INSTITUTO TECNOLOGICO

SUPERIOR DE MASCOTA

TRABAJO:
ANTOLOGA UNIDAD 3
DUALIDAD Y ANLISIS DE SENCIBILIDAD
PRESENTA:
FELIPE ANTONIO MAGAA DUEAS
No. CONTROL:
1212I0003
CARRERA:
INGENIERIA INDUSTRIAL
MATERIA:
INVESTIGACIN DE OPERACIONES
DOCENTE:
ING. JOSE BENJAMIN VILLALVAZO RIVERA
MASCOTA, JALISCO. MXICO. 02 DE MAYO DEL 2014

Dualidad Y Anlisis De Sensibilidad Pgina 1

CONTENIDO
ANTECEDENTES.................................................................................................. 3
OBJETIVO GENERAL............................................................................................ 3
OBJETIVO ESPECIFICO........................................................................................ 3
MARCO TERICO................................................................................................. 4
3.1.- TEORA PRIMAL DUAL................................................................................ 4
3.2.- FORMULA DEL PROBLEMA DUAL................................................................5
Ejemplo:......................................................................................................... 6
3.3.- RELACIN PRIMAL-DUAL........................................................................... 7
3.4.- DUAL SIMPLEX........................................................................................... 8
Algoritmo Dual-Simplex para un modelo de maximizacin.....................................8
Ejemplo:....................................................................................................... 10
3.5.- ANLISIS DE SENSIBILIDAD: CAMBIO EN EL VECTORRECURSOS (BJ) Y SUS
LIMITES, CAMBIO EN EL VECTOR (CI) Y SUS LIMITES, ADICIN DEUNA VARIABLE (XI),
CAMBIO EN COEFICIENTES TECNOLGICOS (AIJ), ADICIN DE UNA NUEVA
RESTRICCIN................................................................................................. 13
Primer caso: Cambios en las bi (columna lado derecho)......................................15
Segundo caso:.............................................................................................. 15
Tercer caso: Cambios en los coeficientes de una variable bsica..........................15
3.6 INTERPRETACIN DEL ANLISIS DE SENCIBILIDAD....................................17
3.7.- USO DE SOFTWARE................................................................................. 20
Ejemplo:....................................................................................................... 21
CONCLUSIN..................................................................................................... 25
REFERENCIAS ELECTRNICAS..........................................................................26

Dualidad Y Anlisis De Sensibilidad Pgina 2

ANTECEDENTES
Cuando el tiempo lo requiere se deben implementar nuevas medidas, las cuales
cumplan con el objetivo establecido y hagan a su vez el mejor aprovechamiento
del trabajo.
Gracias a eso, es como se a logrado realizar diversos tipos de modelos
matemticos, teoras, y diversos organismos para la verdadera realizacin de los
trabajos, ya que estn en constante cambio es necesario tener nuevos y
mejoradas herramientas que nos ayuden a cumplir con este cometido, sin dejar de
lado la calidad y la maximizacin de ganancias y minimizacin de perdidas.

OBJETIVO GENERAL
Dar un enfoque ms objetivo y ms realista a mtodos que son utilizados en la
industria, los cuales al ser muy eficaces, han podido sobrevivir al paso de los aos
y a los diversos cambios que estn sometidos.
Y con ello hacer que se comprenda fcilmente, que sea ms entendible y a su vez
aprovecharlos al mximo.

OBJETIVO ESPECIFICO
Hacer que este no se a solo un trabajo, sino, un manual en el cual nos podamos
basar en un futuro para hacer ms eficiente un proceso, una distribucin, obtener
unas mayores ganancias y hacer que con ello la empresa crezca ms y garantizar
las metas a lograr.

MARCO TERICO
Dualidad Y Anlisis De Sensibilidad Pgina 3

3.1.- TEORA PRIMAL DUAL

TEORIA DE LA DUALIDAD Cada problema de programacin lineal tiene un
segundo problema asociado con l. Uno se denomina primal y el otro dual. Los 2
poseen propiedades muy relacionadas, de tal manera que la solucin ptima a un
problema proporciona informacin completa sobre la solucin ptima para el
otro.
Las relaciones entre el primal y el dual se utilizan para reducir el esfuerzo de
cmputo en ciertos problemas y para obtener informacin adicional sobre las
variaciones en la solucin ptima debidas a ciertos cambios en los coeficientes y
en la formulacin del problema. Esto se conoce como anlisis de sensibilidad o
post-optimidad. Para poder elaborar el problema dual a partir del primal. El
teorema de la Dualidad establece que existe un equilibrio entre el conjunto de
actividades y el conjunto de precios, en donde el costo de produccin Mnimo es
igual a la Ganancia Mxima.(Ley de Oferta y Demanda)
Algunas Propiedades
1. Propiedad de dualidad dbil. Cualquier solucin factible en el primal tiene
un valor menor o igual que cualquier solucin factible en el dual.2.
Propiedad de dualidad fuerte. En el ptimo ambas soluciones son iguales.3.
Propiedad de simetra Para cualquier problema, el dual del dual es el
primal.
Utilidad de la teora Dual
1. Si el problema de PL tienen n variables y m restricciones, su problema dual
tiene m variables y n restricciones. A veces es ms fcil resolver un
problema que otro.

Dualidad Y Anlisis De Sensibilidad Pgina 4

3.2.- FORMULA DEL PROBLEMA DUAL

Un problema dual se formula de un problema primal de la siguiente forma:

1.

Si el primal es un problema de maximizacin su dual ser un problema de

minimizacin y viceversa.
2.

Los coeficientes de la funcin objetivo del problema primal se convierten en

los coeficientes del vector de la disponibilidad en el problema dual.

3.

Los coeficientes del vector de disponibilidad del problema original se

convierten en los coeficientes de la funcin objetivo (vector de costo o precio) en el

problema dual.
4.

Los coeficientes de las restricciones en el problema primal, ser la matriz

de los coeficientes tecnolgicos en el dual.

5.

Los signos de desigualdad del problema dual son contrarios a los del

primal.
6.

Cada restriccin en un problema corresponde a una variable en el otro

problema. Si el primal tiene m restricciones y n variables, el dual tendr n

restricciones y m variables. As, las variables Xn del primal se convierte en nuevas
variables Ym en el dual.

PROBLEMA

PRIMAL

EN PROBLEMA

DUAL

FORMA CANONICA:

FORMA CANONICA:

MAX Z= CX

MIN Z= BY

Sujeto a:

Sujeto a:

AX b

AY C

X0

Y0
Tabla.1.1.- problema de dualidad.

Ejemplo:
Dualidad Y Anlisis De Sensibilidad Pgina 5

EN

Si el problema primal es:

MAX Z= 45X1 + 17X2 + 55X3
Sujeto a:
X1 +

X2 +

X3 200

9X1 + 8X2 + 10X3 5000

10X1+ 7X2 + 21 X3 4000
Xj 0
El problema dual ser:
MIN Z= 200Y1 + 5000Y2 + 4000Y3
Sujeto a:
Y1 + 9Y2 + 10Y3 45
Y1 + 8Y2 + 7Y3 17
Y1 + 10Y2 + 21Y3 55
Yj 0

Dualidad Y Anlisis De Sensibilidad Pgina 6

3.3.- RELACIN PRIMAL-DUAL

Asociado a cada problema lineal existe otro problema de programacin lineal
denominado problema dual que posee importantes propiedades y relaciones
notables con respecto al problema lineal original, problema que para diferencia del
dual se denomina entonces como problema primal (PP).

Las relaciones las podemos enumerar como siguen:

a. El problema dual tiene tantas variables como restricciones tiene el
programa primal.
b. El problema dual tiene tantas restricciones como variables tiene el
programa primal
c. Los coeficientes de la funcin objetivo del problema dual son los
trminos independientes de las restricciones o RHS del programa
primal.
d. Los trminos independientes de las restricciones o RHS del dual son
los coeficientes de la funcin objetivo del problema primal.
e. La matriz de coeficientes tcnicos del problema dual es la traspuesta
de la matriz tcnica del problema primal.
f. El sentido de las desigualdades de las restricciones del problema
dual y el signo de las variables del mismo problema, dependen de la
forma de que tenga el signo de las variables del problema primal y
del sentido de las restricciones del mismo problema.

Dualidad Y Anlisis De Sensibilidad Pgina 7

3.4.- DUAL SIMPLEX

Como sabemos, el mtodo simplex es un algoritmo iterativo que iniciando en una
solucin bsica factible pero no ptima, genera soluciones bsicas factibles cada
vez mejores hasta encontrar la solucin ptima (s esta existe). Ntese que la
base de su lgica es mantener la factibilidad, mientras busca la optimalidad. Pero
surge la posibilidad de usar otro esquema igualmente iterativo, que como
contraparte del simplex, comienza en una solucin bsica ptima, pero no factible
y mantiene la inmejorabilidad mientras busca la factibilidad. Con este
procedimiento se llega igualmente a la solucin ptima.
El nuevo algoritmo fue desarrollo en 1954 por C. E. Lemke y se conoce con el
nombre de Mtodo Dual-Simplex. A continuacin se presenta su estructura y un
ejemplo para ilustrar su aplicacin.
Algoritmo Dual-Simplex para un modelo de maximizacin
Introduccin
Primero se debe expresar el modelo en formato estndar, agregando las variables
de holgura y de exceso que se requieran.
Enseguida, en las ecuaciones que tengan variables de exceso (resultantes de
restricciones de tipo >), se debe multiplicar por (-1) en ambos lados , para hacer
positivo el coeficiente de la variable de exceso, y formar as un vector unitario que
nos permita tomar esta variable de exceso como una variable bsica inicial. sin
necesidad de agregar una variable artificial en esa restriccin.
Al hacer lo anterior se logra que debajo de las variables bsicas aparezca una
matriz identidad, que es la que el simplex siempre toma como base inicial.
Obtendremos que los trminos del lado derecho de las ecuaciones multiplicadas
por (-1) quedan con signo negativo, lo cual hace que la solucin inicial sea
infactible.

Dualidad Y Anlisis De Sensibilidad Pgina 8

Es importante destacar que este proceso es muy til ya que en muchos modelos
evita la inclusin de variables artificiales en el momento de transformar un modelo
a formato estndar.
El algoritmo para resolver un modelo de maximizacin es el siguiente:
Paso 1: Hallar una solucin bsica inicial infactible e inmejorable
Escribir el tablero inicial tomando a las variables de holgura y de exceso como
variables bsicas iniciales
Paso 2: Prueba de factibilidad
Si todas las variables bsicas son no negativas, la actual solucin es la ptima.
Si hay al menos una variable bsica negativa, seleccionar como variable de salida,
( llammosla (XB)s ), a aquella con el valor ms negativo. Los empates se pueden
romper arbitrariamente.
Paso 3: Prueba de inmejorabilidad
S en el rengln de la variable bsica de salida (XB)s todos los coeficientes de
reemplazo con las variables no bsicas son no negativos, la solucin del modelo
es ptima limitada. Se termina el proceso.
Si en el rengln de la variable bsica de salida (XB)s, hay al menos un coeficiente
de intercambio negativo , se efectan los cocientes entre el efecto neto de cada
variable no bsicas y su correspondiente coeficiente de intercambio negativo.
Es decir, siendo (XB)s la variable de salida se calculan todos los cocientes

Se toma como variable de entrada ( llammosla Xe ) a aquella que corresponda al

mnimo de los cocientes del anterior conjunto
Dualidad Y Anlisis De Sensibilidad Pgina 9

Si la variable de entrada es Xe el elemento pivote ser el elemento (Se)s

El empate se puede romper arbitrariamente.
Aplicar la operacin de pivoteo para generar la nueva tabla, en la cual aparezca
Xe como variable bsica en lugar de la variable de salida (XB)s
Repetir el algoritmo a partir del paso 2.
Ejemplo:
Sea el siguiente modelo:
Maximizar Z= -2X1 -2X2 -3X3
Sujeto a :

2X1 +4X2 +2X3 > 10

3X1 -3X2 +9X3 = 12
con X1, X2, X3 > 0

Expresemos el modelo en formato estndar

Maximizar Z= -2X1 -2X2 -3X3
Sujeto a :

2X1 +4X2 +2X3 -IE1 =10

3X1 -3X2 +9X3 -IE2 =12

multipliquemos por (-1) en ambos lados de las ecuaciones, para formar los
vectores unitarios, requeridos para contar con una base inicial unitaria.
Maximizar Z= -2X1 -2X2 -3X3
Sujeto a :

-2X1 -4X2 -2X3 +IE1= -10

-3X1 +3X2 -9X3 +IE2= -12

paso 1.
Tomando las variables bsicas iniciales hacemos lo siguiente:
Cj -2

-2

-3

CB X1

X2 X3 E1

XB

E2

Solucin Bsicas

Dualidad Y Anlisis De SensibilidadPgina 10

-2

-4

-2

-10

E1

-3

-9

-12

E2

Zj 0

Ej -2

-2

-3

Paso 2
Sale E2 = (XB)2 o sea s = 2
Paso 3
Calculando los cocientes para todo (Sj)2 < 0 obtenemos:

o sea que X3 es la variable de entrada( entonces e = 3) y el elemento pivote es el

(Se)s = (S3)2 = -9
Efectuando el pivoteo obtenemos la tabla siguiente:
Tabla 1 (maximizar)
Cj -2

-2

-3

CB X1 X2 X3 E1
0

-4/3

XB

E2

Solucin Bsicas

-2/9 -22/3

E1

-3 -1/3 -1/3 1

-1/9 4/3

X3

Zj -1

-3

1/3

Ej -1

-3

-1/3 -4

14/3

Repitiendo el algoritmo desde el paso 1, obtenemos:

sale E1 = (XB)1 y entra X2 por lo cual obtenemos la siguiente tabla

Dualidad Y Anlisis De SensibilidadPgina 11

Tabla 2
Cj -2

-2

-3

CB X1

X2 X3 E1

-2 2/7 1

-3 3/7 0

Zj

13/7

Ej -1/7 0

-3

3/14
-

XB

E2

Solucin Bsicas

1/21 11/7
-

1/14 2/21
9/14
-

X2

13/7

X3

-61/7

4/21
-

9/14 4/21

Como se observa, ahora estamos en el ptimo.

En definitiva:
X2*=11/7
X3*=13/7
Z* = - 61/7

3.5.- ANLISIS DE SENSIBILIDAD: CAMBIO EN EL VECTORRECURSOS

(BJ) Y SUS LIMITES, CAMBIO EN EL VECTOR (CI) Y SUS LIMITES,
ADICIN DEUNA VARIABLE (XI), CAMBIO EN COEFICIENTES
TECNOLGICOS (AIJ), ADICIN DE UNA NUEVA RESTRICCIN.
El modelo de programacin lineal es esttico y por tal motivo puede resultar inoperante
con el transcurso del tiempo. Es decir, los cambios que ocurren en cualquier economa
dan lugar a que precios, costos, recursos disponibles o requeridos ya no se puedan
considerar para otro tiempo. Estos parmetros por lo general, son valores estimados
obtenidos sin la deseable precisin debido a las dificultades normales para conseguir
registros confiables.

Dualidad Y Anlisis De SensibilidadPgina 12

Una solucin es ptima slo en lo que se refiere al modelo especfico que se usa para
representar el problema real estudiado, pero no puede ser confiable hasta verificar un
buen comportamiento al hacer cambios en sus parmetros. El anlisis de sensibilidad
tiene el propsito de investigar el efecto sobre la solucin ptima entregada por el mtodo
simplex, con los cambios a los valores originales.
En tal caso, la PL tiene el recurso de revisar la "solucin ptima" de un problema para
ajustarla a lo que se juzga vlido por los responsables de la decisin, o bien en respuesta
a cambios (slo discretos, pues los cambios continuos forman parte de la programacin
paramtrica, no incluida aqu) del entorno econmico; por tal motivo a este anlisis
tambin se le llama de posoptimalidad.
En general se pueden presentar cambios que no afecten la optimalidad de la solucin ya
obtenida, pero tambin puede ocurrir que se pierda esa condicin. Por tal motivo es
importante identificar los parmetros sensibles, que al cambiar de valor, se pierde el
ptimo. En este caso, es posible calcular el intervalo de valores permitido en que no se
pierde el ptimo. Tambin se puede determinar el intervalo de valores para conservar
factibilidad (valores no negativos de variables).

El objetivo principal del anlisis de sensibilidad:

Es identificar el intervalo permisible de variacin en los cuales las variables o
parmetros pueden fluctuarsin que cambie la solucin ptima.
Sin embargo, as mismo se identifica aquellos parmetros sensibles, es decir, los
parmetros cuyos valores no pueden cambiar sin que cambie la solucin ptima.
Los investigadores de operaciones tienden a prestar bastante atencin a aquellos
parmetros con holguras reducidas en cuanto a los cambios que pueden
presentar, de forma que se vigile su comportamiento para realizar los ajustes
adecuados segn corresponda y
evitarque estas fluctuaciones pueden desembocar en una solucin no factible.
A modo general, cuando se realiza un anlisis
de sensibilidad auna solucin ptima se debe verificar cada parmetro de formain

Dualidad Y Anlisis De SensibilidadPgina 13

dividual, dgase los coeficientes de la funcin objetivo y los lmites de cada una de
las restricciones.
En ese sentido se plantea el siguiente procedimiento:
1. Revisin del modelo: se realizan los cambios que se desean investigar en el
modelo.
2. Revisin de la tabla final Smplex: se aplica el criterio adecuado para determinar
los cambios que resultan en la tabla final Smplex.
3. Conversin a la forma apropiada de eliminacin Gauss: se convierta la tabla en
la forma apropiada para identificar y evaluar la solucin bsica actual, para lo cual
se aplica la metodologa de eliminacin Gauss si es necesario.
4. Prueba de factibilidad: se prueba la factibilidad de esta solucin mediantela
verificacin de que todas las variables bsicas de la columna del lado derecho aun
tengan valores no negativos.
5. Prueba de optimalizad: se verifica si esta solucin es optima y factible,
mediante la comprobacin de que todos los coeficientes de las variables no
bsicas del regln Z permanecen no negativos.
6. Re-optimizacin: si esta solucin no pasa una de las pruebas indicadas en los
puntos 4 y 5 anteriores, se procede a buscar la nueva solucin optima a partir de
la tabla actual como tabla Smplex inicial, luego de aplicadas las conversiones de
lugar, ya sea con el mtodo Smplex o el Smplex Dual.
Aplicacin del anlisis de sensibilidad
Este anlisis casi siempre comienza con la investigacin de los cambios en los
valores de las bi, la cantidad del recurso i (i = 1, 2,. . ., m) que se encuentra
disponible para las actividades bajo consideracin. La razn es que en general
existe mayor flexibilidad al establecer y ajustar estos valores que los otros
parmetros del modelo. La interpretacin econmica de las variables duales (las

Dualidad Y Anlisis De SensibilidadPgina 14

yi) como precios sombra es extremadamente til para decidir cules son los
cambios que se deben estudiar.
Primer caso: Cambios en las bi (columna lado derecho)
Supongamos que los nicos cambios al modelo actual consisten en el cambio de
uno o ms de los parmetros bi (i= 1, 2,. . ., m). En este caso, los nicos cambios
que resultan en la tabla simplex final se encuentran en la columna del lado
derecho, por lo cual, se pueden omitir del procedimiento general tanto la
conversin a la forma apropiada de eliminacin de Gauss como la prueba
optimalidad.
Segundo caso:
Cambios en los coeficientes de una variable no bsica
Considere una variable especfica xj (j fija) que sea no bsica en la solucin
ptima dada en la tabla simplex final. El caso 2a es aquel en el que los nicos
cambios al modelo actual ocurren en uno o ms de los coeficientes de esta
variable, cj, a1j, a2j........,amj. Entonces, si cj y aij, denotan los nuevos valores de
estos parmetros con Aj, (columna j de la matriz A) como el vector que contiene a
aij, se tiene para el modelo revisado.
Tercer caso: Cambios en los coeficientes de una variable bsica
Ahora suponga que la variable xj (con j fija) que se est estudiando es unavariable
bsica en la solucin ptima que se muestra en la tabla simplex final. El caso 3
supone que los nicos cambios al modelo actual se hacen en los coeficientes de
esta variable. El caso 3 difiere del 2a debido al requisito de que la tabla simplex
debe estar en la forma apropiada de eliminacin de Gauss.
Esta forma permite que los elementos en la columna de una variable no bsica
tengan cualquier valor, as que no afecta en el caso 2a. Sin embargo, para el caso
3 la variable bsica xj debe tener coeficiente 1 en su rengln de la tabla simplex y
coeficiente 0 en todos

Dualidad Y Anlisis De SensibilidadPgina 15

los dems renglones (incluyendo el rengln 0). Por lo tanto, una vez que se han
calculado los cambios en la columna xj de la tabla simplex final, es probable que
sea necesario aplicar la eliminacin de Gauss para restaurar la forma apropiada.
Este paso, a su vez, quiz cambie los valores de la solucin bsica actual, y
puede hacerla no factible o no ptima (con lo que puede ser necesario re
optimizar).

3.6 INTERPRETACIN DEL ANLISIS DE SENCIBILIDAD

El trabajo del equipo de investigacin de operaciones recin se inicia cuando se
ha aplicado con xito el mtodo smplex para identificar una solucin ptima. Una
suposicin de programacin lineal es que todos los parmetros del modelo (aij, bi
y cj ) son constantes conocidas. En realidad, los valores de los parmetros que se
usan en este modelo son sloestimaciones basadas en una prediccin de las
condiciones futuras. Los datos obtenidos para desarrollar estas estimaciones con
frecuencia son bastante imperfectos o no existen, es por esta razn que los
parmetros de la formulacin original pueden representar poco ms que algunas
Dualidad Y Anlisis De SensibilidadPgina 16

pequeas reglas proporcionadas por el personal de lnea el que tal vez se sinti
presionado para dar su opinin. Los datos pueden incluso representar
estimaciones optimistas o pesimistas que protegen los intereses de los
estimadores.
Por todo esto, un gerente razonable y el personal de investigacin de operaciones
mantendrn cierto escepticismo respecto a los valores originales entregados por el
computador y, en los muchos casos, los considerarn solamente como un punto
de inicio para el anlisis posterior del problema. Una solucin "ptima" es ptima
nada ms en lo que se refiere al modelo especfico que se est usando para
representar el problema real, y tal solucin no se convierte en una gua confiable
para la accin hasta que se verifica que su comportamiento es bueno para otras
representaciones razonables del problema. An ms, algunas veces los
parmetros del modelo (en particular bi) se establecen como resultado de
decisiones por polticas gerenciales, y estas decisiones deben revisarse despus
de detectar sus consecuencias.
Estas son las razones por las cuales es importante llevar a cabo un anlisis de
sensibilidad, para investigar el efecto que tendra sobre la solucin ptima
proporcionada por el mtodo smplex el hecho de que los parmetros tomaran
otros valores posibles. En general, habr algunos parmetros a los que se les
pueda asignar cualquier valor razonable sin que afecten la optimalidad de la
solucin. Sin embargo, tambin existirn parmetros con valores probables que
nos lleven a una nueva solucin ptima. Esta situacin es particularmente
preocupante, si la solucin original adquiere valores sustancialmente inferiores en
la funcin objetivo, o tal vez no factibles!
Por lo tanto, el objetivo fundamental del anlisis de sensibilidad es identificar los
parmetros sensibles, (por ejemplo, los parmetros cuyos valores no pueden
cambiar sin que cambie la solucin ptima ).
Para ciertos parmetros que no estn clasificados como sensibles, tambin puede
resultar de gran utilidad determinar el intervalo de valores del parmetro para el
Dualidad Y Anlisis De SensibilidadPgina 17

que la solucin ptima no cambia. (Este intervalo de valores se conoce como

intervalo permisible para permanecer ptimo). En algunos casos, cambiar el valor
de un parmetro puede afectar la factibilidad de la solucin BF ptima.
Para tales parmetros, es til determinar el intervalo de valores para el que la
solucin BF ptima (con los valores ajustados de las variables bsicas) seguir
siendo factible. (Este intervalo recibe el nombre de intervalo permisible para
permanecer factible).
La informacin de este tipo es invaluable en dos sentidos:
Primero, identifica los parmetros ms importantes, con lo que se puede poner un
cuidado especial al hacer sus estimaciones y al seleccionar una solucin que
tenga un buen desempeo para la mayora de los valores posibles.
Segundo, identifica los parmetros que ser necesario controlar de cerca cuando
el estudio se lleve a la prctica.
Si se descubre que el valor real de un parmetro se encuentra fuera de su
intervalo de valores permisibles, sta es una seal de que es necesario cambiar la
solucin.
En esencia, la idea fundamental revela de inmediato la forma en que los cambios
al modelo original alteraran los nmeros de la tabla smplex final (si se supone
que se duplica la misma secuencia de operaciones algebraicas que realiz el
mtodo smplex la primera vez). Por lo tanto, despus de hacer unos cuantos
clculos para actualizar esta tabla smplex, se puede verificar con facilidad si la
solucin BF ptima original ahora es no ptima (o no factible). Si es as, esta
solucin se usar como solucin bsica inicial para comenzar de nuevo el mtodo
smplex (o el smplex dual ) para encontrar una nueva solucin ptima, si se
desea. Si los cambios realizados en el modelo no son cambios mayores, slo se
requerirn unas cuantas iteraciones para obtener la nueva solucin ptima a partir
de esta solucin bsica inicial "avanzada".

Dualidad Y Anlisis De SensibilidadPgina 18

Para describir este procedimiento con ms detalle, considere la siguiente

situacin. Se ha empleado el mtodo smplex para obtener una solucin ptima
para un modelo de programacin lineal con valores especficos para los
parmetros bi, cj y aij. Para iniciar el anlisis de sensibilidad se cambian uno o
ms parmetros. Despus de hacer los cambios, sean bi, cj y aij los valores de los
distintos parmetros. Entonces, en notacin matricial, para el modelo revisado.

3.7.- USO DE SOFTWARE

Conceptos bsicos en Anlisis de Sensibilidad
El Anlisis de Sensibilidad se utiliza para examinar los efectos de cambios en tres
reas diferenciadas del problema:
Los coeficientes de la funcin objetivo (coeficientes objetivo). Los cambios en los
coeficientes objetivos NO afectan la forma de la regin factible, por lo que no
afectarn a la solucin ptima (aunque s al valor de la funcin objetivo).

Dualidad Y Anlisis De SensibilidadPgina 19

Los coeficientes tecnolgicos (aquellos coeficientes que afectan a las variables de

las restricciones, situados a la izquierda de la desigualdad). Los cambios en estos
coeficientes provocarn cambios sustanciales en la forma de la regin factible.
Grficamente (en el caso de 2 variables) lo que vara es la pendiente de las rectas
que representan las restricciones.
Los recursos disponibles (los trminos independientes de cada restriccin,
situados a la derecha de la desigualdad). Intuitivamente (para 2 variables), los
cambios en el RHS suponen desplazamientos paralelos de las rectas asociadas a
las restricciones, lo cual har variar la forma de la regin factible y, con ello, a la
solucin ptima.

Se observa rpidamente que el Anlisis de Sensibilidad est ntimamente

relacionado con lo que en el mundo de las hojas de clculo (Excel, Lotus 123, etc.)
se conoce como Anlisis de Escenarios o what-if analysis: Qu ocurrira si el
beneficio producido por la lnea de artculos B aumentase en un 10%?, Qu
sucedera si los trabajadores hiciesen una hora extra retribuida un 50% ms que
una normal?, etc.
As, vemos cmo el Anlisis de Sensibilidad no slo tiene que ver con el estudio
de la robustez de la solucin frente a posibles errores en el clculo de los
coeficientes y recursos disponibles, sino que tambin puede ser de gran ayuda a
la hora de valorar futuras estrategias de desarrollo y mejora de una empresa.
Hay dos maneras de estudiar la sensibilidad de una solucin respecto a cambios
en alguna de las reas antes mencionadas. La primera de ellas sera volver a

Dualidad Y Anlisis De SensibilidadPgina 20

resolver todo el problema cada vez que alguno de los datos originales se haya
modificado.
Obviamente, utilizando este mtodo, podra llevar bastante tiempo determinar
todas las variantes cuando nos encontremos ante un conjunto amplio de posibles
cambios. La otra forma (Anlisis de Sensibilidad) consistira en, una vez resuelto
un problema, analizar cmo afectara a la solucin obtenida y al valor de la funcin
objetivo la variacin dentro de un rango tolerable, de uno de los parmetros,
manteniendo fijos los restantes.
Por supuesto, en caso de que queramos estudiar los efectos de la variacin de
ms de un parmetro (o de un parmetro ms all del rango de tolerancia)
deberemos reprogramar el problema.
Anlisis de Sensibilidad con LINDO
Ejemplo:
Supongamos que una empresa produce dos lneas de productos distintos y utiliza
LINDO para resolver el siguiente problema de Programacin Lineal:

Dualidad Y Anlisis De SensibilidadPgina 21

Aparte de observar el valor de la solucin ptima (X = 0, Y = 20), y el consiguiente

valor de la funcin objetivo (2.400), nos interesa ahora destacar el resto de la
informacin que se nos proporciona y que se explica en los cuadros anteriores.
As, utilizando la columna de coste reducido, sabemos que, en la solucin final, la
variable X no tomar un valor estrictamente positivo a menos que su coeficiente
objetivo aumente en ms de 10 unidades (es decir, pase de ser 50 a ser mayor de
60); a partir de la columna de carencia o excedente (Slack or Surplus), deducimos
que la primera de las restricciones se cumple en igualdad (agotamos las 80
unidades disponibles), mientras que en la segunda estamos utilizando 40
unidades menos de las permitidas (hay una carencia de 40 unidades).
Finalmente, el precio dual (o precio sombra) toma un valor de 30 en la primera de
las restricciones, lo que significa que nos saldra rentable pagar hasta 30 unidades
ms por relajar esta restriccin en una unidad (disponer de 81 unidades en vez
de 80) siempre que los dems parmetros sigan fijos.
Como es lgico, el precio dual de la segunda restriccin es 0, puesto que no nos
saldra a cuenta pagar por otra unidad de un recurso que no hemos agotado.
Veamos ahora cul sera el output extra del programa al escoger la opcin
SENSIBILITY (RANGE) ANALYSIS (opcin tambin seleccionable desde la barra
de men como Reports>Range):

Dualidad Y Anlisis De SensibilidadPgina 22

1) Cambios en los Coeficientes Objetivo: Distinguiremos entre variables bsicas,

que son las que toman valores no nulos en la solucin ptima (Y en nuestro
ejemplo), y variables no bsicas, las cuales toman el valor 0 (X en este caso). Por
lo que respecta al coeficiente objetivo asociado a la variable no bsica (50), la
solucin actual (X = 0, Y = 20) seguir siendo vlida siempre que ste no exceda
de 60 (su incremento permitido es de 10 unidades); si este coeficiente excediese
de 60, la variable pasara a ser bsica, cambiando as la sol. ptima. Por lo que
respecta al coeficiente objetivo asociado a la variable bsica (120), la solucin
actual ser vlida siempre que ste no disminuya en ms de 20 unidades.
Observar que, dentro de los rangos especificados, los cambios en uno de los
coeficientes objetivo no alterarn la solucin ptima, pero s harn variar el valor
final de la funcin objetivo.
(2) Cambios en los Coeficientes Tecnolgicos: Estos cambios se deben a menudo
a innovaciones tecnolgicas o a mejoras en la productividad. Este tipo de cambios
no producir variacin alguna en la funcin objetivo, pero s alterar
sustancialmente la forma de la regin factible, por lo que la solucin ptima
tambin variar. Su anlisis puede llegar a ser muy complejo, motivo por el cual lo
omitiremos.
(3) Cambios en los recursos: Los valores que quedan a la derecha de las
desigualdades (Right-Hand-Side) representan la disponibilidad de recursos de la
empresa (horas de mano de obra, materias primas, etc.). Los cambios que se
puedan producir en estos valores afectarn tambin a la forma de la regin
factible y, por extensin, al valor de la solucin ptima.
A pesar de ello, si el parmetro que vara lo hace dentro de un rango
predeterminado, seremos capaces de predecir (va precios sombra) cmo este
cambio afectar a la funcin objetivo, pues la base (conjunto de variables bsicas
de la solucin) no variar.

Dualidad Y Anlisis De SensibilidadPgina 23

Como ya hemos comentado, el precio dual asociado a una restriccin nos informa
de cunto mejorara el valor de la funcin objetivo si relajsemos la restriccin en
una unidad. Ello nos da una idea de la cantidad que estaramos dispuestos a
pagar por cada unidad adicional del recurso asociado. Por supuesto, no es posible
seguir aumentando indefinidamente los recursos disponibles sin que ello afecte a
la clasificacin actual de variables bsicas y no bsicas.
La informacin que el output nos proporciona es, precisamente, el rango en el
cual este precio sombra es vlido. As, en la primera de las restricciones
anteriores, podramos aumentar los recursos disponibles hasta un total de 240
unidades (80+160), incrementando con ello el valor de la funcin objetivo en unas
4.800 unidades (160*30).

CONCLUSIN
Al comenzar a realizar este trabajo tenia algunas dudas de sobre como era que se
realizaban algunos movimientos, como a la vez de tener cerca un problema que
sea difcil al simple vista resulte fcil por este lado, es una manera ms fcil y
exacta de darle solucin a los problemas que muchas veces encontramos difciles.

Dualidad Y Anlisis De SensibilidadPgina 24

Cuando comenc a darle un orden, me di cuenta que muchas veces este tipo de
problemas no solo resulta en la empresa, sino tambin muchas veces en la vida
diariacon lo cual ponindose a ver desde otra perspectiva nos damos cuenta
que ese problemita es fcil siempre y cuando tu as lo quieras ver.
Este trabajo me dio la visin ms clara sobre como es en verdad la manera de
solucionar las cosas que nos rodean.
Y adems contiene detalladamente todo lo que estuvimos viendo en la unidad, y al
ser as, contamos con un repaso oportuno y comprensible para hacer ms fcil la
comprensin de la dualidad y el anlisis de sensibilidad.

REFERENCIAS ELECTRNICAS
Scribd Publicado por Omar Silvestre Hernndez Teora Primal-Dual referencia en:
http://es.scribd.com/doc/90983080/Teoria-primal-dual
Inves De Operacin publicado por Christian Garca Problema Dual referencia en:
http://christian5t1is.blogspot.mx/p/problema-dual.html

Dualidad Y Anlisis De SensibilidadPgina 25

Blogspot publicado por Dannelis Ramrez Relaciones Primal-Dual referencia en:

http://pdasi.blogspot.mx/2013/02/relaciones-primal-dual.html
Universidad

De

Antioquia

Mtodo

Dual-Simplex

referencia

en:

http://docencia.udea.edu.co/ingenieria/plineal/dualidad10.htm
S.A.

Investigacin

de

operaciones

referencias

en:

http://148.204.211.134/polilibros/portal/Polilibros/P_Terminados/Investigacion_de_
Operaciones_Careaga/Common/IO-modulo3-sensibilidad.htm
S.A. INTERPRETACIN DEL ANLISIS DE SENCIBILIDAD referencia en:
http://www.investigaciondeoperaciones.net/analisis_de_sensibilidad.html
CYTA

ANLISIS

DE

SENCIBILIDAD

CON

LINDO

referencia

en:

http://www.cyta.com.ar/biblioteca/bddoc/bdlibros/analisis_sensibilidad/analisis_sen
sibilidad_.htm

Dualidad Y Anlisis De SensibilidadPgina 26