ALUMNA: MARTHA ELENA FLORES PARRA

TAREA: 3

MATERIA: INVESTIGACIÓN DE OPERACIONES

MATRICULA: 315775

MAESTRA: SANDRA SÁNCHEZ

FECHA: 09/NOVIEMBRE/2016

CCU: CUAUHTEMOC

CARRERA: LIC. ADMINISTRACIÓN DE EMPRESAS

TAREA 3 INVESTIGACION DE OPERACIONES

Desarrolla los siguientes temas:

TEORÍA DE LA DUALIDAD Y ANÁLISIS DE SENSIBILIDAD

TEORÍA DE LA DUALIDAD Y ANÁLISIS DE LA SENSIBILIDAD

Son aplicaciones que se la hacen al método simplex con el objetivo de garantizar la optimización de un
problema y a su vez para un mejor manejo del mismo método.

DUALIDAD resulta de buscar relaciones que permitan obtener información adicional de un problema de
optimización general.
Esto en programación lineal nos conduce a relaciones primal-dual.
Esta relación consiste en que todo problema de optimización primal tiene un problema asociado dual.
DUALIDAD La teoría de la dualidad es importante, tanto desde el punto de vista teórico como del práctico.
Para cada modelo lineal se puede escribir el modelo dual asociado.
RELACIÓN (PRIMAL –DUAL) La relación entre el problema Dual y su asociado, es decir el problema
original llamado primal, presenta varias utilidades: o Aporta elementos que aumentan sustancialmente la
comprensión de la PL. O El análisis de la dualidad es una herramienta útil en la solución de problemas de PL.
O El problema Dual tiene interpretaciones e informaciones importantes.
EJEMPLO A RESOLVER
EJEMPLO RESUELTO
OTRO EJEMPLO
ANÁLISIS DE SENSIBILIDAD Consiste en determinar cual es el rango de variación de los parámetros del
problema de modo que la base optima encontrada siga siendo óptimo. Buscar el intervalo en que estos
parámetros son permisibles en su variación sin que se afecte la solución optima del problema.
PARÁMETROS SENSIBLES El objetivo fundamental del análisis de sensibilidad es identificar los
parámetros sensibles. Por ejemplo los parámetros cuyos valores no pueden cambiar sin que cambie la
solución óptima.
IMPORTANCIA DEL ANÁLISIS DE SENSIBILIDAD Es importante porque nos permite investigar el
efecto que tendría la solución optima proporcionada por el método simplex en el hecho de que los parámetros
(datos de entrada) tomaran otros valores posibles.
(CAMBIOS) ANÁLISIS DE SENSIBILIDAD • Intervalo de optimalidad: es el intervalo de variabilidad de
un coeficiente de la función objetivo. • Intervalo de factibilidad. Es el intervalo de variabilidad de un lado
derecho de una restricción. • Precio Sombra. Cambio en el valor de la función objetivo por aumento unitario
en el valor del lado derecho de una restricción.
PROCEDIMIENTO PARA EL ANÁLISIS DE SENSIBILIDAD
• Revisión del modelo.
• Revisión de la tabla simplex final.
• Conversión a la forma apropiada.
• Prueba de factibilidad.
• Prueba de optimalidad.
• Re optimización.
http://es.slideshare.net/jorgeandresaceroalmonacid/teora-de-la-dualidad-y-anlisis-de-la-sensibilidad

-FORMULACIÓN DE UN PROBLEMA DUAL.

FORMULACIÓN DEL PROBLEMA DUAL

(Teoría de Dualidad)
Hemos visto como la programación lineal puede ser usada para resolver una extensa variedad de problemas
propios de los negocios, ya sea para maximizar utilidades o minimizar costos. Las variables de decisión en
tales problemas fueron, por ejemplo, el número de productos a producir, la cantidad de pesos a emplear, etc.
En cada caso la solución óptima no explicó cómo podrían ser asignados los recursos (ejemplo: materia prima,
capacidad de las máquinas, el dinero, etc.) para obtener un objetivo establecido.

En este capítulo veremos que a cada problema de programación lineal se le asocia otro problema de
programación lineal, llamado el problema de programación dual. La solución óptima del problema de
programación dual, proporciona la siguiente información respecto del problema de programación original:

La solución óptima del problema dual proporciona los precios en el mercado o los beneficios de los recursos
escasos asignados en el problema original.
La solución óptima del problema dual aporta la solución óptima del problema original y viceversa.
EJEMPLO:
Una compañía produce y vende 2 tipos de máquinas de escribir: manual y eléctrica. Cada máquina de escribir
manual es vendida por un ingreso de 40 dls. y cada máquina de escribir eléctrica produce un ingreso de 60
dls. Ambas máquinas tienen que ser procesadas (ensambladas y empacadas) a través de 2 operaciones
diferentes (O1 y O2).

La compañía tiene una capacidad de 2000 hrs. Mensuales para la operación O1 y 1000 hrs. Mensuales de la
operación O2.
El número de horas requeridas de O1 y O2 para producir un modelo terminado se da en la siguiente tabla.
 HORAS REQUERIDAS CAPACIDAD

OPERACIÓN MANUAL ELECTRICA (HRS

MENSUALES)

O1 3 2 2000

O2 1 2 1000

Encuentre el número óptimo de unidades de cada tipo de máquina de escribir que se debe producir
mensualmente para maximizar el ingreso.

OBJETIVO: Maximizar el ingreso total

RESTRICCIONES: horas mensuales de las operaciones
VARIABLE DE DECISION: número de máquinas de escribir a producir
X1 = número de máquinas de escribir manuales
X2 = número de máquinas de escribir eléctricas

Maximizar Z= 40 X1 + 60X2
Sujeto a:

Minimizar Z=2000 W1 + 1000 W2

Sujeto a:

V. Básica Z W1 W2 S1 S2 Solución

Z 1 0 0 5 25 35000

S1 0 1 0 1/ 2 -1/2 500

W1 0 0 1 -1/ 4 3/ 4 250
Las relaciones de dualidad se pueden resumir en el siguiente cuadro:

La tabla anterior se puede interpretar tanto de izquierda a derecha como de derecha a

izquierda.

http://normelisrojas3449.blogspot.mx/2011/05/formulacion-del-problema-dual-teoria-de.html

-CONDICIONES KHUN-TUCKER.

Las condiciones de optimalidad establecidas en el Teorema de Karush Kuhn Tucker (KKT) permiten abordar
la resolución de modelos de Programación No Lineal que consideran tanto restricciones de igualdad
(ecuaciones) como desigualdad (inecuaciones).
En términos comparativos las condiciones de KKT son más generales que el Método de Lagrange el cual se
puede aplicar a problemas no lineales que consideran exclusivamente restricciones de igualdad.
En el siguiente artículo mostraremos cómo utilizar el Teorema de Karush Kuhn Tucker para resolver un
problema de Programación No Lineal con 2 variables de decisión.
Sin pérdida de generalidad un modelo de Programación No Lineal se puede representar a través del siguiente
formato:

Luego podemos reescribir cualquier problema en dicha estructura manteniendo la equivalencia de la

representación matemática. Para ejemplificar lo anterior consideremos el siguiente modelo de optimización
no lineal que resulta de interés su resolución.

El problema anterior se puede representar gráficamente a través del software Geogebra de modo de encontrar
su solución óptima (x1=2 y x2=1) en el par ordenado etiquetado con la letra “C” en el gráfico a
continuación, con valor óptimo V(P)=2.
El conjunto de factibilidad corresponde al área achurada. Adicionalmente se puede observar que en la
solución óptima se encuentran activas las restricciones 1 y 3 (el resto de las restricciones por cierto se cumple
pero no en igualdad).

Por supuesto la resolución mediante el Método Gráfico es sólo referencial y se ha utilizado en este caso para
corroborar los resultados a obtener en la aplicación del teorema. En este contexto el problema en su forma
estándar es simplemente:
Notar que sólo fue necesario cambiar la forma de las restricciones de no negatividad (esto se puede hacer
multiplicando por -1 cada una de ellas). Cabe destacar que en este caso en particular el problema no
considera restricciones de igualdad.
Luego las condiciones necesarias de primer orden de Karush Kuhn Tucker (KKT) están dadas por:

Por ejemplo, si en las condiciones generales anteriores consideramos el problema no restringido (asumiendo
que todas las restricciones son inactivas) la solución óptima por simple inspección es x1=3 y x2=2, que
corresponde a la coordenada “E” de la gráfica anterior y que se puede observar no es una solución factible
para el problema.
De este modo la circunferencia de menor radio que intercepta el conjunto de factibilidad es precisamente
aquella que pasa por la coordenada “C” donde las restricciones 1 y 3 se cumplen en igualdad, razón por la
cual las cuales activaremos de forma simultánea:

Al calcular los gradientes respectivos se obtiene:

Lo cual da origen al siguiente sistema de ecuaciones:

Reemplazando x1=2 y x2=1 podemos despejar los valores de los multiplicadores los cuales cumplen con las
condiciones de no negatividad:

Adicionalmente se puede verificar que x1=2 y x2=1 satisface las restricciones omitidas (2, 4 y 5) por lo cual
se puede afirmar que dicha solución cumple las condiciones necesarias de primer orden de Karush Kuhn
Tucker (KKT).
http://www.gestiondeoperaciones.net/programacion-no-lineal/teorema-de-karush-kuhn-tucker-aplicado-a-un-
problema-de-programacion-no-lineal/

-DUAL-SIMPLEX.
El método simplex dual resulta ser una estrategia algorítmica eficiente cuando luego de llevar un modelo de
programación lineal a su forma estándar, la aplicación del método simplex no es inmediata o más bien
compleja, por ejemplo, puede requerir la utilización del método simplex de 2 fases.
Una aplicación típica del método simplex dual es en la resolución de problemas con una función objetiva de
minimización, con restricciones del tipo mayor o igual y donde las variables de decisión son mayores o
iguales a cero.
Ejemplo Simplex Dual
Considere el siguiente modelo de Programación Lineal:

Paso 1: Se lleva el modelo a su forma estándar. En nuestro ejemplo esto se logra agregando variables de
exceso en cada una de las restricciones (3 primeras: S1, S2, S3, respectivamente). Luego, se multiplica cada
fila de las restricciones por -1 de modo de disponer una solución básica inicial (infactible) en las variables de
exceso S1, S2 y S3. De esta forma se obtiene la siguiente tabla inicial.

A B C S1 S2 S3

-15 -2 -1 1 0 0 -200

-7,5 -3 -1 0 1 0 -150

-5 -2 -1 0 0 1 -120

315 110 50 0 0 0 0

Paso 2: Se selecciona el lado derecho "más negativo" lo cual indicará cuál de las actuales variables básicas
deberá abandonar la base. En el ejemplo el lado derecho más negativo se encuentra en la primera fila, por
tanto S1 deja la base. Para determinar cuál de las actuales variables no básicas (A, B, C) entrará a la base se
busca el mínimo de {-Yj/aij} donde aij es el coeficiente de la respectiva variable no básica en la fija i (del
lado derecho más negativo, marcado en verde) y donde Yj es el costo reducido de la respectiva variable no
básica. De esta forma se obtiene: Min {-315/-15, -110/-2, -50/-1} = 21, donde el pivote (marcado en rojo) se
encuentra al hacer el primer cociente, por tanto A entra a la base.
Paso 3: Se actualiza la tabla anterior siguiendo un procedimiento similar al utilizado en el Método Simplex.
En el ejemplo se debe dejar a la variable A como básica y S1 como no básica. La tabla que resulta es la
siguiente:

A B C S1 S2 S3

-
1 2/15 1/15 0 0 40/3
1/15

0 -2 -1/2 -1/2 1 0 -50

-
0 -4/3 -2/3 -1/3 0 1
160/3

-
0 68 29 21 0 0
4.200
Paso 4: Continuar las iteraciones y siguiendo el mismo procedimiento hasta disponer de una solución básica
factible. Luego de unas iteraciones se obtiene la siguiente tabla final:

A B C S1 S2 S3

-
1 0 0 0 1/10 8
1/10

0 1 0 ¼ -1 3/4 10

0 0 1 0 2 -3 60

-
0 0 0 4 10 36
6.620

La solución óptima es A=8, B=10, C=60 (marcado en verde) con valor óptimo V(P)=6.620 (marcado en rojo
- se obtiene con signo cambiado). También es interesante notar que los costos reducidos de las variables
artificiales S1, S2 y S3 (marcado en amarillo), corresponde a la solución óptima del modelo presentado en
el tutorial de solver, esto dado que dicho modelo resulta ser el problema dual de nuestro ejemplo.
http://www.investigaciondeoperaciones.net/metodo_simplex_dual.html
-CAMBIOS EN EL VECTOR DE COSTOS.

Cambios en el vector C de coeficientes de la función objetivo.

Este cambio se analiza mediante la fórmula: Zj - Cj = CBB-1 A - C = YA - C y da lugar a que se pueda

perder la optimalidad de la solución ya obtenida. Debe hacerse la diferencia de cambios en el coeficiente de
una variable Xj que no está en la base, en cuyo caso hay cambios en su columna y en los precios sombra;
también el caso de cambio al coeficiente de una variable básica, puede resultar en pérdida de factibilidad y/u
optimalidad. Se muestran los ejemplos siguientes:

Se recurre al siguiente problema muy pequeño, pues contiene tres variables que representan la actividad del
problema y sólo dos restricciones.

Ejemplo. Cambio en el vector C de costos en MINSENC1.

Dado el modelo de PL siguiente y su correspondiente tabla simplex óptima:

http://www.sites.upiicsa.ipn.mx/polilibros/portal/Polilibros/P_terminados/Investigacion_de_Operaciones_Ca
reaga/Common/IO-modulo3-sensibvectorc.htm

-CAMBIOS EN LOS COEFICIENTES.

Cambios en la matriz A de coeficientes tecnológicos de restricciones en variables no

básicas.
Los cambios en A para variables básicas resultan en cálculos muy complicados, siendo mejor re calcular con
el simplex. Para cambio de coeficientes de la matriz A de restricciones, en variables no básicas, sólo
interesa manejar los de ellas, pues el resto queda igual.
Se procede así:
1ra. Etapa.- Usando la fórmula de Zj - Cj = CB B-1 A - C = YA - C se revisa si el coeficiente indicador Zj -
Cj cambia de signo. Si no ocurre el cambio de signo en tal coeficiente no es necesario aplicar la 2ª. Etapa, ya
que el cambio propuesto no afecta la optimalidad del problema. Cuando el coeficiente Zj - Cj cambia de
signo, se entiende que el cambio propuesto, sí provoca la pérdida de optimalidad de la solución que se está
revisando y en tal caso se procede a la siguiente etapa.

2ª. Etapa.- Se aplica utilizando la fórmula A* = B-1 A con la cual se calcula la nueva columna a*j. Se aplica
el simplex hasta re optimizar.
Ejemplo 3-10. Cambio en la matriz A de coeficientes tecnológicos de restricciones (MINSENA1).
Dado el modelo de PL siguiente y su correspondiente tabla simplex óptimo:
http://www.sites.upiicsa.ipn.mx/polilibros/portal/Polilibros/P_terminados/Investigacion_de_Operaciones_Ca
reaga/Common/IO-modulo3-sensibmatriza.htm

-ADICIÓN DE UNA NUEVA VARIABLE.

En el estudio y análisis de modelos matemáticos, como los que se ha visto en la asignatura Investigación de
Operaciones, puede ocurrir que después de obtenerse una solución al modelo, sedan cuenta que se dejó de
incluir un producto que, por las características que posea, va a originar cambios en los resultados de la
solución del problema inicial. Para esto, debemos evaluar si la nueva variable es un aporte significativo a
los resultados del modelo original.
Se puede observar cómo la introducción de nuevas variables crea nuevos vectores y, por tanto, nuevos Cj –
Zj, que pueden ser calculados por:
Cj – Zj = Cj – CBtB-1Pj
Y nuevas columnas en las tablas del simplex, que pueden ser obtenidas por:
J = B-1P j
De esta forma, el método a seguir es inmediato, dado que si el nuevo término Cj – Z j es negativo, la
variable introducida no modifica la estructura del problema.
La nueva variable no ha de entrar en la base, con lo que su nivel de utilización es cero.
Pero si Cj – Z j es positivo, entonces se introduce Pj en la base y se obtiene su nivel de utilización.
En el caso de Cj – Zj nulo, supone que la introducción de nueva variable no va a suponer cambio alguno en
Z0 , y puede considerarse entonces como que no supone cambio en la estructura del problema. La
incorporación de una nueva variable al problema original produce un aumento de la dimensionalidad de la
tabla por la vía de las columnas. Para ver si esa adición altera la solución actualmente óptima, hay que
comprobar la condición de optimalidad de esa variable, ya que el aumento de las columnas no afecta la
condición de factibilidad de la tabla. La nueva variable añadida Xk, llevará asociado su coeficiente en la
función objetivo (Ck), y su vector de coeficientes técnicos (Pk), y habremos de calcular su rendimiento
marginal.
Si este rendimiento marginal es menor que cero, la solución actual se mantiene como óptima. Si se anula el
rendimiento marginal, significa que hay soluciones alternativas a la actual, pero con el mismo valor de la
función objetivo. En el supuesto que dicho rendimiento marginal sea positivo, hemos de introducir la nueva
variable en la tabla como variable básica y seguir iterando hasta encontrar la nueva solución óptima. La tabla
es óptima cundo todos los rendimientos marginales de las variables no básicas son negativos.
https://es.scribd.com/doc/117150074/Cambio-en-los-Coeficientes-Tecnologicos
MARTHA ELENA FLORES PARRA
MATRICULA 315775
TAREA 3
INVESTIGACION DE OPERACIONES
LICENCIATURA EN ADMINISTRACION DE EMPRESAS
09 DE NOVIEMBRE DE 2016
BIBLIOGRAFIA:
http://es.slideshare.net/jorgeandresaceroalmonacid/teora-de-la-dualidad-y-anlisis-de-la-sensibilidad
http://normelisrojas3449.blogspot.mx/2011/05/formulacion-del-problema-dual-teoria-de.html
http://www.gestiondeoperaciones.net/programacion-no-lineal/teorema-de-karush-kuhn-tucker-aplicado-a-un-
problema-de-programacion-no-lineal/
http://www.investigaciondeoperaciones.net/metodo_simplex_dual.html
http://www.sites.upiicsa.ipn.mx/polilibros/portal/Polilibros/P_terminados/Investigacion_de_Operaciones_Ca
reaga/Common/IO-modulo3-sensibvectorc.htm
http://www.sites.upiicsa.ipn.mx/polilibros/portal/Polilibros/P_terminados/Investigacion_de_Operaciones_Ca
reaga/Common/IO-modulo3-sensibmatriza.htm
https://es.scribd.com/doc/117150074/Cambio-en-los-Coeficientes-Tecnologicos