Anlisis de Sensibilidad

El anlisis de sensibilidad busca determinar los efectos que se producen en la solucin ptima al realizar cambios en cualquiera de los parmetros del modelo de programacin lineal planteado inicialmente. Entre los cambios que se investigan estn: los cambios en los coeficientes de las variables en la funcin objetivo tanto para variables bsicas como para las variables no bsicas, cambios en los recursos disponibles de las restricciones, variacin de los coeficientes de utilizacin en las restricciones e introduccin de una nueva restriccin. El objetivo principal del anlisis de sensibilidad es identificar el intervalo permisible de variacin en los cuales las variables o parmetros pueden fluctuar sin que cambie la solucin optima. Sin embargo, as mismo se identifica aquellos parmetros sensibles, es decir, los parmetros cuyos valores no pueden cambiar sin que cambie la solucin ptima. Los investigadores de operaciones tienden a prestar bastante atencin a aquellos parmetros con holguras reducidas en cuanto a los cambios que pueden presentar, de forma que se vigile su comportamiento para realizar los ajustes adecuados segn corresponda y evitar que estas fluctuaciones pueden desembocar en una solucin no factible. A modo general, cuando se realiza un anlisis de sensibilidad a una solucin ptima se debe verificar cada parmetro de forma individual, dgase los coeficientes de la funcin objetivo y los limites de cada una de las restricciones. En ese sentido se plantea el siguiente procedimiento: 1. Revisin del modelo: se realizan los cambios que se desean investigar en el modelo. 2. Revisin de la tabla final Smplex: se aplica el criterio adecuado para determinar los cambios que resultan en la tabla final Smplex. 3. Conversin a la forma apropiada de eliminacin Gauss: se convierta la tabla en la forma apropiada para identificar y evaluar la solucin bsica actual, para lo cual se aplica la metodologa de eliminacin Gauss si es necesario. 4. Prueba de factibilidad: se prueba la factibilidad de esta solucin mediante la verificacin de que todas las variables bsicas de la columna del lado derecho aun tengan valores no negativos. 5. Prueba de optimalidad: se verifica si esta solucin es optima y factible, mediante la comprobacin de que todos lo coeficientes de las variables no bsicas del regln Z permanecen no negativos. 6. Reoptimizacin: si esta solucin no pasa una de las pruebas indicadas en los puntos 4 y 5 anteriores, se procede a buscar la nueva solucin optima a partir de la tabla actual como tabla Smplex inicial, luego de aplicadas las conversiones de lugar, ya sea con el mtodo Smplex o el Smplex Dual. Utilizando la herramienta Solver Excel se puede obtener un reporte del analisis de sensibilidad, para los fines se selecciona el problema 4.6-4 del libro de texto. A continuacin se presenta el modelo planteado con la solucin ptima encontrada.

ANLISIS DE SENSIBILIDAD Anlisis de Sensibilidad, llamado tambin Anlisis de Post-optimizacin, es una de las partes ms importantes en la programacin lineal, es utilizada para tomar en consideracin los cambios que pueden ocurrir en los elementos componentes del modelo que consiste en determinar que tan sensible es la respuesta ptima del mtodo simplex, al cambio de algunos datos como las ganancias o costos unitarios (coeficientes de la funcin objetivo) o la disponibilidad de los recursos (trminos independientes de las restricciones), que se refieren a permutas en coeficientes, variables, restricciones y Funcin Objetivo. Objetivo principal del anlisis de sensibilidad: Establecer un intervalo de nmeros reales en el cual el dato que se analiza puede estar

contenido, de tal manera que la solucin sigue siendo ptima siempre que el dato pertenezca a dicho intervalo Investigar el cambio en la solucin ptima del problema, cuando se producen cambios en los parmetros del modelo ASPECTOS RELEVANTES DE LA TEORA DE ANLISIS DE SENSIBILIDAD Siendo determinstico, el modelo de Programacin Lineal, asume que se conocen con certeza sus datos de insumo. Sin embargo, nada en la vida es constante. Por ello, el anlisis de sensibilidad justifica plenamente la utilizacin de este modelo al presentar los efectos de los cambios que pueden ocurrir durante el periodo de planificacin para el que se est utilizando el modelo, y an durante la solucin del mismo. Cuando cambia un nmero, insumo del modelo, tal como un coeficiente o parmetro, o un lado derecho de una restriccin, el anlisis de sensibilidad de la solucin muestra un rango de valores dentro de los cuales ese nmero puede cambiar sin cambiar la solucin bsica obtenida. Disminuir el lado derecho de una restriccin del Tipo mayor o igual que ( ) o incrementarlo en una restriccin del Tipo menor o igual que ( ) implica hacerla ms fcil de satisfacer. El espacio de solucin, en estos casos, se expande o lo deja igual. Disminuir el lado derecho de una restriccin del Tipo menor o igual que ( ) o incrementarlo en una restriccin del Tipo mayor o igual que ( ) implica hacerla ms difcil de satisfacer. El espacio de solucin, en estos casos, se contrae o lo deja igual. Cuando ocurren cambios en el nmero de variables, aparece una nueva restriccin o cambian todos los coeficientes en el objetivo, el anlisis de sensibilidad indicar el efecto que esto ocasiona sobre la solucin bsica. Debe recordar que el anlisis se refiere a la sensibilidad de la solucin bsica ptima, no a la sensibilidad de un coeficiente o de una restriccin, etc. La Dualidad en Programacin Lineal tiene su esencia en el hecho de existir dos modelos lineales cuando se ha planteado slo uno para resolver un problema especfico. El modelo Lineal asociado al Modelo Lineal Original o Principal se denomina Modelo Dual. Cuando se obtiene la solucin de uno, se est obteniendo tambin la solucin del otro. El Modelo Dual contiene: a) Una cantidad de variables igual a la cantidad de restricciones que existan en el modelo original, b) Una cantidad de restricciones igual a la cantidad de variables que existan en el modelo original. En el Modelo Dual el lado derecho de sus restricciones est conformado por los coeficientes de las variables de la Funcin Objetivo en el modelo original. A su vez, el lado derecho de las restricciones del modelo original conforma los coeficientes de la Funcin Objetivo del modelo Dual. Los coeficientes de cada restriccin en el Modelo Dual corresponden a los coeficientes de cada variable del modelo original. La Funcin Objetivo del Modelo Dual es el reverso de la Funcin Objetivo original. Si en el modelo original se maximiza, en el Dual se minimiza y viceversa. Para la elaboracin del Modelo Dual, a partir de un modelo normal de minimizacin (todas las restricciones son del Tipo ) y de un modelo normal de maximizacin (todas las restricciones son del Tipo ), se revierte el sentido de las desigualdades y el signo de las variables. La solucin del Modelo Dual provee informacin adicional para la decisin que se tomar con

la solucin del modelo original. Cada variable Dual informa en cunto variar la Funcin Objetivo del modelo original por cada unidad en que se incremente el lado derecho de la restriccin, del modelo original, a la que se refiere esa variable dual. Siempre y cuando esa unidad de incremento sea realmente utilizada. Esto permite determinar la conveniencia o no de incrementar un determinado lado derecho de una restriccin. Los incrementos permitidos, en el lado derecho de las restricciones, los informar el rango dado por el anlisis de sensibilidad de la solucin cuando estos elementos cambian. Ms all de esos montos, la solucin bsica cambiar. Las variables duales son vlidas slo para la respectiva solucin bsica ptima. Si la solucin bsica ptima cambia, las variables duales cambian. Slo en un mnimo nmero de casos permanecen con sus valores. Si existen dos soluciones posibles para dos modelos (El original y el Dual) de tal manera que los valores de sus respectivas funciones objetivo son iguales, se puede concluir que ambas soluciones son ptimas para sus respectivos modelos. CAMBIOS EN LOS COEFICIENTES DE LA FUNCIN OBJETIVO Tambin puede ser llamado cambio en la relacin ganancia-costos. Los coeficientes de la funcin objetivo pueden cambiar dentro de los lmites sin que se afecten los valores ptimos de las variables, no obstante cambiar el valor ptimo de z. La funcin objetivo nunca se utiliza como ecuacin pivote. Por lo tanto, cualquier cambio en los coeficientes de la funcin objetivo afectarn solamente a la funcin objetivo en la tabla ptima. Esto significa que estos cambios pueden tener el efecto de hacer la solucin no ptima. La meta de este consiste en determinar el intervalo de variacin de los coeficientes objeto (uno a la vez), para el cual se mantiene sin variacin la solucin ptima actual. Surgen dos casos distintos que dependen que la variable sea o no bsica en la tabla ptima: Caso 1: Variables bsicas. Cualquier cambio en los coeficientes originales de las variables bsicas ptimas, afectar a todos los coeficientes no bsicos en el rengln objetivo de la tabla ptima. Este cambio puede afectar el ptimo actual porque una o ms de sus variables pueden llegar a elegirse para entrar en la solucin bsica. Los nicos cambios en la tabla ocurren en los coeficientes no bsicos en el rengln z. Caso 2: Variables no bsicas. El caso de las variables no bsicas es ms sencillo, ya que los cambios en sus coeficientes objetivos originales pueden afectar slo a los coeficientes de la ecuacin Z. Esto se debe a que la columna correspondiente no se utiliza como pivote, como sucede en una columna bsica. Coeficientes objetivo ptimos de las variables no bsicas se denominan, en general, costos reducidos, ya que representan la tasa neta de decremento del valor objetivo ptimo, que se obtiene al incrementar la variable no bsica asociada. CAMBIOS EN LOS VALORES DEL LADO DERECHO DE LAS RESTRICCIONES

Consiste en el cambio de uno o ms los parmetros. Los nicos cambios que resultan en la tabla simplex final se encuentran en la columna del lado derecho, por lo cual, se pueden omitir del procedimiento general tanto la conversin a la forma apropiada de eliminacin de Gauss como la prueba optimalidad. Cuando el vector de valores bi (lado derecho) se cambia de b a b, las frmulas para calcular la nueva columna del lado derecho en la tabla simplex final son: Lado derecho del rengln 0 final: Z* = y* b Lado derecho de los renglones 1, 2,. . ., m: b* = S* b INCLUSIN DE UNA NUEVA RESTRICCIN Para saber si la actual solucin y valor ptimo se mantendr luego de incorporar una nueva restriccin al problema se debe evaluar la solucin actual y verificar si satisface la nueva restriccin. En caso afirmativo, la actual solucin tambin lo ser del problema con la nueva restriccin, en caso contrario se incorporar la nueva restriccin a la tabla final del Simplex del escenario base. INCLUSIN DE UNA NUEVA VARIABLE Debemos evaluar si la nueva variable es un aporte significativo a los resultados del modelo original. Luego, para decir si la actual solucin bsica es ptima para el nuevo problema, calculamos el costo reducido de la nueva variable como: donde k es el ndice de la nueva variable y Ak su respectiva columna en la matriz de coeficientes. Si se cumple que rk0 se conserva la actual solucin ptima. En caso contrario, se puede seguir con el Simplex agregando a la tabla una nueva columna con entradas B-1Ak y rk y tomando como variable entrante a la nueva base la que acabamos de introducir al problema. Procedimiento Revisin del modelo: Se hacen los cambios deseados en el modelo que se va a investigar. Revisin de la tabla Simplex final: Utilizacin de la idea fundamental para determinar los cambios en la tabla. Conversin a la forma apropiada: Conversin de tabla en la forma apropiada para identificar y evaluar la solucin bsica actual. Prueba de factibilidad: Verificar que todas las variables bsicas sigan teniendo valores no negativos en el segundo miembro. Prueba de optimidad: Verificacin si solucin e s optima. Coeficientes variables no bsicas en el rengln 0 sigan siendo no negativos. Reoptimizacin: Si no pasa cualquiera de las pruebas, se puede obtener la nueva solucin, partiendo de la tabla actual haciendo las conversiones necesarias.

METODO DUAL SIMPLEX En el algoritmo dual smplex, el problema empieza optimo y no factible. Las iteraciones sucesivas estn diseadas para avanzar haca la factibilidad, sin violar la optimalidad. En iteracin, cuando se restaura la factibilidad, el algoritmo termina. El mtodo dual smplex contrasta con el mtodo regular (primal simplex), en el sentido de que las iteraciones empiezan factibles y no optimas y no continan siendo factibles hasta que se logra la factibilidad. En el mtodo dual smplex, el cuadro simplex inicial debe tener un rengln objetivo optimo por lo menos con una variable bsica no factible (< 0). Para mantener la optimalidad y, simultneamente, avanzar hacia la factibilidad en cada nueva iteracin, se emplearan las dos condiciones siguientes: Condicin Dual de Factibilidad: La variable de salida, x, es la variable bsica que tiene el valor ms negativo, con empates que se rompen arbitrariamente. Si todas las variables bsicas son no negativas, el algoritmo termina. Condicin Dual de Optimalidad : La variable de entrada esta determinada entre las variables no bsicas como la correspondiente a min {zj - cj , no bsicas rj rj < 0}

Donde rj es el coeficiente de restriccin de la tabla smplex asociada con el rengln de la variable de salida x, y la columna de la variable de entrada Xj. Los empates se rompen arbitrariamente. Ejemplo: Minimice z = 3x1 + 2x2 Sujeta a 3x1 + x2 " 3 4x1 + 3x2 " 6 x1 + x2 " 3 x1, x2 " 0 La tabla smplex inicial para el problema se da como Solucin bsica factible X1 X2 X3 X4 X5 Solucin z -3 -2 0 0 0 0 X3 -3 -1 1 0 0 -3 X4 -4 -3 0 1 0 -6 X5 1 1 0 0 1 3

Las variables X3 y X4 son supervit, mientras que X5, es una holgura CALCULOS PRIMALES DUALES: Al hacer el anlisis de sensibilidad, nos interesamos en un resultado principal: si los cambios en los coeficientes del modelo cambiaran (la optimilida o la factibilidad) de la solucin actual. De ser as Cmo es posible determinar la nueva optima (s existe una)?. Para obtener los resultados deseados de una manera eficiente, necesitamos comprender como los clculos smplex se ven afectados cuando se hacen cambios en los coeficientes originales del modelo. En particular, Cmo se ven afectadas la optimalidad (coeficientes del rengln objetivo) y la factibilidad lado derecho de la tabla smplex cuando se hacen estos cambios? Una forma compacta de seguir los clculos smplex es utilizando matrices, solo se necesitan tres operaciones elementales de matriz que son: (vector de rengln) X (matriz), (matriz) X (vector de columna) y (escalar) X (matriz). Estas operaciones se introducen aqu por conveniencia. Primero empezamos con algunas definiciones. ANALISIS POSTPTIMO O DE SENSIBILIDAD El anlisis de sensibilidad se hace despus de obtener la solucin ptima (actual) de un modelo de PL. La meta es determinar si los cambios en los coeficientes del modelo dejaran inalterada la solucin actual y, de no ser as, como obtener con eficiencia una manera optima (suponiendo que existe una). En general los cambios en el modelo dan por resultado uno de cuatro casos. 1.-La solucin actual (bsica) permanece inalterada. 2.-La solucin actual se vuelve no factible. 3.-La solucin actual se vuelve no bsica. 4.-La solucin actual se vuelve no optima as como no factible. En el caso 2, utilizamos el mtodo dual simplex para recuperar la factibilidad, y en el caso 3 utilizamos el mtodo smplex (primal) para obtener la nueva ptima. En el caso 4, utilizamos los mtodos primal y dual para obtener la nueva solucin. Los tres primeros pasos se investigan posteriormente. El curto caso, debido a que es una combinacin del caso 2 y 3, se trata en Problemas integrales. Cambios Que Afectan La Factibilidad La factibilidad de la solucin optima actual puede resultar afectada nicamente s(1) se cambia al lado derecho de las restricciones b, o (2) si se aade una nueva restriccin al modelo. En ambos casos la no factibilidad ocurre cuando por lo menos uno de los elementos B b se vuelve negativo, es decir, si una o mas variables bsicas actuales se vuelve negativa. Cambios discretos en el vector b del lado derecho. Esta seccin considera el caso en que se hacen cambios especficos discretos en uno o mas de los elementos del vector b. PROGRAMACIN LINEAL PARAMETRICA

La programacin lineal paramtrica, investiga los cambios en la solucin ptima de la PL que son el resultado de variaciones continuas predeterminadas en los coeficientes de la funcin objetivo y en el lado derecho de las restricciones. Algunas presentaciones de PL pueden dar la impresin de que la programacin lineal paramtrica aplica nicamente a las variaciones lineales paramtricas. De hecho, el procedimiento se puede aplicar a cualquier funcin cuantificable, lineal o no lineal. La nica dificultad con las funciones no lineales es que los clculos pueden ser difciles de manejar. Suponga que PL se define como n Max z = { CX j=1 El anlisis paramtrico til versa sobre hacer cambios paramtricos en la funcin objetivo y en el lado derecho de la restriccin. Las funciones lineales paramtricas tpicas son C(t) = C + t C B(t) = b + t b Donde t es el parmetro de la variacin y Cy b son los vectores dados. Por conveniencia, supondremos que t " 0. La idea general del anlisis paramtrico es empezar con la solucin ptima en t = 0. despus utilizando las condiciones de obtimadidad y de factibilidad del mtodo smplex, determinamos el rango 0 " t " t1 para la cual la solucin en t=0 sigue siendo ptima y factible. En este caso, se hace referencia a t1, como un valor critico. El proceso continua determinando los valores crticos sucesivos y sus soluciones ptimas factibles correspondientes y terminara en t = t, cuando hay una indicacin ya sea de que la ultima solucin permanecer inalterada para t > t, o bien de que no existe una solucin factible mas all de ese punto. CAMBIOS DE PARAMETROS EN C Dejamos que XBi, Bi, CB (t) sean los elementos que definen la solucin ptima asociada con la ti critica (los clculos empiezan en t0 = 0 con B0 como su base ptima). Despus se determina el valor critico t i+1, y su base ptima, si existe una. Debido a que los cambios en C solo pueden afectar la optimalidad del problema, la solucin actual X Bi = B b seguir siendo ptima para algunas t " ti siempre y cuando la satisfaga la siguiente condicin de optimalidad: Z j (t) - c j (t) = CB j (t) B i P j - C j (t) " 0, para todas las j El valor de t i+1 es igual a t > t i ms grande que satisface todas las condiciones de optimalidad. Observe que no hay nada en las desigualdades que requiera que C (t) sean lineal en t. Cualquier funcin C(t), lineal o no lineal, es aceptable. Sin embargo, con la no linealidad, la manipulacin numrica de las desigualdades resultantes puede ser difcil de manejar. Restricciones De Desigualdad. PjXj = b, X " 0}

Estar seccin muestra como un mtodo Lagrangiano se puede extender para manejar restricciones de desigualdad. La principal contribucin de la seccin es desarrollar las condiciones de kuhn - tuckl que proporcionan la teora bsica para la programacin no lineal. Extensin Del Mtodo Langrangiano. Supongamos que el problema esta dado por un Maximice z = f(x) Sujeta g (x) < 0 , i = 1,2 , .. , m Las restricciones del no negatividad x mayor que 0 si hay alguna que incluya en la m restricciones. La idea general de extender el procedimiento Langrangiano es que si el optimo no restringido de f (x) no satisfacen todas las restricciones, el ultimo restringido debe ocurrir en un punto limite del espaci de solucin esto significa que una ,o mas de las M restricciones debe satisfacerse en forma de ecuacin. El procedimiento implica los siguientes pasos. Paso 1. Resuelve el problema no restringido: Maximize z =f(x) Si el ultimo resultante satisface todas las restricciones detngase, porque todas las restricciones son redundantes. De otra forma, determine k = 1. Paso 2: Activar cualesquiera restricciones (es decir, convertirlas en igualdades) y optimice con el mtodo Langrangiano f(x) sujeta a las K restricciones activas. Paso 3: Si K = M, detngase; no existe ninguna solucin factible. De otra forma determine K = K + 1. Condiciones de Kuhn - Tucker. Para identificar puntos estacionarios de un problema restringido no lineal sujeto a restricciones de desigualdad. Estas condiciones tambin son suficientes bajo ciertas reglas. Una condicin necesaria para la optimizacin es que sea no negativa (no positiva) para problemas de maximizacin (minimizacin). Esto se justifica como sigue. Considere el caso de maximizacin. Como mide la taza de variacin de F con respecto a g. Teora De Optimizacin Proporciona la teora clsica para localizar los puntos de mximos y mnimos de problemas no lineales restringidos y no restringidos. La teora por lo general no es adecuada para propsitos de calculo. Existen pocas excepciones donde la teora de Kuhn - Tucker es la base para el desarrollo de algoritmos de calculo eficientes. La programacin cuadrtica, es un ejemplo del uso de las condiciones necesarias de Kuhn - Tucker. No es posible establecer condiciones de suficiencia (similares a las de los problemas no restringidos y a los problemas con restricciones de igualdad) para programas no lineales con restricciones de desigualdad. No existe forma de verificar si un algoritmo de programacin no lineal converge a un ptimo local o a uno global. Optimizacin

La teora de la optimizacin clsica usa el calculo diferencial en la optimizacin de los puntos mximos y mnimos para funciones con y sin restricciones. El mtodo tal vez no sea adecuado para clculos eficientes, la teora que lo fundamenta proporciona las bases para desarrollar la mayor parte de los algoritmos, de programacin lineal. Problemas no restringido Un punto extremo de una funcin F(x) define un mximo o un mnimo de la funcin. Matemticamente, un punto X = (X , , X X) es un mximo s. F (x + h) < F (x) Para toda h igual (h , h , h) de modo que h es suficientemente pequeo para toda j. En otras palabras x un mximo si el valor de F en todo el punto de la vecindad de x no excede f (x). de manera similar, x es un mnimo si para h se defini. F (x + h ) > F (x ) F de x se llama mximo global o absoluto y F ( x ) y F ( x ) Son mximo locales o relativos. Al respecto, X se llama mximo dbil comparado con X; ejemplo de F (x) define un mximo fuerte. Sin embargo esta propiedad tambin satisface punto de inflexin y de silla de motar, como en X. Problemas con restricciones Optimizacin de las funciones restringidas que presentan caso de restricciones de igualdad y de desigualdad. Restricciones de igualdad Son dos mtodos. El Jacobiano y el Lagrangiano, el segundo se desarrolla de forma lgica a partir del mtodo jacobiano. Esta relacin proporciona una interesante interpretacin econmica del mtodo lagrangiano. Mtodo De Derivadas Restringidas ( Jacobiano) La idea de utilizar derivadas restringidas es encontrar una expresin de forma cerrada para las primeras derivadas parciales de f (x) en todos puntos que satisfacen las restricciones g (x) = 0 Los correspondientes puntos estacionarios se identifican entre los puntos de las que estn derivadas parciales se hacen 0. Ahora el mtodo se desarrolla de forma matemtica mediante el problema de Tyler, para los puntos x y x En vecindad factible de x, tenemos f ( x + x ) - f (x ) = f x) x + 0 ( x ) Donde f representa el gradiente restringido de f con respecto a z as f ( y, z ), deben ser unos puntos estacionarios. Entre tanto, los elementos de la matriz deben ser de la segunda derivada restringida. Para mostrar como se obtiene.

Anlisis de sensibilidad del mtodo Jacobiano Este mtodo sirve para estudiar la sensibilidad del valor optimo de f debido a cambios pequeos en los lados derechos de las restricciones. Este tipo de investigacin se llama anlisis de sensibilidad y de alguna manera es similar a lo que se lleva a cabo la programacin lineal.