unidad 3 io1
DESCRIPTION
UNIDAD 3 DUALIDAD Y ANÁLISIS DE SENSIBILIDADTRANSCRIPT
UNIDAD 3 DUALIDAD Y ANÁLISIS DE SENSIBILIDAD
La asignación de probabilidades a los eventos es una tarea difícil que muchos
gerentes pueden mostrarse difícil a hacer, por lo menos con cierto grado de
exactitud. En algunos casos prefieren decir “creo que la probabilidad de que este
evento ocurra está entre 0.5 y 0.7”. Bajo estas circunstancias, como en cualquier
aspecto de decisión gerencial, es útil realizar un análisis de sensibilidad para
determinar cómo afecta a la decisión la asignación de probabilidades.
El análisis de sensibilidad concierne el estudio de posibles cambios en la solución
óptima disponible como resultado de hacer cambios en el modelo original.
Definiciones generales del Análisis de sensibilidad
Efecto neto.- Es la ganancia o pérdida por unidad adicional de una variable que
entra a la base. El efecto neto de una variable básica siempre será cero.
Cambios en los coeficientes de la función objetivo.
El cambio de una variable se interpretaría, por ejemplo, como en incremento en el
precio de un producto para un objetivo de maximización, o como la disminución en
el costo de una materia prima para un objetivo de minimización.
Finalmente, se estudiara por separado si la modificación es para una variable no-
básica o para una básica, ya que las consecuencias en cada caso son muy
diferentes.
Cambios en el coeficiente Objetivo de una variable No-básica.
Es importante mencionar que una variación en el coeficiente de una variable no-
básica, no necesariamente conlleva a una infracción no mejorada a la solución
óptima actual, aunque en ciertas ocasiones si lo haga.
3.1. TEORÍA PRIMA-DUAL.
El problema dual se define sistemáticamente a partir del modelo de PL primal (u
original). Los dos problemas están estrechamente relacionados en el sentido de
que la solución óptima de uno proporciona automáticamente la solución óptima al
otro.
En la mayoría de los tratamientos de PL, el dual se define para varias formas del
primal según el sentido de la optimización (maximización o minimización), los tipos
de restricciones (≤ ,≥,o=¿), y el signo de las variables (no negativas o restrictivas).
Requiere expresar el problema primal en la forma de ecuación (todas las
restricciones son ecuaciones con lado derecho no negativo, y todas las variables
son negativas). Este requerimiento es consistente, de ahí que cualesquier
resultados obtenidos a partir de la solución óptima primal se aplica diferente al
problema dual asociado.
Las ideas clave para construir el dual a partir del primal se resumen como sigue:
1. Asigne un variable dual por cada restricción primal.
2. Construya una restricción dual por cada variable primal.
3. Los coeficientes de restricción y el coeficiente objetivo de la variable
primal j-ésima definen respectivamente los lados izquierdos y derecho
de la restricción dual j-ésima.
4. Los coeficientes objetivo duales son iguales a los lados derechos de
las ecuaciones de restricción primales.
5. Las reglas rigen el sentido de la optimización de las desigualdades y
los signos de las variables en el dual.
3.2. FORMULACIÓN DEL PROBLEMA DUAL.
Hemos visto como la programación lineal puede ser usada para resolver una
extensa variedad de problemas propios de los negocios, ya sea para maximizar
utilidades o minimizar costos. Las variables de decisión en tales problemas fueron,
por ejemplo, el número de productos a producir, la cantidad de pesos a emplear,
etc. En cada caso la solución óptima no explicó cómo podrían ser asignados los
recursos (ejemplo: materia prima, capacidad de las máquinas, el dinero, etc.) para
obtener un objetivo establecido.
En este capítulo veremos que a cada problema de programación lineal se le
asocia otro problema de programación lineal, llamado el problema de
programación dual. La solución óptima del problema de programación dual,
proporciona la siguiente información respecto del problema de programación
original:
1. La solución óptima del problema dual proporciona los precios en el mercado
o los beneficios de los recursos escasos asignados en el problema original.
2. La solución óptima del problema dual aporta la solución óptima del
problema original y viceversa.
REGLAS PARA CONSTRUIR EL PROBLEMA DUAL
Objetivo del problema primal
ª
Problema dual
Objetivo Tipo de restricción Signo de las variables
Maximización Minimización ≧ Irrestricta
Minimización Maximización ≦ Irrestricta
PROBLEMA DE MAXIMIZACIÓN PROBLEMA DE MINIMIZACIÓN
Restricciones Variables
≧ ↔ ≦0
≦ ↔ ≧0
= ↔ Restricciones irrestrictas
Variables
≧0 ↔ ≧
≦0 ↔ ≦
Irrestrictas ↔ =
3.3 DUALIDAD EN PROGRAMACION LINEAL
(Relaciones primal-dual)
Asociado a cada problema lineal existe otro problema de programación lineal
denominado problema dual (PD), que posee importantes propiedades y relaciones
notables con respecto al problema lineal original, problema que para diferencia del
dual se denomina entonces como problema primal (PP).
Las relaciones las podemos enumerar como siguen:
a) El problema dual tiene tantas variables como restricciones tiene el programa
primal.
b) El problema dual tiene tantas restricciones como variables tiene el programa
primal
c) Los coeficientes de la función objetivo del problema dual son los términos
independientes de las restricciones o RHS del programa primal.
d) Los términos independientes de las restricciones o RHS del dual son los
coeficientes de la función objetivo del problema primal.
e) La matriz de coeficientes técnicos del problema dual es la traspuesta de la
matriz técnica del problema primal.
f) El sentido de las desigualdades de las restricciones del problema dual y el signo
de las variables del mismo problema, dependen de la forma de que tenga el signo
de las variables del problema primal y del sentido de las restricciones del mismo
problema.
g) Si el programa primal es un problema de maximización, el programa dual es un
problema de minimización.
h) El problema dual de un problema dual es el programa primal original.
Los problemas duales simétricos son los que se obtienen de un problema primal
en forma canónica y ‘normalizada’, es decir, cuando llevan asociadas
desigualdades de la forma mayor o igual en los problemas de minimización, y
desigualdades menores o iguales para los problemas de maximización.
¿Por qué se plantea el programa dual?
¿Qué significado tiene su solución?
¿La solución del dual se puede obtener desde el primal?
Por una parte permite resolver problemas lineales donde el número de
restricciones es mayor que el número de variables.
Gracias a los teoremas que expondremos a continuación la solución de unos de
los problemas (primal o dual) nos proporciona de forma automática la solución del
otro programa.
La dualidad permite realizar importantes interpretaciones económicas de los
problemas de programación lineal.
La dualidad permite generar métodos como el método dual del simplex de gran
importancia en el análisis de pos optimización y en la programación lineal
paramétrica.
Bibliografía o cibergrafia
investigaciondeoperaciones.net/dualidad_en_programacion_lineal...
3.4 DUAL SIMPLEX
Teoría del método simplex
Para poder aplicar el método simplex a un modelo de programación lineal es
necesario que este se encuentre en su forma estándar.
La forma estándar.
Las características de la forma estándar son:
1.-Todas las restricciones son ecuaciones excepto para las restricciones de no
negatividad que permanecen como desigualdades.
2.-Los elementos del lado derecho de cada ecuación son no negativos.
3.-Todas las variables son no negativas.
4.-la función objetivo es del tipo de Maximización o minimización.
Transformaciones elementales.
1.-Las restricciones de desigualdad pueden cambiarse por ecuaciones
introduciendo en el lado izquierdo de cada una de tales restricciones una variable
no negativa.(estas nuevas variables se conocen como variables de holgura o
superavit las cuales se sumaran si la desigualdad es (Holgura) y se restaran si
la desigualdad es (Superávit o exceso).
2.-El signo del lado derecho (-) puede eliminarse multiplicando la ecuación por (-
1) en caso de que sea necesario.
3.-Una restricción de desigualdad con su lado izquierdo en forma de valor absoluto
puede cambiarse a dos desigualdades, la desigualdad contraria a la original se le
antepone el signo negativo a su lado derecho.
4.-Una variable que es irrestricta en signo ( esto es positiva, negativa o cero) es
equivalente a la diferencia entre dos variables no negativas por consiguiente si X
es irrestricta en signo puede remplazarse por (X+-X-) donde X+ y X- son 0.
5.-Una desigualdad en una dirección ( o ) puede cambiarse a una desigualdad
opuesta ( o ) multiplicando ambos lados por (-1).
6.-Una ecuación puede ser remplazada por dos desigualdades en direcciones
opuestas.
7.-La minimización de una función f(x), es matemáticamente equivalente a la
maximización de la expresión negativa de esta función –f(x), y viceversa.
El método simplex.
Podemos decir que es la determinación algebraica de los puntos extremos del
espacio de soluciones factibles (método gráfico), partiendo de la forma estándar.
En la cual tenemos un sistema con m ecuaciones y n incógnitas.
La diferencia entre el número de ecuaciones y las incógnitas nos dan el número de
variables que son iguales a cero en un punto extremo, las cuales son llamadas
variables no básicas, y las variables restantes son llamadas básicas.
El método simplex inicia con un punto extremo o solución factible básica.
1.-La función objetivo se presenta como una ecuación y al pasarla a la tabla
simplex cambian de signo los coeficientes de la función objetivo.
2.-Se coloca toda la información en una tabla.
3.-El siguiente paso es determinar una solución básica factible ( punto extremo). El
método simplex hace esto eligiendo una variable no básica a la cual se le conoce
como la variable que entra (se convertirá en básica) y una variable básica que se
le conoce como la variable que sale ( se convertirá en no básica). La que entra
está determinada por la condición de optimidad y la que sale por la condición de factibilidad.
4.-Condición de optimidad.- Dada la ecuación X0 (función objetivo) expresada en
función de las variables no básicas solamente, se elige la variable que entra en
maximización como la variable no básica que tiene el mayor coeficiente negativo y
en minimización como la variable no básica que tiene el mayor coeficiente
positivo, en la ecuación X0. Un empate entre dos variable no básicas o más se
rompe arbitrariamente. Cuando los coeficientes del lado izquierdo de la ecuación
X0 (Función objetivo) son no negativos (maximización) o no positivos
(minimización) se ha llegado al punto óptimo.
5.-Condición de factibilidad.-La variable que sale es la variable básica
correspondiente al cociente más pequeño de los valores actuales de las variables
básicas entre los coeficientes positivos de las restricciones de la variable que
entra. Un empate puede romperse arbitrariamente.
3.5 ANALISIS DE SENSIBILIDAD
El análisis de sensibilidad busca determinar los efectos que se producen en
la solución óptima al realizar cambios en cualquiera de los parámetros del modelo
de programación lineal planteado inicialmente. Entre los cambios que se
investigan están: los cambios en los coeficientes de las variables en
la función objetivo tanto para variables básicas como para las variables
no básicas, cambios en los recursos disponibles de las restricciones, variación de
los coeficientes de utilización en las restricciones e introducción de una
nueva restricción.
El objetivo principal del análisis de sensibilidad: es identificar el intervalo
permisible de variación en los cuales las variables o parámetros pueden fluctuar
sin que cambie la solución óptima. Sin embargo, así mismo se identifica
aquellos parámetros sensibles, es decir, los parámetros cuyos valores no pueden
cambiar sin que cambie la solución óptima. Los investigadores de operaciones
tienden a prestar bastante atención a aquellos parámetros con holguras reducidas
en cuanto a los cambios que pueden presentar, de forma que se vigile su
comportamiento para realizar los ajustes adecuados según corresponda y evitar
que estas fluctuaciones pueden desembocar en una solución no factible.
A modo general, cuando se realiza un análisis de sensibilidad a
una solución óptima se debe verificar cada parámetro de forma
individual, dígase los coeficientes de la función objetivo y los límites de cada una
de las restricciones. En ese sentido se plantea el siguiente procedimiento:
1. Revisión del modelo: se realizan los cambios que se desean investigar en el
modelo.
2. Revisión de la tabla final Símplex: se aplica el criterio adecuado para
determinar los cambios que resultan en la tabla final Símplex.
3. Conversión a la forma apropiada de eliminación Gauss: se convierta la tabla
en la forma apropiada para identificar y evaluar la solución básica actual,
para lo cual se aplica la metodología de eliminación Gauss si es necesario.
4. Prueba de factibilidad: se prueba la factibilidad de esta solución mediante
la verificación de que todas las variables básicas de la columna del lado
derecho aun tengan valores no negativos.
5. Prueba de optimalizad: se verifica si esta solución es óptima y factible,
mediante la comprobación de que todos los coeficientes de las variables
no básicas del reglón Z permanecen no negativos.
6. Re-optimización: si esta solución no pasa una de las pruebas indicadas en
los puntos 4 y 5 anteriores, se procede a buscar la nueva solución optima a
partir de la tabla actual como tabla Simplex inicial, luego de aplicadas las
conversiones de lugar, ya sea con el método Simplex o el Simplex Dual.
Aplicación del análisis de sensibilidad
Este análisis casi siempre comienza con la investigación de los cambios en los
valores de las bi, la cantidad del recurso i (i = 1, 2,. . ., m) que se encuentra
disponible para las actividades bajo consideración. La razón es que en general
existe mayor flexibilidad al establecer y ajustar estos valores que los otros
parámetros del modelo. La interpretación económica de las variables duales (las
yi) como precios sombra es extremadamente útil para decidir cuáles son los
cambios que se deben estudiar.
Primer caso: Cambios en las b i (columna lado derecho)
Supongamos que los únicos cambios al modelo actual consisten en el cambio de
uno o más de los parámetros bi (i = 1, 2,. . ., m). En este caso, los únicos 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
conversión a la forma apropiada de eliminación de Gauss como la prueba
optimalidad.
Segundo caso: Cambios en los coeficientes de una variable no básica
Considere una variable específica xj (j fija) que sea no básica en la solución
óptima dada en la tabla simplex final. El caso 2a es aquel en el que los únicos
cambios al modelo actual ocurren en uno o más de los coeficientes de esta
variable, cj, a1j, a2j........, amj. Entonces, si cj y aij, denotan los nuevos valores de
estos parámetros con Aj, (columna j de la matriz A) como el vector que contiene a
aij, se tiene para el modelo revisado.
Tercer caso: Cambios en los coeficientes de una variable básica
Ahora suponga que la variable xj (con j fija) que se está estudiando es una
variable básica en la solución óptima que se muestra en la tabla simplex final. El
caso 3 supone que los únicos cambios al modelo actual se hacen en los
coeficientes de esta variable.
El caso 3 difiere del 2a debido al requisito de que la tabla simplex debe estar en la
forma apropiada de eliminación de Gauss. Esta forma permite que los elementos
en la columna de una variable no básica tengan cualquier valor, así que no afecta
en el caso 2a. Sin embargo, para el caso 3 la variable básica xj debe tener
coeficiente 1 en su renglón de la tabla simplex y coeficiente 0 en todos los demás
renglones (incluyendo el renglón 0). Por lo tanto, una vez que se han calculado los
cambios en la columna xj de la tabla simplex final, es probable que sea necesario
aplicar la eliminación de Gauss para restaurar la forma apropiada. Este paso, a su
vez, quizá cambie los valores de la solución básica actual, y puede hacerla no
factible o no óptima (con lo que puede ser necesario re optimizar).
3.6 INTERPRETACION DEL ANALISIS DE SENSIBILIDAD
El análisis de sensibilidad permite estudiar como las variaciones en los valores de
los coeficientes del modelo modificaran la solucion óptima sin tener que resolver el
problema para las distintas posibilidades. Este análisis constituye una parte muy
importante en el estudio de los problemas de pl.
La justificación formal del análisis de sensibilidad la da el estudio del problema
dual al problema principal que se está viendo. Las relaciones entre la solución del
problema dual y el primal permiten calcular otros parámetros como los precios
sombra de los recursos, los límites de variación aceptables para que no se
modifique la solución optima, las holguras complementarias o como cambiarían las
cosas si se debe introducir una nueva restricción. Todos estos parámetros se
pueden analizar de manera analítica, aunque no se hará en el presente texto pues
el enfoque es aprender por medio del análisis de problemas.
Análisis de sensibilidad: interpretación gráfica
El análisis de sensibilidad estudia los efectos sobre la solución óptima debidos a:
a) cambios en los coeficientes de la FO,
b) cambios en la disponibilidad de los recursos,
c) cambios en los coeficientes técnicos debidos, por ejemplo, a cambios en la
tecnología o en las materias primas utilizadas,
d) la introducción de un nuevo producto (otra variable),
e) la introducción de una nueva restricción.
Centraremos el análisis en los puntos a, b y e ya que son los que suelen cambiar
más a menudo y son fáciles de visualizar con el método gráfico. Los cambios en
los coeficientes técnicos solo ocurren cuando se cambia la tecnología de
producción, por ejemplo, por cambios en el proceso o la introducción de
maquinaria, y esto no ocurre frecuentemente y puede ameritar un análisis
completamente diferente.
Ejemplo:
Para realizar el análisis se utilizara el mismo ejemplo que se usó en la unidad 4
para introducir el método Simplex. El modelo de pl para el ejemplo es este:
Variables de decisión:
X1: cantidad de articulo a a producir
X2: cantidad de articulo b a producir
Función objetivo:
Max U = 150x1 + 200x2
Restricciones:
Mano de obra: 8x1 + 8x2 ≤ 64 horas
Materias primas: 4x1 + 2x2 ≤ 24 unidades
Demanda: x2 ≤ 6 artículos
Su solucion grafica se muestra en la gráfica, en la que se indica que la solución
Óptima será 2 unidades del artículos a y 6 del b, obteniendo una utilidad de $1
500.
3.7 USO DE SOFTWARE
Si bien el objetivo del planteamiento y resolución de los problemas de
programación lineal (pl) es encontrar la solución optima, esto es, el valor de cada
una de las variables del problema, de las variables de holgura y el valor máximo (o
mínimo) que puede obtener la función objetivo (fo), el trabajo no termina allí. El
análisis de sensibilidad pos-optimalizar que se presenta en esta unidad es tan
importante como la solución óptima para la toma de decisiones.
Max (Min) S ci xi.
S aji xi ≤ bj
xi ≥ 0
donde se suponen conocidos los valores de los coeficientes aij , bj y ci; esto quiere
decir que el modelo está totalmente determinado.