Programación Lineal
Dualidad y análisis de
Post-Optimalidad
Material elaborado por:
Lic. Diego Bernardo Meza Bogado
Campus Universitario
San Lorenzo, Paraguay
Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia
Índice
1. Dualidad ...........................................................................................................................................3
1.1. Relación entre un Problema Primal y su dual asociado ...................................................3
1.2. Relaciones entre el problema primal y el dual .................................................................7
1.3. Teorema de Dualidad .......................................................................................................8
1.4. Interpretación económica del Primal y del Dual .............................................................9
2. Análisis de Post-Optimalidad o de Sensibilidad ............................................................................ 10
2.1. Cambios en la disponibilidad de los recursos ............................................................... 11
2.2. Cambio en las utilidades y/o costos marginales de la función objetivo. ...................... 13
3. Aplicación del análisis de sensibilidad ........................................................................................... 14
Bibliografía............................................................................................................................................. 16
2 www.virtual.facen.una.py
Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia
1. Dualidad
1.1. Relación entre un Problema Primal y su dual asociado
Según Hillier y Lieberman (2010) uno de los descubrimientos más importantes durante el
desarrollo inicial de la programación lineal fue el concepto de dualidad. Este descubrimiento
reveló que, asociado a cada problema lineal existe otro problema de PL denominado
problema dual (PD), que posee importantes propiedades y relaciones notables con respecto
al problema lineal original, problema que para diferencia del dual se denomina como
problema primal (PP).
Los problemas dual y primal están relacionados a tal grado, que la solución símplex óptima
de cualquiera de los dos problemas conduce en forma automática a la solución óptima del
otro.
El método símplex además de resolver un problema de PL llegando a una solución óptima
nos ofrece más y mejores elementos para la toma de decisiones. La dualidad y el análisis de
sensibilidad son potencialidades de este método.
En la mayoría de los procedimientos de PL, el dual se define para varias formas del primal,
dependiendo de los tipos de restricciones, de los signos de las variables y del sentido de la
optimización. La experiencia nos indica que en ocasiones, los principiantes se confunden con
los detalles de esas definiciones. Más importante aún es que el uso de esas definiciones
múltiples puede conducir a interpretaciones inconsistentes de los datos en la tabla símplex,
sobre todo en lo que respecta a los signos de las variables.
La relación entre el problema dual y su asociado, es decir el problema original llamado
primal, presenta varias utilidades:
Aporta elementos que aumentan sustancialmente la compresión de la PL.
El análisis de dualidad es una herramienta útil en la solución de problemas de PL, por
ejemplo: más restricciones que variables.
El problema dual tiene interpretaciones e informaciones importantes que muestran
que los análisis marginales están siempre involucrados implícitamente al buscar la
solución óptima a un problema de PL.
¿Cómo convertir un problema primal a dual?
Un problema dual se formula de un problema primal de la siguiente forma:
1. Si el primal es un problema de maximización su dual será un problema de
minimización y viceversa.
2. Los coeficientes de la función 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 función objetivo (vector de costo o precio) en el problema dual.
3 www.virtual.facen.una.py
Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia
4. Los coeficientes de las restricciones en el problema primal, será la matriz de los
coeficientes tecnológicos en el dual.
5. Los signos de desigualdad del problema dual son contrarios a los del primal.
6. Cada restricción en un problema corresponde a una variable en el otro problema. Si
el primal tiene 𝑚 restricciones y 𝑛 variables, el dual tendrá 𝑛 restricciones y 𝑚
variables. Así, las variables 𝑋𝑛 del primal se convierte en nuevas variables 𝑌𝑛 en el
dual.
Dada la forma estándar para el problema primal, que se presenta a la izquierda (quizá
después de hacer conversiones cuando provienen de otras formas), su problema dual tiene
la forma que se muestra a la derecha.
Problema primal Problema Dual
Maximizar 𝑍 = ∑𝑛𝑗=1 𝑐𝑗 𝑥𝑗 Minimizar 𝑊 = ∑𝑚𝑖=1 𝑏𝑖 𝑦𝑖,
Sujeta a Sujeta a
∑𝑛𝑗=1 𝑎𝑖𝑗 𝑥𝑗 ≤ 𝑏𝑖 para 𝑖 = 1, 2, … , 𝑚 ∑𝑚
𝑖=1 𝑎𝑖𝑗 𝑦𝑖 ≥ 𝑐𝑗 para 𝑗 = 1, 2, … , 𝑛
y y
𝑥𝑗 ≥ 0, para 𝑗 = 1, 2, … , 𝑛 𝑦𝑖 ≥ 0, para 𝑖 = 1, 2, … , 𝑚
Ejemplo 1:
Para la formulación de un problema Dual seguiremos el procedimiento mostrado con el
siguiente ejemplo:
𝑀í𝑛 𝑍 = 2𝑥1 − 3𝑥2
sujeto a: 1𝑥1 + 2𝑥2 ≤ 12
4𝑥1 − 2𝑥2 ≥ 3
6𝑥1 − 𝑥2 = 10
𝑥1 , 𝑥2 > 0
Llevamos el problema a su equivalente de maximización, multiplicando la función objetivo
por –1:
𝑀𝑎𝑥 𝑍 = −2𝑥1 + 3𝑥2
Convertir las restricciones ≥ en una restricción equivalente ≤ multiplicando por –1 ambos
lados:
4 www.virtual.facen.una.py
Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia
−4𝑥1 + 2𝑥2 ≤ −3
Para las restricciones de igualdad, obtener 2 restricciones de desigualdad, una de forma ≥ y
la otra de forma ≤; después regresar al punto anterior y cambiar la restricción ≥ a la
forma ≤:
6𝑥1 − 𝑥2 ≤ 10 𝑎)
6𝑥1 − 𝑥2 = 10 𝑒𝑠 𝑒𝑞𝑢𝑖𝑣𝑎𝑙𝑒𝑛𝑡𝑒 𝑎 {
6𝑥1 − 𝑥2 ≥ 10 𝑏)
Luego, la desigualdad b) multiplicar por – 1 y cambiar el sentido de la desigualdad
6𝑥1 − 𝑥2 ≤ 10
6𝑥1 − 𝑥2 = 10 𝑒𝑠 𝑒𝑞𝑢𝑖𝑣𝑎𝑙𝑒𝑛𝑡𝑒 {
−6𝑥1 + 𝑥2 ≤ −10
Así el problema primal se ha replanteado en la forma equivalente:
𝑀𝑎𝑥 𝑍 = −2𝑥1 + 3𝑥2
sujeto a: 1𝑥1 + 2𝑥2 ≤ 12
−4𝑥1 + 2𝑥2 ≤ −3
6𝑥1 − 𝑥2 ≤ 10
−6𝑥1 + 𝑥2 ≤ −10
𝑥1 , 𝑥2 > 0
Teniendo el problema primal convertido a la forma canónica de un problema de
maximización, es más fácil llevarlo al problema dual:
Problema primal canónica Problema dual
𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑍 = −2𝑥1 + 3𝑥2 𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 𝑊 = 12𝑦1 − 3𝑦2 + 10𝑦3
sujeto a: sujeto a:
1𝑥1 + 2𝑥2 ≤ 12 1𝑦1 − 4𝑦2 + 6𝑦3′ − 6𝑦3′′ ≥ −2
−4𝑥1 + 2𝑥2 ≤ −3 2𝑦1 + 2𝑦2 − 1𝑦3′ + 1𝑦3′′ ≥ 3
6𝑥1 − 1𝑥2 ≤ 10
−6𝑥1 + 1𝑥2 ≤ −10
𝑥1 , 𝑥2 ≥ 0 𝑦1 , 𝑦2 , 𝑦3′ , 𝑦3′′ ≥ 0
Observación: Las variables 𝑦3′ , 𝑦3′′ aparecen debido que a cada restricción en un problema
corresponde a una variable en el otro problema, y como en el primal tenemos 4
restricciones, en el dual necesitamos 4 variables.
5 www.virtual.facen.una.py
Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia
Ejemplo 2:
Problema primal Problema dual
𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑍 = 45𝑥1 + 17𝑥2 + 55𝑥3 𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 𝑊 = 200𝑦1 + 5000𝑦2 + 4000𝑦3
sujeto a: sujeto a:
1𝑥1 + 1𝑥2 + 1𝑥3 ≤ 200 1𝑦1 + 9𝑦2 + 10𝑦3 ≥ 45
9𝑥1 + 8𝑥2 + 10𝑥3 ≤ 5000 1𝑦1 + 8𝑦2 + 7𝑦3 ≥ 17
10𝑥1 + 7𝑥2 + 21𝑥3 ≤ 4000 1𝑦1 + 10𝑦2 + 21𝑦3 ≥ 55
𝑥1 , 𝑥2 , 𝑥3 ≥ 0 𝑦1 , 𝑦2 , 𝑦3 ≥ 0
Ejemplo 3:
Problema primal Problema dual
𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑍 = 3𝑥1 + 5𝑥2 𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 𝑊 = 4𝑦1 + 12𝑦2 + 18𝑦3
sujeto a: sujeto a:
1𝑥1 ≤ 4 1𝑦1 + 3𝑦3 ≥ 3
2𝑥2 ≤ 12 2𝑦2 + 2𝑦3 ≥ 5
3𝑥1 + 2𝑥2 ≤ 18
𝑥1 , 𝑥2 ≥ 0 𝑦1 , 𝑦2 , 𝑦3 ≥ 0
Ejemplo4 :
Dado el siguiente programa lineal, determinar el programa dual.
𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 𝑍 = 3𝑥1 + 2𝑥2 + 5𝑥3 + 1𝑥4 − 6𝑥4
sujeto a:
𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 + 𝑥5 ≤ 12
𝑥4 + 𝑥5 ≥ 4
𝑥1 + 𝑥2 − 𝑥3 ≤ 0
6𝑥1 + 3𝑥2 − 𝑥3 + 𝑥4 − 2𝑥5 ≤ 0
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 ≥ 0;
6 www.virtual.facen.una.py
Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia
Problema primal Problema dual
𝑀𝑎𝑥 𝑍 = −3𝑥1 − 2𝑥2 − 5𝑥3 − 1𝑥4 + 6𝑥4 𝑀𝑖𝑛 𝑊 = 12𝑦1 − 4𝑦2
sujeto a: sujeto a:
1𝑥1 + 1𝑥2 + 1𝑥3 + 1𝑥4 + 1𝑥5 ≤ 12 1𝑦1 + 0𝑦2 + 1𝑦3 + 6𝑦4 ≥ −3
0𝑥1 + 0𝑥2 + 0𝑥3 − 1𝑥4 − 1𝑥5 ≤ −4 1𝑦1 +0𝑦2 + 1𝑦3 + 3𝑦4 ≥ −2
1𝑥1 + 1𝑥2 − 1𝑥3 + 0𝑥4 + 0𝑥5 ≤ 0 1𝑦1 +0𝑦2 − 1𝑦3 − 1𝑦4 ≥ −5
6𝑥1 + 3𝑥2 − 1𝑥3 + 1𝑥4 − 2𝑥5 ≤ 0 1𝑦1 − 1𝑦2 + 0𝑦3 + 1𝑦4 ≥ −1
1𝑦1 − 1𝑦2 + 0𝑦3 − 2𝑦4 ≥ 6
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 ≥ 0 𝑦1 , 𝑦2 , 𝑦3 , 𝑦4 ≥ 0
1.2. Relaciones entre el problema primal y el dual
Mediante un problema vamos a establecer las relaciones inmediatas entre el problema
primal y su problema dual.
𝑀𝑎𝑥 𝑍 = 10𝑥1 + 15𝑥2
sujeto a: 2𝑥1 + 2𝑥2 ≤ 160
𝑥1 + 2𝑥2 ≤ 120
4𝑥1 + 2𝑥2 ≤ 280
𝑥1 , 𝑥2 ≥ 0
Cuya solución es:
Variable de decisión Variable de holgura Valores solución
Base 𝒙𝟏 𝒙𝟐 𝒇𝟏 𝒇𝟐 𝒇𝟑 𝒃𝒊
0 0 1 -1 0 40
1 0 -1/2 1 0 40
0 1 -3 2 1 40
Z 0 0 5/2 5 0 1000
El problema dual es:
𝑀𝑖𝑛 𝑍 = 160𝑦1 + 120𝑦2 + 280𝑦3
sujeto a: 2𝑦1 + 𝑦2 + 4𝑦3 ≥ 10
2𝑦1 + 2𝑦2 + 2𝑦3 ≥ 15
𝑦1 , 𝑦2 , 𝑦3 ≥ 0
7 www.virtual.facen.una.py
Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia
Cuya solución es:
Variable de decisión Variable de Valores solución
holgura
Base 𝒚𝟏 𝒚𝟐 𝒚𝟑 𝒚𝟒 𝒚𝟓 𝒃𝒊
1 0 3 -1 1/2 5/2
0 1 -2 1 -1 5
Z 0 0 -40 -40 -40 1000
Comparando las dos tablas podemos concluir que:
El resultado de la función objetivo es el mismo, tanto para el problema primal como
para el dual.
Los valores solución de las variables básicas del problema primal (variables de la
función objetivo), corresponden con los coeficientes de las variables de holgura en la
primera fila de la tabla solución del problema dual, solo que cambiados de signo. Así,
el valor solución de la variable 𝑥1 en el problema primal es 40. 𝑥1 tiene asociada la
restricción primera del problema dual (el coeficiente de la variable 𝑥1 en la función
objetivo pasa a ser en el problema dual el término independiente de la primera
restricción) por lo que a la variable de holgura asociada a la restricción primera del
problema dual 𝑦4 , le corresponderá el valor -40 en la primera fila.
Los valores correspondientes a las variables de holgura, que no están en la base del
problema primal en la primera fila, son los valores que toman las variables básicas del
problema dual (variables que aparecen en la función objetivo del problema dual). Así,
el valor 5 de la variable de holgura 𝑥4 que aparece en la tabla solución del problema
primal en la primera fila, será el valor solución de la variable del problema dual
asociada a la restricción de la variable de holgura 𝑥4 .
Si las variables del problema primal son básicas provocan que sus variables asociadas
del problema dual no estén en la base. Así, las variables 𝑥1 y 𝑥2 del problema primal,
que son básicas, producen que sus variables asociadas del problema dual 𝑦4 y 𝑦5 no
estén en la base de la solución del problema dual.
1.3. Teorema de Dualidad
De acuerdo a Taha (2004) dado un par de problemas primal y su correspondiente dual
únicamente uno y sólo uno de los tres siguientes casos pueden ocurrir:
1. Ambos programas tienen soluciones óptimas y sus funciones objetivos óptimas son
iguales.
2. Si el problema primal no tiene soluciones factibles y el problema dual tiene al menos
una, entonces, el dual tiene una solución óptima no acotada y viceversa, si el
8 www.virtual.facen.una.py
Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia
problema dual no tiene soluciones factibles y el primal tiene al menos una, entonces,
el primal tiene una solución óptima no acotada.
3. Ambos problemas no tienen solución.
1.4. Interpretación económica del Primal y del Dual
El problema de programación lineal se puede considerar como modelo de asignación de
recursos, en el que el objetivo es maximizar los ingresos o las utilidades, sujetos a recursos
limitados. Si se aprecia el problema desde este punto de vista, el problema primal y el dual
asociado ofrece interpretaciones económicas interesantes del modelo de programación
lineal de asignación de recursos.
Problema primal
Maximizar 𝑍 = ∑𝑛𝑗=1 𝑐𝑗 𝑥𝑗
Sujeta a
∑𝑛𝑗=1 𝑎𝑖𝑗 𝑥𝑗 ≤ 𝑏𝑖 para 𝑖 = 1, 2, … , 𝑚
𝑥𝑗 ≥ 0, para 𝑗 = 1, 2, … , 𝑛
Para el Primal:
𝑥𝑗 : Nivel de actividad 𝑗 (𝑗 = 1, 2, … , 𝑛).
𝑐𝑗 : Utilidad unitaria de la actividad 𝑗.
𝑍: Utilidad total.
𝑏𝑖 : Cantidad de recurso 𝑖 disponible.
𝑎𝑖𝑗 : Cantidad de recurso 𝑖 consumido (𝑖 = 1, 2, … , 𝑚) por cada unidad de actividad 𝑗.
Para el dual:
Problema Dual
Minimizar 𝑊 = ∑𝑚𝑖=1 𝑏𝑖 𝑦𝑖,
Sujeta a
∑𝑚
𝑖=1 𝑎𝑖𝑗 𝑦𝑖 ≥ 𝑐𝑗 para 𝑗 = 1, 2, … , 𝑛
𝑦𝑖 ≥ 0, para 𝑖 = 1, 2, … , 𝑚
9 www.virtual.facen.una.py
Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia
𝑦𝑖 : Valor implícito o precio sombra o costo marginal del recurso 𝑖.
𝑐𝑗 : Costo unitario del recurso.
𝑊: Valor total implícito de los recursos.
𝑏𝑖 : Cantidad de artículos 𝑖 a producir.
Como cada unidad de actividad 𝑗 en el problema primal consume 𝑎𝑖𝑗 unidades del recurso 𝑖
se interpreta como la contribución en la utilidad de la mezcla de recursos que serían
consumidos si una unidad de actividad 𝑗 fuera usada ( 𝑗 = 1, 2, … , 𝑛).
2. Análisis de Post-Optimalidad o de Sensibilidad
De acuerdo a Hillier y Lieberman (2010) el análisis de Post-Optimalidad o de sensibilidad es
una parte esencial de casi todos los estudios de programación lineal. Debido a que la
mayoría de los valores de los parámetros que se emplean en el modelo original son sólo
estimaciones de las condiciones futuras, es necesario investigar el efecto que tendrían sobre
la solución óptima en caso de que prevalecieran otras condiciones. Aún más, ciertos valores
de estos parámetros (como la cantidad de recursos) pueden representar decisiones
administrativas, en cuyo caso su elección debe ser el aspecto principal de la investigación, el
cual se puede estudiar a través del análisis de Post-Optimalidad.
Por esto es muy importante efectuar un estudio posterior a la obtención del óptimo, en el
cual se deberá admitir que los valores adoptados para los parámetros pueden variar y el
objetivo es analizar cuan sensible es la solución encontrada a esas variaciones y proponer,
eventualmente, modificaciones para conservar la naturaleza óptima.
En el caso de problemas que pueden resolverse por Programación Lineal, es clásico analizar
variaciones en los términos independientes 𝑑𝑖 de las restricciones o en los coeficientes 𝑐𝑗 de
la función objetivo.
Ejemplo:
Sea el siguiente modelo de PL:
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4
𝑀𝑎𝑥 𝑍 = 12𝑥1 + 20𝑥2 + 18𝑥3 + 40𝑥4 son modelos de escritorio
( 4 modelos ).
sujeto a:
4𝑥1 + 9𝑥2 + 7𝑥3 + 10𝑥4 ≤ 6000 (Horas Hombre en carpintería)
𝑥1 + 𝑥2 + 3𝑥3 + 40𝑥4 ≤ 4000 (Horas Hombre en acabado)
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ≥ 0
10 www.virtual.facen.una.py
Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia
Tenemos las siguientes tablas:
Tabla Inicial:
Z X1 X2 X3 X4 S1 S2 Solución
Z 1 -12 -20 -18 -40 0 0 0
S1 0 4 9 7 10 1 0 6000
S2 0 1 1 3 40 0 1 4000
Tabla Final:
Z X1 X2 X3 X4 S1 S2 Solución
Z 1 0 20/3 10/3 0 44/15 4/15 56000/3
X1 0 1 7/3 5/3 0 4/15 -1/15 4000/3
X4 0 0 -1/30 1/30 1 -1/150 2/75 1000/15
A partir del análisis de estas dos tablas podemos deducir lo siguiente:
El estado de los recursos puede ser de dos tipos: Escasos y abundantes.
S1 es escaso (representa a Horas Hombre en carpintería).
S2 es escaso (representa a Horas Hombre en acabado).
Estas dos variables no forman parte de la solución básica por lo tanto S 1=S2=0 lo cual indica
que se ha utilizado todo en el proceso productivo.
Por otro lado, un recurso es abundante cuando forma parte de las variables básicas y es
diferente de cero. Lo cual indica que existen recursos disponibles al finalizar el proceso
productivo por lo tanto no es necesario disponer de más recursos.
2.1. Cambios en la disponibilidad de los recursos
Cualquier cambio 𝑑𝑖 que se haga a un recurso 𝑏𝑖 este afectará a la función objetivo en una
proporción igual al coeficiente del recurso en la misma función objetivo.
Es decir:
5600 44
Si cambio el recurso 1 de: 6000 a 6000 + 𝑑1 , entonces, 𝑍 = + 15 𝑑1
3
El intervalo de variabilidad se calcula de la siguiente manera:
4000/3 + (4/15)𝑑1 >= 0 .........................................................
11 www.virtual.facen.una.py
Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia
1000/15 + (-1/150)𝑑1 >= 0 ...................................................
y son mayor igual a cero para conservar la factibilidad:
De aquí tenemos que analizar dos casos:
Caso1: si 𝑑1 > 0
cumple para cualquier 𝑑1 ≥ 0
Cumple para cualquier𝑑1 ≤ 10.000
Por lo tanto:𝑑1 ≤ 10.000
Caso2: si 𝑑1 < 0
cumple para cualquier 𝑑1 ≥ −5000
Así:4000/3 + (4/15)𝑑1 ≥ 0
𝑑1 ≥ −5000
cumple para cualquier 𝑑1 ≤ 0
De los dos casos:
−5000 ≤ 𝑑1 ≤ 10000
Por lo tanto el recurso 1 puede variar en este rango:
−5000 + 6000 ≤ 𝑅𝑒𝑐𝑢𝑟𝑠𝑜 1 ≤ 10000 + 6000
1000 ≤ 𝑅𝑒𝑐𝑢𝑟𝑠𝑜 1 ≤ 16000
Luego la función objetivo puede variar de la siguiente manera:
56000 44 44 56000 44
+ ( ) (−5000) ≤ 𝑍 + ( ) 𝑑1 ≤ + ( ) 10000
3 15 15 3 15
12000 44 144000
≤ 𝑍 + ( ) 𝑑1 ≤
3 15 3
44
4000 ≤ 𝑍 + ( ) 𝑑1 ≤ 48000
15
Solamente de los recursos escasos podemos calcular la variación de sus coeficientes debido
a que el incremento de 1 unidad de esos recursos incrementara la utilidad en la función
objetivo. Los recursos abundantes no contribuyen en nada a la función objetivo.
12 www.virtual.facen.una.py
Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia
2.2. Cambio en las utilidades y/o costos marginales de la función
objetivo.
Cualquier cambio d1 que se efectúe a los coeficientes de la función objetivo de las variables
de decisión, este afectará en igual proporción en la solución óptima final.
Para calcular los coeficientes de variabilidad se toma dos casos.
Caso 1: Si no es variable básica.
El cambio d del coeficiente objetivo original de una variable no básica conduce siempre al
decremento en la misma cantidad del coeficiente objetivo en la tabla optima actual.
Por ejemplo:
𝑥2 es variable no básica su 𝑐2 = 20, entonces el nuevo seria 𝑐2 = 20 + 𝑑2 y la variación del
20
coeficiente de 𝑥2 se verá afectado en: 3 − 𝑑2
20
Para no romper la condición de optimalidad se debe cumplir que: − 𝑑2 ≥ 0, entonces,
3
𝑑2 ≤ 20/3.
Por lo tanto:
Si 𝑑2 > 0, entonces, 𝑑2 ≤ 20/3
Si 𝑑2 < 0, entonces, 𝑑2 se cumple 𝑑2 < 0
Luego:
−∞ ≤ 𝑑2 ≤ 20/3
−∞ ≤ 20 + 𝑑2 ≤ 20 + 20/3
−∞ ≤ ∆𝑐2 ≤ 80/3
∆𝑐2 Representa la variación de 𝑐2
Caso 2: Si es variable básica.
En este caso el análisis se hace en la filas del coeficiente de 𝑍ó𝑝𝑡𝑖𝑚𝑜 (𝑧𝑗 − 𝑐𝑗 ) y la fila de la
variable básica.
Por ejemplo, consideremos a la variable básica 𝑥1 cuyo𝑐1 = 12. ¿Cómo cambiaría a∆𝑐1 =
12 + 𝑑1 ?. Veamos la Tabla óptima:
Z X1 X2 X3 X4 S1 S2 Solución
Z 1 0 20/3 10/3 0 44/15 4/15 56000/3
X1 0 1 7/3 5/3 0 4/15 -1/15 4000/3
X4 0 0 -1/30 1/30 1 -1/150 2/75 1000/15
13 www.virtual.facen.una.py
Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia
Si varío en 𝑑1 a 𝑐1 inicial, entonces, en el óptimo se variara de la siguiente manera:
Z X1 X2 X3 X4 S1 S2
Z 1 0 20 7 10 5 0 44 4 4 1
+ 𝑑 ≥0 + 𝑑 ≥0 + 𝑑 ≥0 − 𝑑1 ≥ 0
3 3 1 3 3 1 15 15 1 15 15
Observación: Son mayores que cero para conservar la optimidad.
Solución por el Método Analítico:
Z X1 X2 X3 X4 S1 S2
Z 1 0 20 7 10 5 0 44 4 4 1
+ 𝑑 ≥0 + 𝑑 ≥0 + 𝑑1 ≥ 0 − 𝑑1 ≥ 0
3 3 1 3 3 1 15 15 15 15
Si cumple cumple cumple 𝑑1 ≤ 4
𝑑1 > 0
Si 𝑑1 ≥ −20/7 𝑑1 ≥ −10/5 𝑑1 ≥ −14/4 𝑑1 ≥ −4
𝑑1 < 0
De la tabla:
−2 ≤ 𝑑1 ≤ 4
12 − 2 ≤ 12 + 𝑑1 ≤ 12 + 4
10 ≤ ∆𝑐1 ≤ 16
∆𝑐1: rango de variación de c1
3. Aplicación del análisis de sensibilidad
Hillier y Lieberman (2010) describen en su libro de Investigación de Operaciones un
interesante ejemplo sobre la utilidad del análisis de sensibilidad, la misma se detalla a
continuación.
PacificLumberCompany (PALCO) es una compañía maderera de gran tamaño cuya casa
matriz se encuentra en Scotia, California. La empresa cuenta con más de 200.000 acres de
terrenos forestales altamente productivos que soportan cinco molinos ubicados en
Humboldt County, al norte de California. Los terrenos incluyen algunas de las arboledas de
secuoyas más espectaculares del mundo que han sido dadas o vendidas a bajo costo para
preservarse como parques. PALCO administra los terrenos restantes de manera intensa para
la producción sustentable de madera, sujeta a las prácticas legales más estrictas en cuanto a
bosques. Debido a que los bosques de PALCO son casa de muchas especies silvestres, entre
14 www.virtual.facen.una.py
Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia
ellas especies en riesgo de extinción como, por ejemplo, lechuzas con lunares y mérgulos
marmoleados, deben cumplir las disposiciones del Acta Federal de Especies en Peligro de
Extinción.
Con el fin de obtener un plan de cosecha sostenida en todos los terrenos, la gerencia de
PALCO contrató a un equipo de consultores en investigación de operaciones para desarrollar
un plan a 120 años, de 12 periodos y a largo plazo para la administración del ecosistema
forestal. Dicho equipo de consultores realizó esta tarea luego de plantear y aplicar un
modelo de programación lineal para optimizar todas las operaciones y ganancias de la
madera de la compañía después de satisfacer ciertas restricciones. El modelo fue enorme y
contaba con 8 500 restricciones funcionales y 353.000 variables de decisión.
La gran cantidad de incógnitas que se tuvo que estimar para determinar cuáles deberían ser
los parámetros del modelo constituyó un gran reto cuando llegó la etapa de aplicarlo. Los
factores principales que provocaron dichas incógnitas fueron las continuas fluctuaciones de
la oferta y la demanda del mercado, los costos de los troncos de madera y las regulaciones
ambientales. Por tanto, el equipo de investigación de operaciones hizo un uso intensivo del
análisis detallado de sensibilidad. El plan de cosecha sostenida resultante incrementó la
utilidad presente neta de la compañía en más de 398 millones de dólares a la vez que generó
una mejor mezcla de superficie para el hábitat de los animales.
Fuente: L.R. Fletcher, H. Alden, S. P. Holmen, D. P. Angelis y M. J. Etzehouser. “Long-
TermiForestEcosystemPlanning at PacificLumber”, en Interfaces, 29(1): 90-112, enero-
febrero de 1999.
15 www.virtual.facen.una.py
Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia
Bibliografía
HILLIER, F. y LIEBERMAN, G.J. (2010).“Introducción a la Investigación Operativa”. Mc Graw
Hill.
TAHA A. (2004).“Investigación de operaciones”. 7a. edición. PEARSON EDUCACIÓN. México.
ISBN: 970-26-0498-2
16 www.virtual.facen.una.py
