Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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:
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 < ∞
⃗cB B −1 Ā B −1 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
(NP) Max z = ⃗c · ⃗x
s. a. A⃗x ≤ ⃗b + ∆b
⃗x ≥ 0
⃗xB = B −1 (b + ∆b)
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.
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
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
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:
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:
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
7
Ejemplo. Consideremos el PO anterior
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
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
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
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
9
El nuevo problema es:
Max z = 5x1 + 3x2
s. a: 3x1 + 5x2 ≤ 15
5x1 + 2x2 ≤ 10
4x1 + 3x2 ≤ 10
xi ≥ 0
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.
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).
11
a)Si queremos que x2 entre en la base, el precio de x2 debe aumentarse, de 3 u.m. a:
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:
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:
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∗∗ .
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)
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
Max z = ⃗c · ⃗x
s. a: A⃗x ≤ ⃗b + θβ⃗
⃗x ≥ 0
Max z = ⃗c · ⃗x
s. a: A⃗x ≤ ⃗b
⃗x ≥ 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)
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
Max z = ⃗c · ⃗x
s. a: A⃗x ≤ ⃗b
⃗x ≥ 0
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.
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.
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.
1 1
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.
22
problema de análisis de sensibilidad
23