Capítulo 5

ANÁLISIS DE SENSIBILIDAD Y
PROGRAMACIÓN
PARAMÉTRICA

Índice
1. Introducción. . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2. ANÁLISIS DE SENSIBILIDAD . . . . . . . . . . . . . . . 2
2.1. Cambios discretos en el vector de disponibilidades. . . . . . . 2
2.2. Cambios discretos en el vector de costos. . . . . . . . . . . . . 4
2.3. Cambio de un coeficiente tecnológico de una variable no básica. 6
2.4. Adición de nuevas actividades xj . . . . . . . . . . . . . . . . 7
2.5. Adición de nuevas restricciones . . . . . . . . . . . . . . . . . 9
2.6. Eliminación de variables y restricciones . . . . . . . . . . . . 11
2.7. Significado del costo marginal. . . . . . . . . . . . . . . . . . 11
3. PROGRAMACION PARAMETRICA . . . . . . . . . . . 12
3.1. Introducción a la programación paramétrica . . . . . . . . . . 12
3.2. Cambios continuos en el vector de costos. . . . . . . . . . . . 12
3.3. Cambio continuo en el vector de disponibilidades. . . . . . . . 16
3.4. Cambio continuo en una columna de coeficientes tecnológicos
no básica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4. Precios sombra . . . . . . . . . . . . . . . . . . . . . . . . . . 20

0
 En este tema veremos en qué consiste el análisis de sensibilidad y estudiaremos
todos los cambios discretos que se pueden producir en los parámetros de un problema
de programación lineal.

1. Introducción.
Una vez resuelto un problema de programación lineal, puede darse el caso de que
uno o varios de los parámetros de entrada del problema original cambien, dando origen
a un nuevo problema.
Afortunadamente en este caso no es necesario volver a resolver el problema desde el
principio, sino que existen los métodos llamados de análisis de sensibilidad que nos
permiten resolver el nuevo problema a partir de la tabla óptima del problema original.
El nuevo problema puede diferir del original en uno o varios de los siguientes cam-
bios:

a) cambios en ⃗b (vector de disponibilidades)

b) cambios en ⃗c (vector de costos o precios unitarios)

c) cambios en A (matriz de coeficientes tecnológicos)

d) cambios en ⃗x (aumento o disminución del número de actividades)

e) cambios en el número de restricciones (aumento o disminución)

Los tres primeros cambios pueden ocurrir de una forma discreta o continua. De
forma discreta significa que una o varios de los valores originales, son reemplazados por
nuevos valores. El cambio continuo es aquel en el que los vectores Aj , ⃗c ó ⃗b varían de
la forma:
⃗b + θ∆b, −∞ < θ < ∞

⃗c + θ∆c, −∞ < θ < ∞

Aj + θ∆Aj , −∞ < θ < ∞

El análisis de sensibilidad que estudia los cambios continuos es lo que llamamos

PROGRAMACION PARAMETRICA.
Vamos a hacer el análisis de sensibilidad para los cambios discretos. Recordemos
que en la matriz A encajábamos una identidad A = (Ā, I):

⃗cB xB otras variables variables de la base inicial R.H.S.

⃗cB B −1 Ā B −1 B −1⃗b

⃗c − ⃗cB B −1 Ā ⃗c − ⃗cB B −1 z − ⃗cB B −1⃗b

1
2. ANÁLISIS DE SENSIBILIDAD
2.1. Cambios discretos en el vector de disponibilidades.
Consideremos el problema original (PO), cuya solución conocemos:

Max z = ⃗c · ⃗x
s. a. A⃗x ≤ ⃗b
⃗x ≥ 0

Si cambiamos el vector ⃗b por ⃗b + ∆b el nuevo problema será:

(NP) Max z = ⃗c · ⃗x
s. a. A⃗x ≤ ⃗b + ∆b
⃗x ≥ 0

Entonces, si B −1 es la inversa de la base óptima del PO, entonces, la solución óptima

del PO vendrá dada por:

⃗xB = B −1 · b ≥ 0, z = ⃗cB · ⃗xB .

Al hacer el cambio, obtendremos otro vector ⃗xB , de la forma:

⃗xB = B −1 (b + ∆b)

Entonces, si ⃗xB ≥ 0, significa que ⃗xB es la solución del NP.

En caso contrario, significa que ⃗xB no es factible, y por lo tanto habrá que aplicar el
método dual del simplex para restaurar la factibilidad y por lo tanto la optimalidad en
el NP.
El dual del simplex debe aplicarse a la tabla óptima del problema original en la
que previamente se habrá cambiado la columna ⃗xB = B −1 · ⃗b, por la nueva columna
⃗xB = B −1 (b + ∆b).
Ejemplo. Sea el problema original:
Tenemos que producir un volumen X de un producto químico A, que se vende a
5u.m./litro, y otro volumen Y de un producto B que se vende a $3/litro. Contamos con
un máximo de 15 trabajadores y el costo de producción no puede exceder los 10u.m.
por hora de trabajo. Los coeficientes tecnológicos son los siguientes:
A B
personal 3 5
costo producción 5 2
¿Cómo obtendríamos el máximo beneficio?
Solución.-
Max z = 5x1 + 3x2
s. a: 3x1 + 5x2 ≤ 15
5x1 + 2x2 ≤ 10
xi ≥ 0
tabla inicial:

2
 cB xB x1 x2 x3 x4 R.H.S.
0 x3 3 5 1 0 15
0 x4 5 2 0 1 10
5 3 0 0 z-0
tabla óptima:
cB xB x1 x2 x3 x4 R.H.S.
3 x2 0 1 5/19 -3/19 45/19
5 x1 1 0 -2/19 5/19 20/19
0 0 -5/19 -16/19 z - 235/19
   
!
x1 20/19 !
⃗xB x2  45/19 5/19 −3/19
   
−1
⃗x = =   =   yB =
⃗xN x3 
 
 0 
  −2/19 5/19
x4 0
a) Supongamos ahora que por una depresión económica, el número de trabajadores
ha de reducirse a 5, y el costo máximo de producción a 5u.m. por hora.
! ! !
⃗ 15 −10 5
El nuevo vector de disponibilidad de recursos será: b + ∆b = + =
10 −5 5
y el nuevo problema será:
(N.P.) Max z = 5x1 + 3x2
s. a: 3x1 + 5x2 ≤ 5
5x1 + 2x2 ≤ 5
xi ≥ 0
En lugar de resolver todo el problema de nuevo, estudiaremos la factibilidad del
nuevo vector: ⃗xB = B −1 (⃗b + ∆b).
! ! !
5/19 −3/19 5 10/19
⃗xB = B (⃗b + ∆b) =
−1
· = ≥0
−2/19 5/19 5 15/19
Luego este vector es óptimo, y la solución óptima del nuevo problema es:
!
10/19 30 + 75 105
x1 = 15/19, x2 = 10/19, con z = ⃗cB · ⃗xB = (3, 5) · = = .
15/19 19 19
b) Supongamos ahora que aunque el personal se reduce a 10 personas, el costo
máximo por hora se aumenta a 20u.m.
En este caso el nuevo problema será:
(N.P.) Max z = 5x1 + 3x2
s. a: 3x1 + 5x2 ≤ 10
5x1 + 2x2 ≤ 20
xi ≥ 0
! ! !
5/19 −3/19 10 −10/19
Entonces: ⃗xB = B (⃗b + ∆b) =
−1
· = .
−2/19 5/19 20 80/19
Como ⃗xB no es ≥ 0, habrá que usar el método Dual del Simplex para obtener la nueva
solución óptima.
Construimos la tabla con el nuevo vector xB en lugar del anterior xB .

3
 cB xB x1 x2 x3 x4 R.H.S.
3 x2 0 1 5/19 -3/19 -10/19
5 x1 1 0 -2/19 5/19 80/19
0 0 -5/19 -16/19 z - 370/19
0 x4 0 -19/3 -5/3 1 10/3
5 x1 1 5/3 1/3 0 10/3
0 -16/3 -5/3 0 z- 50/3
Luego, la solución óptima en este caso es x1 = 10/3 y z = 50/3.
Nótese que:
- la producción de 10/3 del producto A implica el costo de : 3*10/3 +5*0 =10 obreros,
que son los que se tienen, por lo que la holgura x3 = 0.
- para la otra restricción tenemos: 5*10/3 + 2*0 = 50/3 , lo que genera una holgura
en el costo de producción de: x4 = 20 − 50/3 = 10/3.

2.2. Cambios discretos en el vector de costos.

Consideremos el problema original (PO), cuya solución conocemos:
Max z = ⃗c · ⃗x
s. a. A⃗x ≤ ⃗b
⃗x ≥ 0
Si cambiamos el vector ⃗c por ⃗c + ∆c el nuevo problema será:
(NP) Max z = (⃗c + ∆c) · ⃗x
s. a. A⃗x ≤ ⃗b
⃗x ≥ 0
El análisis de sensibilidad para este tipo de problema, toma como punto de partida, la
solución óptima del problema original. Al cambiar ⃗c por ⃗c + ∆c, los costos marginales
cj − zj , cambian a:
(cj + ∆cj ) − zj = (cj + ∆cj ) − (⃗cB + ∆cB )B −1 Aj = c′j + (∆cj − ∆cB B −1 Aj ).
En el óptimo, cj − zj tiene que ser no positivo, para los j de A que no estén en la base
(B) y cero para los de B.
Luego, si estas condiciones se cumplen para los elementos de la base del PO, entonces
diremos que la base óptima es la misma, y el nuevo valor de la función objetivo es:
z = (⃗cB + ∆cB ) · ⃗xB .
En caso contrario, tendremos que aplicar el método del Simplex hasta obtener la
solución óptima.
Ejemplo. Siguiendo con el problema original anterior:
Max z = 5x1 + 3x2
s. a: 3x1 + 5x2 ≤ 15
5x1 + 2x2 ≤ 10
xi ≥ 0
cuya tabla óptima es:

4
 cB xB x1 x2 x3 x4 R.H.S.
3 x2 0 1 5/19 -3/19 45/19
5 x1 1 0 -2/19 5/19 20/19
0 0 -5/19 -16/19 z - 235/19

a) Supongamos que el precio unitario del producto B se reduce a 1 u.m.. El nuevo

problema será:
Max z = 5x1 + x2
s. a: 3x1 + 5x2 ≤ 15
5x1 + 2x2 ≤ 10
xi ≥ 0
⃗c + ∆c = (5, 3, 0, 0) + (0, −2, 0, 0) = (5, 1, 0, 0).

Como cambia c2 que es el costo de una variable básica, hay que corregir los costos
marginales:

cB xB x1 x2 x3 x4 R.H.S.
1 x2 0 1 5/19 -3/19 45/19
5 x1 1 0 -2/19 5/19 20/19
0 0 5/19 -22/19 z - 145/19

Luego la solución que tenemos no es óptima; aplicando el método del Simplex: entra
en la base x3 y sale x2 , entonces

cB xB x1 x2 x3 x4 R.H.S.
0 x3 0 19/5 1 -3/5 9
5 x1 1 2/5 0 1/5 2
0 -1 0 -1 z - 10

Con lo que la nueva solución óptima es: x1 = 2; x3 = 9; y z = 10.

b) supongamos ahora que el precio de los dos productos es de 1 u.m., entonces el
nuevo problema será:
Max z = x1 + x 2
s. a: 3x1 + 5x2 ≤ 15
5x1 + 2x2 ≤ 10
xi ≥ 0
⃗c + ∆c = (5, 3, 0, 0) + (−4, −2, 0, 0) = (1, 1, 0, 0).
Modificamos los costos marginales con lo que:

cB xB x1 x2 x3 x4 R.H.S.
1 x2 0 1 5/19 -3/19 45/19
1 x1 1 0 -2/19 5/19 20/19
0 0 -3/19 -2/19 z - 65/19

Luego la solución del problema original sigue siendo óptima, aunque varía el valor
de la función objetivo: z = 65/19

5
2.3. Cambio de un coeficiente tecnológico de una variable no
básica.
Sólo vamos a ver los cambios en los coeficientes tecnológicos de las variables no
básicas. Si el cambio afectase a una variable básica, es aconsejable resolver el problema
desde el principio, pues, aunque existe análisis de sensibilidad para este tipo de cambios,
es muy complicado.
Un cambio en el vector Aj , ocasiona un cambio en el costo marginal correspondiente,
cj − zj , ya que:
c′j = cj − zj = cj − ⃗cB B −1 Aj
Si cambiamos Aj por Āj obtendremos un nuevo coste marginal:

c′j = cj − zj = cj − ⃗cB B −1 Āj

Mientras el nuevo coste marginal siga siendo no positivo, la solución del problema
original seguirá siendo óptima.
En caso contrario, habrá que aplicar el método del Simplex hasta llegar a la solución
óptima, modificando en la tabla óptima del problema original, la columna correspon-
diente: Ȳj = B −1 Āj
Ejemplo. Consideremos el problema original:

(PO) Max z = 3x1 + 5x2

s. a: x1 ≤ 4
3x1 + 2x2 ≤ 18
xi ≥ 0

cuya tabla óptima es:

cB xB x1 x2 x3 x4 R.H.S.
0 x3 1 0 1 0 4
5 x2 3/2 1 0 1/2 9
-9/2 0 0 -5/2 z - 45
! !
1 2
a) Supongamos que cambiamos el vector A1 = que no es básico por Ā1 = .
3 2
El nuevo problema será:
Max z = 3x1 + 5x2
s. a: 2x1 ≤ 4
2x1 + 2x2 ≤ 18
xi ≥ 0
! ! !
1 0 2 2
c′1 = c1 −z1 = c1 −⃗cB B −1 Ā1 = 3−(0, 5) = 3−(0, 5) = 3−5 = −2 < 0
0 1/2 2 1
Luego la solución óptima del NP
! es! igual !
a la del PO, y la tabla óptima será:
1 0 2 2
Como Ȳ1 = B −1 Ā1 = = y c′1 = −2.
0 1/2 2 1

6
 cB xB x1 x2 x3 x4 R.H.S.
0 x3 2 0 1 0 4
5 x2 1 1 0 1/2 9
-2 0 0 -5/2 z - 45
!
10
b) Si el cambio que hacemos consiste en tomar el nuevo Ā1 de la forma: Ā1 = ,
1
el nuevo problema será:
(NP) Max z = 3x1 + 5x2
s. a: 10x1 ≤ 4
x1 + 2x2 ≤ 18
xi ≥ 0
! ! !
1 0 10 10 5 1
c′1 −1
= c1 −z1 = c1 −⃗cB B A1 = 3−(0, 5) = 3−(0, 5) = 3− = > 0
0 1/2 1 1/2 2 2
Como c′1 es mayor que cero, habrá que aplicar el método del Simplex para llegar a
la solución óptima: ! ! !
−1 1 0 10 10
la columna actualizada es: Ȳ1 = B Ā1 = = .
0 1/2 1 1/2

cB xB x1 x2 x3 x4 R.H.S.
0 x3 10 0 1 0 4
5 x2 1/2 1 0 1/2 9
1/2 0 0 -5/2 z - 45
3 x1 1 0 1/10 0 2/5
5 x2 0 1 -1/20 1/2 44/5
0 0 -1/20 -5/2 z - 226/5

Por lo tanto, la nueva solución es:

x1 = 2/5; x2 = 44/5; z = 226/5.

2.4. Adición de nuevas actividades xj

La adición de nuevas actividades xj , crea nuevos costos marginales c′j , y nuevas
columnas Yj en la tabla.
Si asociado a la nueva actividad xj , conocemos su precio unitario cj , y su vector de
coeficientes tecnológicos Aj , los nuevos elementos se calculan como sigue:
c′j = cj − zj = cj − ⃗cB B −1 Aj e Yj = B −1 Aj .
Entonces, si el nuevo costo marginal es no positivo, la nueva variable xj , no debe
entrar en la base, y su valor de utilización es cero. (La solución del nuevo problema,
coincide con la del PO).
En caso contrario (c′j > 0), la nueva variable xj , debe entrar en la base, y para ello
lo que hacemos es añadir el vector Yj en la tabla y aplicar el método del Simplex hasta
llegar a la solución óptima.

7
Ejemplo. Consideremos el PO anterior

(PO) Max z = 3x1 + 5x2

s. a: x1 ≤ 4
3x1 + 2x2 ≤ 18
xi ≥ 0

cuya tabla óptima es:

cB xB x1 x2 x3 x4 R.H.S.
0 x3 1 0 1 0 4
5 x2 3/2 1 0 1/2 9
-9/2 0 0 -5/2 z - 45

a) ¿Conviene producir una nueva actividad

! x5 , cuyo precio unitario es de 7 u.m. y
1
sus coeficientes tecnológicos son: A5 = ?
2

(NP) Max z = 3x1 + 5x2 + 7x5

s. a: x1 + x5 ≤ 4
3x1 + 2x2 + 2x5 ≤ 18
xi ≥ 0

El nuevo costo marginal será:

! ! !
1 0 1 1
c′5 −1
= c5 −z5 = c5 −⃗cB B A5 = 7−(0, 5) = 7−(0, 5) = 7−5 = 2 > 0
0 1/2 2 1

Como el nuevo costo marginal es mayor que cero, esto significa que la variable x5
debe entrar en la base, por lo que hay que introducir su vector correspondiente en la
tabla y resolver el problema.
! ! !
−1 1 0 1 1
Y5 = B A5 = = , entonces:
0 1/2 2 1

cB xB x1 x2 x3 x4 x5 R.H.S.
0 x3 1 0 1 0 1 4
5 x2 3/2 1 0 1/2 1 9
-9/2 0 0 -5/2 2 z - 45
7 x5 1 0 1 1 1 4
5 x2 1/2 1 -1 1/2 0 5
-13/2 0 -2 -5/2 0 z - 53

Luego, la nueva actividad debe producirse a un nivel de 4 unidades, y la actividad

x2 debe reducirse de 9 a 5 unidades, con lo que se incrementa el beneficio de 45 a 53
unidades.

8
 b) Si en el problema anterior,
! el precio unitario de la nueva actividad x5 fuese de 4
10
u.m. y el vector A5 = , entonces, el nuevo problema sería
4

(NP) Max z = 3x1 + 5x2 + 4x5

s. a: x1 + 10x5 ≤ 4
3x1 + 4x2 + 2x5 ≤ 18
xi ≥ 0

El nuevo costo marginal será:

! ! !
1 0 10 10
c′5 −1
= c5 −z5 = c5 −⃗cB B A5 = 4−(0, 5) = 4−(0, 5) = 4−10 = −6 < 0
0 1/2 4 2

Luego, la solución óptima del PO lo es también del NP y x5 = 0.

Es decir: en las condiciones actuales no se debe producir ninguna unidad de la
actividad x5 .

2.5. Adición de nuevas restricciones

Si al añadir k (k > 0) nuevas restricciones al problema original, la solución óptima
de éste, (⃗xB ) las verifica todas, entonces, la solución óptima del nuevo problema es la
misma que la del problema original.
Pero si ⃗xB , viola alguna de las nuevas restricciones, entonces habrá que restablecer
la factibilidad del NP y obtener su solución óptima.
En este caso, cada una de las k restricciones debe añadirse en la tabla óptima
del PO con su correspondiente variable de holgura (o artificial). Todos los vectores
unitarios asociados al PO deben restablecerse por medio de operaciones
matriciales, y luego se aplica el método Dual del Simplex (o el método del Simplex)
hasta obtener una solución óptima.
Ejemplo.
Max z = 5x1 + 3x2
s. a: 3x1 + 5x2 ≤ 15
5x1 + 2x2 ≤ 10
xi ≥ 0
cuya tabla óptima es:

cB xB x1 x2 x3 x4 R.H.S.
3 x2 0 1 5/19 -3/19 45/19
5 x1 1 0 -2/19 5/19 20/19
0 0 -5/19 -16/19 z - 235/19

Si añadimos una restricción de ≤.

a) P. ej. consideramos una nueva restricción: 4x1 + 3x2 ≤ 10. Está claro que la
solución óptima del problema original no la verifica, ya que 4(20/19)+3(45/19) =
215/19 = 10 + 25/19, que es mayor que 10.

9
El nuevo problema es:
Max z = 5x1 + 3x2
s. a: 3x1 + 5x2 ≤ 15
5x1 + 2x2 ≤ 10
4x1 + 3x2 ≤ 10
xi ≥ 0

Añadiendo esta última restricción con su correspondiente variable de holgura a

la tabla óptima anterior tenemos:

cB xB x1 x2 x3 x4 x5 R.H.S.
3 x2 0 1 5/19 -3/19 0 45/19
5 x1 1 0 -2/19 5/19 0 20/19
0 x5 4 3 0 0 1 10
0 0 -5/19 -16/19 0 z - 235/19

La tabla anterior no es una tabla del Simplex. Para que lo sea, en la tercera fila
hay que arreglar las columnas de x1 y x2 . Así, a la fila tercera, le resto 4 veces la
segunda fila y 3 veces la primera fila. Como resultado obtengo:

cB xB x1 x2 x3 x4 x5 R.H.S.
3 x2 0 1 5/19 -3/19 0 45/19
5 x1 1 0 -2/19 5/19 0 20/19
0 x5 0 0 -7/19 -11/19 1 -25/19
0 0 -5/19 -16/19 0 z - 235/19

Nótese que como el costo de x5 es cero, los costos marginales permanecen iguales
que los del problema original. Ahora sí que podemos aplicar el método Dual del
Simplex: sale x5 y entra x3 , con lo que la tabla queda:

cB xB x1 x2 x3 x4 x5 R.H.S.
3 x2 0 1 0 -4/7 5/7 10/7
5 x1 1 0 0 3/7 -2/7 10/7
0 x3 0 0 1 11/7 -19/7 25/7
0 0 0 -3/7 -5/7 z- 80/7

con lo que la solución del nuevo problema es: x1 = 10/7, x2 = 10/7, z = 80/7.
b) Si la nueva restricción hubiera sido: x2 ≤ 10, como la solución óptima del
problema original la verifica, entonces la solución de ambos problemas coincide.

Si añadimos una restricción de ≥. Multiplicando por −1 la restricción, la trans-

formamos en una de ≤ y procedemos como en el caso anterior.

Si añadimos una restricción de =. Si la nueva restricción no es satisfecha por la

solución óptima del problema original, tenemos dos casos:

10
 a) Si se satisface con <. Por ejemplo, 4x1 + 3x2 = 12, en la solución óptima del
problema original se cumple 4x1 + 3x2 < 12. Entonces, se añade una variable
artificial (con coste penalizado) a la ecuación y se inserta en la tabla. Después,
como en casos anteriores, se restablecen los vectores unitarios. Por último se
aplica el método del Simplex.
b) Si se satisface con >. Por ejemplo, 4x1 + 3x2 = 10, en la solución óptima del
problema original se cumple 4x1 + 3x2 = 10. Entonces, se multiplica por −1 la
igualdad, resultando −4x1 − 3x2 = −10 y se procede como en el apartado a).

2.6. Eliminación de variables y restricciones

En los apartados anteriores hemos discutido la situación de la incorporación de
variables al problema o de la adición de nuevas restricciones, que suelen ser las situa-
ciones habituales, pero también nos podemos plantear la eliminación de variables o la
de restricciones.
Eliminación de variables.- el procedimiento es muy sencillo:
Si la variable es no básica: se elimina del problema sin más.
Si es básica: la penalizamos haciendo su costo muy grande1 c̄j = cj + M ,
de modo que termine saliendo de la base. Con lo que el problema se reduce
a un cambio en los costos.
Eliminación de restricciones.- el procedimiento es análogo al anterior:
Si la restricción no es activa para la solución óptima (tiene variable de
holgura > 0), se puede eliminar sin más.
Si es activa (variable de holgura = 0): aumentamos la disponibilidad hasta
convertirla en no activa, b̄i = bi + M (restricción que no restringe), y luego
la eliminamos.

2.7. Significado del costo marginal.

El valor absoluto del costo marginal, indica la cantidad en la que debe aumen-
tar el costo de una variable en el caso de maximización para que la variable
correspondiente entre en la base.
Ejemplo. Sea el problema
Max z = 5x1 + 3x2
s. a: 3x1 + 5x2 ≤ 10
5x1 + 2x2 ≤ 20
xi ≥ 0.
cuya tabla óptima es:
cB xB x1 x2 x3 x4 R.H.S.
5 x1 1 5/3 1/3 0 10/3
0 x4 0 -19/3 -5/3 1 10/3
0 -16/3 -5/3 0 z - 50/3
1
o muy pequeño en un problema de maximización

11
a)Si queremos que x2 entre en la base, el precio de x2 debe aumentarse, de 3 u.m. a:

c2 = c2 + (−c′2 ) = 3 + 16/3 = 25/3

3. PROGRAMACION PARAMETRICA
3.1. Introducción a la programación paramétrica
Hasta ahora hemos estudiado el análisis de sensibilidad para los cambios discretos
en los valores de un modelo de programación lineal. Pero no todos los cambios que
se pueden producir en un problema de programación lineal son de este tipo, ya que
éstos valores pueden estar sujetos a cambios continuos. Este tipo de cambios es lo que
estudia la PROGRAMACION PARAMETRICA.
Este tipo de planteamiento se puede dar, no sólo porque los datos cambien con el
tiempo, sino también porque muchas veces los datos de un problema son el resultado
de una cierta política, y nos podemos plantear entre qué valores pueden variar los
parámetros para que la solución que tenemos siga siendo óptima.
Como ya hemos dicho, sólo vamos a ver tres tipos de cambios continuos:

a) Cambios continuos en el vector de costos: c = ⃗c + θ⃗δ

b) Cambios continuos en el vector de disponibilidades: b = ⃗b + θβ⃗

c) Cambios continuos en los coeficientes tecnológicos de una variable no básica: Āj =

Aj + θαj .

En todo lo que sigue, vamos a considerar el estudio para θ ≥ 0; en el caso de θ ≤ 0

el estudio es análogo.
Es decir, estudiaremos el rango de la base óptima desde el momento actual hacia
el futuro; el estudio hacia el pasado es análogo.

3.2. Cambios continuos en el vector de costos.

El problema a estudiar es el siguiente:

Max z = (⃗c + θ⃗δ)⃗x

s. a: Ax ≤ b
⃗x ≥ 0

Sabemos que cuando el vector paramétrico de costos (⃗c + θ⃗δ) varía, también varían
los costos marginales. Para estudiar esta variación, establecemos la siguiente notación:
Sea B0 la base óptima asociada al problema para θ = 0, es decir:

Max z = ⃗c · ⃗x
s. a: Ax ≤ b
⃗x ≥ 0

Entonces, los costos marginales del problema paramétrico vendrán dados por:

c′j = cj − zj = (cj + θδj ) − (⃗cB0 + θ⃗δB0 )B0−1 Aj =

12
 = (cj − ⃗cB0 B0−1 Aj ) + θ(δj − ⃗δB0 B0−1 Aj ) = c′j + θ(δj − ⃗δB0 B0−1 Aj )
donde, ⃗cB0 y ⃗δB0 , son las componentes de ⃗c y de ⃗δ asociadas a la base B0 .
La pregunta que nos hacemos es la siguiente: “¿Para qué valores del parámetro,
la base B0 sigue siendo óptima?”
Sabemos que el óptimo se obtiene cuando, para todo j, c′j < 0. Por lo tanto,
estudiamos para todo j, si c′j = c′j + θ(δj − ⃗δB0 B0−1 Aj ) ≤ 0.
Y de aquí se obtiene la condición que debe cumplir el parámetro para que la base
siga siendo óptima.
En este caso, la base B0 será óptima para valores del parámetro tales que:

θ∗ ≤ θ ≤ θ∗

En caso de que exista ninguna condición, la base es óptima para todos los valores del
parámetro.
Veamos qué pasa fuera de ese rango. Como el estudio es análogo lo explicamos
para valores de θ > θ∗ :
se nos pueden presentar dos casos:
1) Si θ∗ corresponde a un único costo marginal que se anula, entonces: Aplicamos el
método del Simplex hasta obtener una nueva solución óptima. La base asociada a
esta nueva solución la llamamos B1 .
Se puede proseguir con el mismo análisis, en el sentido de que puede existir otro
valor crítico de θ, al que llamaremos θ∗∗ , para el cual la base B1 es óptima en el
rango θ∗ ≤ θ ≤ θ∗∗ .

2) Si θ∗ corresponde a varios costos marginales que se anulan a la vez. En este caso

habrá que hacer varios cambios de base por el método del Simplex hasta comprobar
que no hay ciclos, y entonces se actúa como en el caso 1, o bien se ve que no hay
solución óptima finita2 para θ > θ∗ .
Ejemplo. Queremos resolver el problema paramétrico:

Max z = (3 − 6θ)x1 + (2 − 2θ)x2 + (5 + 5θ)x3

s. a: x1 + 2x2 + x3 ≤ 40
3x1 + 2x3 ≤ 60
x1 + 4x2 ≤ 30
x1 , x2 , x3 ≥ 0

es decir que ⃗c = (3, 2, 5) y ⃗δ = (−6, −2, 5); con −∞ < θ < ∞.

Para θ = 0, el problema es:

Max z = 3x1 + 2x2 + 5x3

s. a: x1 + 2x2 + x3 ≤ 40
3x1 + 2x3 ≤ 60
x1 + 4x2 ≤ 30
x1 , x2 , x3 ≥ 0

cuya tabla óptima es:

2
Esto también puede ocurrir en el caso 1.

13
 cB xB x1 x2 x3 x4 x5 x6 R.H.S.
2 x2 -1/4 1 0 1/2 -1/4 0 5
5 x3 3/2 0 1 0 1/2 0 30
0 x6 2 0 0 -2 1 1 10
-4 0 0 -1 -2 0 z- 160
 
1/2 −1/4 0
Entonces, B0 = (A2 , A3 , A6 ), N0 = (A1 , A4 , A5 ), y B0−1 =  0 1/2 0


−2 1 1
¿Para qué valores del parámetro θ la base B0 sigue siendo óptima?.
Dado que hemos cambiado los costos, estudiamos los nuevos costos marginales:
 
−1/4
−4 −2
c′1 = (3 − 6θ) − (2 − 2θ, 5 + 5θ, 0) · 
 3/2  = −4 − 14θ ≤ 0 ⇔ θ ≥

=
14 7
2
 
1/2
′
c4 = 0 − (2 − 2θ, 5 + 5θ, 0) ·  0  = −1 + θ ≤ 0 ⇔ θ ≤ 1 = θ∗
 

−2
 
1/4
−2
c′5 = 0 − (2 − 2θ, 5 + 5θ, 0) · 
1/2 = −2 − 3θ ≤ 0 ⇔ θ ≥

3
1
−2
Por lo tanto, la base B0 es óptima en el rango 7
≤ θ ≤ 1, y en este rango, el valor
de la función objetivo es:
 
5
z = (cB0 + θδB0 )xB0 = (2 − 2θ, 5 + 5θ, 0 + 0θ) 30 = 160 + 140θ
 

10
Veamos ahora qué pasa para valores de θ > 1:
En este caso sabemos que c′4 se hace positivo, por lo tanto la base actual no es
óptima. Para hacer el cambio de base, entra la variable x4 , y sale la variable x2 , con lo
que la tabla óptima que se obtiene es:

cB xB x1 x2 x3 x4 x5 x6 R.H.S.
0 x4 -1/2 2 0 1 -1/2 0 10
5+5θ x3 3/2 0 1 0 1/2 0 30
0 x6 1 4 0 0 0 1 30
− 92 − 27
2
θ 2-2θ 0 0 − 52 − 52 θ 0 z- (150 + 150θ)
 
1 −1/2 0
Entonces, B1 = (A4 , A3 , A6 ), N1 = (A1 , A2 , A5 ), y B1−1 0 1/2 0.
= 

0 0 1
Nos volvemos a plantear si:
¿Existe algún valor crítico de θ, θ∗∗ , para el cuál la base B1 deja de ser óptima?.
Volvemos a estudiar los costos marginales:
9 27 1
c′1 = − − θ ≤ 0 siempre que θ ≥ .
2 2 3

14
 c′2 = 2 − 2θ ≥ 0, cuando θ ≥ 1, y estamos en ese caso.
5 5
c′5 = − − θ ≤ 0, siempre que θ ≥ −1.
2 2
∗∗
Por lo tanto, no existe θ , o lo que es lo mismo, que la base B1 es óptima para
cualquier valor de θ > 1.
Veamos ahora qué pasa para valores de θ < −4 14
:
′
En este caso sabemos que c1 se hace positivo, por lo tanto la base actual no es óptima.
Para hacer el cambio de base, entra la variable x1 , y sale la variable x6 , con lo que la
tabla óptima que se obtiene es:

cB xB x1 x2 x3 x4 x5 x6 R.H.S.
2-2θ x2 0 1 0 1/4 -1/8 1/8 25/4
5+5θ x3 0 0 1 3/2 -1/4 -3/4 45/2
3-6θ x1 1 0 0 -1 1/2 1/2 5
0 0 0 -5-13θ 4θ 2+7θ z- (140 + 70 θ)

Entonces, B2 = (A2 , A3 , A1 ), N2 = (A4 , A5 , A6 ).

Nos volvemos a plantear si:
¿Existe algún valor crítico de θ, θ∗∗ , para el cuál la base B2 deja de ser óptima?.
Volvemos a estudiar los costos marginales:
−5
c′4 = −5 − 13θ ≤ 0, cuando θ ≥ .
13
c′5 = 4θ ≤ 0, cuando θ ≤ 0, y estamos en ese caso.
−2
c′6 = 2 + 7θ ≤ 0, siempre que θ ≤ .
7
−5 −2
Por lo tanto, la base B2 es óptima en el rango 13
≤θ ≤ 7
, y en este rango, el
valor de la función objetivo es:
 
25/4
z = (cB0 + θδB0 )xB0 = (2 − 2θ, 5 + 5θ, 3 − 6θ) 45/2

 = 140 + 70θ.
5

Veamos ahora qué pasa para valores de θ < −5 13

:
′
En este caso sabemos que c4 se hace positivo, por lo tanto la base actual no es
óptima. Para hacer el cambio de base, entra la variable x4 , y sale la variable x3 , con lo
que la tabla óptima que se obtiene es:

cB xB x1 x2 x3 x4 x5 x6 R.H.S.
2-2θ x2 0 1 -1/6 0 -1/2 1/4 5/2
0 x4 0 0 2/3 1 -1/6 -1/2 15
3-6θ x1 1 0 2/3 0 1/3 0 20
0 0 − 10
3
+ 26
3
θ 0 − 65 + 11
6
θ − 12 + 12 θ z- (65- 125θ)

15
Entonces, B3 = (A2 , A4 , A1 ), N1 = (A3 , A5 , A6 )
Nos volvemos a plantear si: ¿Existe algún valor crítico de θ, θ∗∗∗ , para el cuál la base
B3 deja de ser óptima?. Volvemos a estudiar los costos marginales:
10 26 5
c′3 = − + θ ≤ 0 siempre que θ ≤ − .
3 3 13
5 11 5
c′5 = − + θ ≤ 0, cuando θ ≤ .
6 6 11
1 1
c′6 = − + θ ≤ 0, siempre que θ ≤ 1.
2 2
Por lo tanto, no existe θ∗∗∗ , o lo que es lo mismo, que la base B3 es óptima para
5
cualquier valor de θ < − 13 .
Por lo tanto la solución óptima del problema es:

θ x1 x2 x3 x4 x5 x6 z
5
θ ≤ − 13 20 5/2 0 15 0 0 65 - 125θ
5
− 13 ≤ θ ≤ − 72 5 25/4 45/2 0 0 0 140 + 70θ
0≤θ≤1 0 5 30 0 0 10 160 + 140θ
θ≥1 0 0 30 10 0 30 150 + 150θ

3.3. Cambio continuo en el vector de disponibilidades.

En este caso, el problema que queremos resolver es:

Max z = ⃗c · ⃗x
s. a: A⃗x ≤ ⃗b + θβ⃗
⃗x ≥ 0

El estudio de este caso es similar al anterior.

Sea B0 la base óptima asociada al problema, para θ = 0, es decir:

Max z = ⃗c · ⃗x
s. a: A⃗x ≤ ⃗b
⃗x ≥ 0

Sabemos que un cambio en el vector de disponibilidades, nos produce un cambio en el

vector básico ⃗xB0 , y en el valor de la función objetivo. Este cambio es el siguiente:

x̃B0 = B0−1 (⃗b + θβ)

⃗ = B −1⃗b + θB −1 β⃗ = ⃗xB + θB −1 β⃗
0 0 0 0

z = ⃗cB0 x̃B0 = ⃗cB0 B0−1 (⃗b + θβ)

⃗

El problema a estudiar es el siguiente: “¿Para qué valores de θ, la base B0

sigue siendo óptima?”
Como la factibilidad dual no se altera, sabemos que la base B0 seguirá siendo óptima
mientras el vector básico siga siendo positivo. Por lo tanto:

- Si ⃗xB0 = B0−1 (⃗b + θβ)

⃗ ≥ 0 para todo θ ≥ 0, entonces la base B0 seguirá siendo óptima
para todo θ ≥ 0.

16
- Si existe alguna componente de ⃗xB0 que sea negativa, entonces la base B0 deja de ser
óptima, y el valor crítico, θ∗ , buscado se obtiene despejando en la ecuación.
Para obtener la siguiente base B1 , basta aplicar el método Dual del Simplex.
Una vez obtenida la nueva solución ⃗xB1 asociada a la nueva base B1 , el análisis para
determinar un segundo valor crítico de θ, θ∗∗ , es análogo, y el rango para el que la base
el óptima es: θ∗ ≤ θ ≤ θ∗∗ .
Veamos un ejemplo:
Ejemplo. Consideremos el problema paramétrico:
Max z = 3x1 + 2x2 + 5x3
s. a: x1 + 2x2 + x3 ≤ 430 + 100θ
3x1 + 2x3 ≤ 460 − 200θ
x1 + 4x2 ≤ 420 + 400θ
x1 , x2 , x3 ≥ 0
Para θ = 0, el problema es:
Max z = 3x1 + 2x2 + 5x3
s. a: x1 + 2x2 + x3 ≤ 430
3x1 + 2x3 ≤ 460
x1 + 4x2 ≤ 420
x1 , x2 , x3 ≥ 0
cuya tabla óptima es:
cB xB x1 x2 x3 x4 x5 x6 R.H.S.
2 x2 -1/4 1 0 1/2 -1/4 0 100
5 x3 3/2 0 1 0 1/2 0 230
0 x6 2 0 0 -2 1 1 20
-4 0 0 -1 -2 0 z- 1350
Por lo tanto los valores de las variables en el problema paramétrico son:
     
1/2 −1/4 0 430 + 100θ 100 + 100θ
−1 ⃗ ⃗
x̃B0 = B0 (b + θδ) =  0

1/2 0 · 460 − 200θ = 230 − 100θ
   

−2 1 1 420 + 400θ 20 + 0θ
100 + 100θ ≥ 0 si θ ≥ −1.
230 − 100θ ≥ 0 ⇔ θ ≤ 2.3 = θ∗
20 ≥ 0 siempre.
Por lo tanto, la base B0 es óptima para: −1 ≤ θ ≤ 2.3 = θ∗ .
Veamos qué ocurre para valores de θ ≥ 2.3:
En este caso, la segunda variable básica se hace negativa, por lo que la base actual
es no factible y hay que cambiarla.
Aplicamos el método Dual del Simplex:
cB xB x1 x2 x3 x4 x5 x6 R.H.S.
2 x2 -1/4 1 0 1/2 -1/4 0 100+100θ
5 x3 3/2 0 1 0 1/2 0 230-100θ
0 x6 2 0 0 -2 1 1 20+0θ
-4 0 0 -1 -2 0 z-(1350-300θ)

17
sale la variable x3 pero no podemos aplicar el test del cociente para ver qué variable
entra en la base, por lo tanto, para valores de θ ≥ 2.3 el problema NO tiene
solución.
Veamos qué ocurre para valores de θ ≤ −1:
En este caso, la primera variable básica se hace negativa, por lo que la base actual
es no factible y hay que cambiarla (sale x2 y entra x5 ). Aplicamos el método Dual del
Simplex:

cB xB x1 x2 x3 x4 x5 x6 R.H.S.
0 x5 1 -4 0 -2 1 0 -400 -400θ
5 x3 1 2 1 1 0 0 430+100θ
0 x6 1 4 0 0 0 1 420+400θ
-2 -8 0 -5 0 0 z- (2150 +500θ)

−400 − 400θ ≥ 0, siempre que θ ≤ −1.

430
430 + 100θ ≥ 0 ⇔ θ ≥ −
100
420
420 + 400θ ≥ 0 ⇔ θ ≥ −
400
Por lo tanto, la base B1 es óptima para: − 420
400
≤ θ ≤ −1.
420
Veamos qué ocurre para valores de θ < − 400 = −1.05:
En este caso, la tercera variable básica se hace negativa, por lo que la base actual
es no factible y hay que cambiarla.
Sale la variable x6 pero no podemos aplicar el test del cociente para ver qué variable
entra en la base, por lo tanto, para valores de θ ≤ − 420 400
el problema NO tiene
solución.
Luego, la solución del problema paramétrico será:

θ x1 x2 x3 x4 x5 x6 z
θ < −1.05 el problema NO tiene solución
−1.05 ≤ θ < −1 0 0 430+100θ 0 -400-400θ 420+400θ 2150+500θ
−1 ≤ θ ≤ 2.3 0 100+100θ 230-100θ 0 0 20 1350-300θ
θ > 2.3 el problema NO tiene solución

3.4. Cambio continuo en una columna de coeficientes tecno-

lógicos no básica.
El problema a resolver es el siguiente:

Max z = ⃗c · ⃗x
s. a: A⃗x ≤ ⃗b
⃗x ≥ 0

donde la matriz A difiere de la original en que la columna tecnológica no básica Aj

ahora es de la forma: Aj = Aj + θαj , j ∈/ N.
Este caso se diferencia de los anteriores en que, en esta ocasión, una vez calculado
un valor crítico de θ, θ∗ , ya NO SE PUEDE calcular un segundo valor, puesto que la
variable correspondiente, se ha convertido en variable básica.

18
 Hecha esta advertencia proseguiremos con el análisis.
Sea B0 la base óptima del problema para θ = 0.
Un cambio en la columna tecnológica Aj , ocasiona un cambio únicamente en el
costo marginal de la variable xj . El nuevo costo marginal es:
c′j = cj − ⃗cB0 B0−1 (Aj + θαj )
Entonces, mientras los nuevos costos marginales sean no positivos, (estudiamos los
de todas las columnas con cambio paramétrico), la base actual es óptima.
Si existe algún valor del parámetro, para el cual la base deja de ser óptima, este
valor es θ∗ (en caso de que el cambio se produzca en varias columnas no básicas, θ∗
será el mínimo de estos valores).
Entonces, B0 sólo es óptima en el rango θ∗ ≤ θ ≤ θ∗ , y para valores de fuera de ese
rango, no podemos decir nada.
Ejemplo. Queremos resolver el siguiente problema paramétrico:
Max z = 3x1 + 2x2 + 5x3
s. a: (1 + θ)x1 + 2x2 + x3 ≤ 430
(3 − θ)x1 + 2x3 ≤ 460
x1 + 4x2 ≤ 420
x1 , x2 , x3 ≥ 0
Para θ = 0, el problema es:
Max z = 3x1 + 2x2 + 5x3
s. a: x1 + 2x2 + x3 ≤ 430
3x1 + 2x3 ≤ 460
x1 + 4x2 ≤ 420
x1 , x2 , x3 ≥ 0
cuya tabla óptima es:
cB xB x1 x2 x3 x4 x5 x6 R.H.S.
2 x2 -1/4 1 0 1/2 -1/4 0 100
5 x3 3/2 0 1 0 1/2 0 230
0 x6 2 0 0 -2 1 1 20
-4 0 0 -1 -2 0 z- 1350
Para determinar el rango de θ, de modo que para valores de θ dentro de ese rango,
la base B0 sigue siendo óptima, hacemos lo siguiente:
Para cada columna no básica que sufra un cambio paramétrico (en este caso sólo
es la de x1 ), calculamos su nuevo costo marginal:
  
1/2 −1/4 0 1+θ
c′1 = c1 − cB0 B0−1 (A1 + θα1 ) = 3 − (2, 5, 0)  0 1/2 0  − θ =
3
  

−2 1 1 1
 
1+θ
3 − θ  = 3 − (7 − θ) = −4 + θ.
= 3 − (1, 2, 0)  

1
Entonces, c′1 ≤ 0 ⇔ θ ≤ 4 = θ∗ .
Luego, B0 es óptima para θ ≤ 4 = θ∗ , y para θ > 4, no podemos decir nada.

19
4. Precios sombra
En el tema anterior trabajamos con los precios sombra (costos sombra) de los re-
cursos. Los recursos tienen asociada una restricción, y cada restricción tiene asociada
una variable del dual. Llamábamos precio sombra al valor que tomaba la variable dual
en la solución óptima del problema dual.
La interpretación económica del precio sombra viene a ser el rendimiento económico
que sacamos a cada unidad de recurso en la solución óptima. Es la cantidad en la
que valoramos nuestros recursos de cara a venderlos o comprarlos. No obstante, esta
definición es algo vaga y hay que emplearla con cuidado cuando se está tratando de un
recurso individual y no de todos los recursos a bloque.
En este apartado daremos una definición más concreta y las claves para interpretar
más acertadamente este valor.

Definición 1. El precio sombra para la i-ésima restricción (recurso) de un problema

de programación lineal se define como la cantidad que aumenta el valor óptimo de z
por cada unidad que aumenta el lado derecho (término independiente) de la i-ésima
restricción. Esta definición se aplica sólo si en el cambio en el lado derecho de la
restricción i, es óptima la base actual.

Los signos de los precios sombra

En una restricción de ≤, al aumentar el lado derecho, estamos agrandando la
región factible, luego el óptimo mejorará (igual o más grande el máximo e igual
o menor el mínimo). Por eso, las restricciones de ≤ tienen precio sombra positivo
en un problema de máximo, y precio sombra negativo en un problema de mínimo.

En una restricción de ≥, al aumentar el lado derecho, estamos empequeñeciendo

la región factible, luego los óptimos empeorarán. Así, una restricción de de ≥ tiene
costo sombra negativo en un problema de máximo, y positivo en un problema de
mínimo.

En una restricción de igualdad la región factible cambia y el óptimo puede modi-

ficarse en cualquier sentido. Así, el precio sombra de las restricciones de igualdad
puede tener cualquier signo.

Cálculo de los precios sombra

Supongamos que tenemos un problema lineal, cuya base óptima es B. Su solución
óptima será ⃗xB = B −1⃗b y el valor de la función objetivo z0 = ⃗cB ⃗xB = ⃗cB B −1⃗b.
Si en la restricción i-ésima incrementamos en ε ∈ R unidades la parte derecha, y
suponiendo que no se cambia de base, tenemos como nueva solución B −1 (⃗b + εei ) =
⃗xB + εB −1 ei . Por tanto z = ⃗cB ⃗xB + ε⃗cB B −1 ei = z0 + ε⃗cB B −1 ei .
En conclusión, el costo sombra de la restricción i-ésima es ⃗cB B −1 ei , es decir, la
i-ésima componente del vector fila ⃗cB B −1 , o lo que es lo mismo, el producto de ⃗cB con
la i-ésima columna de B −1 . Recordemos que ⃗cB B −1 nos daba la solución del problema
dual, por tanto el costo sombra de la i-ésima restricción es el valor de la i-ésima variable
dual en el óptimo.
Notar que la definición de costo sombra es en realidad la pendiente de la función
z = ⃗cB B −1⃗b en función de la variable bi bajo la suposición de que B no cambia. Es

20
decir:
∂z ∂⃗b
costo sombra de la restricción i == ⃗cB B −1 = ⃗cB B −1 ei .
∂bi ∂bi
Así, hemos visto otro modo (aunque en esencia es lo mismo) de obtener la misma
fórmula.

Rango de validez de los precios sombra

Los precios sombra tienen validez mientras no cambiemos de base.
Si B es la base óptima, ⃗xB ≥ 0 la solución básica óptima. Para la restricción i-ésima,
¿cuánto podemos modificar su término independiente sin que la base actual deje de ser
óptima. Supongamos que aumentamos el recurso i-ésimo en ε ∈ R unidades. La nueva
solución será factible si y sólo si:
B −1 (⃗b + εei ) = ⃗xB + εB −1 ei = ⃗xB + ε(columna i-ésima de B −1 ) ≥ 0.
Por tanto existirán −∞ ≤ ε∗ ≤ 0 ≤ ε∗ ≤ ∞ tales que para todo ε en el intervalo
ε∗ ≤ ε ≤ ε∗ , la nueva solución sigue siendo factible.
A ε∗ se le llama “allowable decrease” y a ε∗ , “allowable increase” y representan la
cantidad que bi se puede disminuir, o respectivamente aumentar, sin que la solución óp-
tima cambie de base (suponiendo que el resto de parámetros del problema se conserven
sin cambios).
Si la solución ⃗xB no es degenerada, el “allowable decrease” y “allowable increase”
son no nulos, y por tanto siempre se podrá aumentar y disminuir un poco el valor de
la parte derecha de la restricción i-ésima (bi ), sin cambiar de base.
Si ⃗xB es degenerada, es posible que el “allowable decrease” o “allowable increase”
sean nulos. En ese caso cualquier mínima disminución (o aumento, respectivamente)
de bi nos llevaría a una base diferente.
Ejemplo. Se tiene la posibilidad de fabricar dos productos, x1 y x2 , que nos reportarán
10 y 9 u.m. respectivamente por cada unidad fabricada. Para fabricar cada unidad de
producto x1 se consume un Kg. de materia prima A, de la que disponemos de 3Kg.
Para fabricar cada unidad de producto x2 se consume un Kg. de materia prima B, de
la que disponemos de 2Kg. Cada unidad de ambos productos necesita ser calentada
una hora en un horno. Se disponen de 4 horas de horno. Se pretende maximizar el
beneficio.
a) Plantea y resuelve el problema.
Max z = 10x1 + 9x2
s. a: x1 ≤3
x2 ≤ 2
x1 + x2 ≤ 4
x1 , x2 ≥ 0,
cuya tabla óptima es:

cB xB x1 x2 h1 h2 h3 R.H.S.
10 x1 1 0 1 0 0 3
0 h2 0 0 1 1 -1 1
9 x2 0 1 -1 0 1 1
0 0 -1 0 -9 z- 39

21
b) Si aumento δ ∈ R (pocas) horas de horno. ¿Cuánto aumenta mi beneficio?
En el modelo que hemos construido, la restricción correspondiente al horno es la
tercera. La columna canónica e3 = (0, 0, 1)T es la correspondiente a h3 en la tabla
inicial del simplex. Por tanto, el costo sombra de la hora de horno será −c′6 + c6 =
−(−9) + 0 = 9 u.m. En conclusión, debido a la definición de costo sombra, si δ es
suficientemente pequeño que no cambia la base óptima, el beneficio aumentará 9δ
u.m., Es decir, será z = 39 + 9δ.

c) ¿Para qué valores de δ es válido el resultado anterior?

Será válido siempre que la base siga siendo óptima. Esto es, siempre que la nueva
solución siga siendo factible. La nueva solución es:
   
3 0
⃗xB + δY6 = 1 + δ −1 ,
   

1 1

que sigue siendo factible si 3 ≥ 0, 1 − δ ≥ 0, 1 + δ ≥ 0. Esto es, −1 ≤ δ ≤ 1.

Ejemplo. Sea el problema similar al anterior:

Max z = 10x1 + 9x2

s. a: x1 + x2 ≤ 2 Kg. de materia prima A
x2 ≤ 1 Kg. de materia prima B
2x1 + x2 ≤ 3 horas de horno
x1 , x2 ≥ 0,

cuya tabla óptima es:

cB xB x1 x2 h1 h2 h3 R.H.S.
0 h1 0 0 1 -1/2 -1/2 0
9 x2 0 1 0 1 0 1
10 x1 1 0 0 -1/2 1/2 1
0 0 0 -4 -5 z- 19

a) Como se puede ver, el costo sombra de la hora de horno es 5 u.m. ¿En qué rango
de δ ∈ R se cumple que el aumento de δ horas de horno aumenta nuestro beneficio
en 5δ u.m.?
   
0 −1/2
Es fácil ver que la nueva solución es: 1 + δ  0 , que sigue siendo factible en
   

1 1/2
el rango −1 ≤ δ ≤ 0.

b) Si tengo la posibilidad de aumentar horas de horno a 0.1u.m. cada hora, ¿debo

aumentar?, ¿cuántas horas?
Como se supone que estoy aumentando un número positivo de horas, no puedo
aplicar el significado del costo sombra. No me queda más remedio que resolver el

22
problema de análisis de sensibilidad

Max z = 10x1 + 9x2 − 0.1δ

s. a: x1 + x2 ≤ 2 Kg. de materia prima A
x2 ≤ 1 Kg. de materia prima B
2x1 + x2 ≤ 3 + δ horas de horno
x1 , x2 , δ ≥ 0,

que se resuelve añadiendo la variable δ, que es el número de horas que aumento.

23