UNIVERSIDAD CENTRAL DEL ECUADOR

FACULTAD DE CIENCIAS ECONOMICAS

INVESTIGACIÓN DE OPERACIONES

NOMBRE: ABIGAIL TOLEDO

AULA: Nº 40
FECHA: 07/MAYO/2019

ANALISIS DE SENSIBILIDAD EN MODELOS DE PROGRAMACIÓN LINEAL

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.
Es decir, ya sea si resolvemos nuestro modelo gráficamente o utilizando el Método Simplex, lo
que se busca es que estas variaciones o sensibilidad hagan uso de la solución y valor óptimo
actual, sin tener la necesidad de resolver para cada variación un nuevo problema. En especial
nos concentraremos en el análisis de sensibilidad o postoptimal que hace uso de la tabla final
del Método Simplex.

TEORÍA
Siguiendo la notación utilizada en la sección dedicada al Método Simplex en nuestro sitio, éste
opera para modelos de Programación Lineal en un formato estándar.
Min cTx
s.a Ax = b
x >= 0
Donde la tabla final del Método mantiene la siguiente estructura:
 Donde:
 I: Matriz Identidad
 0: Costos reducidos asociados a las variables básicas
 B: Matriz de variables básicas
 D: Matriz de variables no básicas
 b: Lado derecho
 Cb: Coeficientes en la función objetivo asociados a las variables básicas
 Cd: Coeficientes en la función objetivo asociados a las variables no básicas

1. Cambio en el “lado derecho” de las restricciones: Lo que se busca identificar si las actuales
variables básicas se mantienen luego de la modificación de uno o más parámetros asociados al
“lado derecho” del modelo. Si calculamos:

y se cumple , Las mismas variables básicas lo son también de la nueva solución

óptima, calculada con el nuevo . Si lo anterior no se cumple, se puede aplicar el Método

Simplex Dual.
EJEMPLO: Sin resolver nuevamente el problema, se desea saber si las actuales variables básicas
óptimas del problema también lo son del mismo problema, donde los lados derechos
corresponde al vector b=(20,30). (Observación: X4 y X5 son variables de holgura de la
restricción 1 y 2 respectivamente)
Max 2x1 + 7x2 - 3x3
sa: x1 + 3x2 + 4x3 <= 30
x1 + 4x2 - x3 <= 10
x1,x2,x3 >= 0

X1 X2 X3 X4 X5
0 -1 5 1 -1 20
1 4 -1 0 1 10
0 1 1 0 2 20
Para analizar este escenario debemos calcular el vector de variables básicas y verificar si todos
sus componentes son positivos definidos. Nótese que para esto necesitamosla matriz B
inversa, la cual fácilmente podemos rescatar identificando los parametros asociados a X4 y X5
(variables de holgura de la restricción 1 y 2 respectivamente) en la tabla final del Método
Simplex:

Luego, dado que al menos uno de los coeficientes del nuevo lado derecho tiene un valor
negativo, cambia la actual base óptima. Cabe destacar que ante esta situación no es necesario
resolver el nuevo escenario partiendo de cero, sino lo que se debe hacer es utilizar la tabla
final del simplex del escenario base, actualizando el lado derecho y valor de la función
objetivo.

X1 X2 X3 X4 X5
0 -1 5 1 -1 -10
1 4 -1 0 1 30
0 1 1 0 2 60
Posteriormente, se continua iterando haciendo uso del Método Simplex Dual. (Ver referencia a la derecha).

2. 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 como:

donde k es el índice de la nueva variable y Ak su respectiva columna en

la matriz de coeficientes. Si se cumple que rk>=0 se conserva la actual solución óptima. En caso
contrario, se puede seguir con el Simplex agregando a la tabla una nueva columna con
entradas B-1Ak y rk y tomando como variable entrante a la nueva base la que acabamos de
introducir al problema.
EJEMPLO: Se desea estudiar la posibilidad de elaborar un nuevo producto con beneficio neto
igual a 8 y que requiere 4, 2 y 5 unidades de los recursos asociados a cada restricción. Sin
resolver nuevamente el problema, ¿Conviene elaborar el producto?
Max 9x1 + 12x2
sa: 4x1 + 3x2 <= 180
2x1 + 3x2 <= 150
4x1 + 2x2 <= 160
x1,x2 >= 0

X1 X2 X3 X4 X5
1 0 ½ -1/2 0 15
0 1 -1/3 2/3 0 40
0 0 -4/3 2/3 1 20
0 0 ½ 7/2 0 615
Se debe evaluar rk y determinar si este es >=0.

En este ejemplo rk=1>=0, por lo cual no conviene la incorporación de esta nueva variable al
modelo, es decir, aun cuándo sea incorporada no obtendremos un valor óptimo que supere el
actual V(P)=615. De todas formas mostraremos como se incluye en la tabla final del Simplex
esta modificación de modo que el lector pueda entender su incorporación cuando es
necesario:

X1 X2 X3 X4 X5 XNew
1 0 ½ -1/2 0 1 15
0 1 -1/3 2/3 0 0 40
0 0 -4/3 2/3 1 1 20
0 0 ½ 7/2 0 1 615
Si el costo reducido de esta nueva variable hubiese sido cero, entonces el nuevo escenario tendría infinitas
soluciones.

3. Cambio en los Coeficientes Función Objetivo: Se busca identificar qué ocurre con la actual
solución óptima del escenario base si se cambian uno o varios de los coeficientes que definen
la función objetivo. La solución óptima actual también lo será para el nuevo escenario siempre
que los nuevos costos reducidos sean mayores o iguales a cero (notar que también cambia el
valor de la función objetivo en la actual solución óptima). Es decir se debe cumplir que:
En caso contrario, se aplica el Simplex a partir de la tabla final del modelo original, con los
nuevos costos reducidos y nuevo valor de la actual solución básica.
EJEMPLO: Sin resolver nuevamente el problema, se desea saber que sucede si se modifica los
parámetros de la función objetivo, quedando éstos de la siguiente forma: Z = x1 + 5x2 - 2x3.
(X4 y X5 son las variables de holgura de la restricción 1 y 2 respectivamente).
Max 2x1 + 7x2 - 3x3
sa: x1 + 3x2 + 4x3 <= 30
x1 + 4x2 - x3 <= 10
x1,x2,x3 >= 0

X1 X2 X3 X4 X5
0 -1 5 1 -1 20
1 4 -1 0 1 10
0 1 1 0 2 20
Debido a que los cambios en los parámetros de la función objetivo se producen en más de una
variable consideraremos la siguiente fórmula:

Debido a que al menos uno de los costos reducidos de las variables no básicas se ha vuelto
negativo, entonces cambia la actual solución y valor óptimo del problema. Para incorporar esta
modificación en la tabla final del Método Simplex se actualiza los costos reducidos asociados a
las variables no básicas, además del valor óptimo, quedando como sigue:

X1 X2 X3 X4 X5
0 -1 5 1 -1 20
1 4 -1 0 1 10
0 -1 1 0 1 10
4. 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 incorpora la nueva
restricción a la tabla final del Simplex del escenario base.
EJEMPLO: Sin resolver nuevamente el problema, se desea saber que sucede si se considera una
nueva restricción de la forma: 3x1 + 2x2 + 3x3 <= 25. (Observación: Considerar mismo modelo
y tabla final del ejemplo anterior)
Se evalua la solución actual en la restricción: 3*(10) + 2*(0) + 3*(0) <= 25. No cumple. Por
tanto se incorpora esta nueva restricción como fila a la tabla final del Simplex. Adicionalmente,
se agrega X6 como variable de holgura asociada a esta nueva restricción:

X1 X2 X3 X4 X5 X6
0 -1 5 1 -1 0 20
1 4 -1 0 1 0 10
3 2 3 0 0 1 25
0 1 1 0 2 0 20
Una alternativa para encontrar el óptimo a través de esta tabla es formar la identidad
(debemos hacer cero el parámetro asociado a X1 en la tercera fila) multiplicando la fila 2 por -3
y sumando dicho resultado a la fila 3. De esta forma se obtiene:

X1 X2 X3 X4 X5 X6
0 -1 5 1 -1 0 20
1 4 -1 0 1 0 10
0 -10 6 0 -3 1 -5
0 1 1 0 2 0 20
Finalmente obtenemos X4, X1 y X6 como variables básicas. Producto de la transformación un
lado derecho queda negativo y en este caso podemos continuar adelante utilizando el Método
Simplex Dual.
Cambio en el Lado Derecho de las Restricciones (Programación Lineal)
por GEO Tutoriales el 28/03/2013 en Programación Lineal 2
El vector del lado derecho asociado a las restricciones de un modelo de Programación
Lineal puede tener distintas interpretaciones prácticas como, por ejemplo, la disponibilidad de
insumos para la fabricación de determinados productos, limitantes de capacidad, requisitos de
demanda, entre otros.
En consecuencia resulta de interés analizar el impacto del cambio de uno o varios coeficientes
del vector de lado derecho sobre los resultados originales del modelo sin la necesidad de
reoptimizar, es decir, sin que tener que resolver nuevamente un modelo que incorpore los
cambios propuestos.
En este contexto, si en particular se verifica que:

Se puede afirmar que se conserva la actual base óptima. Lo anterior implica que las variables
básicas del modelo lo seguirán siendo bajo este nuevo escenario y por tanto la nueva solución
óptima del problema se podrá encontrar a través de la resolución del mismo sistema de
ecuaciones original (se conservan las restricciones activas originales).
Ahora bien, si alguno de los coeficientes en el cálculo del vector de variables básicas adopta
un valor negativo, estamos frente a una solución básicainfactible, lo que nos obliga a realizar
una actualización de los resultados del modelo para encontrar la nueva solución, base óptima y
valor óptimo, pero que no pase por la reoptimización del mismo.
Consideremos el siguiente modelo de optimización:

Al resolver este modelo de Programación Lineal con el Método Simplex se alcanza la siguiente
tabla final, donde s1, s2 y s3 son las variables de holgura de las restricciones 1, 2 y 3,
respectivamente:

Las variables básicas son x=100, s2=400, y=350, donde todas satisfacen las condiciones de no
negatividad (es decir es una solución básica factible) y además el costo reducido de las
variables no básicas (s1 y s3) son mayores o iguales a cero, condición necesaria y suficiente
junto a lo anterior para garantizar que nos encontramos frente a la solución óptima del
problema (solución básica factible óptima).
Adicionalmente y en relación a la proposición anterior se pueden corroborar los resultados
obtenidos:

Consideremos ahora que el lado derecho de la restricción 1 cambia de su valor original 1600 a
1650. ¿Cambia la actual base óptima?. Para ello recalculamos el vector de las variables básicas:

Se puede apreciar que todos los coeficientes del vector de variables básicas (Xb) son mayores
o iguales a cero, es decir, se conserva la base óptima (idénticas variables básicas) pero la
solución óptima cambia a x=125, s2=250, y=350.
Adicionalmente el valor óptimo ahora es V(P)=3.175. Sin embargo, no es necesario seguir
realizando iteraciones del Método Simplex (dado que estamos frente a una solución básica
factible óptima) y nos ahorramos el trabajo de la reoptimización.
La pregunta natural es ¿Qué sucede si al actualizar el vector de las variables básicas al menos
una de las variables toma un valor negativo?. Modifiquemos ahora en forma simultanea los
lados derechos de las restricciones 1 y 2 a 2.000 y 1.500, respectivamente. El nuevo vector de
variables básicas queda definido de la siguiente forma:

Notar que ahora la variables básica s2=-1.000 adopta un valor que no satisface la condición de
no negatividad para las variables de decisión. Al definir lo anterior una situación
de infactibilidad es necesario actualizar la tabla final del Método Simplex con el valor de las
variables básicas y el valor de la función objetivo:

Para encontrar la solución óptima de este problema a partir de la tabla anterior se puede
aplicar el Método Simplex Dual. La variable básica que deja la base es s2(variable básica
asociada a la fila 2 donde encontramos el “lado derecho”negativo).
Para determinar la variable que entra a la base calculamos el mínimo cuociente: Min{-3/2/-
3}=1/2 ==> s1 entra a la base. Actualizamos la tabla del Método Simplex obteniendo lo
siguiente:

Se puede apreciar que sólo fue necesario realizar una iteración adicional para poder obtener la
solución óptima del nuevo escenario (x=400/3, s1=1.000/3, y=350) con un valor óptimo
de V(P)=3.200.
El siguiente gráfico realizado con el software Geogebra permite visualizar la nueva solución
óptima y estructura del problema, donde ahora la solución óptima se encuentra con las
restricciones 2 y 3 activas (el problema original en su solución óptima consideraba
la restricción 1 y 3 como activas):