ANÁLISIS DE SENSIBILIDAD

Análisis de Sensibilidad, llamado también Análisis de Post-optimización, es una de las

partes más importantes en la programación lineal, es utilizada para tomar en
consideración los cambios que pueden ocurrir en los elementos componentes del
modelo que consiste en determinar que tan sensible es la respuesta óptima del
método simplex, al cambio de algunos datos como las ganancias o costos unitarios
(coeficientes de la función objetivo) o la disponibilidad de los recursos (términos
independientes de las restricciones), que se refieren a permutas en coeficientes,
variables, restricciones y Función Objetivo.

El análisis de sensibilidad o postoptimal para los modelos de Programación Lineal,

tiene por objetivo identificar el impacto que resulta en los resultados del problema
original luego de determinadas variaciones en los parámetros, variables o
restricciones del modelo, sin que esto pase por resolver el problema
nuevamente.

Objetivo principal del análisis de sensibilidad:

• Establecer un intervalo de números reales en el cual el dato que se analiza

puede estar contenido, de tal manera que la solución sigue siendo óptima siempre que
el dato pertenezca a dicho intervalo

• Investigar el cambio en la solución óptima del problema, cuando se producen

cambios en los parámetros del modelo

ASPECTOS RELEVANTES DE LA TEORÍA DE ANÁLISIS DE SENSIBILIDAD

• Siendo determinantico, el modelo de Programación Lineal, asume que se

conocen con certeza sus datos de insumo. Sin embargo, nada en la vida es constante.
Por ello, el análisis de sensibilidad justifica plenamente la utilización de este modelo al
presentar los efectos de los cambios que pueden ocurrir durante el periodo de
planificación para el que se está utilizando el modelo, y aún durante la solución del
mismo.

• Cuando cambia un número, insumo del modelo, tal como un coeficiente o

parámetro, o un lado derecho de una restricción, el análisis de sensibilidad de la
solución muestra un rango de valores dentro de los cuales ese número puede cambiar
sin cambiar la solución básica obtenida.

CAMBIOS EN LOS COEFICIENTES DE LA FUNCIÓN OBJETIVO

• También puede ser llamado cambio en la relación ganancia-costos.

• Los coeficientes de la función objetivo pueden cambiar dentro de los límites sin
que se afecten los valores óptimos de las variables, no obstante cambiará el valor
óptimo de z.
• La función objetivo nunca se utiliza como ecuación pivote. Por lo tanto,
cualquier cambio en los coeficientes de la función objetivo afectarán solamente a la
función objetivo en la tabla óptima. Esto significa que estos cambios pueden tener el
efecto de hacer la solución no óptima.

• La meta de este consiste en determinar el intervalo de variación de los

coeficientes objeto (uno a la vez), para el cual se mantiene sin variación la solución
óptima actual.

CAMBIOS EN LOS VALORES DEL LADO DERECHO DE LAS RESTRICCIONES

Consiste en el cambio de uno o más los parámetros. 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.

INCLUSIÓN DE UNA NUEVA RESTRICCIÓN

Para saber si la actual solución y valor óptimo se mantendrá luego de incorporar una
nueva restricción al problema se debe evaluar la solución actual y verificar si satisface
la nueva restricción. En caso afirmativo, la actual solución también lo será del
problema con la nueva restricción, en caso contrario se incorporará la nueva
restricción a la tabla final del Simplex del escenario base.

INCLUSIÓN DE UNA NUEVA VARIABLE

Debemos evaluar si la nueva variable es un aporte significativo a los resultados del

modelo original. Luego, para decir si la actual solución básica es óptima para el nuevo
problema, calculamos el costo reducido de la nueva variable.

Procedimiento

• Revisión del modelo: Se hacen los cambios deseados en el modelo que se va a

investigar.

• Revisión de la tabla Simplex final: Utilización de la idea fundamental para

determinar los cambios en la tabla.

• Conversión a la forma apropiada: Conversión de tabla en la forma apropiada

para identificar y evaluar la solución básica actual.

• Prueba de factibilidad: Verificar que todas las variables básicas sigan teniendo
valores no negativos en el segundo miembro.

• Prueba de optimidad: Verificación si solución e s optima. Coeficientes variables

no básicas en el renglón 0 sigan siendo no negativos.

• Reoptimización: Si no pasa cualquiera de las pruebas, se puede obtener la

nueva solución, partiendo de la tabla actual haciendo las conversiones necesarias.
PROBLEMA PROPUESTO

Una fábrica de ladrillos produce cuatro tipos de ladrillo de cemento. El proceso de

fabricación está compuesto de tres etapas: mezclado, vibrado e inspección. Dentro del
próximo mes se dispone de 800 horas de máquina para mezclado, 1000 horas de
máquina para vibrado y 340 horas-hombre para inspección. La fábrica desea
maximizar las utilidades dentro de este período, y para ello ha formulado el modelo de
programación lineal siguiente:

Maximizar Z = 8X1 + 14X2 + 30X3 + 50X4

Sujeto a:

X1 + 2X2 + 10X3 + 16X4 = 800

1.5X1 + 2X2 + 4X3 + 5X4 = 1000

0.5X1 + 0.6X2 + X3 + 2X4 = 340

X1, X2, X3, X4  0

Donde X1 representa la cantidad de ladrillo del tipo 1. El resto de los parámetros se

explican por sí solo.

Para conocer cuál es la Solución Óptima para este problema, se resuelve el modelo
planteado por medio del Método Simplex

Maximizar Z = 8X1 + 14X2 + 30X3 + 50X4

Sujeto a:

X1 + 2X2 + 10X3 + 16X4 = 800

1.5X1 + 2X2 + 4X3 + 5X4 = 1000

0.5X1 + 0.6X2 + X3 + 2X4 = 340

X1, X2 , X3, X4 = 0

X1 + 2X2 + 10X3 + 16X4 + S1 = 800

1.5X1 + 2X2 + 4X3 + 5X4 + S2 = 1000

0.5X1 + 0.6X2 + X3 + 2X4 + S3 = 340

Z = 8X1 + 14X2 + 30X3 + 50X4

Z - 8X1 - 14X2 - 30X3 - 50X4 = 0

TABLA # 1

Base Z X1 X2 X3 X4 S1 S2 S3 Valor
Z 1 -8 -14 -30 -50 0 0 0 0
S1 0 1 2 10 16 1 0 0 800
S2 0 3/2 2 4 5 0 1 0 1000
S3 0 1/2 3/5 1 2 0 0 1 340

TABLA # 2

Base Z X1 X2 X3 X4 S1 S2 S3 Valor
Z 1 -39/8 -31/4 5/4 0 31/10 0 0

X4 0 31/500 1/8 5/8 1 31/500 0 0

S2 0 1187/1000 11/8 7/8 0 -39/125 1 0

S3 0 3/8 7/20 -1/4 0 -1/8 0 1

TABLA # 3

Base Z X1 X2 X3 X4 S1 S2 S3 Valor
Z 1 -1 0 40 62 279/40 0 0 5600

X2 0 ½ 1 5 8 ½ 0 0 400

499/100 999/100
S2 0 0 -6 -11 1 0 200
0 0

S3 0 1/5 0 -2 -14/5 -3/10 0 1 100

TABLA # 4

Base Z X1 X2 X3 X4 S1 S2 S3 Valor
Z 1 0 0 28 40 359/40 2 0 6000

X2 0 0 1 11 19 -1/2 -1 0 200

X1 0 1 0 -12 -22 2 2 0 400

S3 0 0 0 2/5 8/5 -7/10 -2/5 1 20

Como todos los coeficientes de las variables en la ecuación Z (Función Objetivo) son
positivos y como el modelo es de maximización, entonces la Solución Óptima Básica
Factible es cuando:

X1 = 400

X2 = 200

X3 = 0

X4 = 0

Z = 6000

Maximizar Z = 10X1 + 14X2 + 30X3 + 50X4

Sujeto a:

X1 + 2X2 + 10X3 + 16X4 = 800

1.5X1 + 2X2 + 4X3 + 5X4 = 1000

0.5X1 + 0.6X2 + X3 + 2X4 = 340

X1, X2 , X3, X4, = 0

X1 + 2X2 + 10X3 + 16X4 + S1 = 800

1.5X1 + 2X2 + 4X3 + 5X4 + S2 = 1000

0.5X1 + 0.6X2 + X3 + 2X4 + S3 = 340

Z = 10X1 + 14X2 + 30X3 + 50X4

Z - 10X1 - 14X2 - 30X3 - 50X4 = 0

TABLA # 1

Base Z X1 X2 X3 X4 S1 S2 S3 Valor
Z 1 -10 -14 -30 -50 0 0 0 0

S1 0 1 2 10 16 1 0 0 800

S2 0 3/2 2 4 5 0 1 0 1000

S3 0 1/2 3/5 1 2 0 0 1 340

TABLA # 2

Base Z X1 X2 X3 X4 S1 S2 S3 Valor
Z 1 -55/8 -31/4 5/4 0 25/8 0 0 2500

X4 0 31/500 1/8 5/8 1 31/500 0 0 50

S2 0 1187/1000 11/8 7/8 0 -39/125 1 0 750

S3 0 3/8 7/20 -1/4 0 -1/8 0 1 240

TABLA # 3

Base Z X1 X2 X3 X4 S1 S2 S3 Valor
6969/100
Z 1 -3031/1000 0 40 62 0 0 5600
0

X2 0 ½ 1 5 8 ½ 0 0 400

S2 0 ½ 0 -6 -11 1 1 0 200

S3 0 2/10 0 -2 -14/5 -3/10 0 1 100

TABLA # 4

Base Z X1 X2 X3 X4 S1 S2 S3 Valor
Z 1 0 0 907/250 27659/500 10 3031/500 0 34062/5

X2 0 0 1 11 19 -0.5 -1 0 200

X1 0 1 0 -12 -22 2 2 0 400

S3 0 0 0 0.4 1.6 -0.7 -0.4 1 20

X1 = 400

X2 = 200

X3 = 0

X4 = 0

Z = 34062/5

Según lo observado se puede concluir que al realizar el cambio en la función objetivo

este no se encontraba dentro de los límites ya que se afectaron los valores óptimos
de las variables, no obstante cambió el valor de z.