You are on page 1of 12

1

CONTENIDO:

INTRODUCCIN .............................................................................................................................. 2

ANALISIS DE LA DUALIDAD ........................................................................................................ 3

PROBLEMA DUAL ........................................................................................................................... 4

DUAL SIMPLEX ............................................................................................................................... 7

ANALISIS DE SENSABILIDAD ...................................................................................................... 8

APLICACIN DEL ANALISIS DE SENSIBILIDAD .................................................................... 10

CONCLUSION: ................................................................................................................................ 12
2

INTRODUCCIN

Encontrar el ptimo de un problema de optimizacin, es solo una parte del proceso de

solucin. Muchas veces nos interesara saber cmo varia la solucin si vara alguno de los

parmetros del problema que frecuentemente se asumen como determinsticos, pero que tienen

un carcter intrnsecamente aleatorio. Ms especialmente nos interesara saber paraqu rango

de los parmetros que determinan el problema sigue siendo vlida la solucin encontrada
3

ANALISIS DE LA DUALIDAD

La solucin ptima de una programacin lineal se basa en una toma instantnea de las

condiciones que prevalecen en el momento de formular y resolver el modelo. En el mundo real,

los ambientes de decisin rara vez permanecen estticos, y es esencial determinar cmo cambia

la solucin ptima cuando cambian los parmetros del modelo.

Eso es lo que hace el anlisis de sensibilidad. Proporciona tcnicas de cmputo eficientes para

estudiar el comportamiento dinmico de la solucin ptima que resulta al hacer cambios en los

parmetros del modelo.

Cambios en los coeficientes de la funcin objetivo.

El cambio de una variable se interpretara, por ejemplo, como en incremento en el

precio de un producto para un objetivo de maximizacin, o como la disminucin en el

costo de una materia prima para un objetivo de minimizacin. Finalmente, se estudiar

por separado si la modificacin es para una variable no-bsica o para una bsica, ya que

las consecuencias en cada caso son muy diferentes.

Cambios en el coeficiente Objetivo de una variable No-bsica.

Es importante mencionar que una variacin en el coeficiente de una variable no-bsica,

no necesariamente conlleva a una infraccin no mejorada a la solucin ptima actual,

aunque en ciertas ocasiones si lo haga.


4

PROBLEMA DUAL
Definicin:

El problema dual es una programacin lineal definida en forma directa y sistemtica a partir

del modelo original (o primal) de programacin lineal. Los dos problemas estn relacionados en

forma tan estrecha que la resolucin optima de un problema produce en forma automtica la

resolucin optima del otro.

En la mayor parte de las presentaciones de programacin lineal, el dual se define para varias

formas del primal, dependiendo del sentido de la optimizacin (maximizacin o mini-mizacion),

tipos de restricciones (, o =), y la orientacin de las variables (no negativa o no restringida).

Este tipo de tratamiento puede confundir Por esta razn presentaremos una sola definicin que

comprenda en forma automtica a todas las formas del primal. Nuestra definicin del problema

dual requiere expresar el problema primal en forma de ecuaciones, como se present anteriormente:

todas las restricciones son ecuaciones, con lado derecho no negativo y todas las variables son no

negativos. Este requisito es consistente con el formato de la tabla de inicio simplex. En

consecuencia, todo resultado obtenido a partir de la solucin primal optima se aplican en forma

directa al problema dual asociado. Para mostrar cmo se forma el problema dual, se define el primal

en forma de ecuacin como sigue:


5

Las variables xj , j = 1, 2, . . . , n, incluyen las variables excedentes, holguras y artificiales, si las hay.

La tabla 1 muestra cmo se construye el problema dual a partir del primal. De hecho, se tiene que:

1. Se define una variable dual por cada ecuacin primal (restriccin).

2. Se define una restriccin dual por cada variable primal.

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

lado izquierdo de la restriccin dual, y su coeficiente objetivo define el lado derecho.

4. Los coeficientes objetivo del dual son iguales al lado derecho de las ecuaciones de restriccin

primal.

Las reglas para determinar el sentido de la optimizacin (maximizacin o minimizacin), el

tipo de restriccin (, o =), y el signo de las variables duales (siempre no restringido) se

resumen en la tabla 2. Ntese que el sentido de la optimizacin en el dual siempre es el opuesto al

del primal. Una forma fcil de recordar el tipo de restriccin (es decir, o ) en el dual es que si

el objetivo del dual es minimizacin (es decir, apunta hacia abajo), las restricciones son todas

del tipo (es decir, apuntan hacia arriba). Cuando el objetivo del dual es maximizacin lo

contrario es vlido.
6

En los siguientes ejemplos se demuestra el uso de las reglas de la tabla 2, y tambin se muestra

que la definicin comprende todas las formas del primal, en forma automtica.
7

DUAL SIMPLEX

Para poder aplicar el mtodo simplex a un modelo de programacin lineal es necesario

que este se encuentre en su forma estndar.

Las caractersticas de la forma estndar son:

Todas las restricciones son ecuaciones excepto para las restricciones de no

negatividad que permanecen como desigualdades.

Los elementos del lado derecho de cada ecuacin son no negativos.

Todas las variables son no negativas.

La funcin objetivo es del tipo de Maximizacin o minimizacin.

Transformaciones elementales

1. Las restricciones de desigualdad pueden cambiarse por ecuaciones introduciendo

en el lado izquierdo de cada una de tales restricciones una variable no negativa.

(estas nuevas variables se conocen como variables de holgura o superavit las

cuales se sumaran

2. El signo del lado derecho (-) puede eliminarse multiplicando la ecuacin por (-1)

en caso de que sea necesario.

3. Una restriccin de desigualdad con su lado izquierdo en forma de valor absoluto

puede cambiarse a dos desigualdades, la desigualdad contraria a la original se le

antepone el signo negativo a su lado derecho.

4. Una ecuacin puede ser remplazada por dos desigualdades en direcciones

opuestas.
8

ANALISIS DE SENSABILIDAD

El anlisis de sensibilidad busca determinar los efectos que se producen en la solucin

ptima al realizar cambios en cualquiera de los parmetros del modelo de programacin lineal

planteado inicialmente. Entre los cambios que se investigan estn: los cambios en los

coeficientes de las variables en la funcin objetivo tanto para variables bsicas como para las

variables no bsicas, cambios en los recursos disponibles de las restricciones, variacin de los

coeficientes de utilizacin en las restricciones e introduccin de una nueva restriccin.

El objetivo principal del anlisis de sensibilidad: Es identificar el intervalo permisible

de variacin en los cuales las variables o parmetros pueden fluctuar sin 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 evitar que estas

fluctuaciones pueden desembocar en una solucin no factible.

A modo general, cuando se realiza un anlisis de sensibilidad a una solucin ptima se

debe verificar cada parmetro de forma individual, 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.
9

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 mediante la

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 ptima 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 ptima 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.


10

APLICACIN DEL ANALISIS 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 yi) como precios sombra es extremadamente til para

decidir cules son los cambios que se deben estudiar.

Primer caso: Cambios en las b i (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
11

Tercer caso: Cambios en los coeficientes de una variable bsica

Ahora suponga que la variable xj (con j fija) que se est estudiando es una variable

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

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)


12

CONCLUSION:

Hay que considerar que todo problema de programacin lineal tiene, asociado a l, un

problema dual de programacin lineal. Existen ciertas relaciones tiles entre el problema

original (primal) y su problema dual que refuerzan la habilidad para analizar el problema

original. Por ejemplo, la interpretacin econmica del problema dual proporciona los precios

sombra que miden el valor marginal de los recursos en el problema primal, al igual que permite

dar una interpretacin del mtodo simplex. Puesto que el mtodo simplex se puede aplicar

directamente a cualquiera de los dos problemas para obtener la solucin de ambos al mismo

tiempo, es posible ahorrar una gran cantidad de esfuerzo computacional si se maneja

directamente el problema dual.

You might also like