Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Dualidad y Postopimización
Postoptimización
Investigación Operativa
Universidad Rey Juan Carlos
1 Análisis de sensibilidad
2 Análisis Paramétrico
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 2 / 89
Análisis de sensibilidad
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 3 / 89
Contenidos
1 Análisis de sensibilidad
Cambio en el vector de costes
Cambio en el vector de recursos
Cambio en los coeficientes de la matriz de restricciones
Adición de una nueva variable
Adición de una nueva restricción
2 Análisis Paramétrico
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 4 / 89
Cambio en el vector de costes
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 5 / 89
Rango variación sin pérdida optimalidad. Caso 1
cr′k = c′k − cT T
B yk = (ck + ∆ck ) − cB yk = crk + ∆ck
y, puesto que para que la solución siga siendo óptima, se tiene que
verificar cr′k ≥ 0, entonces si el incremento ∆ck es tal que
−crk ≤ ∆ck ,
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 6 / 89
Rango variación sin pérdida optimalidad. Caso 2
cr′j = cj − (c′B )T yj = cj − cT
B yj − ∆ck ykj = crj − ∆ck ykj .
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 7 / 89
Rango variación sin pérdida optimalidad. Caso 2
1 ykj = 0: el valor de crj no varía y por tanto, sigue siendo positivo. Esto
ocurre, por ejemplo, para j ∈ I \ {k}.
2 ykj > 0: { cr }
crj j
≥ ∆ck ⇒ mı́n ≥ ∆ck .
ykj ykj >0 ykj
3 ykj < 0: { cr }
crj j
≤ ∆ck ⇒ máx ≤ ∆ck .
ykj ykj <0 ykj
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 8 / 89
Cambios Costes: Rango de Variación
−crk ≤ ∆ck ,
k in I:
{ cr } { cr }
j j
máx ≤ ∆ck ≤ mı́n .
ykj <0 ykj ykj >0 ykj
Pérdida de optimalidad
Si el incremento en ck no esté dentro de los límites impuestos ⇒ la
solución actual deja de ser óptima ⇒ aplicar el algoritmo primal.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 9 / 89
Ejemplo
mı́n 2x1 − x2 ,
s.a −x1 + x2 ≤ 2,
x1 + x2 ≤ 4, (1)
5x1 + 3x2 ≤ 15,
x1 , x2 ≥ 0.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 10 / 89
Ejemplo (cont)
y1 y2 y3 y4 y5 x∗B x∗B cB
-1 1 1 0 0 2 x2 -1
2 0 -1 1 0 2 x4 0
8 0 -3 0 1 9 x5 0
1 0 1 0 0
Los rangos de variación de los costes de las variable x1 e x2 son:
x1 es no básica: −1 ≤ ∆c1 .
x2 está en la base: −1 ≤ ∆c2 ≤ 1.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 11 / 89
Ejemplo (cont)
La siguiente figura muestra la región factible y el punto óptimo:
2x1 − x2 = −2
(0, 2) s
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 12 / 89
Ejemplo (cont)
1 Análisis del coste de la primera variable, c1 : −1 ≤ ∆c1 ≤ ∞
(∆c1 = ∞)
2x1 − x2 = −2
x1 − x2 = −2 (∆c1 = −1)
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 13 / 89
Ejemplo (cont)
1 Análisis del coste de la segunda variable, c2 : −1 ≤ ∆c2 ≤ 1
2x1 = 0 (∆c2 = 1)
2x1 − x2 = −2
2x1 − 2x2 = 4 (∆c2 = −1)
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 14 / 89
Ejemplo Petroquímica
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 15 / 89
Contenidos
1 Análisis de sensibilidad
Cambio en el vector de costes
Cambio en el vector de recursos
Cambio en los coeficientes de la matriz de restricciones
Adición de una nueva variable
Adición de una nueva restricción
2 Análisis Paramétrico
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 16 / 89
Cambio en el vector de recursos
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 17 / 89
Cambio en el vector de recursos
Los nuevos valores de las variables básicas, suponiendo que se cambia
la k-ésima componente de b, son:
b1 0
.. ..
. .
x∗B ′ = B−1 b
k + ∆b
k = B −1
b + B−1 ∗ −1
∆bk = xB + Bk ∆bk ,
.. ..
. .
bm 0
donde B−1 −1
k es la k-ésima columna de B .
Para que la solución siga siendo factible, tiene que verificarse
x∗B ′ ≥ 0, esto es:
x∗i ≥ −B−1
ik ∆bk , ∀i ∈ I.
columna k. .
.
.
.
.
. . . . .
. . . .
. . . .
. . . .
. . . .
. . . . .
.
.
.
.
.
.
.
.
.
2 B−1
ik > 0:
x∗i { x∗ }
i
− ≤ ∆bk ⇒ máx − −1 ≤ ∆bk .
B−1
ik B−1
ik >0 Bik
3 B−1
ik < 0:
x∗i { x∗ }
i
− ≥ ∆bk ⇒ mı́n − −1 ≥ ∆bk .
B−1
ik
−1
Bik <0 Bik
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 19 / 89
Cambios Recursos: Rango de Variación
Pérdida de Factibilidad
Si la solución deja de ser factible, será necesario aplicar el algoritmo
dual para restablecer la no negatividad de las variables.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 20 / 89
Ejemplo
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 21 / 89
Ejemplo (cont)
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 22 / 89
Ejemplo (cont)
La siguiente figura muestra cual sería la región factible y la solución
óptima cuando el incremento de b1 toma precisamente los dos valores
extremos admisibles.
2x1 − x2 ≤ 4 (∆b1 = 2)
(0, 4) s
x1 − x2 ≤ 0 (∆b1 = −2)
(0, 0) s
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 23 / 89
Ejemplo (cont)
x1 + x2 ≤ 17
4
(∆b2 = 14 )
(0, 2) s (0, 2) s
x1 + x2 ≤ 2 (∆b2 = −2)
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 24 / 89
Ejemplo (cont)
s (0, 2) s
(0, 2)
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 25 / 89
Ejemplo Petroquímica
1 Análisis de sensibilidad
Cambio en el vector de costes
Cambio en el vector de recursos
Cambio en los coeficientes de la matriz de restricciones
Adición de una nueva variable
Adición de una nueva restricción
2 Análisis Paramétrico
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 27 / 89
Cambio en los coeficientes de la matriz de restricciones
Coeficientes correspondientes a variables no básicas:
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 29 / 89
Cambio en los coeficientes de la matriz de restricciones
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 30 / 89
Cambio en los coeficientes de la matriz de restricciones
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 31 / 89
Cambios coeficientes: Rango de Variación
Pérdida de Optimalidad
Variable no básica: Si el coste reducido resulta negativo.
Reoptimizar mediante el algoritmo primal
Variable básica:
▶ y′kk = 0, no hace falta actualizar la tabla.
▶ y′kk ̸= 0, actualizar la tabla del simplex pivotando sobre ykk .
Reoptimizar mediante el algoritmo primal. Será necesario
variables artificiales.
Pérdida de Factibilidad
Variable básica con y′kk ̸= 0: actualizar la tabla del simplex pivotando
sobre ykk .
Reoptimizar mediante el algoritmo dual con el método de las
restricciones
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 32 / 89
Ejemplo (cont)
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 33 / 89
Ejemplo (cont)
y1 y′2 y3 y4 y5 x∗ x∗ cB
-1 2 1 0 0 2 x2 -1
2 0 -1 1 0 2 x4 0
8 -1 -3 0 1 9 x5 0
1 1 1 0 0
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 34 / 89
Ejemplo (cont)
y1 y′2 y3 y4 y5 x∗ x∗ cB
− 12 1 1
2 0 0 1 x2 -1
2 0 -1 1 0 2 x4 0
15
2 0 − 52 0 1 10 x5 0
3 1
2 0 2 0 0
que es la tabla asociada a la solución óptima del nuevo problema.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 35 / 89
Contenidos
1 Análisis de sensibilidad
Cambio en el vector de costes
Cambio en el vector de recursos
Cambio en los coeficientes de la matriz de restricciones
Adición de una nueva variable
Adición de una nueva restricción
2 Análisis Paramétrico
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 36 / 89
Adición de una nueva variable
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 37 / 89
Adición de una nueva variable
cr′n+1 = c′n+1 − cT ′ ′ T −1 ′
B yn+1 = cn+1 − cB B an+1 , (4)
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 38 / 89
Adición variable: Rango de Variación
cr′n+1 = cn+1
′
− cT −1 ′
B B an+1 , (5)
Si cr′n+1 < 0, reoptimizar el problema mediante el algoritmo primal,
siendo precisamente xn+1 la primera variable que entra en la base.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 39 / 89
Ejemplo (cont)
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 40 / 89
Ejemplo (cont)
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 41 / 89
Ejemplo (cont)
Por tanto:
La variable x6 entra en la base y sale x2 . Después de pivotar resulta la
siguiente tabla:
y1 y2 y3 y4 y5 y6 x∗B x∗B cB
-1 1 1 0 0 1 2 x6 -2
2 0 -1 1 0 0 2 x4 0
9 -1 -4 0 1 0 7 x5 0
0 1 2 0 0 0
que corresponde con la solución óptima del nuevo problema.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 42 / 89
Contenidos
1 Análisis de sensibilidad
Cambio en el vector de costes
Cambio en el vector de recursos
Cambio en los coeficientes de la matriz de restricciones
Adición de una nueva variable
Adición de una nueva restricción
2 Análisis Paramétrico
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 43 / 89
Adición de una nueva restricción
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 44 / 89
Adición de una nueva restricción
am+1
B xB + am+1
N xN + xn+1 = bm+1 ,
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 45 / 89
Adición de una nueva restricción
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 46 / 89
Adición de una nueva restricción
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 47 / 89
Adición de una nueva restricción
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 48 / 89
Ejemplo (cont)
Si en el problema (1) se añade la restricción x2 ≤ 2, la solución actual
seguiría siendo óptima ya que verifica dicha restricción.
2x1 − x2 = −2
(0, 2)
s
x2 ≤ 2
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 49 / 89
Ejemplo (cont)
x1 x2 x3 x4 x5 xa6 b
Restricción nueva 0 1 0 0 0 1 1
Primera Restricción −1 1 1 0 0 0 2
Diferencia 1 0 −1 0 0 1 −1
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 50 / 89
Ejemplo (cont)
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 51 / 89
Ejemplo (cont)
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 52 / 89
Ejemplo (cont)
2x1 − x2 = −2
(0, 2) s
(0, 1)
s
x2 ≤ 1
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 53 / 89
Contenidos
1 Análisis de sensibilidad
2 Análisis Paramétrico
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 54 / 89
Ejemplo Petroquímica
x ≥ 0.
donde λ es un parámetro positivo.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 55 / 89
Ejemplo Petroquímica
0
14454.52
9689.44
37.268
260 396.99
disponibilidad de PTA
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 56 / 89
Ejemplo 2
xC ≤ 48+λ
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 57 / 89
Ejemplo 2
El resultado al reasignar las horas de montaje es:
67120
os 66400
61000
horas reasignadas
y B. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 58 / 89
Ejemplo 2
La empresa considera que traspasar trabajadores no es simétrico: una
trabajador procedente del test 1 tarda más en pasar el test 2 (66 minutos),
se debería estudiar el siguiente problema paramétrico
1 Análisis de sensibilidad
2 Análisis Paramétrico
Análisis del vector de costes
Análisis del vector de recursos
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 60 / 89
Análisis del vector de costes
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 61 / 89
Análisis del vector de coste
donde zδj = (δ cB )T yj .
Así, alguna de las variables no básicas pueden pasar a tener un
coste reducido positivo y, por tanto, la solución deja de ser óptima
y es necesario aplicar el algoritmo primal.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 62 / 89
Análisis del vector de coste
(crj )λ ≥ 0.
Como λ ≥ 0,
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 63 / 89
Análisis del vector de coste
Entonces, tomando
{ (cr ) } (crk )0
j 0
λc1 = mı́n − c =− c , (11)
c
j∈J ,δj −zj <0
δ δj − zjδ δk − zδk
No pérdida de optimalidad
δjc − zδj ≥ 0
∃j ∈ J tal que δjc − zδj < 0 y λ ∈ [0, λc1 ]
Pérdida de optimalidad
∃ j ∈ J tal que δjc − zδj < 0 y λ > λc1
Al menos (crk )λ es estrictamente negativo y la solución actual no es
óptima.
Reoptimizar el problema mediante el algoritmo primal y repetir el
análisis para λ > λc1 .
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 65 / 89
Ejemplo
mı́n 2x1 − x2 ,
s.a −x1 + x2 ≤ 2,
x1 + x2 ≤ 4, (12)
5x1 + 3x2 ≤ 15,
x1 , x2 ≥ 0.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 66 / 89
Ejemplo (cont)
y1 y2 y3 y4 y5 x∗B x∗B cB
-1 1 1 0 0 2 x2 -1
2 0 -1 1 0 2 x4 0
8 0 -3 0 1 9 x5 0
1 0 1 0 0
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 67 / 89
Ejemplo (cont)
y, como ya hemos visto, la región factible y la curva de nivel para λ = 0
resulta:
2x1 − x2 = −2 (λ = 0)
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 68 / 89
Ejemplo (cont)
( ) ( ) −1 1 1 0 0
2 + λ, −1 − 3λ, 0, 0, 0 − −1 − 3λ, 0, 0 2 0 −1 1 0 =
8 0 −3 0 1
( )
1 − 2λ, 0, 1 + 3λ, 0, 0
[ ]
y, por tanto, para λ en el intervalo 0, 21 , la solución actual sigue siendo
óptima.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 69 / 89
Ejemplo (cont)
La siguiente figura muestra cual sería la curva de nivel para λ = 12 .
−5
3
x
2 1
− x
2 2
= −5 (λ = 12 )
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 70 / 89
Ejemplo (cont)
y1 y2 y3 y4 y5 x∗B x∗B cB
-1 1 1 0 0 2 x2 −1 − 3λ
2 0 -1 1 0 2 x4 0
8 0 -3 0 1 9 x5 0
1 − 2λ 0 1 + 3λ 0 0
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 71 / 89
Ejemplo (cont)
y1 y2 y3 y4 y5 x∗B x∗B cB
1 1
0 1 2 2 0 3 x2 −1 − 3λ
1 0 − 12 1
2 0 1 x1 2+λ
0 0 1 -4 1 1 x5 0
0 0 2 + 23 λ − 21 +λ 0
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 72 / 89
Ejemplo (cont)
La función objetivo, cuando λ → +∞ se muestra en la siguiente figura
(donde se ha despreciado el término (1, −1), ya que para valores grandes
de λ apenas tiene peso):
kx1 − k3x2 = −k8 (λ = +k → +∞)
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 73 / 89
Ejemplo (cont)
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 74 / 89
Contenidos
1 Análisis de sensibilidad
2 Análisis Paramétrico
Análisis del vector de costes
Análisis del vector de recursos
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 75 / 89
Análisis del vector de recursos
z = mı́n cT x,
s.a Ax = b + λδ b ,
x ≥ 0,
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 76 / 89
Análisis del vector de recursos
con ϕ = B−1 δ b .
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 77 / 89
Análisis del vector de recursos
x∗Bλ ≥ 0
.
Como λ ≥ 0
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 78 / 89
Análisis del vector de recursos
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 79 / 89
Anális del vector de recursos
No pérdida de optimalidad
ϕ≥0
∃i ∈ I tal que ϕi < 0 y λ ∈ [0, λb1 ]
Pérdida de optimalidad
∃ i ∈ I tal que ϕi < 0 y λ > λb1
Al menos la variable xk toma un valor negativo y la solución no es factible.
Reoptimizar el problema mediante el algoritmo dual y repetir el
análisis para λ > λb1 .
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 80 / 89
Ejemplo (cont)
mı́n 2x1 − x2 ,
s.a −x1 + x2 ≤ 2,
x1 + x2 ≤ 4, (15)
5x1 + 3x2 ≤ 15,
x1 , x2 ≥ 0,
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 81 / 89
Ejemplo (cont)
y1 y2 y3 y4 y5 x∗B x∗B cB
-1 1 1 0 0 2 x2 -1
2 0 -1 1 0 2 x4 0
8 0 -3 0 1 9 x5 0
1 0 1 0 0
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 82 / 89
Ejemplo (cont)
y la región factible es:
(0, 2) s
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 83 / 89
Ejemplo (cont)
Para cualquier valorde λ, las variables básicas toman los siguientes valores:
1 0 0 2 + 2λ 2 + 2λ
∗
xB = −1 1 0 . 4 − λ = 2 − 3λ ∀λ ≥ 0
−3 0 1 15 − λ 9 − 7λ
[ ]
y por tanto, para λ ∈ 0, 32 , ésta es la solución óptima.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 84 / 89
Ejemplo (cont)
La nueva región factible para ese valor es:
5x1 + 3x2 ≤ 43
(0, 10 s 3
3 )
−x1 + x2 ≤ 10
3
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 85 / 89
Ejemplo (cont)
Pero si λ > 23 :
La variable x4 toma un valor estrictamente negativo y es necesario aplicar
el algoritmo dual para restablecer la factibilidad de la solución.
La tabla resultante es:
y1 y2 y3
y5 x∗B
y4 x∗B cB
1 1 00 4 − λ x2 -1
1
-2 0 10 3λ − 2 x3
-1 0
2 0 0 -3
1 3 + 2λ x5 0
1 0 10 0
] [2
Esta solución es factible si λ ∈ 3 , 4 . Pero si λ > 4, la variable x2 toma
un valor negativo.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 86 / 89
Ejemplo (cont)
La región factible definida por las restricciones es:
−x1 + x2 ≤ 10
5x1 + 3x2 ≤ 11
q
(0, 0)
x1 + x2 ≤ 10
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 87 / 89
Ejemplo (cont)
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 88 / 89
Ejemplo (cont)
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 89 / 89