variables
no básicas, que son aquellas candidatas a ingresar a la base:
[𝐶𝑗 − 𝑍𝑗 ]
𝑅𝑐 = 𝑀𝑎𝑥𝑗 { } ; 𝑎𝑖𝑘 ≠ 0
𝑎𝑖𝑘
Donde el [𝑎𝑖𝑘 ], es un coeficiente tecnológico diferente de cero, dado esto la variable a
seleccionar como variable de entrada a la base es la menor entre el cociente de los costos
reducidos y los coeficientes tecnológicos, que para el caso será solamente calculado para
6 4 2
𝑅𝑋1 = = −6 y 𝑅𝑋2 = = − ; para el cual el máximo valor del criterio es 𝑋2 . El elemento
−1 −6 3
pivote es -6, elemento, que es el cruce entre la variable de entrada [𝑋2 ] y la variable de
salida [𝐻2 ].
C(j) 6 4 0 0 0
Cb Base X1 X2 H1 H2 H3 Xc
0 H1 -6 -2 1 0 0 -6
0 H2 -1 -6 0 1 0 -12
0 H3 2 2 0 0 1 6
C(j)-Z(j) 6 4 0 0 0 0
𝑹𝒄 2
−6 − ⁄3 ∞ ∞ ∞ 0
Una vez se reduce el tablero mediante operaciones de Gauss Jordán, el nuevo tablero
queda:
C(j) 6 4 0 0 0
Cb Base X1 X2 H1 H2 H3 Xc
0 H1 − 17⁄3 0 1 − 1⁄3 0 -2
4 X2 1⁄ 1 0 − 1⁄6 0 2
6
0 H3 5/3 0 0 1⁄3 1 2
C(j)-Z(j) 16⁄ 0 0 2⁄3 0 8
3
𝑹𝒄 − 16⁄17 ∞ ∞ −2 ∞

En este tablero al aplicar de nuevo el criterio dual de factibilidad, la variable seleccionada

a salir de la base es aquella con el único valor negativo [𝑋1 ] = −2, ante lo cual se calcula el
cociente de los costos reducidos para las variables básicas y esta variable quedando como
variable de entrada [𝑋1 ] con un valor de cociente de − 16⁄17, y elemento de pivote el cruce
entre las variables [𝑋1 ]y [𝐻1 ], con un valor de − 17⁄3. Al aplicar las operaciones de Gauss
Jordán, el nuevo tablero que se obtendrá será:
C(j) 6 4 0 0 0
Cb Base X1 X2 H1 H2 H3 Xc
6 X1 1 0 − 3⁄17 1⁄17 0 6⁄
17
4 X2 0 1 1⁄34 − 3⁄17 0 33⁄17
0 H3 0 0 5⁄17 4/17 1 24/17
C(j)-Z(j) 0 0 16/17 6/17 0 168/17
𝑹𝒄

En este tablero, ya no existen variables básicas con valores negativos y los costos
reducidos son positivos lo cual indica que se alcanzado una solución optima, ya que se
cumple el criterio de terminación del algoritmo que indica que no deben quedar variables
básicas con valores negativos y los costos reducidos mayores a cero.
La solución óptima para el caso propuesto es:
6 33 24 168
𝑋1 = ; 𝑋2 = ; 𝐻1 = 0; 𝐻2 = 0; 𝐻3 = ;𝑍 =
17 17 17 17

Análisis de sensibilidad o post optimo:

La programación lineal es una herramienta que propone soluciones sobre medidas

estáticas es decir se realiza sobre parámetros constantes para los cuales se estima una
solución optima, pero que pasaría, si se realizan cambios sobre estos parámetros, ¿la
solución hallada, sigue siendo optima? El análisis de sensibilidad o post óptimo busca
medir el efecto de esos cambios de parámetros en la solución óptima del modelo y de ser
necesario hallar la nueva solución optima para el modelo modificado en alguno de sus
componentes. Estos cambios afectan la solución del modelo en dos aspectos: factibilidad
y optimalidad, los cuales no permiten hallar una solución óptima al modelo.

Los cambios que se pueden hacer son de cuatro tipos a saber, de los cuales los dos
primeros afectan la condición de factibilidad del modelo y las restantes la condición de
optimalidad, estos son:

 Cambios en los coeficientes del vector de disponibilidad.

 Adición de nuevas restricciones.
  Cambios en los coeficientes de la función objetivo
 Adición de nuevas variables.

Para explicar el análisis de sensibilidad, se tomara el modelo ya tratado en esta unidad de

muros prefabricados, el cual tiene dos tipos de productos: muros prefabricados para
exteriores e interiores con tres materias primas: cemento, grava y pigmento. A
continuación se presenta la formulación del modelo en sus formas primal y dual, así
como su tablero óptimo:

Modelo primal: Modelo dual:

𝑴𝒂𝒙 𝒁 = 𝟕𝑿𝟏 + 𝟔𝑿𝟐 𝑴𝒊𝒏 𝑾 = 𝟐𝟖𝒀𝟏 + 𝟐𝟎𝒀𝟐 + 𝟐𝟒𝐘𝟑

𝑺. 𝑨: 𝑺. 𝑨:
𝟕𝑿𝟏 + 𝟒𝑿𝟐 ≤ 𝟐𝟖 𝟕𝒀𝟏 + 𝟒𝒀𝟐 + 𝟑𝐘𝟑 ≥ 𝟕
𝟒𝑿𝟏 + 𝟓𝑿𝟐 ≤ 𝟐𝟎 𝟒𝑿𝟏 + 𝟓𝑿𝟐 + 𝟖𝐘𝟑 ≥ 𝟔
𝟑𝑿𝟏 + 𝟖𝑿𝟐 ≤ 𝟐𝟒 𝐘𝟏 , 𝒀𝟐 , 𝐘𝟑 ≥ 𝟎
𝑿𝟏 , 𝑿𝟐 ≥ 𝟎

La solución optima del modelo primal, es mostrada en el siguiente tableau:

C(j) 7 6 0 0 0
Cb Base X1 X2 H1 H2 H3 Xc Rc,
7 X1 1 0 5⁄ −4⁄ 0 60⁄19
19 19
6 X2 0 1 −4 ⁄19 7⁄19 0 28⁄19
0 H3 0 0 17 ⁄19 −44 ⁄19 1 52⁄19
C(j)-Z(j) 0 0 −11 ⁄19 −14 ⁄19 0 588⁄19

A partir de este tableu, la solución óptima del modelo es:

60 28 52
𝑋1 = ;𝑋 = ; 𝐻1 = 0; 𝐻2 = 0; 𝐻3 =
19 2 19 19

Cambios que afectan la factibilidad:

 Cambios en el lado derecho: este cambio se da cuando se modifica la

disponibilidad en uno o varios recursos, es decir se incrementa o decrementa la
capacidad de un recurso en una unidad de tiempo determinada, lo cual puede
hacer que el modelo original cambie su factibilidad como a continuación se
muestra:

Suponga que la empresa desea disminuir la cantidad de pigmento de 24

kilogramos diarios en su producción a 22 kilogramos por día, como afecta esta
situación la solución optima del modelo inicial. En esta situación existe un cambio
en la disponibilidad del lado derecho o vector de disponibilidad de recursos en un
recurso al disminuir la cantidad diaria de uno de ellos esto se simboliza de
acuerdo a de un parámetro inicial [𝑏𝑖 ] a un parámetro estimado [𝑏̂𝑖 ], para analizar
los posibles efectos de este cambio:
(𝑏𝑖 ) → (𝑏̂𝑖 )
28 28
(20) → (20)
24 22
El análisis de este tipo de cambio, inicia calculando el nuevo vector de
disponibilidad del modelo mediante la forma:
𝑋̂𝐵 = 𝐵 −1 × 𝑏̂𝑖
 Donde 𝑋̂𝐵 es el nuevo vector de disponibilidad actualizado a la iteración 𝑛 en este
caso actualizada al tableau optimo; 𝐵 −1 es la matriz inversa en la iteración 𝑛 en
este caso la matriz inversa óptima y 𝑏̂𝑖 el vector de disponibilidad inicial
modificado a evaluarse en la solución optima del problema. Una vez realizado este
cambio, se tiene la siguiente decisión:
𝑆𝑖 𝑡𝑜𝑑𝑜 𝑋̂𝐵 ≥ 0; 𝑙𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 ó𝑝𝑡𝑖𝑚𝑎 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎 𝑠𝑖𝑒𝑛𝑑𝑜 𝑖𝑔𝑢𝑎𝑙, 𝑠𝑒 𝑒𝑠𝑡𝑖𝑚𝑎 𝑒𝑙 𝑛𝑢𝑒𝑣𝑜 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑍
{ }
𝑆𝑖 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑋̂𝐵 < 0; 𝑙𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 ó𝑝𝑡𝑖𝑚𝑎 ℎ𝑎 𝑐𝑎𝑚𝑏𝑖𝑎𝑑𝑜 𝑒𝑠 𝑛𝑒𝑐𝑒𝑠𝑎𝑟𝑖𝑜 𝑒𝑠𝑡𝑖𝑚𝑎𝑟 𝑒𝑙 𝑒𝑓𝑒𝑐𝑡𝑜 𝑑𝑒𝑙 𝑐𝑎𝑚𝑏𝑖𝑜

De acuerdo a lo anterior, se estimará el cambio en el modelo propuesto:

5 4 60
− 0
𝑋1 19 19 19
4 7 28 28
( 𝑋2 ) = − 0 × (20) =
𝐻3 19 19 22 19
17 44 14
( 19 − 19 1) (19)
Como en el anterior caso ninguno de los elementos del vector de disponibilidad es
negativo la solución continua óptima, pero esta vez con un nuevo valor de la
función objetivo calculada como 𝑍 = 𝐶𝐵 × 𝑋̂𝐵 , en la cual los 𝐶𝐵 son los coeficientes
de las variables básicas del problema y los 𝑋̂𝐵 , es el vector actualizado.
60
19
28 588
𝑍 = ( 7 6 0) =
19 19
14
(19)
Para este caso en particular, el valor de la función objetivo no cambio, ya que
cambio la cantidad de sobrante de pigmento, el cual se redujo de 52⁄19 a 14⁄19
kilogramos por día.

Ahora cambiemos la disponibilidad de cemento de 28 kilogramos por día a 25

kilogramos por día y de pigmento de 24 kilogramos por día a 21 kilogramos por
día.
(𝑏𝑖 ) → (𝑏̂𝑖 )
28 25
(20) → (20)
24 21
Para este caso de nuevo se estimara el vector derecho actualizado al tableu óptimo
obtenido como soluciona al modelo:
𝑋̂𝐵 = 𝐵 −1 × 𝑏̂𝑖

5 4 45
− 0
𝑋1 19 19 19
4 7 25 40
( 𝑋2 ) = − 0 × (20) =
𝐻3 19 19 21 19
17 44 56
( 19 − 19 1) (− 19)
En este caso, el tercer elemento que corresponde al valor de la variable 𝐻3 , en el
tablero es negativo, lo cual muestra que el problema ha perdido factibilidad, ya
que como se recordara no se puede tener un valor en el vector de disponibilidad
negativo.

Para hallar la solución a este problema que carece de factibilidad se hace

necesario iterar sobre el tablero óptimo antes del cambio, pero en esta ocasión con
 los valores del vector de disponibilidad actualizado, aplicando el método de
simplex dual, como se muestra en el siguiente tablero:
C(j) 7 6 0 0 0
Cb Base X1 X2 H1 H2 H3 Xc
7 X1 1 0 5⁄ −4⁄ 0 45⁄
19 19 19
6 X2 0 1 −4⁄ 7⁄ 0 40⁄
19 19 19
0 H3 0 0 17⁄ −44⁄ − 56⁄19
19 19 1
C(j)-Z(j) 0 0 −11⁄ −14⁄ 555⁄
19 19 0 19
𝑹𝒄 −11/17 7/22

Teniendo en cuenta el método simplex dual, la variable a entrar a la base es 𝐻2 , la

cual tiene el valor de 𝑹𝒄 con un valor máximo con 7/22, después de iterar a través
de las operaciones de Gauss Jordán, el tablero queda:
C(j) 7 6 0 0 0
Cb Base X1 X2 H1 H2 H3 Xc
7 X1 1 0 2/11 0 −1/11 29⁄11
6 X2 0 1 −3 ⁄44 0 7/44 18/11
0 H2 0 17
0 − ⁄44 1 -19/44 14⁄11
C(j)-Z(j) 0 0 −19/22 0 −7/22 311/11
𝑹𝒄

Como este tablero cumple el criterio de finalización del método, encontramos una
nueva solución óptima con:

60 28 52 311
𝑋1 = ;𝑋 = ; 𝐻1 = 0; 𝐻2 = 0; 𝐻3 = ; 𝑍=
19 2 19 19 11
La cual muestra un decremento en la cantidad de los diferentes tipos de muros,
que por consiguiente disminuye la utilidad total generada por el modelo óptimo.

 Adición de nuevas restricciones:

En este caso a un modelo ya existente, se le adiciona una nueva restricción la cual
puede indicar la adición de una restricción de recursos para la fabricación o
elaboración de una actividad económica, dado que este inicialmente para el
modelo era inexistente o se consideraba que se originaba en una fuente ilimitada y
poco restrictiva del sistema.
Al realizar este proceso se pueden obtener dos opciones:
o La nueva restricción de recursos no influye en la solución optima del
problema es decir no limita la elaboración de actividades económicas o lo
que es igual a ser redundante, que significa que esta restricción es
satisfecha por la solución optima del modelo actual.
o La nueva restricción del modelo no es satisfecha por la solución actual del
modelo, lo cual indica que esta nueva restricción limita y hace que la
actividad productiva sea menor por lo cual el modelo actual pierde la
condición de factibilidad haciendo que sea necesario la realización de una o
varias iteraciones adicionales por el método de simplex dual.

Para evidenciar estas opciones en el momento de realizar este tipo de cambio,

considere las siguientes situaciones, en el caso considerado hasta el momento:

La empresa de fabricación de muros considera incluir en sus productos una nueva

materia prima, como componente de aglomeración de las materias primas
anteriores reduciendo el tiempo de secado y conformación de los muros, este
aglomerado se dispone en una cantidad de 50 kilogramos por día y el consumo
para muros de exteriores es de 2 kilogramos y para los muros de interiores es de 3
kilogramos, ¿como afecta este nuevo recurso la solución óptima del problema?

Inicialmente para corroborar esta situación, se debe comprobar si la restricción se

cumple con los valores óptimos hallados en el modelo actual los cuales son:

60 28 52
𝑋1 = ;𝑋 = ; 𝐻1 = 0; 𝐻2 = 0; 𝐻3 =
19 2 19 19

La nueva restricción de aglomerado queda de la siguiente manera:

2𝑋1 + 3𝑋2 ≤ 50

Al reemplazar los valores óptimos de las variables de decisión de la situación

actual, se verificara si cumple con la restricción:
60 28
2 ( ) + 3 ( ) ≤ 50
19 19

120 84
( ) + ( ) ≤ 50
19 19
204
( ) ≤ 50
19
204
La cual muestra que cumple con la restricción al requerirse o 10.73 kilogramos
19
por día de aglomerado, lo cual indica un sobrante de este material y su no
afectación de la solución optima actual del problema. Como en este caso se
cumple la nueva restricción de recurso con la solución optima actual, el análisis
concluye estimando la cantidad de sobrante de nuevo recurso.

Ahora considere que la empresa de muros, no considera como alternativa la

compra de una nueva materia prima sino fabricar menos de 3 unidades de muro
por día, de acuerdo a una prueba de mercado realizado hace pocos días, ¿como
afecta esta condición al modelo actual en su solución optima?

La restricción de mercado enunciada queda formulad de la siguiente manera:

𝑋1 ≤ 3
60
Como la solución optima del problema indica que [𝑋1 ] es igual a , lo cual es
19
superior a 3 unidades por día fabricadas del muro para exteriores, indica que no
se satisface la restricción, es necesario incluir la nueva restricción en el último
reglón del tablero óptimo, así como la variable de holgura de la nueva restricción
de la siguiente manera:
C(j) 7 6 0 0 0 0
Cb Base X1 X2 H1 H2 H3 H4 Xc
7 X1 1 0 5⁄19 −4 ⁄19 0 0 60⁄19
6 X2 0 1 −4 ⁄19 7⁄19 0 0 28⁄19
0 H3 0 0 17 ⁄19 −44 ⁄19 1 0 52⁄19
0 H4 1 0 0 0 0 1 3
C(j)-Z(j) 0 0 −11⁄ −14⁄ 0 588⁄
19 19 0 19

En el tablero anterior, como 𝑋1 , es una variable básica es necesario a la forma

básica, en la cual un solo elemento tiene valor de uno y los demás elementos
ceros, es necesario reducir todo el reglón 𝐻4 mediante operaciones de Gauss
Jordán con los demás reglones ya reducidos de las otras variables básicas. Para
 este caso se multiplica por -1 el reglón de 𝑋1 y se suma al reglón de 𝐻4 y así
sucesivamente con cada variable básica hasta reducir todos los elementos de estas
a su valor correspondiente de la base. El resultado de este procedimiento se
muestra en el siguiente tablero:
C(j) 7 6 0 0 0 0
Cb Base X1 X2 H1 H2 H3 H4 Xc
7 X1 1 0 5⁄ −4⁄ 0 0 60⁄
19 19 19
6 X2 0 1 −4⁄ 7⁄ 0 0 28⁄
19 19 19
0 H3 0 0 17⁄ −44⁄ 1 0 52⁄
19 19 19
0 H4 0 0 −5⁄ 4⁄ 0 1 −3/19
19 19
C(j)-Z(j) 0 0 −11 ⁄19 −14 ⁄19 0 0 588⁄
19

Con lo cual se demuestra que la nueva restricción no cumple con la solución

óptima, momento en el cual el problema pierde la condición de factibilidad, la cual
se recuperara mediante la aplicación del método simplex dual.
C(j) 7 6 0 0 0 0
Cb Base X1 X2 H1 H2 H3 H4 Xc
7 X1 1 0 5⁄19 −4 ⁄19 0 0 60⁄19
6 X2 0 1 −4 ⁄19 7⁄19 0 0 28⁄19
0 H3 0 0 17 ⁄19 −44 ⁄19 1 0 52⁄19
0 H4 0 0 −5 ⁄19 4⁄19 0 1 −3/19
C(j)-Z(j) 0 0 −11 ⁄19 −14 ⁄19 0 0 588 ⁄19
𝑹𝒄 - - 11/5 −7/2 - -

Con el anterior tablero y aplicando los conceptos de factibilidad y optimalidad

dual, la variable a salir de la solución básica es 𝐻4 y la variable a ingresar en la
solución básica es 𝐻1
C(j) 7 6 0 0 0 0
Cb Base X1 X2 H1 H2 H3 H4 Xc
7 X1 1 0 0 0 0 1 3
6 X2 0 1 0 1⁄ 0 −4/5 8⁄
5 5
0 H3 0 0 0 −8 ⁄5 1 17/5 11 ⁄5
0 H1 0 0 1 −4 ⁄5 0 −19/5 3/5
C(j)-Z(j) 0 0 0 −6/5 0 24/5 153/5

En el tablero anterior, al no existir valores de las variables básicas negativos el

algoritmo termina con una nueva solución óptima la cual es:

8 11 3 153
𝑋1 = 3; 𝑋2 = ; 𝐻1 = 0; 𝐻2 = 0; 𝐻3 = ; 𝐻4 = ; 𝑍 =
5 5 5 5
La cual es menor en el valor de la función objetivo a la solución optima inicial, con
la cual podemos concluir que cualquier cambio que afecte la condición de
factibilidad, propondrá soluciones optimas con menor valor en la función objetivo
inicial.

Cambios que afectan la optimalidad:

 Cambios en los coeficientes de la función objetivo:

Estos cambios se presentan cuando existen cambios en los coeficientes de la
función objetivo, es decir se incrementa o disminuye la utilidad generada por
unidad de actividad económica con lo cual podría cambiar la optimalidad del
problema. En la siguiente situación se presentara el cambio de un coeficiente de
una variable de la función objetivo, en el cual no ocurre un cambio en la solución
optima actual, para ello se trabajara con el ejemplo de fabricación de muros con la
siguiente alternativa en su formulación:

La empresa debido a un cambio de proveedor, el cual garantiza un mejor material

a un tiempo de entrega mas corto, decide incrementar el precio de venta del muro
para exteriores en U$ 2 pasando de U$ 6 a un valor para el consumidor de U$ 8,
con lo cual desea saber ¿como se afecta la solución optima del problema estimada
con anterioridad?

De acuerdo a la situación propuesta el cambio en los coeficientes originales de la

función objetivo [𝐶𝑗 ] a un coeficiente de costo estimado [𝐶̂𝑗 ], se requiere para
analizar el impacto de este en la solución óptima ya obtenida, esto se simboliza
como se describe a continuación:
(𝐶𝑗 ) → (𝐶̂𝑗 )
(𝐶𝑋1 𝐶𝑋2 ) → (𝐶̂𝑋1 𝐶̂𝑋2 )
(7 6 ) → (7 8 )

Para esto se analiza el valor de los costos reducidos [𝐶𝑗 − 𝑍𝑗 ], en el tablero óptimo
actual, para los cuales si cumplen la condición de optimalidad de acuerdo al
criterio de optimización (maximización o minimización), la solución continua
siendo optima y únicamente se calcula el nuevo valor de la función objetivo, como
es la situación descrita:
C(j) 7 8 0 0 0
Cb Base X1 X2 H1 H2 H3 Xc Rc,
7 X1 1 0 5⁄19 −4 ⁄19 0 60⁄19
8 X2 0 1 −4 ⁄19 7⁄19 0 28⁄19
0 H3 0 0 17 ⁄19 −44 ⁄19 1 52⁄19
C(j)-Z(j) 0 0 −3 ⁄19 −28 ⁄19 0 644 ⁄19

En el caso anterior al reemplazar los valores del coeficiente de la variable básica 𝑋2

y calcular los costos reducidos [𝐶𝑗 − 𝑍𝑗 ] la solución sigue siendo optima ya que
estos son menores a cero, como corresponden a la solución optima para un
problema de maximización. Pero con este valor se mejora el valor de la función
objetivo pasando de 588/19 a 644/19, culminando de esta forma el análisis de
sensibilidad al respecto.

Otra situación que se puede presentar es el cambio de coeficientes en la función

objetivo que modifiquen la optimalidad del problema, es decir después de un
cambio de este tipo podría haber nuevas variables que ingresen a la base, con lo
cual la optimalidad ha variado, generando la realización de iteraciones múltiples
con el método simplex para el primal ya conocido. Esto se mostrará con la
siguiente situación basada de igual manera en el problema ya definido de
fabricación de diferentes tipos de muros.

A través de un estudio de mercado, la compañía fabricante de muros, ha

determinado que, para obtener una mejor posición competitiva, debe cambiar los
precios de venta al publico, por lo cual ha determinado disminuir en U$ 1 el precio
 del muro para exteriores y aumentar en U$ 2 el precio del muro para interiores.
Con estos nuevos precios de venta, ¿cuales serán los efectos sobre la solución
óptima actual del modelo?

Con esta situación propuesta, el análisis inicia con la estimación de los costos
reducidos [𝐶𝑗 − 𝑍𝑗 ] en el tableu simplex óptimo actual, si estos no cumplen el
criterio de terminación, es necesario realizar mas iteraciones con el método
simplex hasta alcanzar la solución optima al problema, de acuerdo a esta
situación tenemos la evaluación narrada en el tablero optimo actual:
(𝐶𝑗 ) → (𝐶̂𝑗 )
(𝐶𝑋1 𝐶𝑋2 ) → (𝐶̂𝑋1 𝐶̂𝑋2 )
(7 6 ) → (6 8 )

C(j) 6 8 0 0 0
Cb Base X1 X2 H1 H2 H3 Xc Rc,
6 X1 1 0 5⁄ −4⁄ 0 60⁄ 12
19 19 19
8 X2 0 1 −4⁄ 7⁄ 0 28⁄ -
19 19 19
0 H3 0 0 17⁄ −44⁄ 1 52⁄ 52/17
19 19 19
C(j)-Z(j) 0 0 2⁄ −32⁄ 0 584⁄
19 19 19

En este tablero, encontramos que el costo reducido para la variable 𝐻1 tiene un

valor no negativo violando el criterio de terminación para un problema de
maximización, con lo cual se hace necesario continuar con las iteraciones con el
método simplex determinado como variable de entrada a 𝐻1 , y variable de salida a
través de la razón mínima a 𝐻3 .

Una vez realizada esta iteración a través del método simplex el tablero queda:
C(j) 6 8 0 0 0
Cb Base X1 X2 H1 H2 H3 Xc Rc,
6 X1 1 0 0 8⁄ −5/17 40⁄
17 17
8 X2 0 1 0 −3/17 4/17 36⁄
17
0 H1 0 0 1 −44⁄ 19/17 52⁄
17 17
C(j)-Z(j) 0 0 0 −24/17 −2/17 528/17

Para este tablero se encuentra una solución óptima, dado que los costos reducidos
[𝐶𝑗 − 𝑍𝑗 ], son menores a cero como corresponde al criterio de terminación de un
modelo de maximización. De esta manera la nueva solución óptima es:
40 36 52 528
𝑋1 = ;𝑋 = ; 𝐻1 = ; 𝐻 = 0; 𝐻3 = 0; 𝑍 =
17 2 17 17 2 17
584 528
Con la cual se incrementa el valor de la función objetivo pasando de a ,
19 17
representado en el incremento de artículos fabricados de muros para interiores 𝑋2 ,
que para el caso tiene una mayor contribución por unidad a la función objetivo y
reduciendo la cantidad de muros para exteriores. De esta forma se realizan
análisis más profundos, terminando con el análisis de sensibilidad al respecto.

 Adición de una nueva variable al modelo:

Este análisis se presenta cuando se incluye una nueva actividad económica en el

modelo, ya sea por desarrollo de ellos o por aporte a las utilidades de una actividad no
considerada con antelación. Para esta situación se considerara cambios al modelo ya
trabajado, en el cual se analizaran las diferentes posibilidades que alberga este
cambio.

El departamento de diseño de la empresa fabricante de muros en pocos días esta

dispuesta a lanzar al mercado un nuevo producto el cual consiste en un muro
resistente a condiciones de humedad con un precio bajo al publico de U$ 2, el cual
tiene los siguientes consumos de materia prima: cemento 5 kilogramos por unidad,
grava 8 kilogramos por unidad y 10 kilogramos de pigmento, ¿Que efecto tiene la
fabricación de este nuevo producto sobre la solución optima del problema?
¿Recomendaría su fabricación?

Para realizar el análisis de la inserción de una nueva variable se inicia calculando el

costo reducido [𝐶𝑗 − 𝑍𝑗 ] para la nueva variable utilizando para ello los valores duales
de la solución óptima a través de la siguiente relación matemática:

𝐶𝑗 − 𝑍𝑗 = 𝐶𝑗 − (𝐶𝐵 𝐵 −1 𝐴𝑁 )

Donde 𝐶𝐵 𝐵 −1 son los valores de las variables duales y 𝐴𝑁 el vector de coeficientes

tecnológicos de la nueva variable a incluir en el modelo, si este valor cumple con el
criterio de finalización de la optimización la solución sigue óptima y la nueva variable
tomara el valor de cero en la solución óptima, por que no la altera en medida alguna.
La estimación para la situación sugerida del costo reducido del nuevo producto
queda:

𝐶𝑗 − 𝑍𝑗 = 𝐶𝑗 − (𝐶𝐵 𝐵 −1 𝐴𝑁 )
5 167 129
𝐶3 − 𝑍3 = 2 − [(11⁄19 14⁄19 0) × ( 8 )] = 2 − =−
19 19
10
129
Al hallar este valor de − , con el cual se cumple el criterio de finalización para el
19
caso de maximización (𝐶𝑗 − 𝑍𝑗 ≤ 0), la solución optima actual no cambia y continua
con los valores obtenidos ya que la nueva variable asume el valor de cero (variable no
básica) en la solución optima. Lo cual indica que el nuevo producto con las
especificaciones proporcionadas no es factible de fabricar.

Ahora considere un nuevo diseño para el mismo fin, pero esta vez su precio de venta
al público será de U$ 8 y el consumo de materiales es el siguiente: 4 kilogramos de
cemento por unidad, 6 kilogramos de grava por unidad y 7 kilogramos de pigmento
por unidad. ¿Qué efecto tiene este nuevo producto sobre la solución optima actual?
¿Es factible su fabricación?

Para este caso, como en el anterior se requiere estimar el costo reducido de la nueva
variable para verificar la condición de terminación del algoritmo simplex:

𝐶𝑗 − 𝑍𝑗 = 𝐶𝑗 − (𝐶𝐵 𝐵 −1 𝐴𝑁 )
4 114
𝐶3 − 𝑍3 = 8 − [(11⁄19 14⁄19 0) × (5)] = 8 − =2
19
7

Con el valor de 2 en el costo reducido, no se alcanza la solución óptima del modelo por
lo que se requiere continuar iterando sobre el tablero óptimo, actualizando los
coeficientes tecnológicos de la nueva variable a través del uso de la inversa optima,
hasta alcanzar la condición de terminación del modelo.
La actualización del vector de coeficientes tecnológicos de la nueva variable, se realiza
multiplicando la matriz inversa óptima por los coeficientes iniciales de la nueva
variable, con lo que quedara reducido en la iteración que se desee:

5⁄ −4⁄
19 19 0 4 0
−4⁄ 7⁄ 0 × ( 5 ) = ( 1)
19 19
17⁄ −44⁄ 7 −1
( 19 19 1)

Este nuevo vector se incluye en el tablero óptimo y se continúa con las iteraciones
hasta alcanzar el criterio de finalización:
C(j) 7 6 8 0 0 0
Cb Base X1 X2 X3 H1 H2 H3 Xc Rc,
7 X1 1 0 0 5⁄19 −4 ⁄19 0 60⁄19 -
6 X2 0 1 1 −4 ⁄19 7⁄19 0 28⁄19 28⁄19
0 H3 0 0 -1 17 ⁄19 −44 ⁄19 1 52⁄19 -
C(j)-Z(j) 0 0 2 −11 ⁄19 −14 ⁄19 0 588 ⁄19

Este tablero indica que la variable a entrar a la base es 𝑋3 , por ser la única positiva
con potencial de mejora de la función objetivo, la variable de salida es 𝑋3 , dado que es
la única con razón mínima. Luego de realizar la iteración se obtiene el siguiente
tablero:
C(j) 7 6 8 0 0 0
Cb Base X1 X2 X3 H1 H2 H3 Xc Rc,
7 X1 1 0 0 5⁄19 −4 ⁄19 0 60⁄19
6 X3 0 1 1 −4 ⁄19 7⁄19 0 28⁄19
0 H3 0 1 0 13 ⁄19 −37 ⁄19 1 80⁄19
C(j)-Z(j) 0 0 0 −11 ⁄19 −14 ⁄19 0 588 ⁄19

En el anterior tablero se alcanza la condición de terminación al tener que todos los

costos reducidos son menores o iguales a cero para un caso de maximización. Ahora
bien, la nueva solución óptima es:

60 28 80 588
𝑋1 = ; 𝑋2 = 0; 𝑋3 = ; 𝐻1 = 0; 𝐻2 = 0; 𝐻3 = ;𝑍=
19 19 19 19
La cual indica que no se fabrique del muro para interiores sino el nuevo producto
28 588
contra la humedad a una tasa de unidades por día con una utilidad de U$ en
19 19
total por día. Este tablero también sugiere una solución óptima alterna, se propone al
lector hallar esta nueva solución alterna.