6.

ANLISIS DE SENSIBILIDAD

6.1 ANLISIS DE SENSIBILIDAD GRFICO PARA 2 RESTRICCIONES

Una vez resuelto un modelo de Programacin Lineal resulta til hacer un
anlisis de sensibilidad que permita identificar cmo afecta en los
resultados del problema variaciones en los parmetros de ste, sin que
esto pase por resolver el problema nuevamente.
Min V=8X+6Y
s.a
2X + Y >=10
2X + 2Y >=16
X,Y0
1. Variacin en los Coeficientes de la Funcin Objetivo: La
pregunta que buscamos responder es cul es el intervalo de variacin
para los coeficientes de la funcin objetivo (cada coeficiente se analiza
por separado) que mantiene la actual Solucin ptima (V=52).
Un primer acercamiento es considerar las pendientes de las restricciones
activas en el ptimo, es decir, aquellas restricciones que se cumplen en
igualdad (en nuestro caso restriccin 1 y 2). La restriccin 1 (2X + Y
>=10) tiene pendiente -2. La restriccin 2 (2X + 2Y >=16) tiene
pendiente -1. Por otra parte la pendiente de la funcin objetivo dado
C1=8 y C2=6 es -4/3.
En consecuencia, se mantiene la actual Solucin ptima si la pendiente
de la funcin objetivo (curvas de nivel) varan en el intervalo de las
pendientes de las actuales restricciones activas. Esto es:
-2 <= -C1/C2 <= -1 (Multiplicamos por -1)
2 >= C1/C2 >= 1
Si fijamos C2=6.
2 >= C1/6 >= 1
12 >= C1 >= 6 (Garantiza la actual Solucin ptima con C2 fijo)

Si fijamos C1=8.
2 >= 8/C2 >= 1
8 >= C2 >= 4 (Garantiza la actual Solucin ptima con C1 fijo)
Ntese que en los extremos de los intervalos adems de incluir la actual
Solucin ptima se consideran nuevas combinaciones del dominio que
mantienen el Valor ptimo y tambin son Solucin ptima de D). Esta
situacin determina que el problema tiene infinitas soluciones
ptimas.
2. Variacin en los lados derechos de las restricciones (clculo
del "precio sombra"): Una pregunta comn en el anlisis de
sensibilidad resulta ver el impacto que tiene en el valor ptimo una
variacin marginal del lado derecho de alguna de sus restricciones
(tanto aumento o decrecimiento). El impacto en el valor ptimo por
unidad de variacin del lado derecho de una restriccin (manteniendo el
resto constante) es el precio sombra asociado a dicha restriccin. En
nuestro ejemplo, considere que el lado derecho de la restriccin 1
(actualmente b1=10) corresponde a un recurso escaso (ejemplo: horas
hombre, dinero, tiempo, etc). Si sabemos que el actual valor
ptimo V(P)=52, quisieramos saber por ejemplo, cunto aumentara el
valor ptimo si dispusiramos de una unidad adicional del recurso
escaso (es decir, pasando a b1*=11). En forma equivalente
frecuentemente se plantea esta inquietud como Cunto es lo mximo
que se estara dispuesto a pagar por unidad adicional del recurso
asociado a la primera restriccin?. Este valor corresponde al precio
sombra.
Precio Sombra Restriccin 1: Primero se considera el desplazamiento
paralelo de la Restriccin 1 (tanto en el sentido de crecimiento o
decrecimiento del lado derecho), de modo que la Solucin ptima se
siga encontrando con las actuales restricciones activas (en nuestro caso
R1 y R2). Por ejemplo, desplazando R1 en la direccin de su
decrecimiento, el ltimo punto donde se intersecta R1 con R2 sera en el
par ordenado (X,Y)=(0,8). Se propone al usuario el clculo de la
mxima variacin para R1 que se produce en (X,Y)=(8,0).

En consecuencia, el Precio Sombra asociado a la Restriccin 1 queda

dado por:

Un Precio Sombra igual a 2 indica por ejemplo que si el lado derecho

aumenta en 1 unidad, el beneficio adicional (incremento en el Valor
ptimo) es de 2 unidades. Adicionalmente, una pregunta frecuente
resulta en identificar el intervalo de variacin donde el precio
sombra calculado es vlido. El mximo valor al que puede adoptar el
lado derecho de R1 es b1*, de modo que la nueva solucin se siga
encontrando con R1 y R2 activas. El valor de b1* se obtiene al
evaluar (X,Y)=(8,0) en la Restriccin 1: 2*(8) + 1*(0)=16. Siguiendo
similar razonamiento el mnimo valor que puede alcanzar el lado
derecho de R1 es b1, que evaluado en (X,Y)=(0,8) en R1 se
obtiene: 2*(0) + 1*(8)=8.
Similarmente se hace el clculo del Precio Sombra para la Restriccin 2,
el cual corresponde a 2.
6.2 ANLISIS DE SENSIBILIDAD GRFICO PARA 3 RESTRICCIONES
La metodologa y conceptos presentados para el caso de 2 restricciones
no difiere, sin embargo, hay que tener especial cuidado cmo la
inclusin de una tercera restriccin afecta el anlisis. Veamos el
siguiente ejemplo:

P) MAX 4X + 3Y

S.A. 6X + 2Y <= 120

...... .1X + 4Y <= 100

........5X + 5Y <= 150

..... ..X>= 0, Y>= 0

La resolucin grfica de este ejemplo permite obtener la solucin
ptima X=15, Y=15 con valor ptimo V(P)=105, tal como se observa
en el grfico a continuacin:

Antes de proceder con el anlisis de sensibilidad es conveniente verificar

si las actuales restricciones del problema estn activas en el ptimo, es
decir, si se cumplen en igualdad:

R1: 6*(15) + 2*(15) = 120 => R1 es una restriccin activa

R2: 1*(15) + 4*(15) < 100 => R2 no es una restriccin
activa
R3: 5*(15) + 5*(15) = 150 => R3 es una restriccin activa
En el caso que el lado derecho de la restriccin sea un recurso, resulta
lgico tener una disposicin a pagar por unidad adicional en la medida
que dicho recurso se este ocupando a mxima capacidad. En
consecuencia, una restriccin no activa tiene por definicin un precio
sombra igual a cero (caso de R2) ya que un aumento del lado derecho
no aumentar el valor ptimo actual V(P)=150. Sin embargo, slo en
casos muy particulares podemos encontrar restricciones activas con

precio sombra (o costo reducido) igual a cero, lo que es ms la

excepcin a la regla.
Luego de esta introduccin veamos el clculo del precio sombra o costo
reducido para la restriccin 1 (R1). Primero, debemos desplazar en
forma paralela la restriccin 1 hasta el punto mximo donde la solucin
ptima se siga encontrando con las actuales restricciones activas
R1 y R3. Dicho punto es (X,Y)=(30,0). Posteriormente, desplazamos en
forma paralela la restriccin 1 (R1) hasta el punto mnimo donde la
solucin ptima se siga encontrando con las actuales restricciones
activas R1 y R3. Ntese que este desplazamiento queda acotado hasta
el punto donde la restriccin 2 (R2) se vuelve activa, que corresponde al
punto (X,Y)=(6.666, 23.333) como se muestra en la siguiente grfica:

Por consiguiente, el precio sombra asociado a la restriccin 1 queda

dado por:

Siguiendo un procedimiento similar se pueden obtener los precios

sombras asociadas a las restantes restricciones. A continuacin se
presenta una tabla resumen del anlisis de sensibilidad:

El anlisis de sensibilidad o post optimal para los modelos de

Programacin Lineal, tiene por objetivo identificar el impacto que
resulta en los resultados del problema original luego de
determinadas variaciones en los parmetros, variables o
restricciones del modelo, sin que esto pase por resolver el
problema nuevamente.
Es decir, ya sea si resolvemos nuestro modelo grficamente o utilizando
el Mtodo Simplex, lo que se busca es que estas variaciones o
sensibilidad hagan uso de la solucin y valor ptimo actual, sin tener la
necesidad de resolver para cada variacin un nuevo problema. En
especial nos concentraremos en el anlisis de sensibilidad o post optimal
que hace uso de la tabla final del Mtodo Simplex.
TEOREMA DE DUALIDAD
Xo es una solucin factible del Primal, Xo es ptima sss existe Yo
una solucin factible del dual D tal que cXo = bYo
EJ.- max Z = 2 x1 + 5 x2
Sujeto a
2 x1 + 3 x2 30
X2 6
X1, x2 0
El ptimo es (6,6); Z=42
Entonces el valor mnimo del dual es W=42

 Si el recurso 1 se aumenta de 30 a 31, entonces la nueva solucin

ptima es x1=6.5, x2=6, de tal modo que Z=43
Yo1=z/b1=(43-42)/(31-30) = 1
Si el recurso 2 se aumenta de 6 a 7 (dejando b1 en 30), la nueva
solucin del primal es x1=4.5, x2=7, Z= 44, entonces
Yo2 = z/b2= (44 -42)/(7-6) = 2
El ptimo del dual es Yo = (1,2), W = 42

6.3 ANLISIS TERICO

Siguiendo la notacin utilizada en la seccin dedicada al Mtodo
Simplex, ste opera para modelos de Programacin Lineal en un
formato estndar.
Min
s.a

Ax

x >= 0
Donde la tabla final del Mtodo mantiene la siguiente estructura:

Donde:

I: Matriz Identidad

0: Costos reducidos asociados a las variables bsicas

B: Matriz de variables bsicas

D: Matriz de variables no bsicas

b: Lado derecho

cx
b

Cb: Coeficientes en la funcin objetivo asociados a las variables

bsicas

Cd: Coeficientes en la funcin objetivo asociados a las variables no

bsicas
1. Cambio en el "lado derecho" de las restricciones: Lo que se
busca identificar si las actuales variables bsicas se mantienen luego de
la modificacin de uno o ms parmetros asociados al "lado derecho"
del modelo. Si calculamos:
y se cumple
, Las mismas variables bsicas lo son
tambin de la nueva solucin ptima, calculada con el nuevo . Si lo
anterior no se cumple, se puede aplicar el Mtodo Simplex Dual.
EJEMPLO: Sin resolver nuevamente el problema, se desea saber si las
actuales variables bsicas ptimas del problema tambin lo son del
mismo problema, donde los lados derechos corresponde al
vector b=(20,30). (Observacin: X4 y X5 son variables de holgura de la
restriccin 1 y 2 respectivamente)
Max
sa:

2x1
x1
x1
x1,x2,x3 >= 0

+
+

3x2
+

7x2
+
4x2

4x3
-

<=
x3

X1

X2

X3

X4

X5

-1

-1

20

-1

10

20

3x3
30
<= 10

Para analizar este escenario debemos calcular el vector de variables

bsicas y verificar si todos sus componentes son positivos definidos.
Ntese que para esto necesitamos la matriz B inversa, la cual fcilmente
podemos rescatar identificando los parametros asociados a X4 y X5
(variables de holgura de la restriccin 1 y 2 respectivamente) en la tabla
final del Mtodo Simplex:

Luego, dado que al menos uno de los coeficientes del nuevo lado
derecho tiene un valor negativo, cambia la actual base ptima. Cabe
destacar que ante esta situacin no es necesario resolver el nuevo

escenario partiendo de cero, sino lo que se debe hacer es utilizar la tabla

final del simplex del escenario base, actualizando el lado derecho y valor
de la funcin objetivo.
X1

X2

X3

X4

X5

-1

-1

-10

-1

30

60

Posteriormente, se continua iterando haciendo uso del Mtodo Simplex

Dual. (Ver referencia a la derecha).
2. Inclusin de una nueva variable: Debemos evaluar si la nueva
variable es un aporte significativo a los resultados del modelo original.
Luego, para decir si la actual solucin bsica es ptima para el nuevo
problema, calculamos el costo reducido de la nueva variable como:
donde k es el ndice de la nueva variable y Ak su
respectiva columna en la matriz de coeficientes. Si se cumple
que rk>=0 se conserva la actual solucin ptima. En caso contrario, se
puede seguir con el Simplex agregando a la tabla una nueva columna
con entradas B-1Ak y rk y tomando como variable entrante a la nueva
base la que acabamos de introducir al problema.
EJEMPLO: Se desea estudiar la posibilidad de elaborar un nuevo
producto con beneficio neto igual a 8 y que requiere 4, 2 y 5unidades
de los recursos asociados a cada restriccin. Sin resolver nuevamente el
problema, Conviene elaborar el producto?
Max
sa:

9x1
4x1
2x1
4x1
x1,x2 >= 0

+
+
+
+

3x2
3x2
2x2

<=
<=
<=

X1

X2

X3

X4

X5

1/2

-1/2

15

-1/3

2/3

40

-4/3

2/3

20

1/2

7/2

615

Se debe evaluar rk y determinar si este es >=0.

12x2
180
150
160

En este ejemplo rk=1>=0, por lo cual no conviene la incorporacin de

esta nueva variable al modelo, es decir, aun cundo sea incorporada no
obtendremos un valor ptimo que supere el actual V(P)=615. De todas
formas mostraremos como se incluye en la tabla final del Simplex esta
modificacin de modo que el lector pueda entender su incorporacin
cuando es necesario:
X1 X2

X3

X4

X5

XNew

-1/2

15

-1/3

2/3

40

-4/3

2/3

20

7/2

615

Si el costo reducido de esta nueva variable hubiese sido cero, entonces

el nuevo escenario tendra infinitas soluciones.
3. Cambio en los Coeficientes Funcin Objetivo: Se busca
identificar qu ocurre con la actual solucin ptima del escenario base si
se cambian uno o varios de los coeficientes que definen la funcin
objetivo. La solucin ptima actual tambin lo ser para el nuevo
escenario siempre que los nuevos costos reducidos sean mayores o
iguales a cero (notar que tambin cambia el valor de la funcin objetivo
en la actual solucin ptima). Es decir se debe cumplir que:

En caso contrario, se aplica el Simplex a partir de la tabla final del

modelo original, con los nuevos costos reducidos y nuevo valor de la
actual solucin bsica.

EJEMPLO: Sin resolver nuevamente el problema, se desea saber que

sucede si se modifica los parmetros de la funcin objetivo, quedando
stos de la siguiente forma: Z = x1 + 5x2 - 2x3. (X4 y X5 son las
variables de holgura de la restriccin 1 y 2 respectivamente).
Max
sa:

2x1
x1
x1
x1,x2,x3 >= 0

+
+
+

3x2
4x2

7x2
+
-

4x3
x3

X1

X2

X3

X4

X5

-1

-1

20

-1

10

20

<=
<=

3x3
30
10

Debido a que los cambios en los parmetros de la funcin objetivo se

producen en ms de una variable consideraremos la siguiente frmula:

Debido a que al menos uno de los costos reducidos de las variables no

bsicas se ha vuelto negativo, entonces cambia la actual solucin y
valor ptimo del problema. Para incorporar esta modificacin en la tabla
final del Mtodo Simplex se actualiza los costos reducidos asociados a
las variables no bsicas, adems del valor ptimo, quedando como
sigue:
X1

X2

X3

X4

X5

-1

-1

20

-1

10

-1

10

4. Inclusin de una nueva restriccin: Para saber si la actual

solucin y valor ptimo se mantendr luego de incorporar una nueva
restriccin al problema se debe evaluar la solucin actual y verificar si
satisface la nueva restriccin. En caso afirmativo, la actual solucin
tambin lo ser del problema con la nueva restriccin, en caso contrario
se incorpora la nueva restriccin a la tabla final del Simplex del
escenario base.
EJEMPLO: Sin resolver nuevamente el problema, se desea saber que
sucede si se considera una nueva restriccin de la forma:3x1 + 2x2 +
3x3 <= 25. (Observacin: Considerar mismo modelo y tabla final del
ejemplo anterior)
Se evalua la solucin actual en la restriccin: 3*(10) + 2*(0) + 3*(0)
<= 25. No cumple. Por tanto se incorpora esta nueva restriccin como
fila a la tabla final del Simplex. Adicionalmente, se agrega X6 como
variable de holgura asociada a esta nueva restriccin:
X1

X2

X3

X4

X5

X6

-1

-1

20

-1

10

25

20

Una alternativa para encontrar el ptimo a travs de esta tabla es

formar la identidad (debemos hacer cero el parmetro asociado a X1 en
la tercera fila) multiplicando la fila 2 por -3 y sumando dicho resultado a
la fila 3. De esta forma se obtiene:
X1

X2

X3

X4

X5

X6

-1

-1

20

-1

10

-10

-3

-5

20

Finalmente obtenemos X4, X1 y X6 como variables bsicas. Producto de

la transformacin un lado derecho queda negativo y en este caso
podemos continuar adelante utilizando el Mtodo Simplex Dual.