INVESTIGACION DE

OPERACIONES
ANÁLISIS DE SENSIBILIDAD – TEORÍA Y EJEMPLO
 OBJETIVO DE LA SESIÓN
1. Estructura del Método Simplex y Dual
2. Qué es análisis de Sensibilidad
3. Ejemplo empresa RMC.
4. Análisis de Sensibilidad de la función Objetivo.
5. Análisis de Sensibilidad del lado derecho(cambio en los
Recursos).
6. Ejemplos
7. Interpretación con software Lindo-Lingo.
8. Ejemplos.
El algoritmo Simplex y el modelo Dual
Estructura Básica
MÉTODO U ALGORITMO SIMPLEX

• Es un procedimiento iterativo (paso a

paso), que permite ir mejorando la
solución a cada paso.
• El proceso concluye, cuando no es
posible seguir mejorando más dicha
solución.
ALGORITMO SIMPLEX

• El Algoritmo o método simplex resuelve el problema en iteraciones

(pasos).
• Parte de un vértice de la región factible y en cada iteración se traslada a
un nuevo vértice con mejor valor potencial de la función objetivo.
• El proceso acaba cuando llega a un vértice cuyo valor objetivo no puede
ser mejorado.
• Vamos a presentar el método simplex resolviendo un problema concreto
de programación lineal con dos variables de decisión para poder
visualizar lo que hace el método.
• Veamos el siguiente problema de programación lineal de Wyndor Glass.
LA WYNDOR GLASS CORPORATION

La Wyndor Glass Co. Es una empresa dedicada a la elaboración de artículos de vidrio

de alta calidad (puertas y ventanas) los cuales se hacen en 3 plantas diferentes.
Planta 1 Molduras y marcos de aluminio.
Planta 2 Molduras y marcos en madera.
Planta 3 Se hace y se ensambla el vidrio.

Se tiene un programa de cambio de la producción y se propone incursionar con dos

nuevos productos.
Producto 1: Puerta de vidrio con marco de aluminio.
Producto 2: Ventana de vidrio con marco de madera.

Según el departamento de comercialización, se puede colocar en el mercado toda la

producción de estos.

Se debe determinar la tasa de producción de los 2 productos para maximizar las

utilidades sujeto a las limitaciones que tiene la empresa.
Después de haber realizado la recopilación de los datos, se elabora la siguiente tabla:
DATOS DEL PROBLEMA DE WYNDOR GLASS

Tiempo de producción por lote Tiempo de

(horas) producción
PLANTA disponible a la
P1 (Puertas) P2 (Ventanas) semana
(horas)
1 1 0 4
2 0 2 12
3 3 2 18
Ganancia por
$3000 $5000
lote
NOTACION MATEMATICA PARA EL SIMPLEX

PROBLEMA PRIMAL PROBLEMA PRIMAL EN FORMATO LINGO

Max Z  3 x1  5 x2 MAX = 3*X1 + 5*X2;

X1 <= 4;
Sujeto a : 2*X2 <= 12;
x1 4 3*X1 + 2*X2 <= 18;
2 x2  12
3 x1  2 x2  18 SOLUCION CON LINGO

x1 , x2  0 Objective value: 36.00000

Variable Value Reduced Cost

X1 2.000000 0.000000
X2 6.000000 0.000000
 ALGORITMO SIMPLEX
TODO PROBLEMA PRIMAL TIENE SU DUAL
PRIMAL DUAL
Max Z  3 x1  5 x2 Min Z  4Y1  12Y2  18 Y3
Sujeto a : Sujeto a :
x1 4 Y1 Y1  0 Y2  3 Y3 3
2 x2  12 Y2 0Y1  2Y2  2Y3 5
3 x1  2 x2 18 Y3 Y1 , Y2 , Y3  0
x1 , x2  0

EL METODO SIMPLEX USA EL PROBLEMA ESTANDAR, A PARTIR DEL PRIMAL AGREGANDO VARIABLES DE HOLGURA

Max Z  3 x1  5 x2  0 S1  0 S 2  0 S3  0
Sujeto a :
x1  S1 4
2 x2  S 2  12
3 x1  2 x2  S3  18
x1 , x2 , S1 , S 2 , S3  0
 MÉTODO SIMPLEX
Lo primero que se hace con el problema, es escribirlo en forma estándar, con todos los
coeficientes del lado derecho en positivo.
“Un problema de programación lineal se dice que está escrito en “forma estándar” si
todas las restricciones del problema son ecuaciones lineales y todas las variables son no
negativas”.
Es decir, todas las restricciones, excepto las de no negatividad, se convierten en
ecuaciones y todas las variables han de estar restringidas a ser mayores o iguales a cero.
Además conviene que todos los lados derechos de las ecuaciones sean no negativos.
Esto es inmediato, pues si alguna ecuación tiene el lado derecho negativo multiplicamos
tal ecuación por – 1 y se consigue lo que queremos.

La diferencia entre el lado derecho y el lado izquierdo de la restricción ( <= ) representa, la

cantidad no usada u holgura del recurso.
Para convertir una desigualdad ( <= ) en una ecuación se suma una “variable de holgura”
no negativa (S1) al lado izquierdo de la restricción.
Por ejemplo:
3 x1  8 x2  12 3 x1  8 x2  S1  12
 MÉTODO SIMPLEX
Por otro lado, una desigualdad del tipo ( >= ), suele darse en las restricciones en las
que el lado derecho representa un límite inferior para las actividades del modelo.
Para convertir la desigualdad ( >= ) en igualdad ( = ), se resta una “variable de holgura
(o exceso)” no negativa al lado izquierdo de la restricción.

Por ejemplo: 15 x1  5 x2  S 2  100

15 x1  5 x2  100

Por lo tanto, el problema de ejemplo Wyndor Glass, quedaría en su forma estándar de la

siguiente forma:

Max Z  3 x1  5 x2  0 S1  0 S 2  0 S3  0
Sujeto a :
x1  S1 4
2 x2  S 2  12
3 x1  2 x2  S3  18
x1 , x2 , S1 , S 2 , S3  0
 MÉTODO SIMPLEX
Pasos para resolver por el método simplex

. 1- Se convierten las restricciones en igualdades (problema

estándar).
2- Se iguala la función objetivo a cero.
3- Se agregan los coeficientes según el número de
restricciones.
4-Se inicia la tabla simplex o matriz nueva.
5-Se busca el menor negativo y el menor positivo para
seleccionar el número pivote.
6- Se busca la matriz nueva
 MÉTODO SIMPLEX
Max Z  3 X 1  5 X 2  0 S1  0 S 2  0 S3  0
Sujeto a :
X1  S1 4
2 X 2  S2  12
3 X1  2 X 2  S3  18
X 1 , X 2 , S1 , S 2 , S3  0

VARIABLES DE VARIABLES DE HOLGURA

BASE DECISIÓN SOLUCIÓN
Z X1 X2 S1 S2 S3
Z 1 -3 -5 0 0 0 0
S1 0 1 0 1 0 0 4
S2 0 0 2 0 1 0 12
S3 0 3 2 0 0 1 18
 MÉTODO SIMPLEX
Primera Iteración: Criterio de Optimalidad: Las variables de decisión (No Básicas) deben
“ENTRAR” a la BASE. Criterio de Factibilidad: de la base debe “SALIR” una de las
variables básicas (de holgura).
• La variable que entra a la BASE, es la variable que tiene el coeficiente de la función
objetivo más negativo (MAX).
• La variable que sale de la base, se obtiene de la razón mínima, que es igual a dividir los
elementos de la columna solución entre los elementos de la columna de la variable que
entra. No se consideran divisiones entre cero y negativos. Si hubiera empate, se escoge
arbitrariamente.

Variable que entra a la base

VARIABLES VARIABLES DE
BASE DE DECISIÓN HOLGURA SOLUCIÓN Razón
Z X1 X2 S1 S2 S3
Z 1 -3 -5 0 0 0 0
S1 0 1 0 1 0 0 4 4/0 NO
S2 0 0 2 0 1 0 12 12/2 =6 Min
S3 0 3 2 0 0 1 18 18/2 =9
Elemento PIVOT
 MÉTODO SIMPLEX
Primera Iteración: Criterios de Optimalidad: Variable que entra: X2 (-5)
Criterio de Factibilidad: Variable que sale S2
La intersección de la celda de la columna de la variable X2 que entra a la BASE y la celda de la
variable S2 que sale, se le llama elemento PIVOT. Este queda con valor 1 y el resto de los
elementos de la columna de la variable que entra X2, quedan con valor CERO.
Esto se logra realizando operaciones de suma, resta , multiplicación y división, permutaciones de las
filas y columnas de las matrices relacionadas (cálculos de Gauss-Jordan).
• De ello, la tabla en el primer paso queda de la siguiente forma:

VARIABLES DE VARIABLES DE HOLGURA

BASE DECISIÓN SOLUCIÓN
Z X1 X2 S1 S2 S3
Z 1 -3 0 0 5/2 0 30
S1 0 1 0 1 0 0 4
X2 0 0 1 0 1/2 0 6
S3 0 3 0 0 -1 1 6
Segunda Iteración:
MÉTODO SIMPLEX
Repetimos los criterios de Optimalidad. Variable que entra: X1(-3)
Criterio de Factibilidad: Variable que sale: S3
La intersección de la celda de la columna de la variable X1 que entra a la BASE y la celda de la
variable S3 que sale, se le llama elemento PIVOT. Este debe quedar con valor 1 y el resto de
los elementos de la columna de la variable que entra X1 deben quedar con valor CERO.
Esto se logra realizando operaciones de suma, resta , multiplicación y división, permutaciones
de las filas y columnas de las matrices relacionadas (cálculos de Gauss-Jordan).
Variable que entra a la base
VARIABLES VARIABLES DE
BASE DE DECISIÓN HOLGURA SOLUCIÓN Razón
Z X1 X2 S1 S2 S3
Z 1 -3 0 0 5/2 0 30
S1 0 1 0 1 0 0 4 4/1=4
X2 0 0 1 0 1/2 0 6
S3 0 3 0 0 -1 1 6 6/2=3
Min
Elemento PIVOT
 MÉTODO SIMPLEX
Segunda Iteración:
Repetimos los criterios de Optimalidad. Variable que entra: X1
Criterio de Factibilidad: Variable que sale: S3
La intersección de la celda de la columna de la variable X1 que entra a la BASE y la celda de
la variable S3 que sale, se le llama elemento PIVOT. Este queda con valor 1 y el resto de los
elementos de la columna de la variable que entra X1 quedan con valor CERO.
Esto se logra realizando operaciones de suma, resta , multiplicación y división,
permutaciones de las filas y columnas de las matrices relacionadas (cálculos de Gauss-
Jordan).
• De ello, la tabla en el segundo paso queda de la siguiente forma:

VARIABLES VARIABLES DE
BASE DE DECISIÓN HOLGURA SOLUCIÓN
Z X1 X2 S1 S2 S3
Z 1 0 0 0 3/2 1 36
S1 0 0 0 1 1/3 -1/3 2
X2 0 0 1 0 1/2 0 6
X1 0 1 0 0 -1/3 1/3 2

Elemento PIVOT
 MÉTODO SIMPLEX
TABLA FINAL

Criterio de parada del algoritmo simplex

Para un problema de maximización, si no hay coeficientes negativos asociados a las variables
de decisión, en la fila de Z (función objetivo) entonces allí termina el algoritmo. De modo
contrario para un problema de minimización, si no hay elementos positivos asociados a las
variables de decisión, en la fila de Z (función objetivo) entonces allí termina el algoritmo.
Por lo tanto, este es la tabla final, con los resultados
S1 = 2 X2 = 6 X1 = 2 Z* = $36 (miles).

VARIABLES VARIABLES DE
BASE DE DECISIÓN HOLGURA SOLUCIÓN
Z X1 X2 S1 S2 S3
Z 1 0 0 0 3/2 1 36
S1 0 0 0 1 1/3 -1/3 2
X2 0 0 1 0 1/2 0 6
X1 0 1 0 0 -1/3 1/3 2
 MÉTODO SIMPLEX
TABLA FINAL VERSUS REPORTE DE SOFTWARE LINGO
Variable Value Reduced Cost Podemos ver que el Dual Price (Precio Dual) tiene valor cero
X1 2.000000 0.000000 para la restricción R1 y en la tabla el valor de S1 a nivel de Z
X2 6.000000 0.000000 también es 0.
Row Slack or Surplus Dual Price
Si vemos para la restricción R2, el Precio Dual es 1.5 y en la
1 36.00000 1.000000
R1 2 2.000000 0.000000
tabla a nivel de la fila Z, el valor de S2 también es 1.5. Así
R2 3 0.000000 1.500000 mismo vemos que para la restricción R3, el Precio Dual es 1
R3 4 0.000000 1.000000 y en la tabla lo podemos ver en la fila Z, el valor de S3
también es 1.

VARIABLES VARIABLES DE
BASE DE DECISIÓN HOLGURA SOLUCIÓN
Z X1 X2 S1 S2 S3
Z 1 0 0 0 3/2 1 36
S1 0 0 0 1 1/3 -1/3 2
X2 0 0 1 0 1/2 0 6
X1 0 1 0 0 -1/3 1/3 2
 MÉTODO SIMPLEX – ANÁLISIS DE SENSIBILIDAD
TABLA FINAL VERSUS REPORTE DE SOFTWARE LINGO DEL PROBLEMA DUAL
Vemos que el problema DUAL en Lingo, el
PROBLEMA DUAL EN FORMATO LINGO resultado es el mismo que el primal. La relación de
MIN = 4*Y1 + 12*Y2 + 18*Y3; las variables Primal y Dual:
Y1 + 3*Y3>= 3; Objective value: 36.00000
2*Y2 + 2*Y3 >= 5; Variable Value Reduced Cost
Y1 0.000000 2.000000
Y2 1.500000 0.000000
Y3 1.000000 0.000000
VARIABLES VARIABLES DE
BASE DE DECISIÓN HOLGURA SOLUCIÓN
Z X1 X2 S1 S2 S3
Vemos que en la
Z 1 0 0 0 3/2 1 36 solución simplex
S1 0 0 0 1 1/3 -1/3 2 Primal:
X2 0 0 1 0 1/2 0 6
S2=0  Y2
X1 0 1 0 0 -1/3 1/3 2 S3 =0  Y3
Como podemos ver el Costo Reducido para Y1 es 2, y esta variable está relacionada con la variable de
holgura S1 en la tabla Simplex, por lo que el valor de 4 en la FO debería reducirse en 2 para que sea
considerada en la solución óptima del Dual. Y2 e Y3 son óptimas y son las duales del Simplex Primal.
 ANÁLISIS DE SENSIBILIDAD
• El análisis de sensibilidad es el estudio de la forma en que los
cambios en los coeficientes de un programa lineal afectan a la
solución óptima.
• Con el análisis de sensibilidad se puede responder a las
siguientes preguntas:
• ¿Cómo afectará un cambio en un coeficiente de la función
objetivo a la solución óptima?
• ¿Cómo afectará un cambio en el valor del lado derecho de
una restricción a la solución óptima?
• El análisis de sensibilidad, solo se inicia cuando se ha
obtenido la solución óptima del problema original de PL.
 EJEMPLO ANÁLISIS DE SENSIBILIDAD
• RMC es una empresa que produce diversos productos químicos.
• En un proceso de producción en particular se utilizan tres
materias primas para elaborar dos productos: un aditivo para
combustible y una base disolvente.
• El aditivo para combustible se vende a empresas petroleras y se
utiliza en la producción de gasolina y otros combustibles
relacionados.
• La base disolvente se vende a varias empresas químicas y se
utiliza tanto para productos de limpieza para el hogar como
industriales.
• Para formar el aditivo para combustible y la base disolvente se
mezclan las tres materias primas según tabla adjunta.
EJEMPLO ANÁLISIS DE SENSIBILIDAD
NECESIDADES DE MATERIA PRIMA POR TONELADA
PRODUCTOS MATERIA PRIMA 1 MATERIA PRIMA 2 MATERIA PRIMA 3
ADITIVO PARA 2/5 0 3/5
COMBUSTIBLE
BASE DISOLVENTE 1/2 1/5 3/10

La producción de RMC está limitada por la disponibilidad de las tres

materias primas. Para el periodo de producción actual, RMC tiene
disponibles las cantidades siguientes de cada una de las materias
primas.

MATERIA PRIMA CANTIDADES DISPONIBLES PARA LA

PRODUCCION
MATERIA PRIMA 1 20 TONELADAS
MATERIA PRIMA 2 5 TONELADAS
MATERIA PRIMA 3 21 TONELADAS
 EJEMPLO ANÁLISIS DE SENSIBILIDAD
• El departamento de control de calidad ha analizado las cifras de
producción, asignando todos los costos correspondientes, y para ambos
productos llegó a precios que resultarán en una contribución a la utilidad de
US$ 40 por cada tonelada de aditivo para combustible producido y de US$
30 por cada tonelada de base disolvente producida.
• La administración de RMC, después de un análisis de la demanda
potencial, ha concluido que los precios establecidos asegurarán la venta de
todo el aditivo para combustible y de toda la base disolvente que se
produzca.
• El problema de RMC es determinar cuántas toneladas de cada producto
deberá producir para maximizar la contribución total a la utilidad.
• Sí usted estuviera a cargo de la programación de la producción para RMC,
¿Qué decisión tomaría?, esto es, ¿Cuántas toneladas de aditivo para
combustible y cuántas toneladas de base disolvente produciría usted para
el periodo actual de producción?
 EJEMPLO ANÁLISIS DE SENSIBILIDAD

Formulación matemática:
Max Z  40 x1  30 x2
Sujeto a :
2 1
x1  x2  20 Materia prima 1
5 2
1
x2  5 Materia prima 2
5
3 3
x1  x2  21 Materia prima 3
5 10

x1 , x2  0
SOLUCIÓN POR EL MÉTODO GRÁFICO

Punto
Extremo.
Solución
óptima.
(25,20)

RF
SOLUCIÓN POR EL MÉTODO GRÁFICO

Recta de la Z  40 x1  30 x2
Función
Objetivo 1600  40 (25)  30 (20)

Punto
Extremo.
Solución
óptima.
(25,20)
RF
 ANÁLISIS DE SENSIBILIDAD DE LA FUNCIÓN
OBJETIVO

Recta-
Pendiente
Limite
Superior

Recta-
Pendiente
Limite
Inferior
Punto
Extremo
óptimo
PIVOT
 ANÁLISIS DE SENSIBILIDAD DE LA FUNCIÓN
OBJETIVO
Entonces, el punto extremo (25,20) será la solución óptima siempre que:
Pendiente de la recta B ≤ pendiente de la recta de la función objetivo ≤ pendiente de la recta A.

Punto Extremo.
Solución óptima.
(25,20)
 ANÁLISIS DE SENSIBILIDAD DE LA FUNCIÓN
OBJETIVO

En la figura anterior, la recta de la restricción de la materia prima 1 es:

A: 2/5 X1 + 1/2 X2 ≤ 20
Resolviendo esta ecuación en función de X2, podemos escribir la
ecuación de la recta A en forma de su pendiente - intersección:
1/2 X2 = - 2/5 X1 + 20, despejando:
X2 = - 4/5 X1 + 40

Pendiente de recta A. Intersección de la recta A con el eje X2.

Por lo que la pendiente de la Recta A es – 4/5 y su intersección con el eje X2 es

40.
 ANÁLISIS DE SENSIBILIDAD DE LA FUNCIÓN
OBJETIVO

En la figura anterior, la recta de la restricción de la materia prima 1 es:

B: 3/5 X1 + 3/10 X2 ≤ 21
Resolviendo esta ecuación en función de X2, podemos escribir la
ecuación de la recta A en forma de su pendiente - intersección:
3/10 X2 = - 3/5 X1 + 21, despejando:
X2 = - 2 X1 + 70

Pendiente de recta B. Intersección de la recta B con el eje X2.

Por lo que la pendiente de la Recta B es – 2 y su intersección con el eje X2 es 70.

 ANÁLISIS DE SENSIBILIDAD DE LA FUNCIÓN
OBJETIVO
Ahora que hemos calculado las pendientes de las rectas A y B, para
que el punto extremo (25,20) pueda ser óptimo, debemos obtener:

- 2 ≤ pendiente de la recta de la función objetivo ≤ - 4/5

Ahora veamos la forma general de la pendiente de la recta de la función

objetivo. Supongamos que C1 indica la contribución a la utilidad por
tonelada de aditivo para combustible , C2 la contribución a la utilidad por
tonelada de base disolvente, y Z el valor de la F.O.
Entonces: Z= C1 X1 + C2 X2
 ANÁLISIS DE SENSIBILIDAD DE LA FUNCIÓN
OBJETIVO
Z= C1 X1 + C2 X2
Resolviendo en función de X2 nos da la forma pendiente - intersección de
la recta de la F.O.
 C1  Z
X2     X1 
 C2  C2
Y reemplazando en la función requerida:

- 2 ≤ pendiente de la recta de la función objetivo ≤ - 4/5

C1 4
2   
C2 5
 ANÁLISIS DE SENSIBILIDAD DE LA FUNCIÓN
OBJETIVO
Calculamos el rango de optimalidad para C1, el coeficiente del aditivo
para combustible, mantenemos C2, el coeficiente de la base
disolvente, en su valor inicial C2=30. Entonces, queda así:

C1 4
2    De la desigualdad del lado izquierdo, tenemos:
30 5 C1
2  
30
Es decir:
 60   C1
y
C1  60
 ANÁLISIS DE SENSIBILIDAD DE LA FUNCIÓN
OBJETIVO
C1 4 De la desigualdad del lado derecho, tenemos:
2   
30 5 C1 4
 
30 5
Es decir:

120
 C1     24
5
 C1   24
 C1  24
 ANÁLISIS DE SENSIBILIDAD DE LA FUNCIÓN
OBJETIVO
Combinando estos limites para C1, obtendremos el rango de
optimalidad para el coeficiente de utilidad para el aditivo para
combustible.

24  C1  60
El rango de optimalidad para C1 le dice a la gerencia de RMC que,
manteniendo los demás coeficientes sin modificar, la contribución a la
utilidad del aditivo para combustible puede ser cualquier cifra entre $ 24
por tonelada y $ 60 por tonelada, y seguirán siendo óptimas las
cantidades a producir de 25 toneladas de aditivo para combustible y 20
toneladas de base disolvente.
 ANÁLISIS DE SENSIBILIDAD DE LA FUNCIÓN
OBJETIVO

Comprobemos que para el caso de C2, obtendremos el rango de

optimalidad para el coeficiente de utilidad para la base disolvente .

20  C2  50
Nota: Cuando la rotación de la recta de la función objetivo alrededor de
un punto óptimo extremo hace que la recta de la función objetivo se
haga vertical, entonces no existirá ningún limite superior o ningún limite
inferior de la pendiente.
 ANÁLISIS DE SENSIBILIDAD DEL LADO DERECHO
Ahora veamos, como un cambio en el valor del lado derecho de una
restricción puede afectar la región factible y quizás causar un cambio
en la solución óptima del problema.
Veamos como ejemplo, que pasa si se consiguen 3 toneladas
adicionales de la materia prima 3.
En este caso, el lado derecho de la tercera restricción se modifica de
21 a 24,  3/5 X1 + 3/10 X2 ≤ 24.
Si resolvemos gráficamente, la RF se agranda y hay un nuevo punto
extremo por lo que la nueva solución óptima será:
X1= 100/3 y X2= 40/3.
Y el valor de la nueva función objetivo es:
40(100/3) + 30(40/3) = 1,733.33.
Entonces, la utilidad adicional aparece con una tasa de $133.33 / 3
 ANÁLISIS DE SENSIBILIDAD DEL LADO DERECHO
Entonces , la utilidad adicional aparece con una tasa de
$133.33 / 3 = $ 44.44 por cada tonelada de la materia prima 3
agregada.
A esta mejoría se conoce como precio dual.
Aquí el precio dual para la restricción de la MP 3 es de $ 44.44 por
tonelada.
Es decir si aumentamos en una tonelada el lado derecho de la
restricción de la MP 3. el valor de la F.O. (Z) mejorará en $ 44.44.
De manera alterna, si reducimos en una tonelada el lado derecho de
la restricción de la MP 3, la F.O. empeorará en $ 44.44.

NOTA: El precio dual se puede usar solo para pequeños cambios del
lado derecho.
 ANÁLISIS DE SENSIBILIDAD DEL LADO DERECHO
LP OPTIMUM FOUND AT STEP 2
OBJECTIVE FUNCTION VALUE
1) 1600.000

max =40 *x1 + 30* x2; VARIABLE VALUE REDUCED COST

X1 25.000000 0.000000
X2 20.000000 0.000000
0.4* x1 + 0.5* x2 <= 20; ROW SLACK OR SURPLUS DUAL PRICES
0.2 *x2 <= 5; 2) 0.000000 33.333332
3) 1.000000 0.000000
0.6 *x1 + 0.3* x2 <= 21; 4) 0.000000 44.444443

NO. ITERATIONS= 2

RANGES IN WHICH THE BASIS IS UNCHANGED:

OBJ COEFFICIENT RANGES

VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
X1 40.000000 20.000000 16.000000
X2 30.000000 19.999998 10.000000

RIGHTHAND SIDE RANGES

ROW CURRENT ALLOWABLE ALLOWABLE
RHS INCREASE DECREASE
2 20.000000 1.500000 6.000000
3 5.000000 INFINITY 1.000000
4 21.000000 9.000000 2.250000
 ANÁLISIS DE SENSIBILIDAD
CAMBIOS EN LOS RECURSOS (LADO DERECHO)
 El valor posible de incremento del lado derecho de un
recurso es limitado. Si el valor fuera incrementado más allá
del límite superior, quizás cambie la función objetivo, pero
por un valor diferente al precio sombra (precio dual).
 Así, el precio sombra (precio dual) sólo es relevante dentro
de los límites. Si se hace un cambio que exceda estos
límites, entonces el problema deberá ser resuelto para
indagar el efecto del cambio.
 Nótese que la información de sensibilidad del Lado
Derecho que arrojan los reportes, NO nos dice cómo
cambia la decisión óptima (valores de las variables de
decisión); simplemente explica el modo en que cambia el
Valor de la función Objetivo Z a medida que cambia el Lado
Derecho.
CONCLUSIONES
 El análisis de sensibilidad, es una manera de evaluar situaciones que se presentan después
de conocer los resultados de un problema.

 Los casos mas importantes que se presentan en la programación lineal, están referidos a los
cambios que pueden sufrir los coeficientes de la función objetivo (coeficientes de utilidad o de
costos), y los cambios que pueden darse en el lado derecho o de los recursos.

 El análisis de sensibilidad solo puede darse, cuando ya conocemos la solución de un

problema.

 Los diferentes softwares que existen, emiten reportes con los valores que pueden tomar estos
coeficientes o valores del lado derecho, nuestra habilidad, estará en saber interpretar estos
reportes.
REFERENCIAS BIBLIOGRÁFICAS
OBLIGATORIAS

GOULD, EPPEN, SCHMIDT (2000), Investigación de operaciones en la ciencia administrativa, 5ta.

Edición, México. Prentice Hall.

ANDERSON, David, Sweeney Dennis, Williams Thomas, Camm Jeffrey ,Martin Kipp (2010), Métodos
Cuantitativos para los Negocios, 11 a. Edición, Cengage Learning. México.

COMPLEMENTARIAS

WAYNE WINSTON (2010), Investigación de Operaciones., Aplicaciones y Algoritmos , 9ta.

Edición, México, Thomson.

TAHA, Hamdy A. (2012), Investigación de Operaciones. 9ma edición. México, Prentice Hall

HILLIER, F.S. & LIEBERMAN, G.J. (2010), Introducción a la Investigación de Operaciones. 7ma
edición. McGrawhi ll

Senge, Peter M. (2010), La Quinta Disciplina, El arte y la Práctica de la Organización abierta al

aprendizaje.11ª edición. Granica.
BIBLIOGRAFÍA
1. ANDERSON, David, Sweeney Dennis, Williams Thomas, Camm Jeffrey ,Martin Kipp (2010), Métodos
Cuantitativos para los Negocios, 11 a. Edición, Cengage Learning. México.
2. GOULD, EPPEN, SCHMIDT (2000), Investigación de operaciones en la ciencia administrativa, 5ta.
Edición, México. Prentice Hall.
3. Senge, Peter M. (2010), La Quinta Disciplina, El arte y la Práctica de la Organización abierta al
aprendizaje.11ª edición. Granica.
4. TAHA, Hamdy A. (2012), Investigación de Operaciones. 9ma edición. México, Prentice Hall
5. HILLIER, F.S. & LIEBERMAN, G.J. (2010), Introducción a la Investigación de Operaciones. 7ma
edición. McGrawhi ll
6. WAYNE WINSTON (2010), Investigación de Operaciones., Aplicaciones y Algoritmos , 9ta.
Edición, México, Thomson.
GRACIAS