Tema 5.

Análisis de sensibilidad
Introducción
Todo modelo o problema de programación lineal puede sufrir cambios con el paso del tiempo,
lo importante es que la solución óptima se mantenga constante, para ello el uso del análisis de
sensibilidad, el cual permitirá definir el rango permisible de las variables a cambiar.
El análisis de sensibilidad puede ser gráfico o algebraico. Los cálculos pueden ser manuales o
apoyarnos de herramientas como TORA, Solver y AMPL, para soluciones automáticas, no
sólo de análisis de sensibilidad, sino también de otro tipo de problemas de programación
lineal.
Explicación
Un análisis de sensibilidad es el estudio de cómo la variación en las restricciones o función
objetivo pueden afectar la solución óptima del modelo. Por tal, la finalidad de este análisis es
definir los rangos de variación permisibles de los parámetros, sin llegar a afectar la solución
óptima o definir cuáles de estos parámetros son sensibles; es decir, cualquier cambio en ellos
provocaría un cambio en la solución del modelo.
El análisis de sensibilidad puede evaluarse a través de:

 Análisis de sensibilidad gráfica

 Análisis de sensibilidad algebraica

5.1 Análisis de sensibilidad gráfica

En el análisis de sensibilidad gráfica se consideran dos casos según Taha (2012):

 La sensibilidad de la solución óptima a los cambios de la disponibilidad de los recursos

(lado derecho de las restricciones).
 La sensibilidad de la solución óptima a los cambios en la utilidad unitaria o el costo unitario
(coeficientes de la función objetivo).
 Lado derecho de las restricciones
 Una empresa fabrica dos piezas en dos troqueladoras diferente. La pieza 1 requiere 2
horas en la troqueladora 1 y 1 hora en la troqueladora 2. La pieza 2 requiere 1hora en
la troqueladora 1 y 3horas en la troqueladora 2. La utilidad del producto 1 es de $30 y
la del producto 2 es de $20. El tiempo diario disponible de cada troqueladora es de 8
horas.

Variables
Y1 = Producto 1
Y2 = Producto 2
Función objetivo
Maximizar X = 30 Y1 + 20 Y1
Restricciones
2 Y1 + Y2 ≤ 8 Troqueladora 1
Y1 + 3Y2 ≤ 8 Troqueladora 2
Y1, Y2 ≥ 8
 Si el tiempo diario disponible de la troqueladora 1 se incrementa de 8 a 9 horas,
obtener la tasa de cambio para X.

Por lo tanto un incremento o decremento unitario en el tiempo disponible de la troqueladora 1,

aumentará o reducirá la utilidad a $14. Esta utilidad permanecerá válida para los incrementos
o reducciones en el tiempo disponible de la troqueladora 1, siempre y cuando la recta de estos
cambios sea paralela a la recta original en cualquier punto del segmento BF.
Los rangos de capacidades se determinan de la siguiente manera.
Troqueladora 1, capacidad mínima (B=2.66) = 2 (0) + 1 (2.66) = 2.66
Troqueladora 1, capacidad máxima (F=8) = 2 (8) + 1 (0) = 16
2.67hr ≤ Tiempo disponible troqueladora 1 ≤ 16hr
Coeficientes de la función objetivo
Siguiendo con el mismo ejemplo, si los coeficientes de la función objetivo cambian, la recta de
X cambiará también, pero la solución óptima seguirá siendo C, mientras que la recta de la
función objetivo se mantenga entre las rectas BF y DE.
La recta X podrá girar en sentido dextrorso y sinestroso con origen en C, para lo cual es
posible calcular el rango o intervalos para los coeficientes de la función objetivo.
Maximizar X = C1Y1 + C2Y2
Como se menciona, la solución óptima sigue siendo C, siempre y cuando X se mantenga entre
las rectas 2 Y1 + Y2= 8, Y1 + 3Y2 = 8, lo que significa que C1 / C2 puede variar entre 2/1 y 1/3,
resultando
1/3 ≤ C1 / C2 ≤ 2/1 = 0.33 ≤ C1 / C2 ≤
5.2 Análisis de sensibilidad algebraica
Cambios en el lado derecho
Para cada problema en programación lineal siempre habrá otro problema dual, es decir, si el
problema primal es de maximización, el problema dual será de minimización y viceversa. Los
cambios en el lado derecho representan cambios a los recursos disponibles del modelo.
Dentro del problema dual tendremos el precio sombra, que representa el cambio en la función
objetivo cuando cambia alguna variable del lado derecho. Además se pueden determinar los
intervalos de factibilidad que sería el rango en que pueden fluctuar las variables, sin ocasionar
cambios en la solución óptima.
Cambios en la función objetivo
Este cambio está relacionado con el costo reducido (costo de los recursos respecto al
consumo). De igual manera es posible determinar los intervalos de optimalidad, que harán que
la solución óptima se mantenga constante.
Costo reducido por unidad = Costos de los recursos consumidos por unidad – Ingreso
por unidad
Para convertir una variable no rentable en rentable tenemos dos opciones:

1. Incrementar el ingreso por unidad

2. Reducir el costo por unidad de recursos consumidos

5.3 Análisis de Sensibilidad con TORA, Solver y AMPL

TORA (Temporary Orderer Routing Algorithm), Solver (aplicación de Excel) y AMPL (Modeling
Language for Mathematical Programing) son herramientas o software que permitirán realizar
los cálculos para los modelos de programación lineal de manera automática, sin tener que
hacerlos manuales.
Con estas herramientas se pueden resolver problemas de maximización, minimización,
modelos de transporte, teorías de colas, asignación de recursos, etc.
Dependiendo del tamaño del problema es la herramienta sugerida a ser utilizada. Cuando
hablamos de problemas de un tamaño moderado la mejor opción sería TORA o Solver, pero si
existen miles de variables o restricciones es mejor usar AMPL.
TORA fue diseñado para el libro Investigación de Operaciones de Handy Taha. Puede
resolver problemas de programación lineal, método Simplex, dos fases, M grande, Dual,
modelos de transporte, programación entera, modelo de redes, teoría de colas y juego de
suma cero.
Solver es un complemento del Excel que permite resolver problemas de maximización y
minimización, modelos de transporte, asignación de recursos.
AMPL es un lenguaje que expresa en forma de ecuación o algebraica cualquier problema de
optimización como los incluidos en la programación lineal.
Como ya se explicó Solver está disponible por Excel, pero para el caso de TORA y AMPL
existen tutoriales y aplicaciones prueba que pueden ser descargadas de Internet.
Cierre
Cuando un modelo de programación lineal sufre cambios en sus restricciones o función
objetivo, el análisis de sensibilidad nos permitirá definir los intervalos de factibilidad para no
afectar el resultado de la solución óptima.
Para cálculos automáticos de problemas de programación lineal, las herramientas TORA,
Solver y AMPL pueden ser de gran utilidad.
Referencias bibliográficas
Taha, H. (2012). Investigación de operaciones (9ª ed.). México: Pearson Educación.

Tema 6. Modelo de asignación I

Introducción
Existen problemas de programación lineal que pueden ser resueltos mediante los modelos de
transporte. La característica principal de este modelo es que busca minimizar los costos
relacionados al envío de mercancía desde el origen hasta el destino.
A pesar de que este modelo es empleado principalmente para programas de transporte o
envíos, es útil también en la definición de programas de producción y afilado o cambio de
herramientas.
Los modelos de transporte pueden ser resueltos mediante el método de la esquina noroeste,
costo mínimo y aproximación de Vogel.
Explicación
6.1 Definición de un modelo de transporte
Dentro de los tipos de problemas de programación lineal, están los modelos de transporte,
su mayor aplicación es definir la transportación óptima de bienes. Puede ser usado también
para la programación de la producción.
Si nos referimos al problema general de modelos de transporte, quiere decir que estamos
buscando el canal de distribución de cualquier mercancía desde el origen i (centros de
suministro) hacia su destino j (centros de recepción), que minimice los costos totales de
distribución.
Cada origen tendrá una capacidad de suministro de unidades i y cada destino una
demanda j a ser satisfecha por el origen. El total de la oferta deberá de ser igual al total de la
demanda.
Los modelos de transporte se basan en dos supuestos, de acuerdo con Hiller y Lieberman
(2006):
 Supuesto de requerimientos Supuesto de costo

 El costo de distribución es directamente

 Cada origen tiene una
proporcional al total de unidades
capacidad de suministro en
distribuidas.
unidades fija.
 El costo es igual al costo unitario de
 Cada destino tiene una
distribución multiplicado por el número de
demanda fija a ser satisfecha.
unidades distribuidas.

Veamos un ejemplo:

Autopartes JM tiene tres plantas, una en Monterrey, una en Guadalajara y otra en Cd. de
México; además de dos centros de distribución en Juárez y Celaya, respectivamente. Las
plantas tienen una capacidad trimestral de 1000, 1500 y 1200 mofles cada una y los centros
de distribución una demanda durante el mismo periodo por 2300 y 1400 mofles
respectivamente.
Transportes Terrestres, su compañía transportista cobra $0.08 por milla recorrida por camión.

Costo de transporte por camión

Juárez (1) Celaya (2)

Monterrey (1) $ 80 $ 215

Guadalajara (2) $ 100 $ 108

Cd. de México (3) $ 102 $ 68

El modelo de programación lineal es el siguiente:

Minimizar 80 X11 + 215 X12 + 100 X21 + 108 X22 + 102 X31 + 68 X32
X11 + X12 = 1000 (Monterrey)
X21 + X22 = 1500 (Guadalajara)
X31 + X32 = 1200 (Cd. de México)
Sujeto a
X11 + X21 + X31 = 2300 (Juárez)
X12 + X22 + X32 = 1400 (Celaya)
Xij ≥0, i = 1,2,3, j =1,2
Oferta = 1000 + 1500 + 1200 = 3700
Demanda = 2300 + 1400 = 3700
Basado en el costo de transporte, capacidad de las plantas y demanda de los centros de
distribución, la solución óptima sería:

El costo total del transporte sería

(1000) (80) + (1300) (100) + (200) (108) + (1200) (68) = $313,200
6.2 Modelos de transporte tradicionales
Como modelos de transporte tradicionales tenemos los siguientes: control de producción e
inventario y servicio de afilado de herramientas.
Control de producción e inventario
Termos Uresti fabrica termos, la demanda durante el periodo pico de mayo a agosto de cada
año es 100, 200, 180 y 300 unidades respectivamente. Uresti emplea mano de obra de tiempo
parcial para solventar las fluctuaciones de la demanda. Se estima que la compañía puede
producir 50, 180, 280 y 270 unidades de Mayo a Agosto. La demanda del mes en curso la
pueden satisfacer de tres maneras:

 La producción del mes al costo de $40 por termo

 La producción excedente de un mes anterior a un costo de retención adicional de $0.50
 La producción excedente en un mes posterior, pedido en espera, a una penalización
adicional de $2 por termo por mes

La compañía quiere determinar el programa óptimo de producción para los cuatro meses.
Costo unitario = producción + retención + penalización

Mayo (1) Junio (2) Julio (3) Agosto (4) Capacid

Mayo (1) $ 40,00 $ 40,50 $ 41,00 $ 41,50 50

Junio (2) $ 42,00 $ 40,00 $ 40,50 $ 41,00 180

 Julio (3) $ 44,00 $ 42,00 $ 40,00 $ 40,50 280

Agosto (4) $ 46,00 $ 44,00 $ 42,00 $ 40,00 270

Demanda 100 200 180 300

Basado en la capacidad u oferta y en la demanda por mes, se hace la distribución de la

producción.

Costo unitario periodo 1 = producción + retención + penalización

Costo unitario periodo 1 = (50) ($40) + 0 + (50) ($42) = 4100
Costo unitario periodo 2 = producción + retención + penalización
Costo unitario periodo 2 = (130) ($40) + 0 + (70) ($42) = 8140
Costo unitario periodo 3 = producción + retención + penalización
Costo unitario periodo 3 = (180) ($40) + (30) ($40.5) + 0 = 8140
Costo unitario periodo 4 = producción + retención + penalización
Costo unitario periodo 4 = (270) ($40) + 0 + 0 = 10800
Costo Total = 31455
Servicio de afilado de herramientas
Papelera Vázquez se dedica al corte de cartón de diferentes tipos y espesores. Dependiendo
el tipo de cartón a cortar será la demanda de la hoja de corte. Varía entre un día y otro en la
misma semana, de acuerdo a lo siguiente:

Día Lunes Martes Miércoles Jueves Viernes Sábado Dom

Demanda de hoja de corte 24 12 14 20 18 14

Papelera Vázquez puede satisfacer la demanda de la siguiente manera:

 Hoja de corte nueva a $12 c/u
 Servicio de afilado nocturno $6 / hoja de corte
 Servicio de afilado en un día $5 / hoja de corte
 Servicio de afilado en dos días $3 / hoja de corte

1. 2. 3. 4. 5. 6. 7.
 Desech
Lune Marte Miércole Jueve Vierne Sábad Doming
o
s s s s s o o
$12 $12 $12 $12 $12 $12 $12 $0 12
1. Nueva
$24 $24 88 4

$6 $5 $3 $3 $3 $3 $0
2. Lunes M 24
14 10
$6 $5 $3 $3 $3 $0
3. Martes M M 12
12
4. $6 $5 $3 $3 $0
Miércole M M M 14
s 10 4

$6 $5 $3 $0
5. Jueves M M M M 20
2 18

6. $6 $5 $0
M M M M M 18
Viernes 14 4

7. $6 $0
M M M M M M 14
Sábado 14

8. $0
M M M M M M M 22
Domingo 22
24 12 14 20 28 14 22 124

La distribución de las hojas de corte por día se hace tomando en cuenta un origen nuevo, en
el supuesto que se compran todas las hojas para el consumo de la semana y a partir de ahí la
distribución por día es realizada tomando en cuenta el requerimiento de la semana al menor
costo posible.
El costo total sería $818, calculándolo a partir de la sumatoria de las multiplicaciones
individuales de la cantidad de hojas por su costo, según lo indicado en la tabla.
6.3 Algoritmo de transporte
Para resolver un algoritmo de transporte seguimos los mismos pasos básicos que en el
método simplex.
De acuerdo con Taha (2006), los pasos de este algoritmo son:

1. Determine una solución factible básica inicial y vaya al paso 2.

2. Use la condición de optimalidad del método simplex para determinar la variable de entrada
de entre todas las variables no básicas. Si se satisfacen las condiciones de optimalidad,
deténgase. De lo contrario, avance al paso 3.
3. Use la condición de factibilidad del método simplex para determinar la variable de entrada
de entre todas las variables básicas actuales y halle la nueva solución básica. Regrese al
paso 2.

Y pueden ser resueltos por los métodos siguientes:

 Método de la esquina noroeste: naturaleza mecánica e implica la mínima cantidad de

cálculos.
 Método del costo mínimo: heurístico, solución inicial de mejor calidad con valor objetivo
más pequeño.
 Método de aproximación de Vogel: heurístico, solución inicial de mejor calidad con valor
objetivo más pequeño, además, es considerado mejor que el método del costo mínimo.

Los modelos de transporte tienen m + n (m = origen, n = destino) ecuaciones de restricción

tanto para el origen como para el destino. Los modelos siempre deben estar balanceados, es
decir, el total de la oferta debe de ser igual al total de la demanda. Además, una de las
restricciones es redundante, por lo que tanto para las ecuaciones independientes como para
las variables básicas tendríamos m + n – 1 respectivamente.
A partir del siguiente ejemplo, se explicaran cada uno de los métodos de solución para
el algoritmo de transporte.
Una compañía transporta maíz de tres silos diferentes a cuatro molinos para su
procesamiento. La siguiente tabla muestra también la oferta y la demanda en camiones
cargados y los costos de transporte en cientos de dólares. El objetivo es determinar el
programa de envíos con el menor costo entre silos y molinos.

Molino
1 2 3 4 Oferta
10 2 20 11
1 15
X11 X12 X13 X14
20 7 9 20
Silos 2 25
X21 X22 X23 X24
4 14 16 18
3 10
X31 X32 X33 X34
 Demanda 5 15 15 15

Solución inicial = m + n – 1
Solución inicial = 3 + 4 – 1
Solución inicial = 6
Método de la esquina noroeste
De acuerdo con Taha (2006), los pasos para el método de la esquina noroeste son los
siguientes:

1. Asigna lo más posible a la celda seleccionada y ajusta las cantidades asociadas de oferta
y demanda restando la cantidad asignada.
2. Tacha la columna o fila con oferta o demanda cero para indicar que no se hagan más
asignaciones ahí. Si una fila y una columna dan cero al mismo tiempo, tacha sólo una, y
deja una oferta o demanda cero en la fila o columna no tachada.
3. Si se deja sin tachar exactamente una fila o columna, detente. De lo contrario, muévete a
la celda a la derecha si acabas de tachar una columna, o abajo si acabas de tachar una
fila. Vaya al paso 1.

El costo del programa de envíos es de $520

5x10 + 10x2 + 5x7 + 15x9 + 5x20 + 10x18 = 520

Método del costo mínimo

De acuerdo con Taha (2006), el método del costo mínimo sigue los siguientes pasos:

1. Determina una mejor solución inicial al concentrarse en las rutas más económicas.
2. Asigna lo más posible a la celda con el costo unitario mínimo; los empates se rompen
arbitrariamente.
3. Luego se tacha la fila o columna satisfecha y se ajustan las cantidades de oferta y
demanda como corresponda. Si una fila o una columna se satisfacen al mismo tiempo,
sólo se tacha una, igual que en el método de la esquina noroeste.
4. A continuación, seleccione la celda no tachada con el costo unitario mínimo y repita el
proceso hasta que se deje sin tachar.
El costo del programa de envíos es de $475
15x2 + 5x4 + 15x9 + 0x11 + 5x18 + 10x20 = 475

Método de aproximación de Vogel

De acuerdo con Taha (2006), el método de aproximación de Vogel se resuelve de la siguiente
manera:

1. Para cada fila y columna determina una medida de penalización restando el elemento de
costo unitario mínimo en la fila o columna del siguiente elemento de costo mínimo en la
misma.
2. Identifique la fila o columna con la penalización máxima que rompa los empates
arbitrariamente. Asigna lo más posible a la variable con el costo unitario mínimo en la fila o
columna seleccionada. Ajuste la oferta y la demanda, y tache la fila o columna satisfecha.
Si una fila y una columna se satisfacen al mismo tiempo, sólo se tacha una de las dos, y a
la restante se le asigna una oferta o demanda cero, según sea el caso.
3. Si exactamente una fila o columna con oferta o demanda cero permanece sin tachar,
deténgase. Si una fila o columna) con oferta o demanda positiva permanece sin tachar,
determina las variables básicas mediante el método del costo mínimo. Detente. Si todas
las filas y columnas no tachadas tienen oferta y demanda cero (restantes), determina las
variables básicas cero por el método del costo mínimo. Deténgase. De lo contrario, ve al
paso 1.
El costo del programa de envíos es de $475
5x4 + 15x2 + 15x9 + 10x20 + 5x18 = 475

Hemos aprendido a solucionar problemas o modelos de transporte, como un programa de

transporte, producción o afilado de herramientas.
Para la solución de este tipo de problemas, nos podemos apoyar del método de esquina
noroeste, costo mínimo o aproximación de Vogel, en los que analizamos las filas y columnas,
es decir la oferta y demanda, además de los costos para, a partir de las particularidades de
cada método, definir el mejor programa que minimice la función objetivo.
Referencias bibliográficas

 Taha, H. (2012). Investigación de operaciones (9ª ed.). México: Pearson.

 Hillier F. y Lieberman G. (2006). Introducción a la Investigación de Operaciones (8ª ed.).
México: Mc Graw Hill.

Tema 7. Modelo de asignación II

Introducción
Los modelos de asignación son un caso especial de la programación lineal, que busca, de
igual manera que en los modelos de transporte, la minimización de los costos de asignación;
con la única diferencia que lo que aquí se asigna son principalmente tareas a trabajadores o
empleados, pero también es usado para la asignación de máquinas, vehículos, periodos y
otros similares.
Para obtener la solución a este tipo de problemas o modelos, es posible apoyarse de cálculos
manuales como el método húngaro.
Explicación
7.1 Solución al modelo de asignación
Otro de los tipos especiales de la programación lineal y de los modelos de transporte, es
el modelo de asignación. Las variables en este modelo son asignados; por ejemplo,
empleados, máquinas, vehículos, plantas, periodos, y tareas. Es decir, a cada asignado le
corresponderá una tarea a realizar y el objetivo es que esta asignación represente el menor
costo.
Para definir un modelo de asignación se debe considerar lo siguiente:

 La cantidad de asignados (n) debe de ser igual a la cantidad de tareas (N)

 Cada asignado tiene sólo una tarea asignada
 Cada tarea es realizada por un solo asignado
 Siempre habrá un costo (cij) asociado a la asignación de tareas por asignado

Los modelos de asignación pueden ser resueltos por el método húngaro y método húngaro
con simplex.
7.2 Método húngaro y método húngaro con simplex
El método húngaro busca la optimización de los modelos de asignación. Fue diseñado
principalmente para cálculos manuales, los cuales son ahora sustituidos por aplicaciones de
computadora que simplifican la solución de problemas de asignación.
La solución de este método, según Taha (2006), consta de tres pasos:

1. Determine pi, el elemento de costo mínimo en la fila i de la matriz de costos original, y

réstelo de todos los elementos de la fila i.
2. Para la matriz creada en el paso 1, determine qj, el elemento de costo mínimo de la
columna j, y réstelo de todos los elementos de la columna j.
3. A partir de la matriz del paso 2, intente determinar una asignación factible entre todas las
entradas cero resultantes.
a. Si puede hallarse esa asignación, es óptima.
b. De lo contrario, se requieren más cálculos:
i. Trace el mínimo de líneas horizontales y verticales en la última matriz reducida
para cubrir todas las entradas cero.
ii. Seleccione la entrada mínima no cubierta y réstela de cada entrada no cubierta,
luego súmela a cada entrada en la intersección de dos líneas.
iii. Si no puede determinar una asignación factible entre las entradas cero
resultantes, repita el paso 3a. La aplicación del paso 3b a la última.

Ejemplo:
Un granjero está requiriendo los servicios de podar, plantar y recolectar en tres diferentes
viveros, A, B y C, por lo que le solicitan sus cotizaciones.

Podar Plantar Recolectar

 Vivero A $ 15 $ 10 $9

Vivero B $9 $ 15 $ 10

Vivero C $ 10 $ 12 $8

Solución:

Podar Plantar Recolectar Costo mínimo

Vivero A $ 15 $ 10 $9 $9

Vivero B $9 $ 15 $ 10 $9

Vivero C $ 10 $ 12 $8 $8

Podar Plantar Recolectar

Vivero A $6 $1 $-

Vivero B $- $6 $1

Vivero C $2 $4 $-

Podar Plantar Recolectar

Vivero A $6 $1 $-
 Vivero B $- $6 $1

Vivero C $2 $4 $-

Costo mínimo $- $1 $-

Podar Plantar Recolectar

Vivero A $6 $- $-

Vivero B $- $5 $1

Vivero C $2 $3 $-

La asignación que minimizaría los costos para el granjero es Vivero A – Plantar, Vivero B –
Podar y Vivero C – Recolectar.
Costo de asignación = $27
9 + 10 + 8 = 27
Para concluir, podemos decir que el método húngaro está basado en el método simplex.
La asignación de recursos no sólo significa transporte, producción o herramientas, sino
también tareas a cualquiera que las pueda realizar, ya sean personas o máquinas.
Para este tipo de asignaciones aplicamos los modelos de asignación, donde no
necesariamente el número de fuentes será igual al número de destinos, por ejemplo para una
vacante casi siempre hay más de un solo aspirante.
El método húngaro es el medio más conocido para la solución de problemas de asignación
puro, que como hemos visto la finalidad es ir reduciendo la matriz hasta que sus costos sean
cero y así determinar la solución que minimice los costos de asignación.
Referencias bibliográficas