1.4. Análisis de Sensibilidad

1.
4 Anlisis de Sensibilidad en PL Continua
Investigacin Operativa
En los modelos de programacin lineal, los distintos coeficientes de la funcin objetivo, restricciones y valores de los recursos son datos que pueden
estar sujetos a errores o fluctuaciones. Por ello, su conocimiento no siempre
es preciso y pueden cambiar con el tiempo, ya que muchos dependen de
parmetros no controlables.
Analizar el efecto de cambios en la estructura del modelo sobre la solucin
ptima es, por tanto, de gran importancia y recibe el nombre de anlisis de
sensibilidad o postoptimalidad.
En este tema estudiamos el anlisis de sensibilidad, que utiliza la tabla ptima del smplex para obtener con el cambio de algn dato la nueva solucin
ptima, sin necesidad de resolver nuevamente el problema.
Veremos algunas tcnicas para llevar a cabo distintos tipos de anlisis de
sensibilidad, estudiando primero los cambios discretos y, posteriormente, los
cambios paramtricos (o de variacin continua), englobados estos ltimos en
la que se denomina programacin paramtrica.
1.4 Anlisis de Sensibilidad en PL Continua
1. Cambios discretos
Los cambios discretos se refieren al estudio del impacto o efecto que se produce sobre la solucin ptima cuando el valor actual de uno o ms coeficientes del problema se cambian por otros distintos.
Estudiamos aqu los cambios discretos debidos a que se produzca una nica
variacin en algn coeficiente, as como la incorporacin de una nueva restriccin o una variable de decisin.
El anlisis de la solucin ptima para ms de un cambio simultneo es bastante ms difcil y, en la mayora de los casos, es necesario resolver nuevamente el problema con los cambios introducidos.
1.1 Cambios en un coeficiente de coste

Cambio en un coeficiente de coste bsico
Los valores de los coeficientes cj son los mismos a lo largo del mtodo del
smplex. Sin embargo, al ir cambiando las variables bsicas por no bsicas
en las iteraciones, tambin cambiarn sus coeficientes asociados, de manera
que un cambio en un coeficiente cBi, puede afectar a varios o todos los valores zj - cj de la fila indicador correspondientes a las variables no bsicas y al
valor del objetivo.
En efecto, si llamamos cBi, zj cj y z a los nuevos valores de cj, zj cj y z,
respectivamente, tenemos
zj cj =
z =
yj cj
.
4
Si zj cj 0 para todo j La tabla ptima del smplex sigue sindolo. Los

valores ptimos de las variables de decisin siguen siendo los mismos pero el valor ptimo de
la funcin objetivo es el que hemos recalculado.
Si zj cj < 0 para algn j La tabla ptima del smplex deja de serlo. Debemos aplicar el mtodo del smplex primal para obtener la nueva solucin ptima del problema.
Cambio en un coeficiente de coste no bsico
Si se produce una variacin en un coeficiente cj asociado a una variable de
no bsica, el nico efecto que se produce es el cambio en el valor indicador
zj - cj correspondiente a esa columna no bsica.
Sea cj el nuevo valor del coeficiente cj y zj cj = cBTyj cj
asociado en la fila indicador.
el nuevo valor
5
Si zj cj 0 la tabla permanece ptima. Los valores ptimos de la funcin objetivo y de las variables de decisin siguen siendo las
mismas ya que no ha sido necesario recalcular ninguna de
ellas.
Si zj cj < 0 tendremos una indicacin de mejora (la tabla dejar de ser
ptima) y ser necesario aplicar de nuevo el mtodo del smplex primal para alcanzar la optimalidad.
El estudio de cambios en los coeficientes cj bsicos y no bsicos simultneamente es ms complicado y nicamente es sencilla la interpretacin cuando,
al introducir nuevos coeficientes en la funcin objetivo y determinar los valores de la fila indicador correspondientes a las variables no bsicas, stos permanecen no negativos y, por tanto, se mantiene la optimalidad. En otro caso,
lo ms conveniente es resolver nuevamente el problema.
6
Ejemplo. A lo largo de todo el tema tomaremos como problema de PL de referencia

el problema de la produccin de cerveza.
Supongamos una fbrica de cervezas en la que se producen tres tipos distintos denominados negra (N), rubia (R) y sin alcohol (A).
Para su elaboracin son necesarios, adems de agua y lpulo, para los cuales no
hay limitacin de disponibilidad, los recursos malta y levadura, que por su disponibilidad limitada restringen la capacidad diaria de produccin.
La siguiente tabla proporciona la cantidad necesaria de cada uno de estos recursos
para la produccin de un litro de cada una de las respectivas cervezas, la materia
prima en kilogramos disponible de cada recurso y, finalmente, el beneficio por litro
de cada tipo de cerveza producido.
Se le plantea ahora al fabricante el problema que consiste en decidir los litros que
debe producir de cada cerveza para que el beneficio total por da sea mximo.
7
El programa lineal que modeliza el problema es:
La tabla inicial del mtodo del smplex, tras la introduccin de dos var. de holgura es:
y la tabla ptima es:
La solucin ptima es por lo tanto:

producir x1*=5 litros de N, x2*=20 de R y x3*=0 de A,
con un beneficio total de z*=160 unidades monetarias.
Se puede destacar que todos los recursos disponibles (30kg de malta y 45 de levadura) se utilizan en el proceso de produccin, no sobrando ninguna cantidad de ambas.
Analicemos el efecto producido al variar el beneficio de la cerveza R.
Actualmente se producen 20 litros.
Aumentar el beneficio producir mayor cantidad de R llegando incluso a producir
slo esa cerveza.
Disminuir el beneficio puede dejar de producirse este tipo de cerveza.
Al ser x2 bsica en la tabla ptima tenemos un cambio discreto en un coeficiente de
coste bsico Debemos recalcular los costes reducidos las var. no bsicas y el
valor de la funcin objetivo.
9
Si denotamos por c2 al nuevo coeficiente en la funcin objetivo de la variable x2, es

decir, el nuevo beneficio asociado a la produccin de un litro de cerveza R, tenemos:
Si imponemos que los nuevos costes reducidos sean 0 tenemos:
Por lo tanto, si c2[2, 8] la tabla seguir siendo ptima, se seguirn produciendo x1*=
5 litros de N, x2* = 20 de R y x3* = 0 de A, y el valor de la funcin objetivo, que
depender de c2 ser:
z =
= (4 , c2) (5 , 20)T = 20 + 20c2
El intervalo de valores para el cual la tabla sigue siendo ptima se denomina intervalo de optimalidad del coeficiente correspondiente.
10
Veamos cual es la nueva solucin ptima para dos valores concretos de c2 :

Para c2 = 5. Como dicho valor pertenece al intervalo de optimalidad, la tabla seguir siendo ptima, los valores ptimos de las var de decisin sern los mismos x1*=
5 litros de N, x2* = 20 de R y x3* = 0 de A, y el valor de la funcin objetivo ser:
z = (4 , 5) (5 , 20)T = 120.
Para c2 = 9. Como dicho valor no pertenece al intervalo de optimalidad, la tabla
dejar de ser ptima. Los nuevos valores de los indicadores son:
Como ya sabamos, uno de los indicadores ha quedado negativo, por lo que la tabla deja de ser ptima y tenemos que aplicar el mtodo del smplex primal. Calculamos el valor de z e introducimos los nuevos valores en la tabla para aplicar el sm11
plex.
z = (4 , 9) (5 , 20)T = 200.
En una iteracin llegamos a la siguiente tabla ptima:
La solucin ptima es x1*= 0 litros de N, x2* = 22.5 de R y x3*=0 de A, y el beneficio

asociado es de 157.5 unidades.
En este momento, nicamente se produce cerveza rubia y sobran 7.5 kg de los 30
que tenamos disponibles de malta (x4*=7.5).
12
1.2 Cambios en el vector de recursos

En la tabla del smplex, la columna de la derecha corresponde a los valores
xBi de las variables bsicas que se obtienen en cada iteracin y que se corresponden con los valores bi de los recursos disponibles en la tabla inicial.
Es claro que una variacin en uno o varios bi lleva consigo un cambio sobre
el vector xB y sobre z. Sin embargo, los valores zj - cj de la fila indicador permanecen iguales, por tanto no negativos y as, la tabla sigue siendo ptima.
Si llamamos b al nuevo vector de recursos, B a la inversa de la actual matriz bsica y xB al nuevo vector correspondiente al lado derecho de la presente tabla, se tiene
xB = B-1 b
z = cBT xB
13
Si xBi 0 para todo i La tabla ptima del smplex sigue sindolo. Los valores ptimos de las variables de decisin y el valor ptimo de la funcin objetivo son los recalculados.
Si xBi < 0 para algn i La tabla ptima del smplex deja de serlo. Debemos
aplicar el mtodo del smplex dual para obtener la
nueva solucin ptima del problema.
Determinacin de la inversa de la base, B-1, que utiliza la tabla del smplex.
Un mtodo de obtencin de la matriz inversa de una matriz cuadrada M consiste en adjuntar a M la matriz identidad I del mismo orden, lo que indicamos con
(MI).
Mediante operaciones que consisten en:
a) multiplicar o dividir cualquier fila por un nmero, y
b) multiplicar cualquier fila por un nmero y sumarla a otra fila,
la transformamos en (IN), de manera que la matriz N ser la inversa de M. 14
Este proceso es el que se considera en la formacin de una base inicial

cuando en un problema lineal se introducen variables de holgura y/o artificiales para poder aplicar el mtodo del smplex y en cada iteracin se estar determinando la inversa de la base actual.
Tal matriz inversa se obtiene a partir de las columnas correspondientes al
conjunto de variables bsicas originales (iniciales) en el cuadro correspondiente a la iteracin actual.
Resumiendo, para determinar B utilizamos las siguientes reglas:
-Las columnas yk de B van asociadas con las variables bsicas iniciales y estn ordenadas de la misma forma que las citadas variables
bsicas; y
-Los valores de los vectores yk son aqullos que aparecen en la tabla
actual del smplex.
15
Ejemplo. Siguiendo con el problema de la produccin de cerveza:

Supongamos que la disponibilidad de malta aumenta en 9 unidades, con lo
que el vector de recursos b, que actualmente es (30, 45) pasa a ser (39, 45).
Para recalcular los valores que se ven afectados por este tipo de AS necesitamos
conocer la matriz B-1,
Formada por los vectores columna yj en la tabla ptima de las var x4 y x5, que
eran bsicas en la tabla inicial.
Por lo tanto, la tabla sigue siendo ptima y la nueva solucin ptima consiste en pro16
ducir x1*= 11 litros de N, x2*=17 de R y x3*=0 de A, y con un beneficio de 16 u.
Supongamos que el coste de disponer de estos 9 Kg. adicionales de malta es

de 5 unidades, es rentable la utilizacin de esta malta adicional?
Observando el nuevo valor ptimo de la funcin calculado anteriormente, 163, podemos afirmar que la disposicin de los 9 Kg. adicionales de malta supone un incremento en el beneficio de 3 unidades.
Como el coste de disponer de esta cantidad adicional de malta es de 5 unidades,
podemos afirmar que no es rentable su utilizacin.
Utilizando precios sombra:
y1*= 1/3 Por cada unidad adicional de malta de que dispongamos el beneficio
aumentar en 1/3 unidades.
y2*= 10/3 Por cada unidad adicional de levadura de que dispongamos el beneficio aumentar en 10/3 unidades.
17
El aumento en el beneficio por la disposicin de 9 Kg. adicionales de malta ser 9

y1*= 9 1/3 = 3. Por lo tanto, se llega a la misma conclusin que con el AS realizado anteriormente.
Nota: Los precios sombra son slo vlidos si la tabla mantiene la optimalidad. Adems, no proporciona ninguna informacin sobre los nuevos valores ptimos de las
var. de decisin.
Calculemos el recorrido de optimalidad del recurso malta (valores para los
cuales la tabla sigue siendo ptima), en el que los precios sombra actuales
sern vlidos.
Denotando por b1 a los Kg. disponibles de malta, el nuevo vector de recursos ser
b = (b1, 45).
Recalculamos los valores de las variables bsicas en funcin de b1 e imponemos
que sean 0, para mantener la optimalidad:
18
Por lo tanto, si b1[45/2,90], los valores ptimos de las variables de decisin sern:
x1*= 2b1 - 45 litros de N, x2*= -b1 + 90 de R y x3*=0 de A,
con un beneficio de z = cBT xB = (4, 7) (2b1-45 , -b1+90 )T= b1 + 450 unidades.
19
1.3 Cambios en la matriz de coeficientes tecnolgicos

Los elementos yij de la tabla del smplex se corresponden inicialmente con los
coeficientes tecnolgicos aij de las restricciones. Un cambio en un aij tendr
posiblemente un efecto sobre los elementos yij resultantes.
Los coeficientes aik se interpretan como la tasa de gasto por unidad de la variable xk del recurso bi.
Una variacin en un coeficiente aij asociado a una variable bsica de la tabla
ptima puede afectar a toda la tabla, pudiendo convertirse la tabla en dual infactible y primal infactible. Bajo tales circunstancias es recomendable resolver
el problema nuevamente.
El anlisis es ms sencillo si el cambio es en un coeficiente aij no bsico. En
efecto, tal cambio afecta a su vector asociado yj y al indicador zj - cj.
Si llamamos aj al nuevo vector tecnolgico bajo la variable no bsica xj e yj al
nuevo vector asociado a xj, ser:
20
yj = B-1 ak
zj cj = cBTyj cj
Si zj cj 0 la tabla permanece ptima. Los valores ptimos de la funcin objetivo y de las variables de decisin siguen siendo las
mismas.
Si zj cj < 0 tendremos una indicacin de mejora (la tabla dejar de ser
ptima) y ser necesario aplicar de nuevo el mtodo del smplex primal para alcanzar la optimalidad.
21

Supongamos que ya no es necesaria la utilizacin de levadura en la produccin
de cerveza sin alcohol, es decir, que el valor del coeficiente tecnolgico a23 = 2
pasa a ser a23 = 0.
Tenemos un cambio discreto en un coeficiente tecnolgico asociado a una variable

no bsica en la tabla ptima del smplex (x3):
Recalculemos el vector y3 y el coste reducido z3 - c3:
22
Como el coste reducido ha quedado negativo, la tabla deja de ser ptima y debemos
aplicar el mtodo del smplex primal para alcanzar la nueva solucin ptima del problema.
En una iteracin llegamos a la tabla ptima:
23
Por lo tanto, la nueva solucin ptima es:

x1*= 0 litros de N, x2*= 45/2 de R y x3*= 15/4 de A,
con un beneficio de z = 675/4 unidades.
Por lo tanto, se deja de producir cerveza negra y se pasa a producir cerveza sin
alcohol.
24
Ejercicios. Cambios discretos de coeficientes del modelo

1. Dado el siguiente problema de programacin lineal
a) Resolverlo analticamente mediante el mtodo del smplex.

b) Existen ptimos alternativos? Justificar la respuesta.
c) Determinar el recorrido para el coeficiente de coste de la variable x1
para el que se mantiene la optimalidad.
d) Determinar el recorrido de optimalidad del recurso o constante de la
primera restriccin.
25
2. La siguiente tabla del smplex se corresponde con la ptima de un problema de programacin lineal, siendo x4, x6 y x7 var de holgura y x5 artificial.
Sabiendo que las var bsicas en la tabla inicial fueron x5, x6 y x7:
a) Completar la tabla anterior y obtener el problema de PL original.
b) Qu ocurre si sustituimos el valor de la constante M por 3? y si lo sustituimos por 2?
c) Sean a y b los coeficientes en la funcin objetivo de las variables bsicas
x1 y x2. Obtener las condiciones que deben cumplir para que la solucin
actual siga siendo ptima.
d) Cul es la nueva solucin del problema si hacemos b1 = 3?
26
1.4 Introduccin de una nueva restriccin

A veces ocurre que, una vez modelizado y resuelto el problema, resulta
conveniente considerar alguna nueva restriccin.
Para evaluar su efecto, basta con verificar si la solucin ptima x* satisface la nueva restriccin. Si es as, se considera que no hay efecto y
x* permanece ptima. En caso contrario, hay que evaluar el efecto sobre tal solucin.
Dicha evaluacin pasa inicialmente por la incorporacin de la nueva restriccin a la tabla final considerando, adems, una nueva variable de holgura.
Ahora bien, no es posible introducir directamente los coeficientes de la
restriccin en la tabla, ya que previamente hay que pasar a cero los coeficientes de las variables bsicas que aparecen en la restriccin, lo que
es posible mediante operaciones matriciales de fila que consisten en
multiplicar cualquier fila de la matriz por un nmero y sumrsela a otra
27
fila.

Se introduce en el plan de produccin de cervezas una restriccin relativa a la
posibilidad de aadir lpulo al proceso de produccin de forma que la fabricacin de 1 litro de cerveza N requiere 3 kg, R requiere 1 kg y A requiere tambin
1 kg, siendo la disponibilidad 30 kg.
La informacin proporcionada supone la introduccin en el problema de una nueva
restriccin:
3x1 + x2 + x3 30
Comprobamos si la solucin ptima actual satisface la nueva restriccin:
3x1*+ x2* + x3* = 3 5 + 20 + 0 = 35 > 30
No la satisface luego hay efecto sobre la solucin ptima del problema.
Aadimos una variable de holgura (x6) a la nueva restriccin y la insertamos en una

nueva fila a la tabla ptima
3x1 + x2 + x3 + x6 = 30
28
Como los vectores columna de las variables bsicas deben formar la matriz identidad
en cualquier tabla del smplex, resulta necesario pasar a cero los coeficientes de las
variables (bsicas) x1 y x2 de la nueva fila.
Multiplicamos la primera fila por -3, la segunda por -1 y se las sumamos a a la tercera, obteniendo de esta forma la tabla:
La nueva tabla es dual factible (zj cj 0 para todo j) y primal infactible (xB3 < 0) por
lo que debemos aplicar el mtodo del smplex dual para obtener la nueva solucin. 29
El xBi ms negativo es xB3 = -5 (adems nico), luego r = 3 es la fila pivote y x6 la

variable de salida de la base. Las razones pj son:
p3 = ((13/3) / (-5/3)) = -13/5,
p4 = ((1/3) / (-5/3)) = -1/5,
luego k=4 es la columna pivote y x4 la variable que entra en la base.
30
La nueva tabla es primal y dual factible y, por lo tanto, ptima. La solucin ptima es:
x1*= 3 litros de N, x2*= 21 de R y x3*= 0 de A,
con un beneficio de z = 159 unidades.
El valor de la variable de holgura x4*=3 nos indica que nos ha sobrado 3 kg de los 35
que tenamos de malta en el proceso de produccin.
31
1.4 Introduccin de una nueva variable de decisin

Otro anlisis que puede ser interesante consiste en estudiar el efecto
producido por la incorporacin de una nueva variable de decisin en el
problema.
Dicha variable puede no afectar a la optimalidad, en cuyo caso ser una
variable no bsica, o bien puede afectarla y esta nueva variable deber
entrar en la base.
El posible efecto se puede analizar con la ayuda del apartado ya estudiado relativo a "incorporacin de una restriccin", teniendo en cuenta la relacin de que a cada variable primal le corresponde una restriccin dual
(y viceversa).
Sin embargo, si se desea llevar a cabo tal anlisis en el problema primal,
que es efectivamente el que se habra resuelto, se utilizar el siguiente
proceso:
32
Paso 1. Si el problema tiene k -1 variables de decisin, sea xk la nueva

variable y modifiquemos el problema primal con la contribucin
de xk a la funcin objetivo.
Paso 2. Construir la k-sima restriccin dual y comprobar si la verifica la
solucin dual ptima y* (leda en la tabla primal ptima). Si es
as, la variable xk no afecta a la tabla ptima. En otro caso, ir al
paso siguiente.
Paso 3. Aadir una nueva columna a la tabla primal ptima cuyos elementos son yk = Bak y zk ck = cBTyk - ck.
Paso 4. Aplicar el mtodo del smplex para determinar una nueva solucin ptima.
33

Supongamos que se quiere incorporar al proceso de produccin un nuevo tipo
de cerveza, de baja graduacin (B), para el que se considera que hay un mercado potencialmente importante. Para producir este tipo de cerveza se requiere 1
unidad de malta y 1 de levadura por litro producido, con un beneficio de 5
unidades monetarias. Veamos si es rentable la introduccin de este nuevo tipo
de cerveza en el proceso de produccin
Sea x4 la nueva variable de decisin primal y designemos ahora las variables de
holgura con x5 y x6. El nuevo problema primal es
La restriccin dual asociada a esta nueva var de decisin primal es: y1 + y2 5,

Comprobamos si la solucin ptima del problema dual, que se puede leer en la tabla
ptima del primal la satisface.
34
La solucin ptima del dual y* = (1/3,10/3) no satisface la nueva restriccin dual.

Por lo tanto, la solucin ptima del problema se ve afectada por la introduccin
de esta nueva variable.
Introducimos una nueva columna en la tabla del smplex correspondiente a esta
nueva variable de decisin
El coste reducido de la nueva variable es negativo y, por lo tanto, la tabla deja de

ser ptima.
35
Aplicamos el mtodo del smplex primal para obtener la nueva solucin ptima.
La nueva tabla es ptima, siendo la nueva solucin ptima:

x1*= 0 litros de N, x2*= 15 de R, x3*= 0 de A y x4 = 15 de B,
con un beneficio de z = 180 unidades.
Por lo tanto, se deja de producir cerveza negra y se pasa a producir cerveza de baja
36
graduacin.
Ejercicio. Incorporacin de nuevas restricciones o variables de decisin

Dado el problema lineal en formato estndar de maximizacin
con x4 y x5 variables de holgura.

Se pide:
a) Resolverlo. Determinar, si es posible, una solucin que no tenga variables
de holgura en la base.
b) Determinar la solucin ptima si se incorpora al problema original la restriccin
x1 + x2 + x3 3
a) Si se incorpora una nueva variable no negativa con coeficiente 2 en la funcin objetivo, 1 en la primera restriccin y 2 en la segunda, afecta a la op37
timalidad?
2. Anlisis paramtrico
Estudiamos variaciones continuas en los coeficientes del modelo, considerando as que stos cambian simultneamente como funcin de un
parmetro.
2.1 Variaciones en el vector de costes
Dado el problema lineal:
el anlisis de la variacin continua en los coeficientes cj se lleva a cabo

con su parametrizacin, lo que equivale a sustituir en el programa anterior la funcin objetivo original por la nueva funcin objetivo parametrizada
max z = (cT+ (t co)T )x,
donde t = (t1,...,tn) es el vector de parmetros desconocidos, co el vector
que da las variaciones y (tco) representa el vector (t1c1o,...,tncno).
38
Al variar los parmetros ti cambian los coeficientes cj y el problema consiste en determinar las soluciones ptimas cuando los ti recorren
o
algn subconjunto de l.
Consideraremos el caso en que ti = t para todo i. La consideracin de
ms de un parmetro, aunque obliga a un anlisis sistemtico de los
distintos recorridos, se ejecuta con el mismo procedimiento.
Este procedimiento se apoya en el mtodo del smplex primal y utiliza la
fila indicador de la tabla ptima modificada, al aadir bajo ella otra fila
con los valores zso - cso y zo, correspondiente a la funcin objetivo parametrizada.
Como la fila indicador es funcin del parmetro t, se tiene
39
Por otra parte,
con zo = cBoTxB y cBo el vector formado por los elementos de co correspondientes a las variables bsicas de la tabla ptima.
Un algoritmo para el estudio sistemtico es
Paso 0. Calcular la tabla ptima del smplex para t = 0, y aadirle una
nueva fila bajo la fila indicador cuyos elementos son los zso - cso
asociados a cada variable y zo.
Paso 1. Imponer a la tabla modificada la condicin de optimalidad, es
decir, que los valores (zs - cs)(t) de la fila indicador sean no negativos. Determinar los recorridos de los parmetros para los
cuales la tabla permanece ptima, es decir, los valores extremos I y S, tales que para I t S se mantiene la optimalidad.
40
Paso 2. Sustituir t por aquellos valores extremos que sean finitos y aplicar el mtodo del smplex primal a las columnas no bsicas que
pasen a degeneradas (es decir, (zs - cs)(t)=0) obteniendo las soluciones ptimas alternativas.
Paso 3. Repetir pasos 1 y 2 hasta haber analizado el recorrido de los
parmetros.
En la ejecucin de este algoritmo se obtiene a lo sumo 2n recorridos no
triviales para t y se puede ver que z*(t) es una funcin lineal a trozos y
convexa de t.
41
Ejemplo. Apliquemos este algoritmo al problema de produccin de cervezas y, para

ello, supongamos que co = (1, -1, 1, 0, 0), de manera que el problema parametrizado
(incluidas las variables de holgura x4 y x5) toma la forma
Partimos de la tabla ptima del smplex (correspondiente a t = 0),
aadiendo posteriormente zso-cso y zo, que aparecen en la fila marcada con t, obtenemos la siguiente tabla:
42
Por ejemplo, el clculo de zso-cso para la variable x3 es

z3o - c3o=(1,-1)(2/3,2/3)T-1= -1
Por otro lado, zo = (1,-1)(5,20)T= -15.
Paso 1. Imponemos a la tabla la condicin de optimalidad,
13/3 - t 0,
1/3 + t 0,
10/3 t 0,
obteniendo I = -1/3 y S = 10/3, siendo la solucin ptima

x* = (5, 20, 0, 0, 0)
con valor ptimo z* = 160 -15t.
43
Paso 2. Sustituimos t = -1/3 (=I) en la tabla, la fila indicador con elementos (zs - cs)(t)
estara formada por los elementos 0, 0, 14/3, 0, 11/3.
Al haber un 0 bajo la columna de la variable no bsica x4, aplicamos el mtodo del
smplex primal. Obtenemos la nueva tabla
Imponemos sobre ella las condiciones de optimalidad

-1/2 -3t/2 0,
4 -2t 0,
7/2 - t/2 0,
y as, siempre que t sea inferior a -1/3 la tabla anterior es ptima y la solucin es
x* =(0, 45/2, 0, 15/2, 0)
con z* = 315/2 - 45t/2.
44
Sustituimos ahora t = 10/3 (=S) en la tabla, la fila indicador con elementos (zs - cs)(t)
estara formada por los elementos 0, 0, 1, 11/3, 0.
Al haber un 0 bajo la columna de la variable no bsica x5, aplicamos el mtodo del
smplex primal. Obtenemos la nueva tabla
Imponemos sobre ella las condiciones de optimalidad

-5 -3t/2 0,
2 + t/2 0,
y as, siempre que t 10/3 la tabla anterior es ptima y la solucin es

x* =(15, 0, 0, 0, 30)
con z* = 60 + 15t.
45
Una vez analizados todos los valores extremos finitos obtenidos para el parmetro t,
resumimos los resultados
Otro aspecto que puede ser de ayuda es la representacin grfica de z*(t), que es
lineal a trozos y convexa.
46
2.2 Variaciones en el vector de recursos

Tambin es posible llevar a cabo un anlisis de variacin paramtrica
teniendo en cuenta que hay problemas en que los recursos no son independientes y que la variacin en un recurso conlleva variacin en los
niveles de otros.
Dado el problema lineal,
el anlisis de la variacin continua de los recursos bi se lleva a cabo parametrizando el lado derecho de las restricciones, lo que lleva a considerar el mismo problema salvo que las restricciones toman la forma
Ax = b + tT bo,
con t vector de parmetros desconocidos y bo vector de variaciones.
47
Al variar los valores de los parmetros ti se va produciendo un cambio

en las disponibilidades de los recursos y el problema consiste en determinar las soluciones ptimas o el efecto sobre ellas cuando los parmetros recorren
o algn subconjunto de l.
Consideramos el caso de un nico parmetro, ti = t para cada i. Sin embargo, el desarrollo que se sigue es vlido para el caso de parmetros
vectoriales, aunque su aplicacin sistemtica conlleva una mayor dificultad.
El proceso para un anlisis sistemtico parte de la obtencin de la tabla
ptima del smplex para t = 0, a la que se le aade a la derecha de la
columna xB la nueva columna de vectores xBo y zo correspondientes al
parmetro.
Como son funciones de t, tenemos
48
con xBo = B bo. Adems,
con zo = cBTxBo.
Al variar t no hay efecto sobre los valores zj - cj de la fila indicador, que
permanecen no negativos. Sin embargo, s pueden cambiar los valores
de xB y, mientras sean no negativos, la solucin ser factible y ptima.
Para el anlisis de sensibilidad de los bi tenemos el siguiente algoritmo:
Paso 0. Calcular la tabla ptima del smplex para t = 0 y aadir a sta una
columna a la derecha de xB, cuyos elementos son los valores xBo y zo.
49
Paso 1. Imponer a la tabla modificada la condicin de factibilidad (manteniendo la optimalidad), es decir, que los valores xB(t) sean no negativos.
Determinar el recorrido de los parmetros para los que la tabla permanece factible, es decir, determinar los valores extremos I y S, tales que para
I t S se mantiene la factibilidad.
Paso 2. Sustituir t por aquellos valores extremos que sean finitos y aplicar
el mtodo del smplex dual a las filas que pasen a degeneradas (es decir,
xBi(t) = 0), obteniendo la nueva tabla.
Paso 3. Repetir los pasos 1 y 2 hasta haber analizado el recorrido de los
parmetros.
Si comparamos este proceso con el de la variacin en los coeficientes de
coste y recordamos el concepto de dualidad, vemos que el proceso de
anlisis de variaciones en los recursos bi es el dual del proceso utilizado
en el anlisis de las variaciones con los coeficientes cj.
50
Ejemplo. Supongamos que en el problema de produccin de cervezas puede haber

una variacin de ambos recursos en funcin de un parmetro t, de manera que el
primero decrece a una tasa proporcional a t y el segundo decrece proporcionalmente
a 2t, es decir, bo = (-1, -2). Determinemos las soluciones ptimas al ir variando t.
El problema parametrizado es
Partimos de la tabla ptima del smplex (correspondiente a t = 0),
aadimos a la derecha una nueva columna formada por los valores xBo y zo, que apa51
recen en la siguiente tabla bajo la columna t.
Paso1. Imponemos a la condicin de factibilidad, tenindose la inecuacin 20 t 0

(la primera condicin no proporciona informacin) y, por tanto, siempre que t se encuentre entre I = - y S = 20, la solucin ptima ser
x* = (5, 20 - t, 0, 0)
con valor ptimo z*(t) =160 - 7t.
Paso 2. Sustituimos t = 20 (=S) en la tabla, la variable x2 pasa a ser degenerada y utilizamos el smplex dual para obtener la nueva tabla, a la que se llega teniendo en cuenta que x4 es la variable de entrada y x2 la de salida.
52
Paso1. Imponemos a la condicin de factibilidad, tenindose las inecuaciones

45 2t 0
-60 + 3t 0
que conducen al intervalo 20 t 45/2, en el cual la solucin ptima ser
x* = (45 - 2t, 0, 0, -60 +3t)
con valor ptimo z*(t) =180 - 8t.
Paso 2. Sustituimos t = 45/2 en la ltima tabla, la variable x1 pasa a ser degenerada y
utilizamos el smplex dual para obtener la nueva tabla. Sin embargo, vemos que no
existe pivote, luego el dual es no acotado y por tanto el problema es infactible. As,
podemos poner que si t > 45/2 el problema es infactible.
53
Este resultado es natural, si observamos la segunda restriccin y vemos que si t es

mayor que 45/2 la disponibilidad del segundo recurso se convierte en negativa, lo
que carece de sentido.
Los resultados del anlisis del recorrido del parmetro t se resumen en la siguiente
tabla:
54
Ejercicio de programacin paramtrica

Resolver los programas paramtricos para (-, )
55

1.4. Análisis de Sensibilidad

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

1.4. Análisis de Sensibilidad

Caricato da

Copyright:

Formati disponibili

1.

4 Anlisis de Sensibilidad en PL Continua

1.4 Anlisis de Sensibilidad en PL Continua

1.4 Anlisis de Sensibilidad en PL Continua

1.1 Cambios en un coeficiente de coste

1.4 Anlisis de Sensibilidad en PL Continua

Si zj cj 0 para todo j La tabla ptima del smplex sigue sindolo. Los

1.4 Anlisis de Sensibilidad en PL Continua

1.4 Anlisis de Sensibilidad en PL Continua

Ejemplo. A lo largo de todo el tema tomaremos como problema de PL de referencia

1.4 Anlisis de Sensibilidad en PL Continua

El programa lineal que modeliza el problema es:

y la tabla ptima es:

1.4 Anlisis de Sensibilidad en PL Continua

La solucin ptima es por lo tanto:

1.4 Anlisis de Sensibilidad en PL Continua

Si denotamos por c2 al nuevo coeficiente en la funcin objetivo de la variable x2, es

Si imponemos que los nuevos costes reducidos sean 0 tenemos:

1.4 Anlisis de Sensibilidad en PL Continua

Veamos cual es la nueva solucin ptima para dos valores concretos de c2 :

1.4 Anlisis de Sensibilidad en PL Continua

En una iteracin llegamos a la siguiente tabla ptima:

La solucin ptima es x1*= 0 litros de N, x2* = 22.5 de R y x3*=0 de A, y el beneficio

1.4 Anlisis de Sensibilidad en PL Continua

1.2 Cambios en el vector de recursos

1.4 Anlisis de Sensibilidad en PL Continua

1.4 Anlisis de Sensibilidad en PL Continua

Este proceso es el que se considera en la formacin de una base inicial

1.4 Anlisis de Sensibilidad en PL Continua

Ejemplo. Siguiendo con el problema de la produccin de cerveza:

1.4 Anlisis de Sensibilidad en PL Continua

Supongamos que el coste de disponer de estos 9 Kg. adicionales de malta es

1.4 Anlisis de Sensibilidad en PL Continua

El aumento en el beneficio por la disposicin de 9 Kg. adicionales de malta ser 9

1.4 Anlisis de Sensibilidad en PL Continua

1.4 Anlisis de Sensibilidad en PL Continua

1.3 Cambios en la matriz de coeficientes tecnolgicos

1.4 Anlisis de Sensibilidad en PL Continua

1.4 Anlisis de Sensibilidad en PL Continua

Ejemplo. Siguiendo con el problema de la produccin de cerveza:

Tenemos un cambio discreto en un coeficiente tecnolgico asociado a una variable

Recalculemos el vector y3 y el coste reducido z3 - c3:

1.4 Anlisis de Sensibilidad en PL Continua

En una iteracin llegamos a la tabla ptima:

1.4 Anlisis de Sensibilidad en PL Continua

Por lo tanto, la nueva solucin ptima es:

1.4 Anlisis de Sensibilidad en PL Continua

Ejercicios. Cambios discretos de coeficientes del modelo

a) Resolverlo analticamente mediante el mtodo del smplex.

1.4 Anlisis de Sensibilidad en PL Continua

1.4 Anlisis de Sensibilidad en PL Continua

1.4 Introduccin de una nueva restriccin

1.4 Anlisis de Sensibilidad en PL Continua

Ejemplo. Siguiendo con el problema de la produccin de cerveza:

Aadimos una variable de holgura (x6) a la nueva restriccin y la insertamos en una

1.4 Anlisis de Sensibilidad en PL Continua

1.4 Anlisis de Sensibilidad en PL Continua

El xBi ms negativo es xB3 = -5 (adems nico), luego r = 3 es la fila pivote y x6 la

1.4 Anlisis de Sensibilidad en PL Continua

1.4 Anlisis de Sensibilidad en PL Continua

1.4 Introduccin de una nueva variable de decisin

1.4 Anlisis de Sensibilidad en PL Continua

Paso 1. Si el problema tiene k -1 variables de decisin, sea xk la nueva

1.4 Anlisis de Sensibilidad en PL Continua

La solucin ptima es x1= 0 litros de N, x2 = 22.5 de R y x3*=0 de A, y el beneficio