INSTITUTO TECNOLOGICO SUPERIOR DE RIOVERDE

INVESTIGACION DE LAS OPERACIONES

TRAABAJO DE INVESTIGACION

CARRERA: INGENIERIA INDUSTRIAL

INTEGRANTES

ALVARO VEGA RAMOS 18227099

VICTOR ALFREDO ARREDONDO MARTINEZ 20227015
ERICK GOMEZ PADRON 18227127
JUAN ANDREZ GARCIA HERNANDEZ 18227085

DOCENTE: JUANA CATALINA OLVERA

04/04/2022
ANÁLISIS DE SENSIBILIDAD EN INVESTIGACIÓN DE
OPERACIONES

El análisis de sensibilidad en investigación de operaciones permite comprender los

efectos que se producen en una solución óptima. En esta entrada se explica en
qué consiste y sus claves.

Análisis de sensibilidad en investigación de operaciones: ¿qué es?

Es un análisis que busca determinar los efectos producidos en la solución óptima

por un cambio en cualquier parámetro de un modelo de programación lineal. Se
investiga cómo afectará una modificación en los coeficientes de las variables
básicas y no básicas, en los recursos disponibles o si se introduce una nueva
restricción.

El objetivo es el de determinar hasta qué punto es fiable la solución óptima según

las alteraciones que puedan darse. Hay que tener en cuenta que la solución se
basa en que los datos de partida se mantendrán constantes, lo cual solo se da en
periodos de tiempo cortos. Por tanto, al utilizar este análisis, se puede prever
cómo se comportará ante los cambios que posiblemente surjan.

También contribuye a determinar qué parámetros o variables pueden fluctuar sin

que estos afecten a la solución óptima. Algunos presentan unos intervalos
mayores sin provocar cambios, pero otros serán mucho más sensibles. Al
detectarlos, es posible mantenerlos bajo supervisión para afrontar los problemas
que puedan llegar a causar. En función de su comportamiento, se efectuarán los
ajustes pertinentes para evitar que la solución acabe por fallar.

¿Cuál es la clasificación de casos que se presentan en el análisis de

sensibilidad?

Existen dos tipos de análisis de sensibilidad: el local y el global. El primero es una

técnica que estudia el impacto de un solo parámetro a la vez en función al costo,
manteniendo las variables de manera fija. El análisis de sensibilidad global, en
cambio, utiliza una muestra global con el propósito de explorar el espacio de
diseño.

Pero, ¿cuál es su importancia en los proyectos? El análisis de sensibilidad es una

de las herramientas más utilizadas por los directores de proyectos para predecir
los resultados esperados de un proyecto. Añade más flexibilidad al modelo de
valoración durante el proceso de análisis y, finalmente, en la presentación ante
posibles clientes, inversores o grupos de interés. Existen múltiples beneficios de
aplicarlo en la gestión de proyectos:

Facilita la toma de decisiones. El análisis de sensibilidad da como resultados

pronósticos respaldados por datos. Cuando se consideran todas las variables y se
analizan todos los resultados, le resulta más sencillo a la gerencia tomar
decisiones de inversión. Por lo tanto, es una herramienta extremadamente útil
para la planificación futura de la empresa.

Asegura el control de calidad. Con el análisis de la sensibilidad, las compañías

pueden determinar aquellos procesos que no están permitiendo la creación de un
producto útil e impiden el alcance de objetivos. Determinar aquellos errores a
tiempo ayudará a crear mejores productos y a menor tiempo, lo que puede
generar en el futuro una mayor diversificación.

Mejor asignación de recursos. El análisis de sensibilidad permite identificar las

áreas fuertes y débiles de la planificación de un proyecto, a su vez que mide su
posible impacto en los resultados. Esto permite a las organizaciones dirigir los
recursos a las variables que más apoyo necesitan.

El análisis de sensibilidad permite a las empresas pronosticar el éxito o fracaso de

un proyecto utilizando datos confiables y certeros. Al estudiar todas las variables y
los posibles resultados, los directores de proyectos pueden me tomar mejores
decisiones respecto al proyecto, el negocio o las inversiones.

¿Cómo se efectúa el análisis?

El análisis debe abordar y verificar cada parámetro de manera individual. También
se expresarán los coeficientes de la función objetivo y los límites de las
restricciones. Así, se obtendrá información útil que permita determinar si la
solución sigue siendo la óptima. A la hora de llevarlo a cabo, es posible utilizar
programas. Además, se seguirá este procedimiento para agilizar las actividades:

Revisión del modelo: En esta parte se establecen los cambios en los parámetros
que se quieren investigar. Estos pondrán a prueba la viabilidad de la solución
óptima y permitirán identificar los efectos que provocan.

Conversión a la forma adecuada de eliminación Gauss: Esta metodología permite

convertir los datos en una tabla apropiada para identificar y evaluar la solución
actual.

Prueba de factibilidad: Se examina si la solución es factible mediante la

comprobación de todas las variables básicas que aún tengan valores no
negativos.

Prueba de que la solución es óptima: La solución se verifica para determinar si es

o no óptima, ya que previamente se ha comprobado que es factible. Se
comprueban los coeficientes de las variables no básicas de la región Z que
permanecen no negativos.

Optimización: Si la solución no supera alguna de las pruebas indicadas, se

procederá a optimizarla a partir de los resultados obtenidos. Así, se irá puliendo
hasta dar con los valores adecuados, aquellos que ofrezcan unas variables
satisfactorias en parámetros clave.

Método ABC de clasificación de inventarios

El método ABC para la clasificación de inventarios es un ejemplo de este análisis.

Se utiliza para buscar la solución óptima a la hora de segmentar y organizar los
productos en un almacén. La importancia es el parámetro clave para ordenarlos.
Así, se tiene en cuenta la relevancia para la empresa, el valor económico, los
beneficios aportados o la rotación generada, entre otros factores.

A la hora de realizar la clasificación, se establecen tres tipos de categorías:

Categoría A

En la A se incluyen aquellos productos de mayor importancia para la empresa.

Estos suelen suponer el 20 % del inventario y también son los que generan un alto
movimiento o rotación. Al darles prioridad, se gestionan de forma efectiva y se
obtiene un rendimiento superior para la compañía.

Categoría B

La categoría B engloba a los productos con una importancia y rotación

moderadas. Llegan a representar el 30 % de las mercancías, aunque no generan
más del 20 % de los ingresos. Es un grupo intermedio que debe revisarse con
frecuencia, ya que algunos de sus componentes podrían encajar dentro de la
clase A o la C en función de las circunstancias.

Categoría C

Por último, la C es la categoría más numerosa, aunque es la que menores

ingresos aportaría. Los productos que la integran no son muy demandados, por lo
que no es necesario destinarles muchos recursos. Llegan a generar solo un 5 %
de las ganancias y su control puede realizar de forma esporádica, pero teniendo
siempre en cuenta su caducidad u obsolescencia. Se ubican en zonas
secundarias del almacén con peor accesibilidad, ya que su prioridad es baja.

¿Cómo se clasifica siguiendo el método ABC?

Hay cuatro formas de clasificar mercancías siguiendo este método.

La primera tiene en cuenta la rotación de los productos, el parámetro fundamental

a la hora de analizar la situación de un almacén. Los más demandados
conformarán la categoría A y los menos la C.
Otra manera es prestar atención al coste unitario, lo que lleva a organizar el stock
en función de la inversión realizada en los materiales guardados.

Una tercera forma se basa en tener como referencia el valor total de inventario,
que sería el coste unitario multiplicado por el número de unidades. Es un método
útil, pero que requiere de un control estricto y continuo de los productos para
redefinir las categorías en función de los cambios en el valor.

Por último, se pueden tener en cuenta los factores de utilización y valor para
confeccionar las categorías. Es el más utilizado y completo de los cuatro. Se
presta atención a la demanda y al valor de los productos. Los de clase A serán
aquellos que resulten más valiosos a la empresa y que también sean muy
demandados por los clientes. Se pueden incluir ecuaciones de variables, como la
de rentabilidad de producto, para ganar en precisión.

En definitiva, el análisis de sensibilidad en investigación de operaciones resulta de

gran utilidad para adaptarse a los cambios. En Structuralia ofrecemos la formación
adecuada para aprovechar estas herramientas. Así, los profesionales están mejor
adaptados a una realidad profesional exigente.

2. ¿QUÉ ES LA PROGRAMACIÓN ENTERA?

Un modelo de Programación Entera es aquel cuya solución óptima tiene sentido

solamente si una parte o todas las variables de decisión toman valores
restringidos a números enteros, permitiendo incorporar en el modelamiento
matemático algunos aspectos que quedan fuera del alcance de los modelos de
Programación Lineal.

En este sentido los algoritmos de resolución de los modelos de Programación

Entera difieren a los utilizados en los modelos de Programación Lineal,
destacándose entre ellos el Algoritmo de Ramificación y Acotamiento (o Branch &
Bound), Branch & Cut, Planos Cortantes, Relajación Lagrangeana, entre otros.

Los modelos de Programación Entera se pueden clasificar en 2 grandes áreas:

Programación Entera Mixta (PEM) y Programación Entera Pura (PEP).
categorías programación entera

Programación Entera Mixta (PEM)

A esta categoría pertenecen aquellos problemas de optimización que consideran

variables de decisión enteras o binarias, pero no de forma exclusiva. De esta
forma un problema de PEM puede considerarse como un híbrido entre distintas
categorías de modelamiento, siendo un caso típico aquel que considera la mezcla
de variables enteras y variables continuas (estas últimas características de los
modelos de Programación Lineal). A modo de ejemplo los siguientes artículos que
hemos abordado en el Blog dan cuenta de modelos de Programación Entera
Mixta:

Incorporación de Costos Fijos

Problemas de Localización y Transporte

Problema de Generación Eléctrica

Programación Entera Pura (PEP)

En esta categoría encontramos aquellos modelos de Programación Entera que

consideran exclusivamente variables de decisión que adoptan valores enteros o
binarios. Un ejemplo de ello son las siguientes aplicaciones:

Problema de Asignación

Problema de Corte de Rollos

Selección de Invitados a una Boda

Programación de la Explotación Forestal

Problema de la Mochila

Notar que en los problemas anteriores (PEP) el conjunto de las soluciones

factibles (o dominio de soluciones factibles) es finito. Esto ocurrirá generalmente
con los problemas de Programación Entera (puros).
Adicionalmente resulta interesante hacer un contrastes entre las propiedades de
un modelo de Programación Lineal (PL) y uno de Programación Entera (PE). A
continuación se presentan 2 modelos de optimización que se diferencian
únicamente en que al segundo de ellos (PE) se le exige que las variables de
decisión adopten valores enteros.

comparación pl y pe

Para los problemas propuestos realizamos una representación gráfica haciendo

uso del software Geogebra. El dominio de soluciones factibles del Problema Lineal
(PL) corresponde al área achurada de color verde. Por otro lado, el dominio de
soluciones factibles del Problema Entero (PE) es enumerable y corresponde a las
coordenadas denotadas por A, E, F, B, G, H, I, J, K, C, L, M, D (que es un
subconjunto del dominio de factibilidad del PL). En este caso en particular la
solución óptima de ambos problemas coincide (en el vértice C), no obstante,
perfectamente podrían ser distintas (bastaría con modificar los parámetros del
problema).

Dominio lineal y entero

En este contexto y dada la naturaleza de los problemas propuestos, el valor

óptimo del Problema Lineal (PL) será una cota superior del valor óptimo del
Problema Entero (PE). También se concluye que el dominio de soluciones
factibles de un modelo de Programación Lineal (cuando existe) representa un
conjunto convexo (los problemas de Programación Lineal son convexos) y en el
caso del problema de Programación Entera Pura su conjunto de soluciones
factibles es discreto.

Adicionalmente según tratamos en el artículo Por qué no aparece el Informe de

Confidencialidad (o Informe de Sensibilidad) en Solver de Excel se debe tener en
cuenta que en la utilización de software para la resolución computacional del
modelo de Programación Entera no tendremos acceso a los reportes de
sensibilidad como en el caso de la implementación de modelos de Programación
Lineal. De esta forma ante la necesidad de analizar el impacto en los resultados
ante la modificación de los parámetros del problema será necesario Re optimizar
ante la información que brinde el o los nuevos escenarios.

Es importante destacar que las aplicaciones de la Programación Entera no

reemplazan la versatilidad que ofrece el disponer de modelos de Programación
Lineal. Más aún, se pueden considerar estas categorías de modelamiento
matemático como complementarias en el ámbito de la Investigación de
Operaciones.

En este sentido en términos abstractos los modelos de Programación Entera

imponen un desafío mayor al momento de la resolución en comparación a las
propiedades simplificadoras que están asociadas a los problemas de
Programación Lineal. De esta forma se espera que el tomador de decisiones sea
capaz de evaluar la relación rigurosidad del modelado con el costo (complejidad)
de la resolución del mismo.
Métodos de solución para Problemas de Programación Entera

Cada una de las ecuaciones que forman un sistema lineal de dos ecuaciones con
dos incógnitas es la de una función de primer grado, es decir, una recta. El método
gráfico para resolver este tipo de sistemas consiste, por tanto, en representar en
unos ejes cartesianos, o sistema de coordenadas, ambas rectas y comprobar si se
cortan y, si es así, dónde. Esta última afirmación contiene la filosofía del proceso
de discusión de un sistema por el método gráfico. Hay que tener en cuenta, que,
en el plano, dos rectas sólo pueden tener tres posiciones relativas (entre sí): se
cortan en un punto, son paralelas o son coincidentes (la misma recta). Si las dos
rectas se cortan en un punto, las coordenadas de éste son el par (x, y) que
conforman la única solución del sistema, ya que son los únicos valores de ambas
incógnitas que satisfacen las dos ecuaciones del sistema, por lo tanto, el mismo es
compatible determinado. Si las dos rectas son paralelas, no tienen ningún punto
en común, por lo que no hay ningún par de números que representen a un punto
que esté en ambas rectas, es decir, que satisfaga las dos ecuaciones del sistema
a la vez, por lo que éste será incompatible, o sea sin solución. Por último, si
ambas rectas son coincidentes, hay infinitos puntos que pertenecen a ambas, lo
cual nos indica que hay infinitas soluciones del sistema (todos los puntos de las
rectas), luego éste será compatible indeterminado.

Método de bifurcación y acotación: La solución al PPLE original se obtiene

resolviendo una secuencia ordenada de PPLs que se obtienen relajando las
restricciones de integralidad y añadiendo restricciones adicionales.

Método de bifurcación y acotación para un PPLE Mixta.

El método de bifurcación y acotación (B&B, de Branch and Bound) resuelve un

PPLE resolviendo una secuencia ordenada de PPLs que se obtienen relajando las
restricciones de integralidad y añadiendo restricciones adicionales. El número de
restricciones adicionales crece a medida que el método B&B progresa. Estas
restricciones permiten separar la región factible en subregiones complementarias.
El método B&B establece inicialmente cotas inferior y superior del valor óptimo de
la función objetivo. El mecanismo de bifurcación aumenta progresivamente el valor
de la cota inferior y disminuye también progresivamente el valor de la cota
superior. La diferencia entre estas cotas es una medida de la proximidad de la
solución actual a la óptima, si ésta existe.

Al minimizar, se obtiene una cota inferior de la solución óptima relajando las

restricciones de integralidad del PPLE inicial y resolviendo el PPL resultante.
Además, el valor de la función objetivo para cualquier solución del PPLE original
es una cota superior de la solución óptima. De manera análoga, al maximizar, la
solución del PPL relajado es una cota superior para el óptimo y cualquier solución
del PPLE original es una cota inferior de la solución óptima.

A continuación, se enumeran los pasos del algoritmo B&B para un PPLE Mixta:

Paso 1: Iniciación

1.1 Se establece una cota superior () y una cota inferior (−) de la solución
óptima.

1.2 Se resuelve el PPLE Mixta inicial relajando las restricciones de integralidad.

1.2.a Si el problema relajado es infactible, el original también lo es y no hay

solución.

1.2.b Si la solución obtenida satisface las condiciones de integralidad, es óptima.

1.2.c En cualquier otro caso, se actualiza el valor de la cota correspondiente con el

valor de la función objetivo resultante.

Paso 2: Bifurcación

2.1 Empleando la variable xk que ha de ser entera y no lo es, se generan

mediante bifurcación dos problemas. Si el valor de la variable que ha de ser entera
xk es a.b, donde a y b son sus partes entera y fraccional respectivamente, los
problemas fruto de la bifurcación son los siguientes.

2.1.a El primer problema es el PPLE relajado al que se la añade la restricción xk≤a

2.1.b El segundo es el PPLE relajado al que se le añade la restricción xk≥a+1

2.2 Estos problemas se colocan ordenadamente en una lista de problemas a

procesar que son resueltos secuencialmente o en paralelo. Obsérvese que la
técnica de bifurcación propuesta cubre completamente el espacio de soluciones.

Paso 3: Solución

3.1 Se resuelve el siguiente problema en la lista de problemas a procesar.

Paso 4: Acotación

4.1 Si la solución del problema actual satisface las condiciones de integralidad y el

valor óptimo de su función objetivo es menor que la cota superior actual, dicha
cota se actualiza al valor óptimo de la función objetivo del problema resuelto, y el
minimizador actual se almacena como el mejor candidato a minimizador del
problema original. En caso de maximizaciones, la cota inferior actual se actualiza
al valor óptimo de la función objetivo del problema resuelto si éste es menor que
dicha cota inferior.

4.2 Si, por el contrario, la solución obtenida no satisface las restricciones de

integralidad y el valor de la correspondiente función objetivo esta entre las cotas
inferior y superior, se actualiza el valor de la cota inferior al valor de la función
objetivo del problema resuelto y se procede a bifurcar de nuevo. En caso de
maximizaciones, se actualiza el valor de la cota superior al valor de la función
objetivo del problema resuelto y se procede a bifurcar de nuevo.

4.3 Los problemas generados en el proceso de bifurcación se añaden a la lista de

problemas que han de resolverse.

Paso 5: Poda

5.1 Poda por cotas: Tiene lugar si la solución no satisface las condiciones de
integralidad y además el valor de la función objetivo del problema resuelto es
mayor que la cota superior para minimizaciones o menor que la cota inferior para
maximizaciones. En este caso no es posible obtener soluciones mediante
bifurcaciones adicionales de esa rama.
5.2 Poda por infactibilidad: Tiene lugar si el problema es infactible.

5.3 Poda por integralidad: Tiene lugar si la solución del problema actual cumple las
restricciones de integralidad.

Paso 6: Optimalidad

6.1 Si la lista de problemas a procesar no está vacía, se continua con el paso 3.

6.2 Si la lista de problemas a procesar está vacía, el procedimiento concluye.

6.3 Concluido el problema, si existe un candidato a minimizador, dicho candidato

es el minimizador; en caso contrario, el problema es infactible.

El algoritmo de B&B devuelve la solución óptima o notifica la infactibilidad bien en

el paso 1 ó en el paso 6. El proceso de bifurcación concluye por la poda de la
rama correspondiente como consecuencia de una de las tres razones siguientes:

1. La solución del problema relajado es mayor que la cota superior disponible en el

caso de minimizaciones, o menor que la cota inferior disponible para el caso de
maximizaciones.

2. El problema considerado es infactible.

3. La solución obtenida satisface las condiciones de integralidad.

Como puede verse, los pasos centrales del algoritmo B&B son la bifurcación, la
acotación y la poda. La diferencia entre un algoritmo B&B u otro radica en las
diferentes estrategias que pueden llevarse a cabo a la hora de implementar tales
pasos.

Estrategias de bifurcación y procesamiento

Cualquier variable que deba ser entera pero que no lo sea en la solución actual, es
una variable candidata para bifurcación. Cuál escoger no es una cuestión trivial, y
su respuesta ha de basarse en la estructura del problema.

Los problemas almacenados para ser procesados pueden tratarse mediante

estrategias en profundidad, en anchura o mixtas. La siguiente figura ilustra las dos
primeras alternativas. Normalmente el conocimiento técnico del problema permite
establecer el tipo de:

• Una estrategia de procesado en profundidad origina rápidamente problemas

fuertemente restringidos que producen buenas cotas superiores e inferiores. De
esta forma, da lugar a problemas infactibles y, por tanto, a una deseable
eliminación de ramas.

• Por el contrario, una estrategia en anchura permite tratar problemas muy

similares, de lo que pueden desprenderse ventajas computacionales como es la re
optimización eficiente del problema relajado actual partiendo de la solución del
anterior.

Estrategias de acotación

La acotación es normalmente llevada a cabo mediante la denominada relajación

lineal, consistente en la obtención de la cota a partir de la resolución del PPL
obtenido relajando las restricciones de integralidad del PPLE original.

Sin embargo, existen otras posibles relajaciones del PPLE original, como la
relajación Lagrangiana en la que todo el conjunto de restricciones (Ax ≤ b en
notación matricial) es eliminado y la función objetivo del problema Maximixar
z=cTx es reemplazada por Maximizar zR=cTx – (Ax – b), donde  ≥0 es un
vector fijo.

Si x* es una solución óptima del problema original z ≤ zR, por lo que resolviendo la
relajación Lagrangiana el valor óptimo de zR proporciona una cota válida para el
problema original. Escogiendo adecuadamente el valor del vector  dicha cota
tiende a ser similar a la proporcionada por la solución de la relajación lineal, pero
con la ventaja de que sin las restricciones del problema la resolución de la
relajación Lagrangiana puede llegar a ser mucho más rápida.

En contrapartida, la poda llevada a cabo tras la acotación mediante la relajación

Lagrangiana no suele ser tan potente como la llevada a cabo tras la relajación
lineal. En general, dos son los factores deseables a la hora de escoger una u otra
estrategia de acotación: (a) una rápida resolución del problema relajado; y (b) la
obtención de una buena cota. En general, la relajación lineal suele ofrecer un buen
compromiso entre ambos factores.

Bibliografía
https://blog.structuralia.com/analisis-de-sensibilidad-en-investigacion-de-
operaciones#:~:text=y%20claves%20destacadas.-,An%C3%A1lisis%20de
%20sensibilidad%20en%20investigaci%C3%B3n%20de%20operaciones%3A
%20%C2%BFqu%C3%A9%20es%3F,un%20modelo%20de%20programaci
%C3%B3n%20lineal.
https://www.esan.edu.pe/conexion-esan/analisis-de-sensibilidad-que-es-y-cual-es-
su-importancia-en-un-proyecto
https://www.gestiondeoperaciones.net/programacion-entera/que-es-la-
programacion-entera/
https://sites.google.com/site/optimizacionenteraydinamica/introduccion/metodos-
de-solucion-en-programacion-entera
http://www.fdi.ucm.es/profesor/jjruz/MasterUned/Documentos%20en%20aLF/
Tema%206.pdf