2.

5 ANÁLISIS DE SENSIBILIDAD

El análisis de sensibilidad se relaciona con la cuantificación de los efectos en la solución óptima

de cambios en los parámetros del modelo matemático.

Cuando escribimos un modelo, damos por aceptado que los valores de los parámetros se
conocen con incertidumbre; pero en realidad no siempre se cumple que los valores sean
verídicos, ya que por ejemplo las variaciones en los costos de los materiales, en la mano de
obra o en el precio de un producto, ocasionan cambios en los coeficientes de la función
objetivo. Así mismo las demoras en los envíos de los proveedores, las huelgas, los deterioros
no previstos y otros factores imponderables generan cambios en la disponibilidad de los
recursos.

Los cambios en el modelo matemático, que pueden cuantificarse a veces sin necesidad de
volver a resolver el modelo, se relacionan con:

 Cambios en los coeficientes de las variables de decisión en la función objetivo

(ganancias por unidad de variable de decisión), o
 Cambios en los lados derechos de las restricciones que definen el modelo (cambio en
los recursos).
 Cambios en los coeficientes tecnológicos: los efectos de cambios en los coeficientes
dentro de la matriz A son muy difíciles de cuantificar, y por tanto en estos casos se
aconseja correr de nuevo el modelo con los cambios.

A grandes rasgos, un análisis de sensibilidad es aquel en el que se evalúa cómo el cambio en

una variable genera un impacto sobre un punto específico de interés, siendo muy útil en
la evaluación de alternativas para la toma de decisiones en una organización.
2.5.1.- CAMBIOS EN LOS COEFICIENTES OBJETIVO, cj

CONCEPTO:

Se busca identificar qué ocurre con la actual solución óptima del escenario base si se cambian
uno o varios de los coeficientes que definen la función objetivo. La solución óptima actual
también lo será para el nuevo escenario siempre que los nuevos costos reducidos sean
mayores o iguales a cero (notar que también cambia el valor de la función objetivo en la actual
solución óptima). 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 solución básica.

Puede ser:

 Cambio en un Cj de una variable no básica.

 Cambio en un Cj de una variable básica.

2.5.1.1.- Cambio en un Cj de una variable no básica.

Ejemplo:

Sobre el ejemplo planteado, realizamos una modificación del coeficiente asociado a la variable
X1, suponemos que cambia de su valor actual C1= 1 al valor de C1= 3/2.

El actual W 1 es:

El nuevo valor W 1’ será:

 2.5.1.2.- Cambio en un Cj de una variable básica.

Esta modificación afectará al vector de coeficientes de la función objetivo de las variables

básicas, es decir, al vector CB, y con ello a todos los rendimientos marginales de las variables
no básicas (los de las básicas seguirán siendo cero), los cuales es necesario recalcular para
adecuarlos a los cambios producidos en el vector CB.

Ejemplo:

Supongamos para el ejemplo anterior que se ha producido una modificación en el coeficiente

de la función objetivo de la variable X2, pasando del valor actual de C2 = 2 a C2’ = 4. Como la
variable X2 es una variable básica, esto afectará al vector de coeficientes de variables básicas,
el vector CB era CB= (2, 0) t, con el cambio en el coeficiente C2 el nuevo vector CB’ será CB’ =
(4, 0) t. Como este cambio afecta a todos los rendimientos marginales de las variables no
básicas (X1 y S1), los nuevos rendimientos marginales serán:

Siendo el nuevo valor de la función objetivo

O lo que es lo mismo, que sustituyendo en la tabla óptima el valor del nuevo coeficiente C 2,
es decir:
2.5.2.- CAMBIOS EN LOS RECURSOS, bi

CONCEPTO:

El vector del lado derecho (vector recursos) asociado a las restricciones de un modelo
de Programación Lineal puede tener distintas interpretaciones prácticas como, por ejemplo,
la disponibilidad de insumos para la fabricación de determinados productos, limitantes de
capacidad, requisitos de demanda, entre otros.
En consecuencia resulta de interés analizar el impacto del cambio de uno o varios coeficientes
del vector de lado derecho sobre los resultados originales del modelo sin la necesidad de re-
optimizar, es decir, sin que tener que resolver nuevamente un modelo que incorpore los
cambios propuestos.

Afecta a la condición de factibilidad, es decir,

Si se mantiene la condición de no negatividad de las variables (mayor o igual que cero) la

solución actual (entendida como que las variables básicas son las mismas, y no como valor de
estas variables) sigue siendo óptima.
Los cambios pueden violar esta condición de factibilidad, es decir, que XB tenga alguna o
algunas componentes menores que cero. En este caso, cuando se rompe la factibilidad del
problema, ya no es posible seguir iterando dado que se mantiene la condición de optimalidad
(Wi ≤ 0 ∀i) y por tanto no hay criterio de entrada.

La forma de restablecer la factibilidad es por la vial del dual, ya que a una solución factible
primal le corresponde una solución óptima dual, por tanto, si la solución es infactible, la solución
del dual deja de ser óptima, y es posible seguir iterando por la vía del dual hasta encontrar una
solución óptima y factible, momento en el cual es posible establecer la solución
correspondiente de primal.

Ejemplo:

Supongamos sobre el problema que estamos manejando a lo largo de la exposición:

que se produce una modificación del término independiente de la primera restricción pasando
a tomar el valor de 5. La matriz B está formada por los vectores P 2 y PS2, es decir:

el nuevo valor de los términos independientes es

por lo que el valor de las variables básicas será:

Como el nuevo valor de las variables básicas mantiene la factibilidad, la solución actual se
mantiene como óptima, solamente se habrá producido un cambio en el valor de las variables
y en el valor de la función objetivo, es decir

La tabla óptima será la misma que la original salvo los cambios en el valor de las variables y
en la función objetivo:

Gráficamente un cambio en el término independiente significa una alteración del conjunto de

oportunidades original. Para el ejemplo que estamos analizando el cambio de b 1 = 4 a b1’ = 5,
significa una ampliación del conjunto de oportunidades, con lo que el vértice solución ha
pasado de ser el (0,4) a ser el (0,5), es decir:
2.5.3.- CAMBIOS EN LOS COEFICIENTES TECNOLÓGICOS, aij

Unos de los puntos que hay que tener en cuenta cuando se va a analizar el cambio en los
coeficientes tecnológicos, es si los cambios ocurren en las variables básicas o en las no
básicas, ya que dependiendo de ello, se afecta o no la solución óptima que se tenga. Por
ejemplo, si el cambio se realiza a una variable no básica, seguramente al calcular su nuevo
costo de oportunidad pode resultar atractivo producir o no, ya que de obtenerse un costo de
oportunidad positivo, el tablero que hasta ese momento era óptimo, deja de serlo y se obtendría
a través del cambio en los coeficientes tecnológicos, una nueva solución. Los coeficientes
tecnológicos forman parte de los vectores asociados a las diferentes variables, vectores P i.
Como la repercusión, según se trate de una variable básica o no básica, puede ser muy
distinta, se estudiarán los dos casos por separado.

2.5.3.1.- Variación en un coeficiente tecnológico de una variable básica

Los cambios en un vector básico afectan tanto a las condiciones de optimalidad, como a las
de factibilidad, dado que el vector Pj pertenece a la matriz B, y por tanto, sus modificaciones
pueden afectar sustancialmente al problema actual. Los cambios pueden ser múltiples, desde
hacer que la matriz inicial B sea una matriz singular, y, por tanto, sin inversa, hasta que las
modificaciones de ésta mantengan la factibilidad y la optimalidad dela solución actual. En el
caso de que la matriz original B devenga de una matriz singular, ya no se tiene procedimiento
para poder continuar y la alternativa en este caso es reiniciar el problema de su origen.
En el caso de que la matriz B siga siendo regular, y por tanto, sea posible obtener B-1, pueden
darse los casos siguientes:

La solución actual sigue siendo factible y óptima:

- La solución se mantiene como factible, pero deja de ser óptima; en este caso es posible
seguir iterando a través del método simplex, hasta encontrar la solución óptima.

- La solución es infactible, pero se verifica la condición de optimalidad; por tanto, la alternativa

es seguir el proceso explicado para esta situación, es decir, pasar al dual (factible pero no
óptimo) y seguir iterando por la vía del dual hasta encontrar la solución óptima, y una vez
alcanzada esta solución, regresar al programa primal para poder determinar su solución
óptima.

- Cuando la solución actual se convierte en infactible, y, además, no verifica las condiciones

de optimalidad, la alternativa más conveniente es iniciar nuevamente el proceso de obtención
de la solución.
 2.5.3.2.- Variación en un coeficiente tecnológico de una variable no básica

El cambio en un coeficiente aij, afecta el vector Pj, y, por tanto, al correspondiente

vector transformado en la tabla óptima, dado que Pj’ = B-1 * Pj. Los cambios afectan a los
rendimientos indirectos de esta variable y por consiguiente a los rendimientos marginales, es
decir, a la condición de optimalidad:

Wj = Cj – (CB B-1 Pj)

A).- Si W j es menor que cero, la solución actual seguirá siendo óptima.

B).- Si Wj es cero, quiere decir que la solución actual es óptima, pero ya no es única, sino que
existe una solución alternativa a ésta.

C).- Si W j es mayor a cero, la solución actual deja de ser óptima y se deberá seguir iterando
hasta encontrar una nueva solución óptima. Otra forma de investigar el efecto de los cambios
en los coeficientes de la función objetivo, es calcular el intervalo para el que cada coeficiente
individual mantenga la solución óptima actual. Esto se hace reemplazando el Cj actual con Cj
+ Dj, donde Dj representa la cantidad (positiva o negativa) de cambio.

Ejemplo:

Sobre el problema que venimos usando anteriormente, vamos a suponer que se ha producido
un cambio en el coeficiente de la variable X1 de la primera restricción pasando del valor actual
de 1 al nuevo valor de 1/3.

Esta modificación afecta al rendimiento marginal de la variable X1, que será en este caso:
Con lo que la solución actual deja de ser óptima, por tanto debemos seguir iterando a través
del método simplex hasta encontrar la nueva solución óptima.

La tabla correspondiente será:

Por tanto, introduciendo la variable X1 en la base y eliminando a la variable S2, tenemos la

tabla siguiente: