Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Analisis de sensibilidad
El analisis de sensibilidad se realiza despues de obtener la solucion o ptima de
un modelo lineal para deteminar como afectan los cambios en los parametros del
modelo a la solucion o ptima calculada. Los cambios se pueden producir en la
matriz de coeficientes A, en el vector de recursos b y en el vector de precios
c. Tambien se puede analizar como afectara a la solucion o ptima anadir nuevas
restricciones o nuevas variables al modelo.
Los metodos de analisis de sensibilidad ahorran un numero considerable de
iteraciones ya que parten de la solucion o ptima del modelo inicial para analizar el
efecto de los cambios.
En este tema estudiaremos cambios discretos en los parametros del modelo. El
analisis se puede ampliar al estudio de cambios continuos, esta parte es conocida
como programacion parametrica.
124
max z = cT x + 0T xh
sujeto a
Ax + Ixh = b
x, xh 0
Hemos visto en temas anteriores que, eligiendo como primera base la canonica, la
tabla inical se construye con los parametros del modelo. En este caso la base de la
primera tabla esta formada por los vectores de holgura lo que facilita la notacion.
En las columnas correspondientes a dichos vectores se encuentra la inversa de la
matriz base que en esta primera tabla es la identidad. En cada tabla la inversa de
la matriz base se encuentra en las mismas columnas y veremos que es muy u til en
el desarrollo de este analisis.
Tabla inicial.
Variables iniciales Variables de holgura
x1
...
xn
xn+1
...
xn+m
cT
Tabla o ptima.
Variables iniciales Variables de holgura
x1
...
xn
xn+1
...
xn+m
cTB B1 A cT
cTB B1
z = cTB xB
B1 A
B1
xB = B1 b
OpenCourseWare, UPV/EHU
4.2. Ejemplo
125
4.2 Ejemplo
En los cambios discretos que vamos a analizar utilizaremos el siguiente problema
de produccion para hacer ejemplos practicos en cada caso.
En una empresa se quieren utilizar los recursos 1 y 2 en la produccion de los
productos A, B y C. La cantidad unitaria necesaria de cada recurso para cada tipo
de producto, la cantidad disponible de cada recurso y el beneficio unitario de cada
producto vienen dados en la Tabla 4.1.
Productos
Disponibilidad
A B
de recursos
40
30
Beneficio
Recursos
Para maximizar el beneficio obtenido por el uso de los recursos en la produccion planteamos el siguiente modelo lineal, en el que ya se han sumado las
variables de holgura para obtener la forma estandar.
126
x1
x2
x3
x4
x5
1
2
1
2
35
a1
1
2
21
a2
12
12
10
OpenCourseWare, UPV/EHU
127
Modelo 1
Modelo 2
max z = cT x
max z = cT x
sujeto a
sujeto a
Ax b
Ax b
x0
x0
Para analizar el efecto del cambio nos basamos en la tabla o ptima del Modelo 1.
B1 A
z = cTB xB
zj cj = cTB B1 aj cj
B1
B1 A
B1
xB = B1 b
z= cTB xB
xB = B1 b
Figura 4.1: Cambios en b. Tabla o ptima del Modelo 1 y primera tabla del Modelo 2.
El cambio en el vector b afecta a la solucion primal y al valor de la funcion
objetivo, por lo que estos valores deberan ser actualizados. Si B es la base o ptima
del Modelo 1, la solucion del Modelo 2 asociada a esa base es
xB = B1 b,
z= cTB xB .
Una vez calculados dichos valores se recogen en una tabla que es la primera
para el Modelo 2. Se pueden dar dos casos:
128
Caso 2. Si xB
/ 0, entonces se ha perdido la factibilidad primal. Aplicar el
algoritmo simplex dual para obtener la solucion o ptima.
Ejemplo. Consideremos el problema de produccion de la Seccion 4.2 y su
tabla o ptima.
Primer cambio. Analizar como afecta a la solucion o ptima cambiar el vector
T
xB = B1 b=
1
2
12
12
1
17
0.
z= cTB xB = (3 , 2)
36
38
17
= 37.
x2
x3
x4
x5
1
2
1
2
37
a1
1
2
21
a2
12
12
17
xB = B1 b=
OpenCourseWare, UPV/EHU
1
2
21
12
1
20
60
20
50
6 0.
129
z= cTB xB = (3 , 2)
20
= 40.
50
x2
x3
1
2
3 a1
1
2
2 a2
1 12 12
50 2
20
0 a5 2
0 2 1
40
2 a2
3
2
10
x4
1
2
x5
1
2
12
40
20
Modelo 2
max z = cT x
max z =c x
sujeto a
sujeto a
Ax b
Ax b
x0
x0
130
zj cj = cTB B1 aj cj z = cTB xB
B1
B1 A
cB
z j c j =cB B1 aj c j
B1 A
cB
xB = B1 b
z=cB xB
B1
xB = B1 b
Figura 4.2: Cambios en c. Tabla o ptima del Modelo 1 y primera tabla del Modelo 2
El cambio en el vector c produce los siguientes cambios:
z j c j =cB B1 aj c j =cB yj c j ,
z=cB xB .
OpenCourseWare, UPV/EHU
131
z 1 c 1 = (4, 3) 4 = 0,
0
0
z 2 c 2 = (4, 3) 3 = 0,
1
1 = 3,
z 3 c 3 = (4, 3)
2
1
2
1
2
0 = 1,
2
12
z 5 c 5 = (4, 3) 2 0 = 1.
1
z 4 c 4 = (4, 3)
x2
x3
x4
x5
3
2
1
2
50
4 a1
1
2
12
3 a2
12
12
10
132
x1
x2
x3
x4
0 21
1
2
15
21
a1
1
2
a2
1 21
12
x5
1 10
x3
x4
0 21
1
2
15
1 a1
1
2
21
1 a2
1 21 21
1
2
1
4
1
4
35
2
1 a3
1
2
21
1 a2
1
2
0 41
3
4
25
2
x5
1 10 21
, x3 = 5 y el valor o ptimo z = 35
.
La solucion o ptima es x1 = 0 , x2 = 25
2
2
En este caso, al disminuir el beneficio obtenido por la produccion de los productos A y B, la produccion de A deja de ser rentable, en su lugar resulta mas
rentable producir C y la produccion de B disminuye.
2
OpenCourseWare, UPV/EHU
133
Modelo 1
max z = cT x
sujeto a
a1 x1 + + aj xj + + an xn b
x1 , , xn 0
Modelo 2
max z = cT x
sujeto a
a1 x1 + + aj xj + + an xn b
x1 , , xn 0
Basandonos en la tabla o ptima para el Modelo 1, vemos que un cambio en una
columna j de la matriz A afecta a la columna sombreada de la tabla, es decir a
las coordenadas de aj y al indicador zj cj (ver Figura 4.3). Por tanto, se puede
perder la factibilidad dual.
zj cj = cTB B1 aj cj
z = cTB xB
B1
z j cj = cTB B1 aj cj
z = cTB xB
yj = B1 aj
xB = B1 b
B1
yj = B1 aj xB = B1 b
Figura 4.3: Cambios en aj . Tabla o ptima del Modelo 1 y primera tabla del Modelo 2.
134
yj = B1 aj ,
z j cj = cTB B1 aj cj = cTB yj cj .
a3 = .
a3 = cambia a
1
2
Entonces,
y3 = B1 a3 =
12
1
2
12
z 3 c3 = (3 , 2)
1
0
4
2
1
0
1 = 3 1 = 2 > 0.
Por tanto, no se pierde la factibilidad dual, la base sigue siendo o ptima y la tabla
actualizada es o ptima para el Modelo 2.
x1
x2
x3
x4
x5
1
2
1
2
35
a1
1
2
21
a2
0 12
10
OpenCourseWare, UPV/EHU
135
a3 =
3
1
cambia a
1
2
a3 =
41
Calculamos
y3 = B1 a3 =
1
2
12
12
z 3 c3 = (3 , 2)
1
2
41
3
4
3
4
1 = 1.
4
x1 x2
x3
x4
x5
0 14
1
2
1
2
3 a1
0 14
1
2
21
2 a2
12
10
1
3
1
3
5
6
115
3
1
3
1
3
61
25
3
4
3
1 32
4
3
40
3
3 a1
1 a3
3
4
35
5 31
, x2 = 0 y x3 = 40
y el beneficio o ptimo es
La solucion o ptima es x1 = 25
3
3
115
136
Modelo 1
max z = c1 x1 + + cn xn
sujeto a
sujeto a
a1 x1 + + an xn b
a1 x1 + + an xn + an+1 xn+1 b
x1 , , xn 0
x1 , , xn , xn+1 0
B1
xB = B1 b
B1
1
yn+1 = B1 an+1xB = B b
Figura 4.4: Nuevas variables. Tabla o ptima del Modelo 1 y primera tabla del Modelo 2
Anadir una variable produce los siguientes calculos:
yn+1 = B1 an+1 ,
zn+1 cn+1 = cTB yn+1 cn+1 .
Una vez calculados yn+1 y zn+1 cn+1 se recogen en la Tabla 2 que es la primera
para el Modelo 2. Se pueden dar dos casos:
OpenCourseWare, UPV/EHU
137
1
1
1
2
= 2 ,
y4 = B1 a4 = 2
3
12
1
2
2
z4 c4 = (3, 2)
12
3
2
1 = 3 + 6 1 = 1 > 0.
2 2
2
x3
x4
x5
x6
1
2
1
2
1
2
35
3 a1
1 21
1
2
12
2 a2
1 21
3
2
12
1 10
138
Segundo cambio. Supongamos que el nuevo producto D que se quiere producir tiene como vector de coeficientes tecnologicos y como beneficio los siguientes:
3
a4 = , c4 = 3.
2
Los nuevos valores para la segunda tabla son
1
1
3
2
=
y4 = B1 a4 = 2
1
2
1
2
z4 c4 = (3, 2)
1
2
1
2
1
2
1
2
3 = 5 3 = 1 < 0.
2
2
x2
0
3 a1
2 a2
3 a4
x4
x5
x6
1 21
1
2
1
2
35
1
2
12
1 21
1
2
21
1 1 10
2 a2 1
x3
1 32
1
2
0 1
1 10 1
0 40
3
2
OpenCourseWare, UPV/EHU
139
Modelo 1
Modelo 2
max z = c1 x1 + + cn xn
max z = c1 x1 + + cn xn
sujeto a
sujeto a
a11 x1 + + a1n xn b1
..
..
.
.
a11 x1 + + a1n xn b1
..
..
.
.
am1 x1 + + amn xn bm
am1 x1 + + amn xn bm
x1 , , xn 0
Vectores
basicos
*.
.
.
*
*
.
.
*
1 . . . 0 *.
.
. .
. .
.
.
.
.
.
.
1 *
0
Matriz I
*.
.
.
*
aj *
*
.
.
*
Nueva
restriccion
*
.
.
*
*
1
0
.
.
.
.
0 . 1
*. . *
xj
*. * 0
. . 0
. . ..
*. * 0
0. 0 1
Variable de holgura
Nueva restriccion
Figura 4.5: Nueva restriccion: Tabla o ptima del Modelo 1 y tabla primera del Modelo 2
Si en la tabla o ptima del Modelo 1 se anade una nueva restriccion con su
correspondiente variable de holgura, se tiene la primera tabla del Modelo 2 pero,
en esta tabla, ya no se tiene la matriz identidad. Para tener la matriz identidad se
pueden hacer operaciones elementales por filas y se puede perder la factibilidad
primal (ver Figura 4.6).
Como consecuencia de todos estos cambios se pueden dar dos casos:
Caso 1. Si en la Tabla 2 hay factibilidad primal, la tabla es o ptima para el
Modelo 2.
140
xj
xj
*
.
.
*
*
.
.
.
*
aj *
*
.
.
.
*
*
1. ..0 *
.
. .
.
. .
.
.
0. . . 1 .
*. . . * *
0
.
.
.
1
*
.
.
*
*
aj *
*
.
.
*
*
.
.
*
*
1. . .0 *
.
.
.
.
.
.
0. . . 1*
0. . . 0*
0
.
.
.
1
x2
x3
x4 x5
1
2
1
2
x6
0
35
a1
1
2
12
a2
21
21
10
a6
20
OpenCourseWare, UPV/EHU
141
Las columnas correspondientes a la base B = (a1 , a2 , a6 ) deben tener coordenadas canonicas y e sto no ocurre en la tabla. Para conseguirlo se hacen las
siguientes operaciones por filas: fila 3 - fila 1 - fila 2. As, podemos ver en la
siguiente tabla que las coordenadas de los vectores a1 , a2 y a6 forman la matriz
identidad.
x1
x2
x3
x4
x5
x6
1
2
35
1
2
a1
1
2
21
a2
21
12
10
a6
1
2
1
0 2
142
x1
x2
x3
x4 x5
1
2
x6
1
2
35
a1
1
2
12
a2
21
21
10
a6
10
x1
x2
x3
x4 x5
1
2
x6
1
2
35
a1
1
2
12
a2
21
21
10
a6
1
2
1
0 2
x3
x4
x5
x1 x2
x6
1
2
1
2
35
3 a1
1
2
12
2 a2
1 21 21
0 a6
1
2
3
2
1
2
30
3 a1
1
2
1
2
0 1
10
2 a2
1
2
21
0 a5
0 1
21
10 2
1 5
1 2
10
OpenCourseWare, UPV/EHU