Está en la página 1de 4

ANALISIS DE SENSIBILIDAD o ANALISIS DE POST-OPTIMALIDAD

Los modelos de PL son representaciones matemáticas de situaciones reales. Estas representaciones son de carácter
estático por cuanto corresponden a una instantánea del conjunto de condiciones que prevalecen en el momento de
formular y resolver el modelo. Sin embargo, las situaciones reales son cambiantes, los ambientes de decisión rara vez
permanecen estáticos y en consecuencia es esencial determinar cómo cambia la solución óptima cuando cambian los
elementos y parámetros del modelo. Esto es lo que hace el análisis de sensibilidad. Proporciona técnicas de cómputo
eficientes para estudiar el comportamiento dinámico de la solución óptima que resulta al hacer cambios en las
condiciones iniciales del problema, pero sin necesidad de tener que repetir por completo el proceso de solución.

Los cambios pueden estar relacionados con:

1. La disponibilidad de recursos (bi) o términos del lado derecho (RHS)


2. Los coeficientes de las variables en la F.O.
Desde el punto de vista de la tabla óptima estos coeficientes pueden estar asociados a variables no básicas Cj o
a variables básicas Ci.
3. Ejecución de nuevas actividades, dentro del modelo esto es equivalente a la adición de nuevas variables.
4. Nuevas restricciones o restricciones que originalmente no habían sido incluidas.
5. Los coeficientes de las variables dentro de las restricciones: aij

En la siguiente tabla se resumen todos los casos posibles (efectos) que pueden surgir como consecuencia de los
cambios anteriores y las acciones necesarias para obtener la nueva solución:

Efecto o condición resultante de los Acción recomendada


cambios
La nueva solución queda factible y óptima Ninguna
La nueva solución queda infactible Utilizar el dual para desaparecer la
infactibilidad.
La nueva solución queda no óptima Utilizar el Simplex para recuperar la
optimalidad.
La nueva solución queda infactible y no óptima Utilizar el Dual- simplex para obtener una nueva
solución factible óptima.

A continuación vamos a estudiar como evaluar el efecto o el impacto de cada uno de estos cambios sobre la solución
óptima ya encontrada.

1. Cambio en la disponibilidad de recursos (RHS): bi

Todo cambio en disponibilidad de recursos o cambio en el lado derecho de las restricciones afecta o cambia el valor de la
solución, es decir se tienen nuevos valores para las variables básicas y para la F.O.

Si los nuevos valores para las variables básicas son todos positivos entonces se dice que la nueva solución es factible y
el problema ha concluido.

Pero, si por lo menos una de las variables básicas es negativa entonces la nueva solución es in-factible y en
consecuencia se debe utilizar el algoritmo dual para desaparecer la infactibilidad.

Los problemas o preguntas asociados con cambios en la disponibilidad de recursos son dos:

1) Dado el cambio en uno, en varios o en todos los recursos, encontrar la nueva solución.

2) Determinar cuánto puede cambiar la disponibilidad de cada recurso de manera que la nueva solución siga factible.
Esto es equivalente a encontrar lo que se denomina “rango factible” e “intervalo de factibilidad” En sistemas
computarizados se denomina sensibilidad para los términos de lado derecho (RHS) y representan los valores dentro
de los cuales puede variar la disponibilidad de cada recurso y la nueva solución seguirá factible.

Veamos como solucionar estos problemas:


Universidad Tecnológica de Bolívar Investigación de Operaciones I Msc. Misael Cruz Monroy
1.1 Dado el cambio en la disponibilidad de un recurso, encontrar la nueva solución. Para este efecto tenemos
dos alternativas que son:

a) Utilizar la matriz inversa de la base inicial: A-1


Por propiedades de la matriz inversa se puede comprobar que en la tabla óptima:

Cualquier Vector columna final = Inversa x Vector columna inicial. Así por ejemplo:

[solución]final = A-1.[solución]inicial
X1(final) = A-1.X1(inicial)
X2(final) = A-1.X2(inicial); y así sucesivamente…

Entonces, si cambia la disponibilidad de un recurso, de dos o de todos los recursos, tendremos un nuevo vector
de términos independientes Bi. En cuyo caso: Nueva [solución] = A-1 Bi(nuevo)

b) Utilizar los coeficientes de la variable de holgura asociada tal como aparecen en la columna correspondiente de
la tabla óptima.

Este tratamiento es equivalente al anterior por cuanto si suponemos que: bi’ = bi + Δbi
y aplicamos la propiedad de la matriz inversa podemos comprobar que:

Nuevo valor variables básicas = Valor actual + (coeficiente variable holgura asociada) Δbi

De acuerdo con esto, el nuevo valor de Xi = X0 + (coeficiente variable holgura asociada) Δbi

Los coeficientes de la variable de holgura serán los de S1 para cambios en b1, los de S2 para cambios en b2 y
así sucesivamente.

1.2 Encontrar el rango y el intervalo de factibilidad para cada recurso, es decir determinar cuánto puede cambiar la
disponibilidad de cada recurso (Δbi) de manera que la nueva solución siga factible. Entonces, como se trata de
encontrar los valores de Δbi, según el recurso de que se trate utilizamos las expresiones correspondientes a:

Xi = X0 + (coeficiente variable holgura asociada) Δbi


Despejamos de cada ecuación Δbi para luego encontrar el rango factible y el intervalo de factibilidad

2. Cambios en los coeficientes de la función objetivo.

El cambio en el Cj 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 estudiará por separado si la modificación en el Cj es para una variable no-básica o para una básica, ya
que las consecuencias en cada caso son muy diferentes.

2.1 Cambios en el coeficiente Objetivo de una variable No-básica: variables que fueron evaluadas pero no
quedaron en la solución.

Es importante mencionar que una variación de Cj a Cj’ en el coeficiente objetivo de una variable no-básica, no
necesariamente conlleva a una infracción de la inmejorabilidad de la solución óptima actual, aunque en ciertas ocasiones
si lo haga. Por este motivo, se considerarán a continuación dos alternativas de cambio mutuamente exclusivas en el Cj
de una variable no-básica.

Cuando Cj’ < Cj (maximización)

Universidad Tecnológica de Bolívar Investigación de Operaciones I Msc. Misael Cruz Monroy


En la solución óptima actual: Dj = Cj – Zj ≤ 0. Si Cj pasa a Cj’<Cj entonces Dj’ = Cj’ - Zj < 0 con lo cual la óptimalidad de
la solución no se afecta. En consecuencia, se deduce que cuando el Cj’ < Cj en un problema de maximización, la
solución óptima actual no se alterara, lo mismo en minimización con Cj’ > Cj.

Cuando Cj’ > Cj (maximización)

Es claro que solamente cuando el valor de la utilidad de una variable no-básica se incrementa, Cj’ > Cj, en un problema
de maximización, surge la posibilidad de que se altere la óptimalidad y por ende el valor de la solución actual.

En la solución actual Dj = Cj - Zj ≤ 0 Si Cj cambia Cj’>Cj entonces Dj’ = Cj’ – Zj podrá ser positivo con lo cual cabe la
posibilidad de que la solución deje de ser óptima.

Alternativamente, si Cj’ = Cj + ΔCj entonces Dj’ = Cj + ΔCj – Zj o lo que es lo mismo Dj’ = Dj + ΔCj

En maximización la solución sigue óptima si Dj’ ≤ 0 o que Dj + ΔCj ≤ 0 de donde ΔCj ≤ - Dj Rango de óptimalidad. El
intervalo de óptimalidad correspondiente para este caso es: Cj’ ≤ Cj + │Dj│

Es decir, si el nuevo Cj’ satisface la desigualdad, la actual solución permanece óptima; de lo contrario, debe calcularse el
Dj’ el cual será positivo, e introducir Xj a la base para encontrar la nueva solución óptima.

La pregunta importante de responder en este caso es: ¿cuál debería ser la utilidad de Xj para que sea lucrativa
su fabricación?

2.2 Cambios en el coeficiente Objetivo de una variable básica.

Cualquier cambio en el coeficiente objetivo de una variable básica (Ci) afectará el valor de las dos últimas filas de la tabla
simplex. Es decir que es necesario recalcular el valor de la fila de Zj y el valor de Cj – Zj. Como consecuencia la nueva
solución puede quedar óptima o no óptima. Si la solución es no óptima se debe utilizar el simplex para encontrar una
nueva solución óptima.

La otra pregunta a responder en este caso es: ¿cuánto puede cambiar el coeficiente de cada variable básica en la
función objetivo de manera que la nueva solución siga óptima? Esto es lo que se denomina “rango de óptimalidad” e
“intervalo de óptimalidad”. Para esto:

Se sustituye el Ci en consideración por Ci + ΔCi; se calcula Zj y Cj – Zj y con base en el nuevo valor de cada Dj se
despeja el ΔCi teniendo en cuenta que en problemas de maximización la nueva solución sigue óptima si el nuevo Dj ≤ 0;
en minimización lo contrario.

3. Adición de una nueva variable

La adición de una variable dentro del modelo es consecuencia de la ejecución de una nueva actividad. Para el
tratamiento de esta situación se utiliza la inversa de la base inicial: A-1 en cuyo caso, en la tabla óptima:

La nueva Xi(final) = A-1.Xi(inicial)

Al tener el vector columna final de la nueva variable con su correspondiente Dj, podemos determinar si la nueva actividad
es o no lucrativa y en caso afirmativo encontrar la nueva solución.

4. Adición de nuevas restricciones

La adición de una nueva restricción a un modelo existente, puede llevar a uno de los siguientes dos casos:

1) La solución actual satisface la nueva restricción, lo que quiere decir que la nueva restricción es redundante y por
consiguiente se puede eliminar del modelo.
2) La solución actual no satisface la nueva restricción. La solución queda infactible y por consiguiente es necesario
utilizar el dual para recuperar la factibilidad.
Universidad Tecnológica de Bolívar Investigación de Operaciones I Msc. Misael Cruz Monroy
ANALISIS DE SENSIBILIDAD o ANALISIS DE POST-OPTIMALIDAD

EJERCICIO DE APLICACIÓN

Dado el siguiente modelo de PL: Max. Z = C1X1 + C2X2 + C3X3

s.a 2X1 + 2X2 + 4X3 ≤ b1

X1 + 4X2 + 2X3 ≤ b2

4X1 + 2X2 + 4X3 ≤ b3

X1, X2, X3 ≥ 0

La tabla óptima es:

Base Solución X1 X2 X3 S1 S2 S3
S1 100 a 0 0 1 0 - 1
X2 50 b 1 0 0 1/3 - 1/6
X3 100 c 0 1 0 - 1/6 1/3
Zj 120000 d C2 C3 0 50 200
Cj - Zj -550 0 0 0 - 50 - 200

Con base en lo anterior:

1. Describir e interpretar la solución óptima


2. ¿Cuáles son los recursos escasos? ¿Por qué?
3. ¿Cuáles son los precios sombra? ¿Qué representan?
4. ¿Cuáles son los costos reducidos? ¿Qué representan?
5. Cuál es la matriz inversa de la base inicial
6. Cuáles son los valores de C1, C2 y C3
7. Cuáles son los valores de b1, b2 y b3
8. Cuáles son los valores de a, b, c y d de la tabla óptima.
9. Suponga que le ofrecen 150 unidades adicionales del recurso 2 con un sobreprecio de 40$/unidad. ¿Compraría usted estas
unidades adicionales? En caso afirmativo, ¿cuál es la nueva solución? ¿Qué pasaría si la oferta fuera de 300 unidades?
10. Suponga que la disponibilidad del recurso 3 disminuye hasta 360 unidades, ¿cuál es la nueva solución?
11. Si b1 se aumenta hasta un valor de 700, ¿cuál sería el efecto sobre la solución?
12. ¿Cuánto podría disminuir la disponibilidad del recurso 1 de manera que la solución siga factible?
13. ¿Cuánto puede cambiar la disponibilidad de cada recurso de manera que la solución siga factible? Es decir, ¿dentro de qué
límites puede variar la disponibilidad de cada recurso para que no se afecte la factibilidad dela solución actual?
14. ¿Cuál es el intervalo de óptimalidad para los coeficientes de la función objetivo?
15. ¿Cuál debería ser la utilidad de X1 para que sea lucrativa su fabricación? Si su utilidad se incrementa hasta 900, ¿cuál es la
nueva solución?
16. ¿Cuál debería ser el valor de a31 para que X1 entre en la solución?
17. Si la empresa se compromete en entregar 6 unidades de X1, ¿cuál es la nueva solución?
18. Suponga que la empresa desarrolla un nuevo producto para el cual se estima que requiere: 3 unidades del recurso 1, 2
unidades del recurso 2 y 1 unidad del recurso 3. Si la utilidad por unidad se proyecta en $350. Determine si es lucrativa su
fabricación y en caso afirmativo encontrar la nueva solución.

Universidad Tecnológica de Bolívar Investigación de Operaciones I Msc. Misael Cruz Monroy