7 Análisis de Sensibilidad

Análisis de sensibilidad
Mg. Giuliana Romero

[email protected]
Introducción
• El trabajo del equipo de investigación de
operaciones apenas comienza una vez que se
aplica con éxito el método símplex para
identificar una solución óptima para el modelo.
• En realidad, los valores de los parámetros que
se usan en el modelo casi siempre son sólo
ESTIMACIONES basadas en una predicción de
las condiciones futuras.
• Con frecuencia, los datos que se obtienen para
desarrollar estas estimaciones son bastante
burdos o no existen.
Introducción
• En consecuencia, el personal de investigación
de operaciones deben mantener CIERTO
ESCEPTICISMO respecto de los números
originales que les proporciona la
computadora.
• Una solución “óptima” lo es sólo en lo que se
refiere al modelo específico que se usa para
representar el problema real, y esa solución
no se convierte en una guía confiable para la
acción hasta verificar que su
comportamiento es bueno también para
otras representaciones razonables del
problema.
Introducción
• Además que los parámetros del modelo son muchas veces basados en
políticas administrativas (por ejemplo, la cantidad de ciertos recursos que
se ponen a disposición de las actividades), y estas decisiones deben
revisarse después de detectar sus consecuencias potenciales.
• Por estas razones es importante llevar a cabo un análisis de sensibilidad,
para investigar el efecto que tendría sobre la solución óptima que
proporciona el método símplex el hecho de que los parámetros tomen
otros valores posibles.
• En general, habrá algunos parámetros a los que se les pueda asignar
cualquier valor razonable sin que afecten la optimalidad de esta solución.
Sin embargo, también habrá parámetros con valores probables que lleven a
una nueva solución óptima. Esta situación es seria, en particular si la
solución original adquiere valores no factibles.
El análisis de sensibilidad
consiste, en esencia, en la
investigación del efecto que
tiene sobre la solución
óptima el hecho de hacer
cambios en los valores de
los parámetros del modelo.
Objetivo del Análisis de Sensibilidad
• Por tanto, un objetivo fundamental
del análisis de sensibilidad es
identificar los parámetros sensibles
(es decir, los parámetros cuyos
valores no pueden cambiar sin que
cambie la solución óptima). Teniendo
en cuenta que parámetro es el
termino que se utiliza para
representar cualquier variable o
factor para que el que
un valor estimado o determinado.
• Para coeficientes de la función objetivo que no están clasificados
como sensibles, también puede resultar de gran utilidad determinar
el intervalo de valores del parámetro para el que la solución óptima
no cambia. (Este intervalo de valores se conoce como intervalo
permisible para ese coeficiente.)
• Para manejar tales parámetros, es útil determinar el intervalo de
valores para el que la solución óptima (con los valores ajustados de
las variables básicas) seguirá siendo factible. (Este intervalo recibe el
nombre de intervalo permisible por el lado derecho involucrado.)
• Este rango de valores es también el rango dentro del cual el precio
sombra actual de la restricción correspondiente permanece válido.
Procedimientos
• Los procedimientos específicos para obtener este tipo de valores, son:
• Primero, identifica los parámetros más importantes, por lo que se
debe tener un cuidado especial para hacer estimaciones cercanas y
seleccionar una solución que tenga un buen desempeño para la
mayoría de los valores posibles.
• Segundo, identifica los parámetros que será necesario controlar muy
de cerca cuando el estudio se implante.
• Si se descubre que el valor real de un parámetro está fuera de su
intervalo de valores permisibles, ésta es una SEÑAL
INCONTRASTABLE DE QUE ES NECESARIO CAMBIAR LA SOLUCIÓN.
Procedimientos
• Entonces el análisis de sensibilidad es un estudio sistemático de cómo
afectan a las conclusiones de un modelo las posibles variaciones en los
valores de los parámetros y en las relaciones funcionales que incluye.
• La forma más simple de realizar el análisis consiste en modificar los valores
numéricos de cada uno de sus parámetros. Para ello se incrementa el
valor del parámetro cuya sensibilidad se quiere estudiar en un cierto
porcentaje y se analiza en qué medida esta variación afecta a las
conclusiones del modelo.
• Requiere del cambio del valor de una constante (o varias constantes de una
vez) y simular, cambiar el valor de la constante de nuevo y simular
nuevamente y repetir esta acción muchas veces para lograr un ESPECTRO
DE VALORES de salida.
Procedimientos
1. Revisión del modelo: se hacen los cambios deseados en el modelo
que se va a investigar.
2. Revisión de la tabla símplex final: Se emplea la idea fundamental
(según el resumen de fórmulas) para determinar los cambios que
resultan en la tabla símplex final.
3. Conversión a la forma apropiada de eliminación de Gauss: Se
convierte esta tabla en la forma apropiada para identificar y evaluar la
solución básica actual, para lo cual se aplica eliminación de Gauss.
Procedimientos
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 aún tengan valores no negativos.
5. Prueba de optimalidad: Se verifica si esta solución es óptima
(factible), mediante la comprobación de que todos los coeficientes de
las variables no básicas del renglón 0 continúen no negativos.
6. Reoptimización: Si esta solución no pasa una de las pruebas, se
puede obtener (si se desea) la nueva solución óptima a partir de la
tabla actual como tabla símplex inicial (con las conversiones
necesarias) por el método símplex o el símplex dual.
Tipos de cambios
• Debido a que el estudio de la variación simultanea de varios parámetros
puede ser difícil, nos centraremos en primer lugar en modificaciones de un
parámetro a la vez manteniendo los restantes fijos. Teniendo los siguientes
tipos:
• Cambio 1 Cambio del coeficiente en la función objetivo de una variable no básica.
• Cambio 2 Cambio del coeficiente en la función objetivo de una variable básica.
• Cambio 3 Cambio del coeficiente del lado derecho de una restricción.
• Cambio 4 Incorporación de una nueva variable.
• Cambio 5 Incorporación de una nueva restricción.
• Además, se estudiara la variación simultanea de coeficientes en la función
objetivo y del lado derecho mediante la regla del 100 %
EJEMPLO
z = 280 s1 = 24
x3 = 8 x1 = 2
x2 = s2 = s3 = 0
Cambio del Coeficiente en la Función Objetivo
de una Variable No Básica
• En la base optima del problema (1.1) la
única variable de decisión no basal es
x2. Dicha variable, posee como
coeficiente en la función objetivo: c2 =
30.
• Debido a que sólo se está cambiando el
coeficiente de una variable en la
función objetivo, la región factible del
problema se ve inalterada, es decir, no
se ve modificada la factibilidad del
optimo actual. Sólo puede ocurrir que
la solución actual deje de ser la optima
si c2 crece lo suficiente.
• Modificación con δ = 10
Cambio del Coeficiente en la Función Objetivo
de una Variable Básica
• El estudio de variaciones en coeficientes
en la función objetivo de variables básicas
sigue la misma lógica de la variación de
coeficientes en la función objetivo de
variables no básicas.
• La idea es determinar cómo varían los cj −
zj de todas variables y obtener a partir de
dichas modificaciones un rango en el cual
la base se ve inalterada.
• Evidentemente, una modificación de este
tipo no afectada la región factible y sólo
puede cambiar la optimalidad de la
solución actual si la variación es lo
suficientemente importante.
• Consideremos por ejemplo δ = 40. Por
otro lado, un cambio dentro del rango de
optimalidad modifica los cj − zj , pero
mantiene la base.
Cambio del Coeficiente del Lado Derecho de
una Restricción
• La variación del coeficiente del lado derecho de una restricción modifica la
región factible del problema, por lo tanto puede afectar la optimalidad de
la solución ´optima y la condición de las restricciones (activas o no activas).
• El efecto de la variación del coeficiente bi asociado a la restricción i deber
ser analizado considerando la condición de la restricción afectada. Desde
este punto de vista existen dos posibilidades:
• Caso 1 La variación afecta a una restricción no activa, es decir, una restricción de tipo
≤ con su variable de holgura en la base, o bien una restricción de tipo ≥ con su
variable de exceso en la base.
• Caso 2 La variación afecta una restricción activa, es decir, una restricción de tipo ≤
con su variable de holgura igual a cero, o bien una restricción de tipo ≥ con su
variables de exceso igual a cero.
Incorporación de una Nueva Variable
• El análisis consiste en determinar la
conveniencia o no de la incorporación de
una nueva variable (nuevo producto) a un
problema, desde el punto de vista si la
nueva variable mejorara el valor actual de
la función objetivo.
• Supongamos que se desea incorporar una
variable x4 al problema en estudio. Las
características de esta nueva alternativa
son: un beneficio de 25 (coeficiente en la
función objetivo) y un requerimiento de
una unidad en la primera y tercera
restricción, y de dos unidades en la
segunda restricción. Por lo tanto, el nuevo
modelo queda:
Incorporación de una nueva Restricción
• La incorporación de una nueva restricción puede provenir no solo de cambios en las
hipótesis de formulación o bien de cambios en las condiciones de desarrollo de un
cierto proceso productivo, si no que también pueden aparecer producto de la resolución
del problema con algunas condiciones especiales.
• En términos generales, pueden ocurrir dos situaciones al agregar una nueva restricción a
un problema:
1. La solución optima actual satisface la nueva restricción.
2. La solución optima actual no satisface la nueva restricción.
• En el primer caso la solución del problema no se ve alterada, ya que la restricción no
modifica la región factible o al menos no excluye al punto extremo optimo actual. Hay
que tener claro que la incorporación de una nueva restricción no puede generar una
mejora de la función objetivo, en el mejor de los casos sólo mantiene el optimo ya que
la región factible corresponde a un subconjunto de la región factible original.
• En este caso, en la nueva restricción: 2x1 + x2 + x3 + s4 = 0
PROBLEMA
• En invierno una fabrica de producción de prendas de vestir para
caballeros de casacas y abrigos, desea saber cuanto producir de cada
prenda para obtener las mayores ganancias posibles, sabiendo que
gana 50 soles y 80 soles respectivamente por unidad producida y que
lo que produzca su venta esta asegurada. Sabiendo que para la
producción de tales prendas se pasa por 2 procesos claramente
definidos, empleándose 1 hora por casaca en el PROCESO 1 y 2 horas
para el abrigo en el PROCESO 1; Y 1 hora para cada producto en el
PROCESO 2. Y que además se cuenta como máximo con 120 horas
disponibles de mano de obra en el PROCESO 1 y con 90 en el
PROCESO 2.
se aplicara análisis de sensibilidad a CADA
VARIABLE PARA VERIFICAR LA SOLUCION OPTIMA
Z y1 y2 s1 s2 R
1 -50 -80 0 0 0
Max Z =50x1 + 80y2 0 1 2 1 0 120
• y1+2y2 ≤ 120 0 1 1 0 1 90
• x1 + x2 ≤ 90
• x1; x2 ≤ 0 Z y1 y2 s1 s2 R
Z 1 0 0 30 20 5400
y2 0 0 1 1 -1 30
y1 0 1 0 -1 2 60
PROBLEMA Analisis de sensibilidad
CAMBIAMOS 90 POR 90 + π Z y1 y2 s1 s2 R
• y1: 60 + 2π ≥ 0 Z 1 0 0 30 20 5400
2π ≥ -60
y2 0 0 1 1 -1 30
π ≥ -30
y1 0 1 0 -1 2 60
• y2: 30 - π ≥ 0
-π ≥ -30
π ≤ 30
• Z: 5400 + 20π ≥ 0
20π ≥ -5400
π ≥ -270 -270 -30 30
π Ꞓ [-30 , 30]
PROBLEMA Analisis de sensibilidad
CAMBIAMOS 120 POR 120 + π Z y1 y2 s1 s2 R
• y1: 60 - π ≥ 0 Z 1 0 0 30 20 5400
- π ≥ -60
y2 0 0 1 1 -1 30
π ≤ 60
y1 0 1 0 -1 2 60
• y2: 30 + π ≥ 0
π ≥ -30
• Z: 5400 + 30π ≥ 0
30π ≥ -5400
π ≥ -180 -180 -30 60
π Ꞓ [-30 , 60]
GRACIAS

7 Análisis de Sensibilidad

Cargado por

Copyright:

Formatos disponibles

7 Análisis de Sensibilidad

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

7 Análisis de Sensibilidad

Cargado por

Copyright:

Formatos disponibles

Análisis de sensibilidad

Mg. Giuliana Romero

Max Z =50x1 + 80y2 0 1 2 1 0 120

También podría gustarte