Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Este método ha sido seleccionado como uno de los diez algoritmos más decisivos del siglo XX.
Dantzig es, de hecho, reconocido como el padre de la PL (vease Gass para detalles). A
mediados de los años cincuenta el interés por la PL alcanzó el terreno industrial y el académico.
Dentro del amplio campo de la PL, el presente trabajo versa sobre el análisis de sensibilidad de
problemas y, concretamente se ocupa de analizar las repercusiones que pueden ocasionar en
el valor optimo del problema (por ejemplo, en el máximo beneficio) ligeras modificaciones en
los datos del mismo. El análisis de sensibilidad en PL es un tema paradigmático al que
numerosos investigadores de primera línea internacional han dedicado un notable esfuerzo
desde los orígenes de la PL. (Ayllón, 2017)
OBJETIVOS:
BASE TEORICA:
la base teórica en la que se recogen las relaciones básicas que se establecen en el algoritmo
simplex y a las cuales nos tenemos que remitir cada vez que se nos presente un cambio en
algún parámetro. Así, la metodología que deberá seguirse ante cada cambio consistirá en lo
siguiente:
1) En primer lugar, ir a la base teórica y ver qué efectos provocará en la última tabla.
2) Una vez establecidos los efectos, el paso siguiente consistirá en especificar el procedimiento
En cuanto a los cambios, será necesario diferenciarlos en función de si afectan a los parámetros
o a la estructura del problema. El primer grupo estará formado por cambios efectuados en c, b
y A, mientras que en el segundo habrá las modificaciones que consisten en la introducción de
una nueva restricción y de una nueva variable.
En el caso de variaciones en c, habrá que distinguir si se trata de la ci de una variable que
pertenece a la base o no, ya que los conceptos que se tendrán que volver a calcular serán los
mismos, pero el número variará. Así, en el primer caso deberemos volver a calcular los valores
de z* y de todos los de las zi — ci, mientras que en el segundo sólo habrá que calcular el valor
de zi — ci de la variable afectada.
En el caso de que haya variaciones en b, nos limitaremos a bajar en la última tabla el nuevo
vector b utilizando la matriz de transformación, B *—1, y con posterioridad volveremos a calcular
únicamente, y en el caso de que ninguna V se haya transformado en negativa, el valor de z*.
Para acabar, hemos abordado los cambios en la estructura del problema aportando dos
ejemplos para explicarlos.
Función Objetivo:
Nuestra función objetivo es maximizar la ganancia total, representada por la función Z. Para
lograr esto, buscamos determinar la cantidad óptima de juguetes grandes (x) y juguetes chicos
(y) que debemos fabricar. La ganancia por cada juguete grande es de $100 y por cada juguete
chico es de $120. Por lo tanto, nuestra función objetivo es:
Restricciones:
Para garantizar una producción eficiente y cumplir con nuestros recursos disponibles, hemos
establecido las siguientes restricciones:
Para resolver el problema de programación lineal mediante el método gráfico con la función
objetivo Z=100x+120y y las restricciones proporcionadas, primero representaremos
gráficamente las restricciones en un sistema de coordenadas. Luego, identificaremos el vértice
óptimo de la región factible y calcularemos la solución óptima. Finalmente, aplicaremos un
análisis de sensibilidad para evaluar cómo afecta un cambio en la función objetivo o en la
disponibilidad de una de las restricciones a la solución óptima.
1. x + 2y ≤ 90
2. 2x + y ≤ 100
3. 2x + 2y ≤ 150
La región sombreada en el gráfico es la región factible, que cumple con todas las restricciones.
Paso 2: Identificación del vértice óptimo
Ahora, necesitamos encontrar los vértices de la región factible para identificar el que maximiza
la función objetivo Z=100x+120y. Los vértices son puntos de intersección de las líneas de
restricción. En este caso, tenemos cuatro vértices en el gráfico.
Vértice A (0, 0)
Vértice B (0, 45)
Vértice C (36.6, 26.5)
Vértice D (60, 15)
Vértice E (75, 0)
ZA=100(0) +120(0) =0
ZB=100(0) +120(45) =5400
ZC=100(36.6) +120(26.5) =6840
ZD=100(60) +120(15) =7800
ZE=100(75) +120(0) =7500
Por lo tanto, el vértice que maximiza Z es el vértice D (60, 15) con un valor de ZD=7800.
Este cambio en la función objetivo, que aumentó el coeficiente de X a 150, ha llevado a una
mayor ganancia total y ha afectado la solución óptima en términos de la cantidad óptima de
juguetes a producir.
Cambio en la disponibilidad de una restricción:
La función objetivo
A una variable
A una restricción
A una disponibilidad de cualquier restricción
Actualmente, tenemos dos funciones objetivo: una original y otra modificada. Para analizar la
sensibilidad, podemos comparar las dos funciones objetivo y sus soluciones óptimas.
Solución Óptima para la Función Original: (x = 60, y = 15) con una ganancia de S/
7,800.00
Solución Óptima para la Función Modificada: (x = 50, y = 25) con una ganancia de S/
11,250.00
Comparación:
La función objetiva modificada produce una ganancia mayor que la función original.
El punto óptimo cambia de (60, 15) a (50, 25) al modificar la función objetivo.
Z=150x+120y
Podemos considerar el impacto de cambiar una de las restricciones. Por ejemplo, modificamos
la restricción "x + 2y <= 90" a "x + 2y <= 100," podríamos analizar cómo esto afecta la solución
óptima y la ganancia.
Valor de R1: x + 2y = 90
Ambas soluciones óptimas tienen el mismo valor para la restricción R1 (x + 2y = 100). Esto
significa que, en este caso, la disponibilidad de la restricción R1 no afecta la ganancia óptima,
ya que ambas funciones objetivo alcanzan su máximo sin violar esta restricción. Por lo tanto, no
es necesario realizar cambios en la disponibilidad de esta restricción para maximizar la
ganancia en ambos casos.
CONCLUSIONES:
Cambiando variables:
Cambios de restricciones: