ANÁLISIS DE SENSIBILIDAD

Después de que se ha obtenido la solución óptima de un problema de programación lineal (PL), puede darse el caso de que uno o varios parámetros de la formulación original cambien dando origen a un nuevo problema, sin embargo mediante la aplicación de la técnica llamada análisis de sensibilidad no será necesario volver a resolver el problema desde el principio. La utilidad del análisis de sensibilidad en los modelos de PL consiste, en que permite una interpretación razonable de los resultados ya obtenidos. En muchos casos la información generada por la aplicación del análisis de sensibilidad es más importante y mucho más informativa que el simple resultado obtenido en la solución óptima. En cierto sentido, el análisis de sensibilidad convierte la solución estática de los modelos de PL. en un instrumento dinámico que evalúa las condiciones cambiantes. El nuevo problema puede diferir del original en uno ó varios de los siguientes cambios que pueden ocurrir simultáneamente: 1. Cambios en la disponibilidad de recursos (vector bi). 2. Cambios en los costos o utilidades unitarias (vector Cj). 3. Cambios en los coeficientes tecnológicos (matriz aij). La estructura inicial de una tabla simplex es la siguiente: VB Z Z 1 0 0 . . . 0 VARIABLES DE DECISIÓN VARIABLES DE HOLGURA 0 SOLUCIÓN 0

-Cj = Vector de costos o utilidades

VARIABLES DE HOLGURA

Aij = Matriz de coeficientes tecnológicos

I = Matriz identidad

bj = Vector de disponibilidad de
recursos

Y la estructura óptima de una tabla simplex es: VB Z Z 1 0 0 . . . 0 VARIABLES DE DECISIÓN VARIABLES DE HOLGURA SOLUCIÓN

CBB-1Aij - Cj

CBB-1

Z = CBXB Z = CBB-1bj

XB
VARIABLES BÁSICAS

B-1Aij

B-1

XB = B-1bj

El análisis de sensibilidad se basa en el conocimiento de la tabla inicial simplex y en la aplicación de las propiedades de la estructura óptima de una tabla simplex.

CAMBIOS EN LA DISPONIBILIDAD DE RECURSOS (VECTOR bj)
Maximizar Z = Cj Xj s. a AijXj= bi Xju0 Los valores óptimos de las variables de un modelo de PL están determinados por la propiedad XB = B-1 bj y el valor óptimo de la función objetivo está determinado por Z = CB XB. Al experimentar un cambio en el vector b*, XB cambia a: XB* = B-1 bj* a) Si XB* u0 entonces la nueva solución será óptima. b) Si XB* < 0 entonces la nueva solución XB no es factible y será necesario aplicar el método dual-simplex para restaurar la factibilidad.

El método dual-simplex, en caso de aplicarse, deberá hacerse a la tabla óptima del problema original, cambiando la columna solución de XB por XB*.

Considere el siguiente modelo de PL y su correspondiente solución inicial y su solución óptima. Z = 5X1 + 3X2 s. puesto que los valores de solución para son todos positivos (mayores y/o iguales que cero). ¿cuál es el nuevo problema de PL y cuál es la Maximizar. lo primero que debemos definir es la propiedad que aplica. X2u0 Ecuación 0 1 2 0 1 2 VB Z H1 H2 Z X2 X1 Z 1 0 0 1 0 0 X1 -5 3 5 0 0 1 T X2 -3 5 2 0 1 0 *T H! 0 1 0 5 / 19 5 / 19 -2 / 19 H2 0 0 1 16 / 19 -3 / 19 5 / 19 Solución 0 15 10 235 / 19 45 / 19 20 / 19 TABLA ÓPTIMA TABLA INICIAL Si se decide experimentar un cambio en el vector bj = | 15 10 | a bj nueva solución óptima? Solución: El nuevo problema a resolver es: = | 5 5 |.a 3X1 + 5X2 < 15 5X1 + 2X2 < 10 X1u0 . Z = 5X1 + 3X2 s. para los cambios en el vector bj siempre se aplicará la siguiente propiedad: XB* = B-1 bj* Identificando valores: 5/19 B-1 = -2/19 Sustituyendo valores: 5/19 X B* = -2/19 5/19 -3/19 5 * 5 5/19 -3/19 5 * bj = 5 10/19 = 15/19 >0 Como la solución sigue siendo factible.a 3X1 + 5X2 < 5 5X1 + 2X2 < 5 X1u0 . X2u0 Aplicando la técnica de análisis de sensibilidad no es necesario volver a resolver el problema desde el principio. Maximizar.Ejemplo 1. entonces la solución óptima para el nuevo modelo es: Zo = CBB-1bj* = CBXB Identificando valores para aplicar la primera forma de obtener Zo: Zo = CBB-1bj* CBB-1 = | 5/19 16/19 | .

la segunda variable básica es X1 y su coeficiente en la función objetivo es 5. 10/19 X B* = 15/19 Sustituyendo valores: 10/19 Zo = | 3 5 | 15/19 = 105/19 Conclusión: La solución óptima del nuevo modelo obtenida por análisis de sensibilidad es: X1 = 15/19 X2 = 10/19 H1 = H2 = 0 V.5 bj* = 5 Sustituyendo valores: 5 Zo = | 5/19 16/19 | 5 La segunda manera de obtener Zo es: = 105/19 Zo = CBXB* CB = | 3 5| Estos valores corresponden a los coeficientes de las variables básicas en la función objetivo en el orden en el que aparecen en la columna solución. no B. Nota 2: El número de elementos que componen al vector CB depende del número de variables básicas que contenga la solución óptima. es decir: X2 es la primera variable básica en la solución óptima y su coeficiente en la función objetivo es 3. Zo = 105/19 . Nota 1: Si en la columna de las variables básicas óptimas existe una holgura o un excedente entonces se anota como coeficiente 0.

Ejemplo 2 Supongamos que ahora se decide experimentar un cambio en el vector bj = | 15 10 problema de PL y cuál es la nueva solución óptima? T | a bj *T = | 10 20 |. utilizando la tabla óptima del problema original y sustituyendo los nuevos valores obtenidos de XB* en lugar de XB. Z = 5X1 + 3X2 s. Ecuación 0 1 2 0 1 2 VB Z X2 X1 Z H2 X1 Z 1 0 0 1 0 0 X1 0 0 1 0 0 1 X2 0 1 0 16 / 3 -19/ 3 -5 / 3 H! 5 / 19 5 / 19 -2 / 19 95 / 57 -5 / 3 1/3 H2 16 / 19 -3 / 19 5 / 19 0 1 0 Solución 235 / 19 -10 / 19 80 / 19 10 / 3 10 / 3 TABLA ÓPTIMA DEL MODELO ORIGINAL YA CON EL CAMBIO TABLA ÓPTIMA DEL NUEVO MODELO La solución óptima para el nuevo modelo es: Zo = CBB-1bj* = CBXB Identificando valores para aplicar la primera forma de obtener Zo. Nota 3: Se recomienda no considerar el valor solución de Zo y calcularlo una vez que se obtenga la factibilidad. la propiedad que aplica para los cambios en el vector bj es: XB* = B-1 bj* Identificando valores: 5/19 B-1 = -2/19 Sustituyendo valores: 5/19 X B* = -2/19 5/19 -3/19 -10/19 = 20 80/19 5/19 -3/19 10 * bj = 20 10 * <0 Como la solución es no factible (al tener al menos un valor negativo). (es decir remplazando en la columna solución los valores actuales por los obtenidos). en estos casos se debe aplicar el método Dual-simplex para restablecer la factibilidad del nuevo problema. considerando los valores de la tabla óptima del nuevo modelo: Zo = CBB-1bj* CBB-1 = | 95 / 57 10 0 | bj* = 20 Sustituyendo valores: .a 3X1 + 5X2 < 10 5X1 + 2X2 < 20 X1u0 . X2u0 Aplicando la técnica de análisis de sensibilidad. ¿cuál es el nuevo Solución: El nuevo problema a resolver es: Maximizar.

a AijXj= bi Xju0 Si se experimentan cambios en el vector Cj el nuevo modelo es: Maximizar Z = Cj* Xj s.10 Zo = | 95 / 57 0 | 20 = 950 / 57 = 50 / 3 La segunda manera de obtener Zo es: Zo = CBc* CB = | 0 5| 10 / 3 X B* = 10 / 3 Sustituyendo valores: 10 / 3 Zo = | 0 5 | 10 / 3 = 50 / 3 Conclusión: La solución óptima del nuevo modelo obtenida por análisis de sensibilidad es: X1 = 10 / 3 X2 = 0 V.Cj* son positivos para las variables no-básicas y cero para las variables básicas para el caso de maximizar ó negativas y cero respectivamente para el caso de minimizar. Al cambiar el vector Cj. H1 = 10 / 3 H2 = 0 V. es decir. no B.Cj*. Donde Aij es la matriz de coeficientes tecnológicos del modelo.Cj debe ser actualizada por CBB-1Aij . la propiedad CBB-1Aij . deben remplazarse los valores de las variables de decisión que corresponden al renglón Z por los obtenidos al aplicar la propiedad con el cambio en Cj* en la tabla óptima del modelo original. Si los valores actualizados de CBB-1Aij . estas cumplen con las condiciones de optimalidad y entonces la XB asociada a la tabla óptima original permanece óptima y el nuevo valor de la función objetivo será: Zo* = CBB-1bj* = CBXB . no B. a AijXj= bi Xju0 Este tipo de cambios toma como punto de partida la solución óptima del problema original. Zo = 50 / 3 CAMBIOS EN LOS COSTOS O UTILIDADES UNITARIAS (vector Cj) Maximizar Z = Cj Xj s.

la propiedad a aplicar es: CBB-1Aij . de no ser así.|5 2 2 CJ * = | 5 1| | 5/19 16/19 | * 5 1| = |5 3| -|5 1| = |0 2| Remplazando en la tabla óptima del modelo original: Ecuación VB Z X1 X2 H! H2 Solución 0 Z 1 0 2 5 / 19 16 / 19 235 / 19 TABLA 1 X2 0 0 1 5 / 19 -3 / 19 45 / 19 ÓPTIMA 2 X1 0 1 0 -2 / 19 5 / 19 20 / 19 Al sustituir los coeficientes 0 y 2 en la tabla óptima. Z = 5X1 + 3X2 s.a 3X1 + 5X2 < 15 5X1 + 2X2 < 10 X1u0 . Solución. observamos que la variable X2 es básica por lo que la solución pierde su estructura básica para restablecerla debemos hacer cero el coeficiente 2.a 3X1 + 5X2 < 15 5X1 + 2X2 < 10 X1u0 . X2u0 Ecuación 0 1 2 VB Z X2 X1 Z 1 0 0 X1 0 0 1 X2 0 1 0 H! 5 / 19 5 / 19 -2 / 19 H2 16 / 19 -3 / 19 5 / 19 Solución 235 / 19 45 / 19 20 / 19 TABLA ÓPTIMA Supongamos que el coeficiente C2 = 3 disminuye a C2* = 1 ¿Cuál es el nuevo modelo y su correspondiente solución óptima?.Cj * = 5 . X2u0 Obteniendo la solución del nuevo modelo de PL por análisis de sensibilidad. El nuevo modelo es: Maximizar. Ejemplo 1: Considere el siguiente modelo de programación lineal y su correspondiente tabla óptima: Maximizar. y después verificar la optimalidad si es óptima la solución hemos concluido. Ecuación VB Z X1 X2 H1 H2 Solución . aplicar el algoritmo del método simplex hasta obtener la solución óptima. mediante operaciones matriciales elementales y/o el algoritmo del método simplex obtendremos las condiciones de optimalidad. Z = 5X1 + 1X2 s.En caso contrario.Cj * Identificando valores CBB-1 = | 5/19 16/19 | 3 5 Aij = 5 Sustituyendo valores: 3 CBB-1Aij .

a 3X1 + 5X2 < 15 5X1 + 2X2 < 10 X1u0 .Cj * CBB-1 = | 5/19 16/19 | 3 5 Aij = 5 2 CJ * = | 1 1| . Z = 1X1 + 1X2 s. no B. Z = 5X1 + 3X2 s. Ecuación 0 1 2 0 1 2 VB Z X2 X1 Z X2 X1 Z 1 0 0 1 0 0 X1 0 0 1 0 0 1 X2 0 1 0 1 19/5 2/5 H1 -5 / 19 5 / 19 -2 / 19 0 1 0 H2 22 / 19 -3 / 19 5 / 19 1 -3 / 5 1/5 Solución 145 / 19 45 / 19 20 / 19 10 9 2 NRz = (RP*5/19)+Rz NR1= RP R1 (19/5) NR2 = (RP*2/19)+R2 Conclusión: La solución óptima del nuevo modelo obtenida por análisis de sensibilidad es: X1 = 2 X2 = 9 H1 = H2 = 0 V. El nuevo modelo es: Maximizar. la propiedad a aplicar es: Identificando valores CBB-1Aij . Solución. X2u0 Ecuación 0 1 2 VB Z X2 X1 Z 1 0 0 X1 0 0 1 X2 0 1 0 H! 5 / 19 5 / 19 -2 / 19 H2 16 / 19 -3 / 19 5 / 19 Solución 235 / 19 45 / 19 20 / 19 TABLA ÓPTIMA Supongamos que el coeficiente C1 = 5 y C2 = 3 disminuyen a C1* = 1 y C2* = 1 ¿Cuál es el nuevo modelo y su correspondiente solución óptima?. X2u0 Obteniendo la solución del nuevo modelo de PL por análisis de sensibilidad.a 3X1 + 5X2 < 15 5X1 + 2X2 < 10 X1u0 .0 1 2 Z X2 X1 1 0 0 0 0 1 0 1 0 -5 / 19 5 / 19 -2 / 19 22 / 19 -3 / 19 5 / 19 145 / 19 45 / 19 20 / 19 NRz = (R1*-2) + Rz Como la solución deja de ser óptima entonces aplicamos el algoritmo simplex para reestructurar la optimalidad. Zo = 10 Ejemplo 2. Considere el siguiente modelo de programación lineal y su correspondiente tabla óptima: Maximizar.

|5 2 | 5/19 16/19 | * 5 1| = |5 3| -|1 1| = |4 2| Remplazando en la tabla óptima del modelo original: Ecuación 0 1 2 VB Z X2 X1 Z 1 0 0 X1 4 0 1 X2 2 1 0 H! 5 / 19 5 / 19 -2 / 19 H2 16 / 19 -3 / 19 5 / 19 Solución 235 / 19 45 / 19 20 / 19 TABLA ÓPTIMA Al sustituir los coeficientes 4 y 2 en la tabla óptima.Cj * = 5 . de no ser así. Conclusión: La solución óptima del nuevo modelo obtenido por análisis de sensibilidad es: X1 = 20/19 X2 = 45/19 H1 = H2 = 0 V. observamos que las variables X1 y X2 son básicas por lo que la solución pierde su estructura básica para restablecerla debemos hacer cero ambos coeficientes.Sustituyendo valores: 3 CBB-1Aij . no B. Zo = 65/19 . Ecuación 0 0 1 2 VB Z Z X2 X1 Z 1 1 0 0 X1 4 0 0 1 X2 0 0 1 0 H1 -5 / 19 3 / 19 5 / 19 -2 / 19 H2 22 / 19 2 / 19 -3 / 19 5 / 19 Solución 145 / 19 65 / 19 45 / 19 20 / 19 NRz = (R1*-2) + Rz NRz = (R2*-4) + Rz Como la solución se mantiene óptima entonces hemos concluido. y después verificar la optimalidad si es óptima la solución hemos concluido. aplicar el algoritmo del método simplex hasta obtener la solución óptima.

Sign up to vote on this title
UsefulNot useful