FACULTAD DE INGENIERIA INDUSTRIAL

GUIA 5 DUALIDAD Y ANALISIS DE SENSIBILIDAD

INVESTIGACIN DE OPERACIONES
CONTENIDOS TERICOS ACTIVIDAD En base a la dualidad de los modelos primales se analizan el efecto de los cambios por sensibilidad. Ejemplos y uso de software.

Dualidad y Anlisis de Sensibilidad.

DUALIDAD 1. DEFINICIN DEL PROBLEMA DUAL

El modelo de PL que desarrollamos para una situacin se conoce como el problema primal. El problema dual es una definicin matemtica estrechamente relacionada, que se deriva directamente del problema primal, Esta seccin proporciona los detalles matemticos del modelo dual. En la mayor parte de los tratamientos de la PL, la dual se define para varias formas de la primal, dependiendo del sentido de optimizacin (maximizacin o minimizacin), de los tipos de las restricciones (<, >, y =) y del signo de las variables (no negativas y no restringidas). Maximice o minimice z = Sujeta a

c
j= 1

xj

a
j =1

ij

x j = bi , i = 1, 2, ......, m

xj > 0, j = 1,2, ,n Las variables xij,j= 1,2,.n, incluyen supervit y holguras, si los hay. La forma estndar tiene tres propiedades. 1. Todas las restricciones son ecuaciones (con lado derecho no negativo). 2. Todas las variables son no negativas. 3. El sentido de la optimizacin puede ser maximizacin o minimizacin. Recuerde que la forma estndar siempre se utiliza para producir la tabla smplex original y que la solucin del problema dual se obtiene directamente de la tabla smplex primal ptima. As, al definir la dual desde la primal estndar, automticamente obtenemos una solucin dual compatible con los clculos del mtodo smplex. Las variables y las restricciones del problema dual se pueden construir simtricamente a partir del problema primal, como sigue: 1. Una variable dual se define para cada una de las ecuaciones de la restriccin primal m.

2. 3.

Una restriccin dual se define para cada primal de las n variables primales. Los coeficientes del lado izquierdo de la restriccin dual son iguales a los coeficientes de la restriccin (columna) de la variable primal asociada. Su lado derecho es igual al coeficiente del objetivo de la misma variable primal. 4. Los coeficientes del objetivo de la dual son iguales al lado derecho de las ecuaciones de la restriccin primal. 5. INTERPRETACIN ECONMICA DE LA DUALIDAD El problema de la programacin lineal se puede considerar como un modelo de asignacin de recursos, en el cual el objetivo es maximizar el ingreso o la utilidad, sujeto a la disponibilidad de recursos limitados. Viendo el problema desde este punto de vista, el problema dual asociado ofrece interesantes interpretaciones econmicas del modelo de asignacin de recursos de la PL. Para formalizar la exposicin, consideremos la siguiente representacin de los problemas generales primales y duales en los cuales el primal asume el papel de un modelo de asignacin de recursos: Primal Dual

Maximice z =
n

j=1

cjxj
m

Minimice w =

i =1

biyi

Sujeta a

Sujeta a

j=1

aijxj < bi, i = 1,2, ., m xj > 0,j =, 2, , n

i =1

aijyi > cj, j = 1, 2,.,n

yi > 0, i = 1,2, ...., m

Desde el punto de vista del modelo de asignacin de recursos, el problema primal tiene n actividades econmicas y m recursos. El coeficiente cj en el primal representa la utilidad por unidad de la actividad j. El recurso i, cuya disponibilidad mxima es b i, se consume a una tasa de a ij unidades por unidad de la actividad j.

Ejemplo 1 A continuacin se proporciona el siguiente modelo primal y su dual. Modelo Primal Maximice z = 5x1 + 4x2 sujeta a 6x1 + 4x2 < 24 (recurso 1, M1) x1 + 2x2 < 6 (recurso 2, M2) -x1 + x2 < 1 (recurso 3) x2 < 2 (recurso 4) x1 + x2 > 0 Solucin ptima: x1 = 3, x2 = 1.5, z =21 Modelo Dual Minimice w = 24y1+6y2+y3+2y4 sujeta a 6y1 + y2 y3 > 5 4y1 + 2y2 y3 + y4 > 4 y1 + y2 y3 + y4 > 0 Solucin ptima: y1 =.75, y2 =.5,y3 = y4 = 0, w = 21

Ejemplo 2 Con software TORA

En la fabrica del helados de Casma SOL CARIBEO se producen helados de chocolate y fresa, para la fabricacin de un litro de helado de fresa se necesitan 10 huevos y 5 frascos de saborizante y para la fabricacin de 1 litro de helado de chocolate se necesita 6 huevos y 10 frascos de saborizante , esta empresa hace sus pedidos de sus respectivos insumos pudiendo ser tan solo abastecidos con 2500 huevos y 2000 frascos de saborizantes. Teniendo esta limitacin el dueo de la empresa desea maximizar sus ganancias si por cada litro de helado s./ 5.00 y s/.5.50 respectivamente. HALLAR EL DUAL Y LA SOLUCION OPTIMA. Mx. (z) = 5x + 5.5y s.a 10x + 6y <= 2.500 5x + 10y <=2.00 x, y >=0 Min. (Y) = 2500Y1 + 2000Y2 S.a.

10Y1 + 5Y2 >= 5 6Y1 + 10Y2 >= 5.5 Y1, Y2 >= 0

Y1 = 0.3214 Y2 = 0.3517 Y = 2500*0.2314 + 2000*0.3517 Y = 1517.8572

ANALISIS DE SENSIBILIDAD
ANLISIS PARAMTRICO EN LA PROGRAMACIN LINEAL
Los parmetros del modelos son ( a , b i , cj ). Los valores de los parmetros que se usan en el modelo casi siempre son solo estimaciones basadas en una prediccin de las condiciones futuras. Los datos obtenidos para desarrollar estas estimaciones con frecuencia son bastantes imperfectos o no existen, as que los parmetros de la formulacin original pueden representar poco mas que algunas reglas cortas proporcionadas por el personal de lnea al que tal vez se sinti presionado para dar su opinin. Los datos pueden incluso representar estimaciones optimistas o pesimistas que protegen los intereses de los estimadores. Algunas veces los parmetros del modelo(en particular las bi )se establecen como resultado de decisiones por polticas gerenciales (por ejemplo, la cantidad de ciertos recursos que se ponen a la disposicin de las actividades), y estas decisiones deben revisar despus de detectar sus consecuencias potenciales. Por estas razones es importante llevar a cabo un anlisis de sensibilidad, para investigar el efecto que tendra sobre la solucin optima proporcionada por el mtodo simples el hecho de que los parmetros tomaran otros valores posibles. En general, habr algunos parmetros a los que se les pueda asignar cualquier valor razonable sin que afecte la optimalidad de esta solucin. Sin embargo tambin habr parmetros con valore probables que llevan en una soluciona optima. Esta es particularmente seria, si la solucin original adquiere valores sustancialmente inferiores en la funcin objetivo, o tal vez no factibles. Entonces, un objetivo fundamental del anlisis de sensibilidad es identificar los parmetros sensibles,(por ejemplo los parmetros cuyos valores no pueden cambiar sin que cambie la solucin optima).Para ciertos parmetros que no estn clasificados como sensibles, tambin puede resultar de gran utilidad determinar el intervalo de valores del parmetro para el que la solucin optima no cambia.(Este intervalo de valores se conoce como intervalo permisible para permanecer optimo) . En algunos casos, cambiar el valor de un parmetro puede afectar la factibilidad de la solucin BF optima( con los valores ajustados de las variables bsicas) seguir siendo factible.( Este intervalo recibe el nombre de intervalo permisible para permanecer factible) En la siguiente seccin se describirn los procedimientos especficos para obtener este tipo de informacin. La informacin de este tipo es invaluable en dos sentidos. Primero, identifica los parmetros mas importantes, con lo que puede poner un cuidado especial al hacer sus estimaciones y al seleccionar una solucin que tenga un buen desempeo para la mayora de los valores posibles. Segundo se identifica los parmetros que ser necesario controlar de cerca cuando el estudio se lleve a la practica. Si se descubre que el valor real de un parmetro se encuentra fuera de su intervalo de valores permisibles, esta es una seal inminente de que es necesario cambiar la solucin. VARIACIONES DEL VECTOR COSTOS

COSTES REDUCIDOS Soluciones no degeneradas: Admite dos interpretaciones posibles: 1 Cantidad en que se debe mejorar el coeficiente de esa variable de decisin en la funcin objetivo para conseguir que esa variable pase a ser bsica y, por tanto, tome valores positivos salvo caso de degeneracin. Si una variable es ya positiva en el ptimo, su coste reducido ser cero. Si una variable es nula en el ptimo, en la seccin de incrementos y disminuciones admisibles de los coeficientes de dicha variable en la funcin objetivo, uno de los valores ser infinito y el otro el coste reducido. Tasa por unidad de variacin a la cual disminuye el valor de la funcin objetivo cuando esa variable es forzada a entrar en la solucin ptima, es decir, obligada a asumir valores positivos en la misma. Indicador de ptimos mltiples: Una variable no bsica tiene un coste reducido cero. De acuerdo con las relaciones primal-dual, este indicador es extensible al caso en que una variable no bsica tiene un precio dual cero Soluciones degeneradas: En una variable de decisin cuyo valor en el ptimo es cero, el coeficiente de esa variable en la funcin objetivo debe ser mejorado por lo menos en el coste reducido, y posiblemente ms, si se quiere obtener una solucin ptima en la que dicha variable sea positiva. El indicador de ptimos mltiples no es vlido.

Rango de Sensibilidad de Costos para Problemas de PL con dos Variables de Decisin Volviendo al Problema del Carpintero, si cambiamos la ganancia de cada producto, cambia la pendiente de la funcin objetivo de igual valor (funcin iso). Para "pequeos" cambios, el ptimo permanece en el mismo punto extremo. Para cambios mayores, la solucin ptima se desplaza a otro punto. Por consiguiente, tenemos que modificar la formulacin y resolver un nuevo problema. El problema es encontrar un rango para cada coeficiente de costos c(j), de la variable Xj, de manera que la solucin ptima actual, es decir el punto extremo actual (esquina) siga siendo ptimo. Para un problema de PL de 2 dimensiones, puede probar el sencillo abordaje que presentamos a continuacin para saber cul es la cantidad de aumento/disminucin de cualquier coeficiente de la funcin objetivo (tambin conocidos como coeficientes de costos porque histricamente durante la Segunda Guerra Mundial, el primer problema de PL fue un problema de minimizacin de costos) a fin de mantener la validez de la solucin ptima actual. La nica condicin requerida para este abordaje es que no se permiten restricciones de igualdad, ya que esto implicara degeneracin, para lo cual el anlisis de sensibilidad tradicional no es vlido. Paso 1: Considere las nicas dos restricciones obligatorias de la solucin ptima actual. Si hay ms de dos restricciones obligatorias, hay degeneracin, en cuyo caso el anlisis de sensibilidad tradicional no es vlido. Paso 2: Perturbe el coeficiente de costos j por el parmetro cj (esta es la cantidad desconocida de cambios). Paso 3: Construya una ecuacin correspondiente a cada restriccin obligatoria, como figura a continuacin: (Costo Cj perturbado) / coeficiente de Xj en la restriccin = Coeficiente de la otra variable en la funcin objetivo / coeficiente de esa variable de la restriccin. Paso 4: La cantidad de aumento admisible es el cj positivo menor posible, mientras que la disminucin admisible es el cj negativo mayor posible obtenido en el Paso 3. Fjese que si no hay cj positivo (negativo), la cantidad de aumento (disminucin) es ilimitada.

Por ejemplo, si aplicamos este abordaje en la construccin del rango de sensibilidad de los coeficientes de costos del siguiente problema; Maximizar 5X1 + 3X2 Sujeta a: X1 + X2 < 2, X1 - X2 < 0 X1 > 0 X2 > 0 Obtenemos rangos incorrectos. VARIACIONES EN LA DISPONIBILIDAD DE RECURSOS Como los recursos son siempre escasos, a los gerentes les preocupa el problema de la asignacin ptima de los recursos. El Problema del Carpintero se trataron ambos recursos como parmetros, es decir, como valores numricos fijos: Maximice 5 X1 + 3 X2 Sujeta a: 2 X1 + X2 < 40, restriccin de mano de obra X1 + 2 X2 < 50, restriccin de material y ambas X1, X2 son no negativas. Recordarn asimismo que habitualmente las restricciones se clasifican como restricciones del tipo de recurso o de produccin. Es un hecho que en la mayora de los problemas de maximizacin, las restricciones de recursos forman parte natural del problema, mientras que en el problema de minimizacin, las restricciones de produccin son la parte ms importante del problema. Supongamos que desea hallar la mejor asignacin del recurso mano de obra para el Carpintero. En otras palabras, cul es el mejor nmero de horas que el Carpintero debera asignar a su negocio? Tomemos como R el nmero de horas asignadas, el cual se usar para determinar su valor ptimo. Por lo tanto, el modelo matemtico es hallar R1, de modo tal que: Maximice 5 X1 + 3 X2 Sujeta a: 2 X1 + X2 < R1 restriccin mano de obra X1 + 2 X2 < 50 restriccin de material y todas las variables X1, X2 y R1 son no negativas. Obsrvese que ahora R1 se trata no como un parmetro sino como una variable de decisin. Es decir, la maximizacin se realiza con las tres variables, X1, X2 y R1: Maximice 5 X1 + 3 X2 Sujeta a: 2 X1 + X2 - R1 < 0 restriccin de mano de obra X1 + 2 X2 < 50 restriccin de material y todas las variables X1, X2 y R1 son no negativas. Con software de PL, la solucin ptima es X1 = 50, X2 = 0, con una asignacin ptima de la mano de obra de R1 = 100 horas. As, el valor ptimo es $250. Asimismo, obsrvese que el valor ptimo de asignacin de recursos es siempre el mismo como lmite superior del rango de sensibilidad RHS1 generado por el software.

Por ejemplo, el incremento permisible en el nmero de horas es 100 - 40 = 60 horas, con el adicional 250 - 110 = 140. Incluso se puede obtener el precio sombra para este recurso usando esta informacin. El precio sombra es el ndice de cambio en el valor ptimo con respecto al cambio en el lado derecho. Por lo tanto, (250 110)/(100 - 40) = 140/60 = 7/3, que es el precio sombra del RHS1, segn se hall por otros mtodos en las secciones anteriores. ADICIN DE UNA NUEVA VARIABLE Aadir una variable en el primal equivale a aadir una restriccin en el dual. Si el dual verifica esa restriccin, el primal seguir siendo ptimo y, por tanto, la solucin ptima no se modifica. Si el dual no verifica esa restriccin, el dual dejar de ser factible y en consecuencia el primal dejar de ser ptimo. La nueva variable entrar como bsica en la nueva base ptima. ADICIN DE UNA NUEVA RESTRICCIN. Se debe introducirse al modelo una nueva restriccin, despus de que ya se hay resuelto. Este caso puede ocurrir porque se paso por lato la restriccin en un principio o porque surgieron nuevas consideraciones depuse de formular el modelo. Otra posibilidad es que a propsito se haya eliminado la restriccin para disminuir el esfuerzo computacional por parecer menos restrictiva que otras planteadas en el modelo, pero ahora es necesario verificar esta impresin con la solucin optima que se obtuvo. Para ver si la nueva restriccin afecta a la solucin optima actual, todo lo que tiene que hacerse es verificar directamente si esa solucin optima satisface la restriccin. Si es as, todava seria la mejor solucin bsica factible( es decir, seria la solucin ptima), aun cuando se agrega la restriccin al modelo. La razn es que una nueva restriccin solo puede eliminar algunas de las soluciones factibles anteriores sin agregar ninguna. Si la nueva restriccin elimina la solucin optima actual y si se quiere encontrar la nueva solucin, se introduce esta restriccin a la tabla simples final(como un rengln adicional) justo como si fuera la tabla inicial, en la que se designa la variables usual( de holgura o artificial) como la variable bsica que corresponde a este nuevo rengln.

EJERCICIO RESUELTO CON SOFTWARE TORA Una compaa produce dos productos, A y B. Cada unida de A requiere 2 horas en cada mquina y 5 horas en una segunda mquina. Cada unidad de B demanda 4 horas en la primera mquina y 3 horas en la segunda mquina. Se dispone de 100 horas a la semana en la primera mquina y de 110horas en la segunda mquina. Si la compaa obtiene una utilidad de $70 porcada unidad de A y $50 por cada unidad de B Cunto deber de producirse dcada unidad con objeto de maximizar la utilidad total?

PRODUCTO HRS MQUINA 1 HRS MQUINA 2

UTILIDAD

$ 70 POR KILO

B Determinar:

$50 POR KILO

a)Cul es el beneficio mximo? Z= 1700.0000

b)Si aumentara 1 unidad adicional de recursos a la restriccion1, la F.O 1700.0000 + 2.8571 = 1702.8571 c)Si aumentara 1 unidad adicional de recursos a la restriccin 2, la F.O 1700.0000 + 12.8571 = 1712.8571 Solucin: x1 = la Cantidad de produccin de A en unidades x2 = la Cantidad de produccin de B en unidades Max Z = 70x1 + 50x2 Sujetos a: 2x1 + 4x2 < 100 ... (1) 5x1 + 3x2 < 110 .(2) x1, x2 > 0

*** OPTIMUM SOLUTION SUMMARY *** ---------------------------------------------------------------------------Final iteration No: 3 Objective value (max) = 1700.0000 -------------------------------------------------------------------Variable Value Obj Coeff Obj Val Contrib

-------------------------------------------------------------------x1 x2 10.0000 20.0000 70.0000 50.0000 700.0000 1000.0000

--------------------------------------------------------------Constraint RHS Slack(-)/Surplus(+)

--------------------------------------------------------------1 (<) 2 (<) 100.0000 110.0000 0.00000.0000-

*** SENSITIVITY ANALYSIS *** Objective coefficients -- Single Changes:

---------------------------------------------------------------------------Variable Current Coeff Min Coeff Max Coeff Reduced Cost

---------------------------------------------------------------------------x1 x2 70.0000 50.0000 25.0000 42.0000 83.3333 140.0000 0.0000 0.0000

Right-hand Side -- Single Changes: ---------------------------------------------------------------------------Constraint Current RHS Min RHS Max RHS Dual Price

---------------------------------------------------------------------------1 (<) 2 (<) 100.0000 110.0000 44.0000 75.0000 146.6667 250.0000 2.8571 12.8571

Objective Coefficients -- Simultaneous Changes d: ---------------------------------------------------------------------------Nonbasic Var Optimality Condition ---------------------------------------------------------------------------sx3 sx4 2.8571 + 12.8571 + 0.3571 d2 + -0.1429 d2 + -0.2143 d1 >= 0 0.2857 d1 >= 0

Right-hand Side Ranging -- Simultaneous Changes D: ---------------------------------------------------------------------------Basic Var Value/Feasibilty Condition

---------------------------------------------------------------------------x2 20.0000 + 0.3571 D1 + -0.1429 D2