LP Postoptimizacion

Tema 3.
Dualidad y Postopimización
Postoptimización
Investigación Operativa
Universidad Rey Juan Carlos
Antonio Alonso Ayuso

antonio.alonso@urjc.es
. . . .... .... .... . . . . .

Contenidos
1 Análisis de sensibilidad
2 Análisis Paramétrico
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 2 / 89
Análisis de sensibilidad
El análisis de sensibilidad permite conocer si la solución obtenida es

sensible a pequeños cambios de los parámetros.
OBJETIVO: Obtener intervalos de variación para los coeficientes de

la función objetivo y para el lado derecho, dentro de los cuales la
solución actual sigue siendo óptima.
Estos intervalos permiten conocer la validez de los precios sombra.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Contenidos
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
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Supóngase que se modifica la componente k-ésima del vector c,

c′k = ck + ∆ck .
Este cambio afecta al valor de los costes reducidos crj = cj − zj y,
por tanto, puede provocar la pérdida de la optimalidad para la
solución propuesta.
Veamos cual es el rango de variación de dicha componente de forma
que no se pierda la optimalidad.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Rango variación sin pérdida optimalidad. Caso 1
k ∈ J : sólo se ve afectado el valor del coste reducido k-ésimo, y

resulta:
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 ,
la solución actual sigue siendo óptima.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
k ∈ I: puesto que ahora varía cB , todos los costes reducidos se ven

afectados. Los nuevos valores de los costes reducidos para j ̸= k son:
cr′j = cj − (c′B )T yj = cj − cT
B yj − ∆ck ykj = crj − ∆ck ykj .
Para que la nueva solución siga siendo óptima debe verificarse:
crj ≥ ∆ck ykj .
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
k ∈ I: Dependiendo del signo de ykj , se distinguen tres casos:
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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Cambios Costes: Rango de Variación
Sin Pérdida de Optimalidad

k in J :
−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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo
Sea el siguiente problema:
mı́n 2x1 − x2 ,
s.a −x1 + x2 ≤ 2,
x1 + x2 ≤ 4, (1)
5x1 + 3x2 ≤ 15,
x1 , x2 ≥ 0.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
La tabla del simplex asociada a la solución óptima del problema es la

siguiente:
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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
La siguiente figura muestra la región factible y el punto óptimo:
2x1 − x2 = −2
(0, 2) s
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
1 Análisis del coste de la primera variable, c1 : −1 ≤ ∆c1 ≤ ∞
(∆c1 = ∞)
2x1 − x2 = −2
x1 − x2 = −2 (∆c1 = −1)
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo Petroquímica
En el ejemplo de la petroquímica, podemos saber si la solución es sensible

a cambios en el beneficio:
Variable coeficiente máximo máxima
incremento disminución
x1 36 +∞ 4.2
x2 30 3.99 +∞
Mientras que el beneficio por tonelada de PET-botella no baje en más de

4.2 euros, la solución actual sigue siendo óptima.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Contenidos
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Al variar el vector b, los cambios afectan al valor de las variables

en la solución actual y puede violarse la no negatividad de las
variables.
Si la solución deja de ser factible, será necesario aplicar el
algoritmo dual para restablecer la no negatividad de las variables.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
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.
logoURJC donde B−1

ik es el elemento de B
−1 correspondiente a la fila i y la
columna k. .
.
.
.
.
. . . . .
. . . .
. . . .
. . . .
. . . .
. . . . .
.
.
.
.
.
.
.
.
.

Rango de variación sin pérdida de no negatividad
Como en el vector de costes, se pueden distinguir tres casos:

1 B−1 ∗
ik = 0: xi no varía y por tanto, la solución sigue siendo positiva.
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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Cambios Recursos: Rango de Variación
Sin Pérdida de Factibilidad

Si { x∗ } { x∗ }
i i
máx − −1 ≤ ∆bk ≤ mı́n − −1 . (2)
B−1
ik >0 Bik B−1
ik <0 Bik
donde la columna k-ésima de B−1 corresponde a la columna de la

tabla actual del simplex asociada a la variable que ocupaba la
posición k-ésima en la base inicial.
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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo
Continuando con el ejemplo anterior, tenemos que la solución óptima

del problema es x∗B = (2, 2, 9) y la inversa de la matriz B es:
 
1 0 0
B−1 = −1 1 0 .
−3 0 1
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
El rango de variación para cada elemento de b, según la expresión (2)

resulta: { }
2 9
Primera ecuación: −2 ≤ ∆b1 ≤ mı́n − −1 , − −3 = 2.
Segunda ecuación: −2 ≤ ∆b2 ≤ +∞.
Tercera ecuación: −9 ≤ ∆b2 ≤ +∞.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
x1 + x2 ≤ 17
4
(∆b2 = 14 )
(0, 2) s (0, 2) s
x1 + x2 ≤ 2 (∆b2 = −2)
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
5x1 + 3x2 = 20 (∆b3 = 5)
s (0, 2) s
(0, 2)
5x1 + 3x2 ≤ 6 (∆b3 = −9)
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Si consideramos el lado derecho, obtenemos:

Restricción coeficiente máximo máxima
incremento disminución
1 260 136.99 260
2 150 +∞ 51.76
La decisión de no hacer PET-fibra se mantendrá mientras la disponibilidad

de PTA no se incremente en al menos 136.99 toneladas o la disponibilidad
de EtG disminuya en 51.76.
En este caso, este intervalo nos indica también la validez de los precios
sombras: el precio sombra de la primera restricción será 37.268 mientras la
disponibilidad de PTA se mantenga entre 0 y 260+136.99.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Contenidos
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Coeficientes correspondientes a variables no básicas:
▶ Si se modifican los coeficiente de la matriz A correspondientes a una

variable no básica, sea xk , se van a ver modificados:
⋆ el vector yk de coordenadas del nuevo vector respecto de la base B
⋆ el coste reducido de dicha variable:
y′k = B−1 a′k ,

cr′k = (ck − zk )′ = ck − cTB y′k = ck − cTB B−1 a′k ,
donde a′k es la nueva columna de coeficientes de la variable k en el

sistema de restricciones original.
Si el coste reducido resulta negativo, es necesario reoptimizar el

logoURJC problema mediante el algoritmo primal.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Coeficientes correspondientes a variables básicas:

▶ Si se modifican los coeficientes de una variable básica, puede que los
vectores de la base B ya no formen base.
Para comprobarlo, se determinan las coordenadas del nuevo vector a′k
respecto de la base B:
y′k = B−1 a′k . (3)
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Coeficientes correspondientes a variables básicas:

▶ Si y′kk = 0, entonces, la matriz B′ , obtenida al sustituir el vector ak por
a′k , no forma base.
En este caso será necesario introducir un nuevo vector en la base.
recurre, para ello, a una variable artificial que sustituya a la variable
xk .
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Coeficientes correspondientes a variables no básicas:

▶ Por el contrario, si y′kk ̸= 0, el vector a′k puede sustituir al vector ak ,
para obtener la nueva base B′ . Para actualizar la tabla del simplex,
se sustituye yk por y′k y se pivota sobre ykk .
Puede ocurrir que la nueva solución obtenida no verifique ninguna
de las condiciones de factibilidad ni optimalidad.
En este caso, será necesario recurrir a variables artificiales o a la
técnica de la restricción adicional , resolviendo, a continuación, el
problema mediante el algoritmo primal o dual, respectivamente.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
Si en el ejemplo anterior se sustituye la columna asociada a la variable x2 ,

aT ′ T
2 = (1, 1, 3), por (a2 ) = (2, 2, 2).
De (3), resulta:
     
1 0 0 2 2
y′2 = B−1 = −1 1 0 . 2 =  0  .
−3 0 1 2 −1
Puesto que y′22 = 2 ̸= 0, la nueva matriz B′ forma base.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
La tabla del problema resulta:
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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
y al pivotar sobre y′22 resulta:
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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Contenidos
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Este caso se puede considerar una situación particular del anterior, en

el que se modifican los coeficientes de una variable no básica, que
inicialmente eran iguales a 0.
La inclusión de una nueva variable puede afectar a la optimalidad
de la solución actual; puede que la base actual no sea óptima y sea
necesario realizar algún cambio en la misma.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Para comprobar si ocurre esto, es suficiente con calcular el coste

reducido de la nueva variable:
cr′n+1 = c′n+1 − cT ′ ′ T −1 ′
B yn+1 = cn+1 − cB B an+1 , (4)
donde an+1 es la columna de coeficientes de la nueva variable en el

sistema de restricciones original.
Si este coste reducido es negativo, es necesario reoptimizar el

problema mediante el algoritmo primal, siendo precisamente xn+1 la
primera variable que entra en la base.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Adición variable: Rango de Variación
Adición variable: Pérdida Optimalidad

Calcular:
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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
Si en el ejemplo se añade la variable x6 con coste c3 = −2 y vector

aT
6 = (1, 1, 4), el vector de coordenadas y6 respecto de la base B resulta:
    
1 0 0 1 1
y6 = B−1 a6 = −1 1 0 1 = 0 .
−3 0 1 4 1
El coste reducido, según la expresión (4), es
 
1
cr6 = −2 − (−1, 0, 0) 0 = −1.

1
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
La nueva tabla es:

y1 y2 y3 y4 y5 y6 x∗B x∗B cB
-1 1 1 0 0 1 2 x2 -1
2 0 -1 1 0 0 2 x4 0
8 0 -3 0 1 1 9 x5 0
1 0 1 0 0 -1
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Contenidos
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Supóngase que se añade una nueva restricción al problema.
Si la solución óptima del problema original satisface la nueva

restricción, entonces, esta solución también es óptima para el nuevo
problema.
Si, por el contrario, el punto no satisface la nueva restricción, es

decir, si la restricción elimina de la región factible el punto óptimo
actual, es necesario reoptimizar el problema mediante el
algoritmo dual del simplex (el punto actual no es factible, aunque sí
dual factible).
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
La nueva restricción, am+1 x ≤ bm+1 , donde am+1 es un vector fila de

n componentes, se puede escribir de la forma:
am+1
B xB + am+1
N xN + xn+1 = bm+1 ,
Multiplicando cada uno de los miembros del sistema de ecuaciones del

sistema explícito por am+1
B , y restando el resultado a la nueva
restricción, se obtiene el siguiente sistema explícito:
x∗B = x∗B + B−1 Nx∗N , (6)

m+1 ∗
( )
bm+1 − aB xB = am+1N − am+1
B B−1 N xN + xn+1 , (7)
∗
( T −1
)
cT
B xB = z − cN − cB BN xN . (8)
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Este sistema contiene una nueva base de dimensión m + 1.

Puesto que el coste de la nueva variable de holgura es cn+1 = 0,
el nuevo vector de costes reducidos no varía y la solución actual
sigue siendo dual factible.
El valor de las variables no han variado, aunque puede ocurrir que la
nueva variable tome un valor negativo y, por tanto, la solución no
sea factible.
El valor de la nueva variable es:
xn+1 = bm+1 − am+1

B x∗B . (9)
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Se pueden dar los posibles casos:
Si añadimos am+1 x ≤ bm+1 :

▶ am+1 x∗ ≤ bm+1 : x∗ verifica el sistema explícito y la nueva restricción,
por lo que la nueva solución óptima también es factible.
▶ am+1 x∗ > bm+1 : x∗ no verifica la nueva restricción, por lo que la
nueva solución óptima no es factible y será necesario aplicar el
algoritmo dual del simplex para restablecer la factibilidad.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Se pueden dar los posibles casos:
Si se incluye am+1 x = bm+1 , no tiene sentido incluir una nueva

variable de holgura.
▶ Es necesario incluir una variable artificial y, realizando una iteración
del algoritmo dual del simplex, obtener una base factible sin variables
artificiales.
▶ Si al sacar la variable artificial de la base no es posible encontrar
una variable para entrar en la base (esto es ym+1,j ≥ 0, ∀j ∈ J ),
entonces, el problema no tiene solución, ya que no existen soluciones
factibles que verifiquen la nueva restricción
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
Por el contrario, si se añade la restricción x2 ≤ 1 la solución actual no la

verifica y, por tanto, es necesario resolver el nuevo problema. Para ello, se
añade dicha restricción en la tabla y, según la expresión (7):
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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
La nueva tabla resulta:

y1 y2 y3 y4 y5 ya6 x∗ x∗ cB
-1 1 1 0 0 0 2 x2 -1
2 0 -1 1 0 0 2 x4 0
8 0 -3 0 1 0 9 x5 0
1 0 -1 0 0 1 -1 xa6 0
1 0 1 0 0 0
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
Aplicando el algoritmo dual del simplex, la variable xa6 sale de la base y

entra la variable x3 , resultando:
y1 y2 y3 y4 y5 ya6 x∗ x∗ cB
0 1 0 0 0 1 1 x2 -1
1 0 0 1 0 -1 3 x4 0
5 0 0 0 1 -3 12 x5 0
-1 0 1 0 0 -1 1 x3 0
1 0 1 0 0 0
que es la tabla asociada a la nueva solución óptima.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
2x1 − x2 = −2
(0, 2) s
(0, 1)
s
x2 ≤ 1
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Contenidos
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Permiten hacer estudios sistemáticos en el vector de costes y el vector del

lado derecho.
Se quiere estudiar cómo cambia la función objetivo cuando varía la
disponibilidad de PTA:
máx 36x1 + 30x2
s.a. 0,966x1 + 0,912x2 ≤ λ,
0,365x1 + 0,344x2 ≤ 150,
x ≥ 0.
donde λ es un parámetro positivo.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
La solución obtenida para los diferentes valores de λ son
0
14454.52
9689.44
37.268
260 396.99
disponibilidad de PTA
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo 2
También es posible hacer estudios sobre reasignación de recursos.

El siguiente problema estudia qué ocurre cuando se pasan recursos de un
test de calidad al otro:
máx 350xA + 470xB + 610xC

s.a
xA + xB ≤ 120−λ
xC ≤ 48+λ
10xA + 15xB + 20xC ≤ 2000
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo 2
El resultado al reasignar las horas de montaje es:
67120
os 66400
61000
-48 -16 0 120
horas reasignadas
El máximo beneficio se obtiene con λ = −16, esto es, cuando se pasan 16

horas de montaje de los ordenadores de tipo C a los ordenadores de tipo A
logoURJC
y B. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
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
máx 350xA + 470xB + 610xC

s.a
xA + xB ≤ 120−λ
60
xC ≤ 48+ λ
66
10xA + 15xB + 20xC ≤ 2000
Este análisis sólo es válido para λ ≥ 0.
También es posible hacer análisis paramétrico para el vector de costes.

logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Contenidos
Análisis del vector de costes
Análisis del vector de recursos
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Considérese la familia de problemas, dependientes del parámetro λ:

( )T
z = mı́n c + λδ c x,
s.a Ax = b,
x ≥ 0,
con λ ≥ 0, donde δ c ∈ Rn es la dirección a lo largo de la que se perturba

el vector de costes c.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Análisis del vector de coste
Supóngase que se resuelve el problema para λ = 0.
Una variación del valor de λ produce cambios en la función

objetivo y esto repercute en el valor de los costes reducidos de las
variables no básicas que para cada valor de λ son:
crjλ = (cj + λδjc ) − (cB + λδ cB )T yj =

( c )
= (cj − cT c T c
B yj ) + λ δj − (δ B ) yj = (crj )0 + λ(δj − zj ), (10)
δ
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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Para que la solución sea óptima debe verificarse que
(crj )λ ≥ 0.
Como λ ≥ 0,
Si δjc − zδj ≥ 0, la solución es óptima para cualquier valor de λ y la

función objetivo es:
z = (cB + λδ cB )x∗ ∀λ ∈ R+ ∪ {0}.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Si existe un j ∈ J tal que δjc − zδj < 0, el coste reducido de dicha

variable puede tomar un valor negativo para ciertos valores de λ.
Por tanto, debe verificarse:
(crj )0
− ≥ λ.
δjc − zδj
Entonces, tomando
{ (cr ) } (crk )0
j 0
λc1 = mı́n − c =− c , (11)
c
j∈J ,δj −zj <0
δ δj − zjδ δk − zδk
la solución actual x∗ es óptima para todo λ en [0, λc1 ] y la función objetivo

toma el valor:
z = (cB + λδ cB )T x∗ .
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Análisis de vector de coste
No pérdida de optimalidad
δjc − zδj ≥ 0
∃j ∈ J tal que δjc − zδj < 0 y λ ∈ [0, λc1 ]
∃ 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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo
Supóngase que se quiere estudiar la evolución de la solución del problema:
mı́n 2x1 − x2 ,
s.a −x1 + x2 ≤ 2,
x1 + x2 ≤ 4, (12)
5x1 + 3x2 ≤ 15,
x1 , x2 ≥ 0.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
λ = 0, la tabla del simplex asociada a la solución óptima es la siguiente:
-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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
De la expresión (10), para un valor de λ arbitrario, los costes reducidos

resultan:
 
( ) ( ) −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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
En cambio, para λ > 12 , cr1 toma un valor estrictamente negativo y hay

que reoptimizar el problema. Esto se puede comprobar en la figura
anterior, donde se ve que el nuevo punto óptimo será el (1, 3). La tabla
con los nuevos valores de los costes reducidos antes de pivotar es:
-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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
Entra al variable x1 en la base y sale x4 , resultando la siguiente tabla, que

como se puede comprobar, es óptima para cualquier valor de λ ≥ 12 .
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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
Por tanto, la solución del problema resulta:

{
(0, 2) si λ ∈ [0, 21 ]
x∗ =
(1, 3) si λ ∈ [ 12 , +∞)
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Contenidos
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Considérese la siguiente familia de problemas:
z = mı́n cT x,
s.a Ax = b + λδ b ,
x ≥ 0,
con λ ≥ 0 y donde δ b ∈ Rm es la dirección a lo largo de la que se perturba

el vector de costes b.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Supóngase que se resuelve el problema para λ = 0.

Las variaciones de λ producen cambios en el valor de las variables
básicas, que para cada valor de lambda es:
( )
x∗Bλ = B−1 b + λδ b = B−1 b + λB−1 δ b = x∗B0 + λϕ, (13)
con ϕ = B−1 δ b .
Así, alguna de ellas puede tomar un valor negativo y, por tanto, la

solución deja de ser factible y será necesario aplicar el algoritmo
dual.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Para que la solución siga siendo factible, debe verificarse que
x∗Bλ ≥ 0
.
Como λ ≥ 0
Si ϕ ≥ 0 la solución es factible para cualquier valor de λ.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Si existe un i ∈ I tal que ϕi < 0, la variable xi puede tomar un valor

negativo para ciertos valores de λ.
Por tanto, debe verificarse:
x∗0i
− ≤ λ.
ϕi
Entonces, tomando
{ x∗ } x∗0
0
λb1 = mı́n − i = − k, (14)
i∈I, ϕi <0 ϕi ϕk
la solución actual x∗ es factible para todo λ en [0, λb1 ].
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Anális del vector de recursos
No pérdida de optimalidad
ϕ≥0
∃i ∈ I tal que ϕi < 0 y λ ∈ [0, λb1 ]
∃ 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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
Supóngase que se quiere estudiar la evolución de la solución del problema:
mı́n 2x1 − x2 ,
s.a −x1 + x2 ≤ 2,
x1 + x2 ≤ 4, (15)
5x1 + 3x2 ≤ 15,
x1 , x2 ≥ 0,
si el vector de recursos b varía según la dirección (δ b )T = (2, −1, −1).
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
Para λ = 0, la tabla del simplex asociada a la solución óptima es la

siguiente:
-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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
y la región factible es:
(0, 2) s
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
La nueva región factible para ese valor es:
5x1 + 3x2 ≤ 43
(0, 10 s 3
3 )
−x1 + x2 ≤ 10
3
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
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
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
La región factible definida por las restricciones es:
−x1 + x2 ≤ 10
5x1 + 3x2 ≤ 11
q
(0, 0)
x1 + x2 ≤ 10
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
donde el único punto factible si λ = 4 es el (0, 0).

Sin embargo, para valores mayores, la región es vacía y el problema
infactible.
Efectivamente, al aplicar el algoritmo dual, se comprueba como ninguna
variable puede entrar en la base en sustitución de x2 .
Por tanto, el problema resulta infactible.
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ejemplo (cont)
La solución del problema para los distintos valores de λ es:

 [ ]

(0, 2 + 2λ) si λ ∈ 0, 32
( ) [ ]
x∗ = 0, 4 − λ si λ ∈ 32 , 4

 ( )
Infactible si λ ∈ 4, ∞ .
logoURJC
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .

LP Postoptimizacion

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

LP Postoptimizacion

Cargado por

Copyright:

Formatos disponibles

Tema 3.

Antonio Alonso Ayuso

. . . .... .... .... . . . . .

El análisis de sensibilidad permite conocer si la solución obtenida es

OBJETIVO: Obtener intervalos de variación para los coeficientes de

Estos intervalos permiten conocer la validez de los precios sombra.

Supóngase que se modifica la componente k-ésima del vector c,

k ∈ J : sólo se ve afectado el valor del coste reducido k-ésimo, y

la solución actual sigue siendo óptima.

k ∈ I: puesto que ahora varía cB , todos los costes reducidos se ven

Para que la nueva solución siga siendo óptima debe verificarse:

crj ≥ ∆ck ykj .

k ∈ I: Dependiendo del signo de ykj , se distinguen tres casos:

Sin Pérdida de Optimalidad

Sea el siguiente problema:

La tabla del simplex asociada a la solución óptima del problema es la

En el ejemplo de la petroquímica, podemos saber si la solución es sensible

Mientras que el beneficio por tonelada de PET-botella no baje en más de

Al variar el vector b, los cambios afectan al valor de las variables

logoURJC donde B−1

Antonio Alonso-Ayuso Opt. Lineal Continua (versión profesor) MEGI/GMAT (URJC) 18 / 89

Como en el vector de costes, se pueden distinguir tres casos:

Sin Pérdida de Factibilidad

donde la columna k-ésima de B−1 corresponde a la columna de la

Continuando con el ejemplo anterior, tenemos que la solución óptima

El rango de variación para cada elemento de b, según la expresión (2)

5x1 + 3x2 = 20 (∆b3 = 5)

5x1 + 3x2 ≤ 6 (∆b3 = −9)

Si consideramos el lado derecho, obtenemos:

La decisión de no hacer PET-fibra se mantendrá mientras la disponibilidad

▶ Si se modifican los coeficiente de la matriz A correspondientes a una

⋆ el coste reducido de dicha variable:

y′k = B−1 a′k ,

donde a′k es la nueva columna de coeficientes de la variable k en el

Si el coste reducido resulta negativo, es necesario reoptimizar el

Coeficientes correspondientes a variables básicas:

Coeficientes correspondientes a variables básicas:

Coeficientes correspondientes a variables no básicas:

Si en el ejemplo anterior se sustituye la columna asociada a la variable x2 ,

La tabla del problema resulta:

y al pivotar sobre y′22 resulta:

Este caso se puede considerar una situación particular del anterior, en

Para comprobar si ocurre esto, es suficiente con calcular el coste

donde an+1 es la columna de coeficientes de la nueva variable en el

Si este coste reducido es negativo, es necesario reoptimizar el

Adición variable: Pérdida Optimalidad

Si en el ejemplo se añade la variable x6 con coste c3 = −2 y vector

La nueva tabla es:

Supóngase que se añade una nueva restricción al problema.

Si la solución óptima del problema original satisface la nueva

Si, por el contrario, el punto no satisface la nueva restricción, es

La nueva restricción, am+1 x ≤ bm+1 , donde am+1 es un vector fila de

Multiplicando cada uno de los miembros del sistema de ecuaciones del

x∗B = x∗B + B−1 Nx∗N , (6)

Este sistema contiene una nueva base de dimensión m + 1.

xn+1 = bm+1 − am+1

Se pueden dar los posibles casos:

Si añadimos am+1 x ≤ bm+1 :

Se pueden dar los posibles casos:

Si se incluye am+1 x = bm+1 , no tiene sentido incluir una nueva

Por el contrario, si se añade la restricción x2 ≤ 1 la solución actual no la

La nueva tabla resulta: