Programacin Lineal Anlisis de Sensibilidad.

. Retomamos el problema que planea la produccin en relacin con las cuatro variantes del mismo producto que nosotros formulamos antes como un problema de P.L. Para recordarlo, el problema y su formulacin, se repetir a continuacin. Problema de Planeacin de la Produccin: Una compaa fabrica cuatro variantes del mismo producto y en la parte final del proceso industrial hay operaciones de ensamblaje, pulimento y empaquetamiento. Para cada variante el tiempo requerido para estas operaciones se muestra debajo (en minutos) como ganancia por unidad vendida.
Variante 1 2 3 4 Ensamblaje 2 4 3 7 Pulimento 3 2 3 4 Embalaje 2 3 2 5 Ganancia ($) 1.50 2.50 3.00 4.50

Dado el estado actual de la fuerza de trabajo la compaa estima que, cada ao, ellos tienen disponibles 100000 minutos de tiempo de ensamblaje, 50000 minutos de tiempo de pulimento y 60000 minutos de tiempo de embalaje. Cuntos de cada variante debe hacer la compaa por ao y cul es la ganancia asociada? Suponga ahora que la compaa es libre de decidir cunto tiempo se debe dar a cada una de las tres operaciones (ensamblaje, pulimento y embalaje) dentro del tiempo aceptable total de 210000 (= 100000 + 50000 + 60000) minutos. Cuntos de cada variante debe hacer la compaa por ao y cul es la ganancia asociada?

Solucin del Planeamiento de la Produccin Variables Si: xi es el nmero de unidades de la variante i (i = 1,2,3,4) hechas al ao Tass es el nmero de minutos usados en el ensamblaje por ao Tpol es el nmero de minutos usados en el pulimento por ao Tpac es el nmero de minutos usados en el embalaje por ao donde: xi >= 0 i=1,2,3,4 y Tass, Tpol, Tpac >= 0 Restricciones (a) definicin del tiempo de operacin Tass = 2x1 + 4x2 + 3x3 + 7x4 (ensamblaje) Tpol = 3x1 + 2x2 + 3x3 + 4x4 (pulimento) Tpac = 2x1 + 3x2 + 2x3 + 5x4 (embalaje)

(b) limites del tiempo de operacin Los lmites de tiempo de operacin dependen de la situacin que est siendo considerada. En la primera situacin, donde el mximo de tiempo que puede ser tomado en cada operacin es especificado, tenemos simplemente: Tass <= 100000 (ensamblaje) Tpol <= 50000 (pulimento) Tpac <= 60000 (embalaje) En la segunda situacin, donde la nica limitacin est en el tiempo total gastado en todas las operaciones, simplemente tenemos: Tass + Tpol + Tpac <= 210000 (tiempo total) Objectivo Presumiblemente ser maximizar la Ganancia tendremos entonces: maximizar 1.5x1 + 2.5x2 + 3.0x3 + 4.5x4 dndonos la completa formulacin del problema.

Un resumen de las entradas en el paquete computacional (WinQSB) para la primera situacin considerada en el problema (mximo de tiempo que puede ser tomado en cada operacin es especificado) se muestra a continuacin:

La solucin de este problema tambin se muestra a continuacin:

Podemos observar que la solucin optima del problema de PL tiene los valores Ganancia = 58000 ($) para Tass=82000, Tpol=50000, Tpac=60000, X1=0, X2=16000, X3=6000 y X4=0. sta es entonces la solucin de PL - pero resulta que el algoritmo del simplex nos da un poco ms de informacin til. Esta informacin se relaciona con: cambiar el coeficiente de la funcin objetivo para una variable dada forzar una variable que es actualmente cero, ser no-cero cambiar el lado derecho de una restriccin.

Nosotros trataremos a su tiempo cada una de stas, y note aqu que el anlisis presentado debajo SLO se aplica para un solo cambio, si dos o ms cosas cambian entonces que necesitamos para resolver el problema de PL eficazmente: Suponga que variamos el coeficiente de X2 en la funcin objetivo. Cmo cambiar la solucin ptima de la PL?

Actualmente X1=0, X2=16000, X3=6000 y X4=0. Las columnas Allowable Min/Max c(i) (Max/Min de c(i) Aceptable) en la tabla anterior nos dicen que, con tal de que el coeficiente de X2 en la funcin objetivo vare entre 2.3571 y 4.50, los valores de las variables en la solucin de PL ptima permanecern inalterados. Note sin embargo que el valor de la solucin ptimo real cambiar. En trminos del problema original estamos efectivamente diciendo que la decisin de producir 16000 de la variante 2 y 6000 de la variante 3 permanece ptima an cuando la ganancia por la unidad en variante 2 realmente no es 2.5 (pero vara en el rango 2.3571 a 4.50). Similares conclusiones pueden ser hechas para X1, X3 y X4.

En trminos del algoritmo del Simplex esto se entiende porque en el simplex actual la solucin bsica (vrtice de la regin factible) permanece ptima siempre que el coeficiente de X2 de la funcin objetivo vare entre 2.3571 y 4.50. para las variables, la columna Reduced Cost (Costo Reducido) nos da, para cada variable que es actualmente es cero (X1 y X4), una estimacin de cunto la funcin objetivo cambiar si las hacemos no-cero.

Entonces tenemos la tabla

X1 X4 1.5 0.2 X1=A X4=B X4>=B X1>=A Cambio estimado funcin objetivo 1.5A 0.2B Variable Costo de Oportunidad Nuevo valor (= o >=)

La funcin objetivo siempre empeorar (disminuir si tenemos un problema de maximizacin o aumentar si tenemos un problema de minimizacin) por lo menos en esta estimacin. Para A o B muy grandes son ms inexactos; esta estimacin es el cambio exacto que ocurrira si furamos a resolver el PL con la correspondiente restriccin para el nuevo valor de X1 o X4 agregado. Si exactamente 100 de la variante 1 fueran a ser producidos, cul sera su estimacin del nuevo valor de la funcin objetivo? Note aqu que el valor en la columna Reduced Cost (Costo Reducido) para una variable a menudo se llama "opportunity cost" (costo de oportunidad) para la variable. Note aqu que una interpretacin alternativa (e igualmente vlida) del costo reducido es la cantidad por la cual el coeficiente de la funcin objetivo para una variable necesita cambiar antes de que esa variable se convierta en no-cero. Entonces para la variable X1 la funcin objetivo necesita cambiar en 1.5 (aumenta mientras que nosotros estemos maximizando) antes de que esa variable se convierta en no-cero. En otras palabras, refirindose a nuestra situacin original, la ganancia por unidad en la variante 1 necesitara aumentar en 1.5 antes de que fuera aprovechable producir cualquiera de la variante 1. Semejantemente la ganancia por unidad en variante la 4 necesitara aumentar en 0.2 antes de que fuera aprovechable producir cualquiera de variante la 4.

para cada restriccin la columna encabezada por Shadow Price (Precio de Sombra) nos dice exactamente cunto la funcin objetivo cambiar si nosotros cambiamos el lado derecho de la restriccin correspondiente dentro de los lmites dados en las columnas Allowable Min/Max RHS (Min/Max Aceptable del Lado Derecho).

Entonces podemos formar la tabla:

Restriccin Costo de Oportunidad (ignore signo) Cambio en lado derecho Cambio en Funcin Objetivo Ensamblaje 0 a 0 Pulimento 0.80 b 0.80b Embalaje 0.30 c 0.30c

Lmite Inferior del lado derecho Valor Actual del lado derecho Lmite Superior del lado derecho

82000 100000 -

40000 50000 90000

33333.34 60000 75000

Por ejemplo para la restriccin del pulimento, con tal de que el lado derecho de ella permanezca entre 40000 y 90000, el cambio de la funcin objetivo ser exactamente 0.80 [cambio en el lado derecho de 50000]. La direccin del cambio en la funcin objetivo (arriba o abajo) depende de la direccin del cambio en el lado derecho de la restriccin y la naturaleza del objetivo (maximizar o minimizar). Para decidir si la funcin objetiva subir o abajo el uso: la restriccin ms (menos) restrictiva despus del cambio en el lado derecho implica que la funcin objetivo empeora (mejora) si el objetivo es maximizar (minimizar) entonces empeorar significa bajar (subir), mejorar significa subir (bajar)

Entonces:

si usted tuviera 100 horas extras, a qu operacin las asignara usted? si usted tuviera que tomar 50 horas entre el pulimento o el embalaje, cul usted escogera? qu valor de la nueva funcin objetivo ser en estos dos casos?

El valor en la columna Shadow Price (Precio Sombra) para la restriccin se llama a menudo "marginal value" o "dual value" (valor marginal o valor dual). Note que, como parecera lgico, si la restriccin desaparece el precio sombra es cero (es decir si la restriccin desapareciera, un pequeo cambio en el lado derecho no puede alterar la solucin ptima). Comentarios:

Los diferentes programas de PL tienen formatos diferentes para las entradas/salidas pero se obtiene la misma informacin como discuti anteriormente. Usted puede haber encontrado muy confuso todo lo anterior. Esencialmente la interpretacin de los resultados de la PL es algo que viene con la prctica. Mucha de la informacin obtenida (como la discutida anteriormente) derivada de la solucin del problema de PL, puede ser til al anlisis estimando el efecto de los cambios (ej. cambios en costos, capacidades de produccin, etc.) sin ir a controversias/gastos al resolverse la PL. Esta informacin de sensibilidad nos da una medida de cuan robusta es la solucin, es decir cun sensible es a los cambios en los datos de entrada.

Note aqu que, como lo expresado anteriormente, el anlisis relacionado con:

cambios del coeficiente de la funcin objetivo para una variable; y forzar una variable que es actualmente cero a ser no-cero; y cambios en el lado derecho de una restriccin,

es slo vlido para un solo cambio. Si dos (o ms) cambios se hacen, la situacin es ms compleja y es aconsejable para resolver el problema de PL.

Ejemplo de Sensibilidad en la Programacin Lineal. Considere el problema lineal:

Maximize 3x1 + 7x2 + 4x3 + 9x4 sujeto a: x1 + 4x2 + 5x3 + 8x4 <= 9 x1 + 2x2 + 6x3 + 4x4 <= 7 xi >= 0 i=1,2,3,4

(1) (2)

Solucione este problema lineal utilizando el programa WinQSB.

Cules sern los valores de las variables en la solucin ptima? Cul es el valor ptimo de la Funcin Objetivo? Qu restricciones sern firmes? Cmo estimara usted qu la funcin objetivo cambiara si: o cambiamos el lado derecho de la restriccin (1) a 10 o cambiamos el lado derecho de la restriccin (2) a 6.5 o agregamos al problema la restriccin x3 = 0.7

Resolviendo el problema la solucin es:

Una interpretacin de los resultados anteriores ser: los valores de las variables son X1=5, X2=1, X3=0, X4=0, el valor ptimo de la funcin objetivo es 22.0

ambas restricciones son firmes (no tienen faltantes o sobrante). Note aqu que las (implcito) restricciones que aseguran que las variables son no-negativas (xi>=0 i=1,2,3,4) son (por convenio) no consideradas en decidir qu restricciones son firmes. un cambio de la funcin objetivo = (10-9) x 0.5 = 0.5. Mientras la restriccin sea menos restrictiva la funcin objetiva mejorar. Entonces cuando tengamos un problema de maximizacin esta aumentar. Refirindonos a la columna de Allowable RHS (Min/Max Aceptable del Lado Derecho) vemos que el nuevo valor (10) del lado derecho de la restriccin (1) est dentro de los lmites especificados all para que el nuevo valor de la funcin objetivo sea exactamente 22.0 + 0.5 = 22.5 un cambio de la funcin objetivo = (7-6.5) x 2.5 = 1.25. Si hacemos la restriccin ms restrictiva la funcin objetivo empeorar. Entonces si tenemos un problema de maximizacin esta disminuir. En cuanto a la restriccin (1) anterior el nuevo valor del lado derecho de la restriccin (2) est dentro de los lmites en la columna de Allowable RHS (Min/Max Aceptable del Lado Derecho) vemos que el nuevo valor de la funcin objetivo ser exactamente 22.0 - 1.25 = 20.75 un cambio de la funcin objetivo = 0.7 x 13.5 = 9.45. La funcin objetivo empeorar (disminuir) si se cambia cualquier variable que siempre sea cero en el ptimo de la PL a un valor no-cero. Se estima que disminuir a 22.0 - 9.45 = 12.55. Note que el valor calculado aqu es slo un estimado del cambio en el valor de la funcin objetivo. El cambio real puede ser diferente al del estimado (pero siempre ser mayor o igual que esta estimado).

Note que podemos, si deseamos, explcitamente entrar las cuatro restricciones xi >= 0; i=1,2,3,4. Aunque esto es innecesario (ya que el programa automticamente asume que cada variable es >= 0) no es incorrecto. Sin embargo, puede alterar algunas de las figuras de la solucin - en particular, las figuras del Costo Reducido pueden ser diferentes. Esto ilustra que tales figuras no son necesariamente definidas nicamente en la solucin ptima de programacin lineal.