Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema Analisis de Sensibilidad PDF
Tema Analisis de Sensibilidad PDF
y Paramétrico
5.1 Introducción
1
5.1 Introducción
Hipótesis en PL: parámetros deterministas (conocidos y fijos).
Realidad: los parámetros son estimaciones de los valores reales.
Análisis de Sensibilidad: ¿cómo afecta a la solución óptima los cambios
en los parámetros del modelo? Obtener de forma eficiente la nueva
solución óptima (si existe) sin resolver de nuevo el modelo.
Min ct
x
Supongamos resuelto el ppl en forma estándar: s.a: Ax = b
x ≥ 0n
En la tabla óptima del Simplex tenemos:
zj − cj ≤ 0 ∀j = 1, . . . , n b¯i ≥ 0 ∀i = 1, . . . , m
2
¿Cómo afectan los cambios en:
los coeficientes de la función objetivo (cj )?
Posible pérdida de la posibilidad dual
Reoptimizar con el algoritmo Simplex
los términos de la derecha de las restricciones (bi )?
Posible pérdida de la posibilidad primal
Reoptimizar con el Dual del Simplex
una fila y/o columna de A (aij )?
Posible pérdida de la posibilidad primal
Posible pérdida de la posibilidad dual
Posible pérdida de ambas
Reoptimizar con dos Fases
3
5.2 Cambios en los coeficientes de la función objetivo
Pueden provocar la pérdida de la optimalidad primal
4
Ejemplo 1
Min −2x1 + x2 − x3
6
s.a.: x1 + x2 + x3 ≤ 6
∗
x = 0
z ∗ = −12
−x1 + 2x2 ≤ 4
0
x1 , x2 , x3 ≥ 0
Tabla óptima:
x1 x2 x3 x4 x5 rhs
z 0 -3 -1 -2 0 -12
x1 1 1 1 1 0 6
x5 0 3 1 1 1 10
5
Ejemplo: Cambio en el Coeficiente de una Variable no Básica
c2 c02
z}|{ z}|{
z = −2x1 +1 x2 − x3 → z = −2x1 −3 x2 − x3
x1 x2 x3 x4 x5 rhs
8
−4 −7 −1 −46 3
z 0 0
3 3 3 3
x =
∗ 10
3
z∗ = −46
3
2 2 −1 8
x1 1 0 3 3 3 3
1 1 1 10
0
x2 0 1 3 3 3 3
6
¿Para qué rango de valores del coeficiente de una variable no básica
sigue siendo óptima la solución actual?
La solución actual sigue siendo óptima sii:
Ejemplo, continuación . . .
En el Ejemplo 1, c2 = 1 y z2 − c2 = −3, luego la solución actual
seguirá siendo óptima sii:
6
x = 0
∗
z ∗ = −12
0
7
Coeficiente de una variable básica: cambiará toda la fila aso-
ciada a la función objetivo (Fila 0), excepto los costes reducidos de
las variables básicas, que seguirán siendo iguales a cero.
Nueva Fila 0 = (Fila 0 actual) + (c0k − ck ) (Fila actual de xk )
Si algún coste reducido se hace positivo reoptimizamos con el algoritmo
del Simplex. Para determinar el rango de valores para los cuales sigue
siendo óptima la solución actual se resuelve el sistema de inecuaciones
dado por:
zj0 − cj ≤ 0 ∀j ∈ N
En dicho rango, la solución óptima será la misma y el valor óptimo:
z ∗ = cB B −1 b + (c0k − ck )x∗k
8
Ejemplo: Cambio en el Coeficiente de una Variable Básica
c1 c01
z}|{ z}|{
z = −2 x1 + x2 − x3 → z = 0 x1 + x2 − x3 → z = x2 − x3
x1 x2 x3 x4 x5 rhs
z 0 -3 -1 -2 0 -12
x1 1 1 1 1 0 6
x5 0 3 1 1 1 10
x1 x2 x3 x4 x5 rhs
z 0 -1 1 0 0 0
x1 1 1 1 1 0 6
x5 0 3 1 1 1 10
9
x1 x2 x3 x4 x5 rhs
z 0 -1 1 0 0 0
x1 1 1 1 1 0 6
x5 0 3 1 1 1 10
x1 x2 x3 x4 x5 rhs
0
z -1 -2 0 -1 0 -6
x = 0
∗
z ∗ = −6
x3 1 1 1 1 0 6
6
x5 -1 2 0 0 1 4
10
Ejemplo, continuación . . .
¿Para qué rango de valores del coeficiente de x1 sigue siendo óptima la
solución actual?
x1 x2 x3 x4 x5 rhs
6
z 0 -3 -1 -2 0 -12
0
x∗ = z ∗ = −12
x1 1 1 1 1 0 6
0
x5 0 3 1 1 1 10
Nueva Fila 0 = (Fila 0 actual) + (c01 − c1 ) (Fila actual de x1 )
11
5.3 Cambios en el término de la derecha de una restricción
Pueden provocar la pérdida de la optimalidad dual ≡ pérdida de la
posibilidad primal
Si xB = B −1 b0 = b̄0 tiene alguna componente negativa será necesario reop-
timizar con el algoritmo Dual del Simplex.
¿Para qué rango de valores de bi sigue siendo óptima la base actual?
Aquél que se obtiene al resolver el sistema de inecuaciones:
b̄0 = b̄ + (columna i-ésima de B −1 ) (b0i − bi ) ≥ 0
| {z }
4i
El valor óptimo:
z ∗ = ctB b̄ + ωi 4i
12
Ejemplo, cambio en el término de la derecha de una restricción
(no hay pérdida de posibilidad primal)
6 3
b= → Cambiamos b1 → b0 =
4 4
13
Ejemplo, Continuación . . ., sı́ hay pérdida de posibilidad primal
Cambiamos b1 = 6 por b01 = −2. La nueva solución y el nuevo coste serán:
1 0 −2 −2
0 −1 0
b̄ = B b = =
1 1 4 2
−2
z= ctB b̄0 = (−2, 0) =4
2
x1 x2 x3 x4 x5 rhs Nuevo
z 0 -3 -1 -2 0 -12 4
x1 1 1 1 1 0 6 → -2
x5 0 3 1 1 1 10 2
Perdemos la posibilidad primal, reoptimizamos con el Dual del Simpex:
Dual no acotado → Primal Imposible
14
Ejemplo
¿En cuánto podemos incrementar b1 sin que cambie la base óptima?
6 6+4
Si cambiamos b = por b0 =
4 4
6+4 1 0 6+4 6+4
xB = B −1 = =
4 1 1 4 10 + 4
6+4≥0
→ 4 ≥ −6 → b1 ∈ [0, ∞[
10 + 4 ≥ 0
15
¿Para qué rango de valores de b2 sigue siendo óptima la base actual?
−1 6
1 0
6
6
xB = B = =
b2 1 1 b2 6 + b2
6≥0
→ b2 ≥ −6 → b2 ∈ [−6, ∞[
6 + b2 ≥ 0
16
5.4 Análisis de Sensibilidad y Dualidad
Dada una solución posible básica del problema primal,
(xB = B −1 b, xN = 0),
17
La empresa Dakota Furniture Company fabrica escritorios, mesas y sillas.
La fabricación de cada tipo de mueble requiere madera y dos tipos de
procesos: carpinterı́a y acabado. La cantidad de recursos que necesita cada
tipo de mueble vienen dados en la siguiente tabla, en la que también se
incluyen los precios de venta de los muebles:
18
x1 = escritorios x2 = mesas x3 = sillas
x1 = 2, x2 = 0, x3 = 8
19
ω1 = precio madera, ω2 = precio acabado, ω3 = precio carpint.
ω1 = 0, ω2 = 10, ω3 = 10 z = 280
20
5.4.1 Cambios en la función objetivo del coeficiente de
una variable no básica
¿Para qué valores de c2 seguirá siendo óptima la solución actual?
Una mesa consume,
6 pies de madera, a ω1 = 0 euros el pie
2 horas de acabado, a ω2 = 10 euros la hora, y
1.5 horas de carpinterı́a, a ω3 = 10 euros la hora
En total:
6 × 0 + 2 × 10 + 1,5 × 10 = 35
Mientras el precio de venta de las mesas c2 ≤ 35 euros seguirá sin
interesar fabricar mesas, x2 = 0.
La solución actual seguirá siendo óptima.
21
Los cambios en el coeficiente no afectan a la factibilidad de la
solución del primal.
6 × 0 + 2 × 10 + 1,5 × 10 ≥ c2
35 ≥ c2
22
5.4.2 Cambios en la columna de una variable no básica
Supongamos que cambia el vector de coeficientes de las mesas y también su
precio de venta.
6 5
0 0
c2 = 30 c2 = 43 a2 = 2 a2 = 2
1,5 2
La nueva restricción del dual serı́a:
5 × 0 + 2 × 10 + 2 × 10 ≥ 43
40 ≥ 43
Fabricar una mesa consume 40 euros, si se vende por 43, interesará fabricar
mesas. El coste reducido cambiarı́a de signo.
23
5.4.3 Añadir una nueva variable
Dakota está considerando fabricar zapateros. Podrı́an venderse por 15 euros
y consumirı́an 1 pie de madera, 1 hora de acabado y 1 hora de carpinterı́a.
¿Seguirı́a siendo óptima la solución actual?, ¿Interesa fabricar zapateros?
1
Introducir una nueva variable, x4 , con, c4 = 15 a4 = 1
1
Equivale a añadir una restricción al dual:
ω1 + ω2 + ω3 ≥ 15
1 × 0 + 1 × 10 + 1 × 10 ≥ 15
z4 − c4 = ω1 + ω2 + ω3 − c4 = 20 − 15 = 5
24
5.5 Análisis Paramétrico
El análisis paramétrico es una extensión del análisis de sensibilidad.
Consiste en investigar cómo cambia la solución óptima y el valor ópti-
mo de un PPL cuando se efectúan cambios continuos en uno o más
parámetros, de la función objetivo:
0 0
z(µ) = c + µc , c y c conocidos, µ escalar
o del rhs:
0 0
b(µ) = b + µb , b y b conocidos, µ escalar
25
Procedimiento
1. Calcular la solución óptima para µ = 0.
2. Determinar el rango de valores para µ, [0, µ1 ], para los que la
solución sigue siendo óptima.
3. Para µ = µ1 se produce un cambio de base óptima. Realizar el
cambio. Obtener la nueva solución óptima.
4. Determinar el nuevo rango de valores de µ para los que es óptima
la solución actual. Sea [µ1 , µ2 ].
5. Repetir el proceso hasta que se detecta un µr tal que:
el problema es imposible ∀µ ≥ µr , o
la solución óptima actual sigue siendo óptima ∀µ ≥ µr .
26
Min − x1 − 3x2
s.a.: x1 + x2 ≤ 6
− x1 + 2x2 ≤ 6
x1 , x2 ≥0
−1 2 x1
z(µ) = + µ
−3 1 x2
6 −1 6−µ
b(µ) = + µ =
6 1 6+µ
27
5.5.1 Análisis Paramétrico de la Función Objetivo
µ = 0 → µ ∈ [0, 1]
2
∗
Solución Óptima: x = Valor Óptimo: z ∗ = −14
4
µ ∈ [−2, 0]
28
µ = 1 → µ ∈ [1, 3]
x2 + h1 = 6 x2 = 3
→
2x2 = 6 h1 = 3
0
Solución Óptima: x =
∗ Valor Óptimo: z ∗ = −6
3
z ∈ [−6, 0] con pendiente 3 → z ∗ (µ) = −9 + 3µ
29
µ = 3 → µ ∈ [3, ∞[
Cambio de base: x2 deja de ser básica, h2 se hace básica.
h1 = 6
h2 = 6
0
Solución Óptima: x =
∗ Valor Óptimo: z ∗ = 0
0
z ∈ [0, 0] con pendiente 0 → z ∗ (µ) = 0
30
µ = −2 → µ ∈] − ∞, −2]
Cambio de base: x2 deja de ser básica, h2 se hace básica.
x1 = 6 x1 = 6
→
−x1 + h2 = 6 h2 = 12
6
Solución Óptima: x =
∗ Valor Óptimo: z ∗ = −30
0
z ∈ ] − ∞, −30] con pendiente 12 → z ∗ (µ) = −6 + 12µ
31
Resumiendo:
6
µ ∈] − ∞, −2] → x =
∗ → z ∗ (µ) = −6 + 12µ
0
2
µ ∈ [−2, 1] → x =
∗ → z ∗ (µ) = −14 + 8µ
4
0
µ ∈ [1, 3] → x =
∗ → z ∗ (µ) = −9 + 3µ
3
0
µ ∈ [3, ∞[ → x =
∗ → z ∗ (µ) = 0
0
32
5.5.2 Análisis Paramétrico del rhs
µ ∈ ] − ∞, 2]
Las variables básicas óptimas son x1 y x2 .
x1 + x2 = 6 − µ x1 = 2 − µ
→
−x1 + 2x2 = 6 + µ x2 = 4
2−µ
Solución Óptima: x =
∗
4
33
µ = 2 → µ ∈ [2, 6]
Cambio de base: x1 deja de ser básica, h2 se hace básica.
x2 = 6 − µ x2 = 6 − µ
→
2x2 + h2 = 6 + µ h2 = −6 + 3µ
0
Solución Óptima: x =
∗ Valor Óptimo: z ∗ = −18 + 3µ
6−µ
34
µ = 6 → µ ∈]6, ∞[
Cambio de base: x2 deja de ser básica, No es posible determinar la
variable que se hace básica: Dual no Acotado −→ Primal Imposible
Resumiendo:
2−µ
µ ∈] − ∞, 2] → x =
∗ → z ∗ (µ) = −14 + µ
4
0
µ ∈ [2, 6] → x∗ = → z ∗ (µ) = −18 + 3µ
6−µ
35