ING.

MARIA EMILIA RECINOS

 Anlisis de Sensibilidad

En todos los modelos de programacin lineal los coeficientes de la funcin

objetivo y las restricciones se dan como datos de entrada o como parmetros
fijos del modelo. En los problemas reales los valores de estos coeficientes no
estn, en general, perfectamente fijados, debido a que la mayoria de ellos
dependen de parmetros no controlables, por ejemplo, futuras demandas,
coste de materias primas, costo de energa, etc. y no pueden ser predichas con
exactitud antes de que el problema sea resuelto. Tambin puede suceder que
aunque conozcamos los parmetros exactamente estemos interesados en
estudiar como varia la solucin optima si cambiamos algn parmetro
intencionadamente, a efectos de tratamiento, ambas situaciones se resuelven
de forma anloga. Cada variacin en los valores de los datos del problema
generara un nuevo problema de programacion lineal. El anlisis de sensibilidad
nos proporcionaran herramientas para el calculo de las soluciones optimas de
los problemas obtenidos por la modificacin de los parmetros originales del
problema.
 Anlisis de Sensibilidad

Los tipos de cambios de Anlisis de Sensibilidad son:

 Anlisis de Sensibilidad

1. Los coeficientes de la funcin objetivo o coeficientes objetivo.

2. Los coeficientes tecnolgicos: aquellos coeficientes que afectan a las variables de
las restricciones, situados a la izquierda de la desigualdad. Se llaman as porque
habitualmente describen capacidades tecnolgicas en problemas de optimizacin
lineal de costes de produccin.
3. Los recursos disponibles o Right-Hand-Side: los trminos independientes de cada
restriccin, situados a la derecha de la desigualdad.
 Anlisis de Sensibilidad

Dado un problema de programacin lineal tal que:

Cuya tabla simplex final es:

V.BAS. X1 X2 X3 S1 S2 SOL.
Z -1/2 0 0 -1/2 -3/2 -20
X2 1/2 1 0 1/2 0 5
X3 1 0 1 -1 1 0
1)Aplicando anlisis de sensibilidad para los coeficientes de la funcin objetivo:
Las variables estructurales son aquellas con las que se planteo originalmente el
problema de programacin lineal, como lo seria: X1, X2 y X3; pero, dentro de las
variables estructurales podemos distinguir variables bsicas (X1 y X3) (aparecen
en la primera columna de la tabla simplex final (antes descrita) y definen la
solucin ptima) y variables no bsicas ; entonces se concluye que el anlisis de
sensibilidad para los coeficientes de la funcin objetivo depende de si las
variables son bsicas o no
1.1 Anlisis de sensibilidad para los coeficientes de variables no bsicas

Este es el anlisis ms sencillo debido a que si la variable es no bsica, entonces

tiene un coeficiente distinto de cero en la ltima fila de la tabla simplex final
(antes descrita), este coeficiente es el mximo valor que el coeficiente de la
funcin objetivo de dicha variable puede aumentar manteniendo la solucin
ptima
 Procedimiento para el Anlisis de sensibilidad de los
coeficientes de variables no bsicas
En la base optima del problema la nica variable de
decisin no basal es x llamaremos cj al coeficiente en la
funcin objetivo de la variable j. Como x1 no est en la
base, ser interesante determinar el valor de c1
necesario para que la variable x1 se incorporada a la
base optima.
Debido a que la modificacin es en una variable no
basal, solo se ve alterado el precio sombra de la
variable no basal modificada, es decir, c1z1. Para que
la base no se altere, el precio sombra de x1 debe seguir
siendo no negativo (caso maximizacin):
C1-z1 = -1/2 + <=0 <= 1/2
d) El valor del coeficiente de la variable X1 en el problema es: 3 por tanto

Se sustituye

Por lo tanto queda:

e) Entonces el intervalo es el siguiente

 Anlisis de sensibilidad para los
coeficientes de variables bsicas
El estudio de variaciones en coeficientes en la funcin
objetivo de variables bsicas sigue la misma lgica de la
variacin de coeficientes en la funcin objetivo de variables
no bsicas. La idea es determinar como varan los cj-zj de
todas variables y obtener a partir de dichas modificaciones un
rango en el cual la base se ve inalterada. Evidentemente, una
modificacin de este tipo no afectada la regin factible y solo
puede cambiar la optimalidad de la solucin actual si la
variacin es lo suficientemente importante.
Para ilustrar el anlisis consideremos una variacin sobre el
coeficiente c2, es decir, modifiquemos el valor del coeficiente
en la funcin objetivo de la variable x2. La incorporacin del
parmetro .
Anlisis para la variable bsica X2:

V.BAS. X1 X2 X3 S1 S2 SOL.
a)
Z -1/2 0 0 -1/2 -3/2 -20
X2 1/2 1 0 1/2 0 5
X3 1 0 1 -1 1 0

b) Para optimizar la tabla de nuevo se efectuar la siguiente operacin:

V.BAS. X1 X2 X3 S1 S2 SOL.
Z -1/2 0 0 -1/2 -3/2 -20
X2 1/2 1 0 1/2 0 5
X3 1 0 1 -1 1 0
Cj-Zj -1/2-1/2 0 0 -1/2-1/2 -3/2+0
Como la tabla final siempre es una forma cannica de las variables
bsicas, la modificacin solo afecta los Cj-Zj de variables no bsicas.
En otras palabras, para determinar el rango de variacin que
mantiene la base debemos imponer ( caso de maximizacin):
(ck-zk)-aik x <=0
Donde el ndice k se refiere a la variable no bsica k y aik es el
coeficiente en la restriccin i de la variable no bsica k.
-1/2-1/2<=0 -1/2-1/2<=0 -3/2+0<=0
>=-1 >=-1 0
 Ejercicio de clase
Max Z= 3X1 + 2X2+ 5X3
s.a
X1+2X2+X3 <=430
3X1 +2X3<=460
X1 +4X2 <=420
X1, X2, X3>=0
Encuentre los intervalos de costos de x2 y x3?
 SOLUCION
-<= X1<= 7
0 <= X2<=10
5/7<=X3<=+
2) Anlisis de Sensibilidad para trminos independientes de las restricciones:

Las restricciones de un problema de programacin lineal representan las

limitantes de recursos que tiene una empresa. La primera pregunta que se puede
hacer antes de averiguar cuntos recursos ms puedo contratar para seguir con
mi ptimo? (anlisis de sensibilidad de los trminos independientes) es cunto es
lo ms que estoy dispuesto a pagar por una unidad de recurso extra?

La respuesta a esta pregunta es el Precio Sombra, este es el mximo incremento

en el precio normal de un recurso que estamos dispuestos a pagar sin que
nuestras ganancias disminuyan. Este es un dato que se puede leer directamente
de la tabla simplex final en la ltima fila de la columna de la variable de holgura
asociada a la restriccin o recurso que se quiere investigar.
Ejemplo:

Recordando problema PL

El precio sombra para la restriccin uno se lee en la ltima fila de la columna de la variable
de holgura de dicha restriccin (S1) y su valor es: , lo cual significa que si actualmente
pago $3 por cada unidad del recurso de la restriccin uno, el mayor precio que estoy
dispuesto a pagar (sin que mis ganancias disminuyan) es $3 + =$3.5 por unidad de
recurso.
De igual manera, el precio sombra para la restriccin dos se lee en la ltima fila de
la columna de la variable de holgura de dicha restriccin (S2) y su valor es: 3/2 lo
cual significa que si actualmente pago $3 por cada unidad del recurso de la
restriccin dos, el mayor precio que esta dispuesto a pagar (sin que mis ganancias
disminuyan) es $3 + 3/2 =$4.5 por unidad de recurso.

Ahora que ya sabemos cunto pagar? Concentrmonos en decidir cunto

comprar?

Cambio del Coeficiente del Lado Derecho de una Restriccin

La variacin del coeficiente del lado derecho de una restriccin modifica la

regin factible del problema, por lo tanto puede afectar la optimalidad de la
solucin optima y la condicin de las restricciones (activas o no activas).
El efecto de la variacin del coeficiente b asociado a la restriccin deber ser
analizado considerando la condicin de la restriccin afectada. Desde este
punto de vista existen dos posibilidades:

Caso 1 La variacin afecta a una restriccin no activa, es decir, una restriccin

de tipo <= con su variable de holgura en la base, o bien una restriccin de tipo
>= con su variable de exceso en la base.

Caso 2 La variacin afecta una restriccin activa, es decir, una restriccin de

tipo >=con su variable de holgura igual a cero, o bien una restriccin de
tipo>= con su variables de exceso igual a cero.
Max z = 60x1 + 30x2 + 20x3
S.a
8x1 + 6x2 + x3 + s1 = 48 (a)
4x1 + 2x2 + 1.5x3 + s2 = 20 (b)
2x1 + 1.5x2 + 0.5x3 + s3 = 8 (c)
X1,x2,x3>=0
TABLA OPTIMA
X1 X2 X3 S1 S2 S3 SOL.
cj - zj 0 -5 0 0 -10 -10 -280
S1 0 -2 0 1 2 -8 24
X3 0 -2 1 0 2 -4 8
X1 1 1.25 0 0 -0.5 1.5 2
Caso 1

En este caso, las restricciones tienen un costo de oportunidad nulo, es decir,

no existe un costo asociado al hecho de no contar con una unidad adicional
para esa restriccin (caso <=). Como existe una variable de holgura o de
exceso con valor no nulo (en la base), se puede disminuir (caso <=)o
aumentar (caso >0) el coeficiente b hasta llevar la restriccin a su limite sin
alterar la solucin optima.

Para ilustrar la situacin, en el problema en estudio podemos disminuir el

coeficiente b1 hasta en 24 sin modificar la solucin optima, ya que se estn
quitando recursos que no se estn empleando. Si disminuimos b1 en
exactamente 24 la tabla se degenera, con las consecuencias estudiadas
previamente. Una disminucin mayor a 24 cambiaria el optimo. En dicha
situacin, debemos buscar una nueva tabla en el que podamos hacer la
modificacin sin degenerarlo (en el peor de los casos el inicial) y volver a
iterar hasta encontrar el nuevo optimo.
Caso 2
En este caso es necesario estudiar dos aspectos: la variacin del valor de la
funcin objetivo y el rango en el que puede variar b para mantener la condicin
de no negatividad de las variables.

Cuando la variable de holgura o de exceso asociada a la restriccin no sta en la

base, el costo de oportunidad sera no nulo (negativo en el caso de maximizacin).
Si se trata de una restriccin de tipo , el valor de cj -zj representa lo que se deja
de ganar por no disponer una unidad adicional a la derecha de esa restriccin. Por
ejemplo, de acuerdo a la tabla final para la segunda restriccin se tiene: c2-z2 =
10, es decir el aumento en 1 unidad de b2 generara un aumento en la funcin
objetivo en 10, similarmente una disminucin en 1 unidad provocara una
disminucin de la funcin objetivo en 10. Las conclusiones anteriores son validas
siempre y cuando la variacin respecte el rango de factibilidad.

Como rango de factibilidad entenderemos el intervalo de variacin del coeficiente

del lado derecho b asociado a la restriccin activa de forma de mantener una
cierta combinacin de variables en la base (el valor de la funcin objetivo puede
cambiar).
Para calcular el intervalo de factibilidad si el sentido de la
restriccin es <=, se utiliza la siguiente formula:

Sol. Nueva = Sol. +b Columna de la

Actual variable de holgura

24 2 24 + 2b2
Sol. Nueva
= 8
+b2 2 8 + 2b2
2 -0.5 2- 0.5b2

Para que la solucin nueva sea factible, cada

componente debe ser positiva:
 24 + 2b2 >= 0 b2 >= - 12
8 + 2b2 >= 0 b2 >= -4
2 - 0.5b2 >= 0 b2 <= 4
Es decir, el rango de factibilidad queda:
-4 <= b2 <= 4
Calcular el intervalo de factibilidad b3?
Por ejemplo, si la variacin fuera b2 = 2,
sabemos que el nuevo valor de la funcin
objetivo seria:
Z nueva = z actual + b2 (cj -zj) de s2 = 280 +
2 *10 = 300
Podemos obtener el mismo resultado
calculando explcitamente el valor de la nueva
solucin optima:
24 2 28
Sol.
Nueva
= 8 +2 2 = 12
2 -0.5 1
y luego evaluando en la funcin objetivo:
z = 60 * 1 + 30 *0 + 20 *12 = 300
Restriccin >=:

Columna de la variable
Sol. Nueva = Sol. Actual -b de exceso

Restriccin =:
Columna de la
Sol. Nueva
= Sol. Actual
+b variable artificial
3) Anlisis de Sensibilidad para los coeficientes tecnolgicos de variables no bsicas

Dado el problema de programacin lineal

Max z = 60x1 + 30x2 + 20x3

S.a
8x1 + 6x2 + x3 + s1 = 48 (a)
4x1 + 2x2 + 1.5x3 + s2 = 20 (b)
2x1 + 1.5x2 + 0.5x3 + s3 = 8 (c)
X1,x2,x3>=0
Lo cual tiene como solucin optima:
Aplicando Anlisis de Sensibilidad para los coeficientes tecnolgicos de variables no
bsicas

Cambiando la segunda columna (tabla simplex inicial) de la matriz de coecientes

tecnolgicos, y sta pasa a ser (5, 2, 2), con c2 = 43, la tabla inicial quedara:
VAR.BASIC X1 X2 X3 S1 S2 S3 SOL.
A
Z 60 43 20 0 0 0 0
S1 8 5 1 1 0 0 48
S2 4 2 1.5 0 1 0 20
S3 2 2 0.5 0 0 1 8

Esto slo originara un cambio en la columna 2 de la tabla nal, que quedara como
Sigue:

Tabla final
y en el coste reducido de esta columna sera:

C2-Z2 = 43 - (0, 20, 60) * = 43 40 =3

Por lo tanto la tabla simplex nos queda:

VAR.BASICA X1 X2 X3 S1 S2 S3 SOL.

Z 0 3 0 0 -10 -10 280

S1 0 -7 0 1 2 -8 24
S2 0 -4 1 0 2 -4 8
S3 1 2 0 0 -0.5 1.5 2
En este caso cambia la base ptima, ya que hay un coste
reducido negativo. Se continua aplicando el mtodo del Simplex,
hasta obtener todos los costes reducidos no negativos.
Si aplicamos el algoritmo del Simplex a la ltima tabla,
obtenemos la solucin ptima del problema modicado, con los
cambios en la columna de la segunda variable. Dicha solucin
ptima es:
X1=0, X2=0, X3= 16 con un valor en Z= 320
4) Adicin de una nueva variable de decisin. Mtodo Simplex

Se Considera el siguiente problema de programacion lineal en el que se planifica la

produccin de tres tipos de cerveza en cantidades x1, x2 y x3 a partir de 30 unidades de
malta y 45 de levadura, el beneficio de venta de cada unidad de cerveza elaborada as
como sus requerimientos de malta y levadura se muestran en la tabla siguiente:

El planteamiento del problema queda:

 y su tabla optima, con un valor de la funcin objetivo de 160, es:

VAR.BASICA X1 X2 X3 S1 S2 SOL.
Z 0 0 -13/3 -1/3 -10/3 -160
X1 1 0 2/3 2/3 -1/3 5
X2 0 1 2/3 -1/3 2/3 20

donde S1 y S2, variables de holgura, formaron la primera base

Ahora supongamos que se quiere considerar la elaboracin de un cuarto tipo de

cerveza, una cerveza sin alcohol, que requiere una unidad de malta y una unidad de
levadura por unidad de cerveza, y cuyo beneficio de venta es de 5 unidades
monetarias. Por lo cual se plantea la pregunta valdr la pena su elaboracin? en que
cantidad?
Si se llama X4 a las unidades de este nuevo tipo de cerveza, su columna es A4=

y su beneficio c4 = 5. Calculamos la columna actualizada y el costo marginal:

Y4= =

C4-Z4= 5- 1/3 10/3 *

C4-Z4= 5 11/3 = 4/3

Como el precio sombra es positivo conviene producir la nueva cerveza.
Por tanto la tabla original, ahora nos queda de la siguiente manera:
VAR.BASICA X1 X2 X3 X4 S1 S2 SOL.

Z 0 0 -13/3 4/3 -1/3 -10/3 -160

X1 1 0 2/3 1/3 2/3 -1/3 5
X2 0 1 2/3 1/3 -1/3 2/3 20
no es optima, entra la variable correspondiente al nuevo tipo de cerveza x4 y sale x1,
obtenindose.

VAR.BASICA X1 X2 X3 X4 S1 S2 SOL.

Z -4 0 -7 0 -3 -2 -180
X4 3 0 2 1 2 -1 15
X2 0 1 0 0 -1 1 15

con un valor de la funcin objetivo de 180 unidades, se elaboran 15 unidades de la

nueva cerveza tipo 4 y 15 de la cerveza de tipo 2.
 Adicin de una nueva restriccin
Una vez resuelto un modelo de Programacin Lineal puede
resultar de inters si la actual solucin ptima y valor ptimo se
conservaran si se decide incorporar una nueva restriccin al
problema. Esta restriccin generalmente representa una
condicin que en primera instancia se omite de forma voluntaria
para dar una mayor flexibilidad a la resolucin del modelo
original o alternativamente su no inclusin en el modelo original
puede tambin deberse a una simple omisin (involuntaria).
Consideremos el siguiente modelo de Programacin Lineal
La tabla final ptima que considera las variables
s1, s2 y s3 como las respectivas holguras de las
restricciones del problema es:

VAR.BA X Y S1 S2 S3 S4 SOL.
S
Z 0 0 -3/2 0 -2 0 -3100

X 1 0 1/2 0 -2 0 100

S2 0 0 -3 1 10 0 400

Y 0 1 0 0 1 0 350

S4 3 1 0 0 0 1 600
Por ejemplo consideremos que se desea incorporar una
nueva restriccin definida por la siguiente expresin:
3X+Y<=600.
Cambia la actual solucin ptima y valor ptimo?. Para
responder a lo anterior se recomienda evaluar la actual
solucin ptima en la nueva restriccin; si sta se cumple
entonces el modelo conserva su solucin ptima y valor
ptimo; en caso contrario la solucin ptima actual ser
infactible y se debe incorporar esta situacin en el
modelo original para encontrar la nueva solucin del
mismo. Notar que tambin puede suceder que al agregar
una nueva restriccin que no satisface la solucin actual
el problema podra resultar ser infactible al tener un
dominio de soluciones factibles vaco.
En nuestro ejemplo al evaluar obtenemos:
3(100)+(350)<=600, es decir la solucin ptima
actual es infactible al incorporar esta nueva
restriccin. Para incorporar esta modificacin en
la tabla final del Mtodo Simplex agregamos una
nueva fila y una nueva columna asociada a una
variable S4>=0 que ser la holgura de la nueva
restriccin. La tabla queda de la siguiente forma:
3X+Y+ S4<=600.
Las variables bsicas del problema original son X, S2 e Y, respectivamente.
Al incorporar la nueva restriccin (fila) tanto X como Y pierden la
estructura de la identidad caracterstica de las variables bsicas. Por ello
para formar la base podemos realizar operaciones fila multiplicando por -
3 la fila 1 y sumando sta a la fila 4. Posteriormente multiplicar por -1 la
fila 3 y sumar a la fila 4:
Ahora las variables bsicas son X, S2, Y, y S4
(enumeradas en el orden en el cual aparecen en
la identidad), sin embargo, la variable s4 toma
un valor de -50 lo cual no corresponde a una
solucin bsica factible. Cmo continuar con
las iteraciones?. Utilizando el Mtodo Simplex
Dual se recomienda corroborar que la nueva
solucin ptima corresponde a x=250/3 e
y=350.
 Metdo Simplex Dual
Este mtodo se aplica a problemas ptimos pero
infactibles. En este caso, las restricciones se expresan en
forma cannica (restricciones ). La funcin objetivo puede
estar en la forma de maximizacin o de minimizacin.
Despus de agregar las variables de holgura y de poner el
problema en la tabla, si algn elemento de la parte
derecha es negativo y si la condicin de optimidad est
satisfecha, el problema puede resolverse por el mtodo
dual simplex. Note que un elemento negativo en el lado
derecho significa que el problema comienza ptimo pero
infactible como se requiere en el mtodo dual simplex. En
la iteracin donde la solucin bsica llega a ser factible
esta ser la solucin ptima del problema.
El mtodo dual-simplex se aplica para resolver
problemas que empiezan con factibilidad dual, es
decir, ptimos pero infactibles.

Un problema se puede resolver por el mtodo dual-

simplex, cuando, despus de igualar acero la
funcin objetivo y convertir las restricciones en
ecuaciones, agregando las variables de holgura
necesarias, al menos uno, cualquiera de los
elementos del vector b (vector de disponibilidades)
es negativo y la condicin de optimalidad se
satisface.
Ahora X4 y X5 son variables bsicas y adoptan los valores de -1 y -3/2,
respectivamente, lo que claramente no satisface las condiciones de no
negatividad para las variables de decisin, es decir, no corresponde a una
solucin bsica factible. Sin embargo, en esta instancia podemos aplicar el
Mtodo Simplex Dual como alternativa de resolucin. Para ello seleccionaremos
una variable que deje la base y adoptaremos como criterio de seleccin aquella
variable bsica asociada al lado derecho ms negativo (con esto se busca
favorecer la rapidez de convergencia). En el ejemplo dicha variable es X5. Luego
para determinar que variable entra a la base realizamos un mnimo cociente
entre el negativo del costo reducido de las variables no bsicas y las entradas
estrictamente menores a cero para las variables no bsicas en la fila 2 (fila
asociada al lado derecho ms negativo). Es decir: Min{-160/-2; -120/-2; -280/-
2}=60 ==> el cociente mnimo se alcanza en la segunda columna asociada a la
variable no bsica X2, por tanto dicha variable entra a la base.
 5) Adicin de una nueva restriccin. Mtodo Simplex

Cuando se considera la incorporacin de una nueva restriccin el primer paso es

comprobar si la solucin optima del problema original la verifica, en este caso la
solucin tambin ser optima para el problema modificado. Nos situamos ahora en que
la solucin optima del problema original no verifica la nueva restriccin, veamos el
proceso a seguir.

Ahora se considera que existen problemas para el abastecimiento de un tercer

ingrediente, el lpulo. Se pueden conseguir 30 unidades de lpulo y se necesitan 3, 1 y
1 unidades de lpulo para la cerveza de tipo 1, 2 y 3, respectivamente. Se trata pues de
incluir la restriccin.

Restriccin que no es verificada por la solucin optima del problema original ya que
requerir 35 unidades.
El planteamiento del problema queda:
Max. Z = 4x1 + 7x2 + 3x3
s. a:
2x1 + x2 + 2x3 <= 30
x1 + 2x2 + 2x3 <= 45
x1; x2; x3 0
En primer lugar nos fijamos en las variables que aparecen en la restriccin y
son bsicas en la tabla optima del problema original. Despus despejamos de
la tabla optima dichas variables y las sustituimos en la restriccin. Sobre
nuestro ejemplo, en la restriccin aparecen x1 y x2, las despejamos de la
tabla.
En primer lugar nos fijamos en las variables que aparecen en la restriccin y son bsicas
en la tabla optima del problema original. Despus despejamos de la tabla optima dichas
variables y las sustituimos en la restriccin. Sobre nuestro ejemplo, en la restriccin
aparecen x1 y x2, las despejamos de la tabla

tabla optima del problema original

Sustituimos en la nueva restriccin

 y operando obtenemos

La restriccin anterior ya esta actualizada, basta con incluir una variable de holgura y
la restriccin esta lista.

Si la restriccin se deja en la forma con lo que la holgura entra sumando podremos

aplicar a la tabla resultante el simplex dual. Si cambiamos el sentido de la restriccin
para que el coeficiente sea positivo entonces la holgura entrara con coeficiente -1 y
posteriormente necesitaramos una variable artificial para la construccin de la tabla.
Tal y como hemos dejado la restriccin se incluye directamente en la tabla, tomando
como variable bsica la variable de holgura x6, obsrvese que los costos marginales no
han cambiado como consecuencia de haber entrado en la base una variable de holgura.
A partir de aqu se aplica el simplex dual, sale x6 entra x4 obtenindose
que ya contiene una solucin optima del problema con la nueva restriccin.
La otra posibilidad es dejar la restriccin con termino independiente positivo

Con lo que al construir la tabla