Análisis de Sensibilidad.

El propósito del análisis de sensibilidad es identificar los parámetros sensibles

(aquellos que no pueden cambiar sin cambiar la sol. óptima).

Si se descubre que el valor verdadero de un parámetro sensitivo difiere de su

valor estimado en el modelo, esto dará señal inmediata de que la solución debe
cambiar.

Cómo se identifican estos parámetros sensibles?

En el caso de bi, esta información está dada por los precios sombra que
proporciona el método Simplex. En particular si Yi* > 0, entonces la solución
óptima cambia si cambia bi, por lo que bi, en un parámetro sensible.
Si Yi* = 0 la solución óptima no es sensible, al menos a cambios pequeños.
Cuando el problema tiene sólo dos variables, la sensibilidad de los distintos
parámetros se puede analizar con una gráfica. Por ejemplo:

En la figura se observa que C1 = 0.25 se puede cambiar a cualquier valor dentro

del intervalo (9/40, 27/40) sin que la solución óptima (90,105) cambie. La razón
es que cualquier valor de C1 dentro de este intervalo mantiene la pendiente de
Z = C1x1 + 0.45x2, entre las pendientes de las líneas:

L1: 4x1 + 8x2 ≤ 1200

y L2: 12x1 + 8x2 ≤ 1920
 1 3
m1 = - y m2 = -
2 2

C1 1 C1 3 9 C 27
 mz      1 
0.45 2 0.45 2 20 0.45 40

Además si C2 = 0.45 es el único parámetro que se cambia, este puede tomar los
valores de:
1 C1 3 2 C2
   2
2 C2 2 3 C1

2 C2 1 1
 2  C2 
3 0.25 6 2

Así ni C1, ni C2 son parámetros sensibles.

Para analizar la sensibilidad de los parámetros aij se debe verificar si su
restricción correspondiente es independiente (independiente) en la solución
óptima.

Asi: 4x1 + 8x2 ≤ 1200

y 12x1 + 8x2 ≤ 1920

Son restricciones de atadura, por lo que cambiar cualquiera de sus coeficientes

a11 = 4, a12 = 8, a21 = 12, a22 = 8), tendrá que cambiar la solución óptima y por lo
tanto estos son parámetros sensibles.

Por otro lado como 10x1 + 30x2 ≤ 4200 no es atadura, cualquier cambio
suficientemente pequeño en sus coeficientes (a31=10, a32 = 30) no cambiará la
solución óptima. Así que éstos no son parámetros sensibles.

En los problemas reales es de más importancia el análisis de sensibilidad sobre

los parámetros bi y cj que sobre las aij, ya que estos son despreciables, porque
además los aij quedan determinados por la tecnología que se está usando.

Rango de variación de los coeficientes de la función objetivo

Considerando el problema:

Min Z = 500 x1 + 2000x2

s.a: 3x1 + 2x2 ≥ 36

6x1 + 3x2 ≥ 60
 xi ≥ 0 ; i = 1,2

Cuya solución gráfica es:

Para C1:

Min Z = C1X1 + 2000X2 mz = -C1/2000

Límite mínimo: m1 = -3/2
Límite máximo: m2 = 0 luego: -3/2 ≤ -C1/27 ≤ 0
 0 ≤ C1 ≤ 3/2
Para C2:

Min Z = 500X1 + C2X2 mz = - 500 / C2

-3/2 ≤ - 500/C2 ≤ 0

-2/3 ≤ C2 / 500 ≤ ∞ → -1000/3 ≤ C2 ≤ ∞

Rango de variación de los bi

Para b1: Límite Superior

De la gráfica el límite máximo es infinito (∞)

Límite inferior

El límite mínimo es en el punto de intersección de la recta L2 con el eje X

Es decir el punto (10, 0)
Entonces reemplazando en la restricción correspondiente a b1 se tiene:
3(10) + 2(0) = 30

Por lo tanto: 30 ≤ b1 ≤ ∞

Análogamente se tiene para b2

 - ∞ ≤ b2 ≤ 72

ANÁLISIS DE SENSIBILIDAD GRÁFICO PARA 3 RESTRICCIONES

La metodología y conceptos presentados para el caso de 2 restricciones no

difiere, sin embargo, hay que tener especial cuidado cómo la inclusión de una
tercera restricción afecta el análisis. Veamos el siguiente ejemplo:

MaxZ = 4X1 + 3X2

S.a:
6X1 + 2X2 <= 120
.. .1X1 + 4X2 <= 100
..5X1 + 5X2 <= 150
.. ..X1 >= 0, X2 >= 0

La solución gráfica de este ejemplo permite obtener la solución óptima X1 =15,

X2=15 con valor óptimo Zopt=105, tal como se observa en el gráfico a
continuación:
Antes de proceder con el análisis de sensibilidad es conveniente verificar si las
actuales restricciones del problema están activas en el óptimo, es decir, si se
cumplen en igualdad:

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

R2: 1*(15) + 4*(15) < 100 => R2 no es una restricción activa

R3: 5*(15) + 5*(15) = 150 => R3 es una restricción activa

En el caso que el lado derecho de la restricción sea un recurso, resulta lógico

tener una disposición a pagar por unidad adicional en la medida que dicho
recurso se esté ocupando a máxima capacidad. En consecuencia, una restricción
no activa tiene por definición un precio sombra igual a cero (caso de R2) ya
que un aumento del lado derecho no aumentará el valor óptimo actual
V(P)=150. Sin embargo, sólo en casos muy particulares podemos encontrar
restricciones activas con precio sombra (o costo reducido) igual a cero, lo que
es más la excepción que la regla.
Luego de esta introducción veamos el cálculo del precio sombra o costo
reducido para la restricción 1 (R1). Primero, debemos desplazar en forma
paralela la restricción 1 hasta el punto máximo donde la solución óptima se siga
encontrando con las actuales restricciones activas R1 y R3. Dicho punto es
(X1,X2 )=(30,0). Posteriormente, desplazamos en forma paralela la restricción
1 (R1) hasta el punto mínimo donde la solución óptima se siga encontrando
con las actuales restricciones activas R1 y R3. Nótese que este
desplazamiento queda acotado hasta el punto donde la restricción 2 (R2) se
vuelve activa, que corresponde al punto (X1,X2 )=(6,666, 23,333) como se
muestra en la siguiente gráfica:
 Por consiguiente, el precio sombra asociado a la restricción 1 queda dado por:

Casos Particulares

a. Solución óptima finita única.- Si la solución óptima es finita y única quiere

decir que la solución óptima ocurre en el vértice extremo de la región de
solución factible pudiendo ser acotada o no acotada.

Zopt
.
Zopt
.

Zo

Región acotada Región no acotada

b. Solución óptima alternativos.- Ocurre cuando le Z óptimo es coincidente con
uno de los lados de la región de solución factible, pudiendo ser acotada o no
acotada.

Zopt
.

Zopt
.

c. Soluciones no acotadas.- Ocurre la función objetivo y la región de solución

factible son no acotadas de tal manera que al trazar la paralela siempre va a
interceptar las soluciones factibles en más de un punto (ver fig. 1)

d. Región vacía.- ocurre cuando el sistema de inecuaciones y ecuaciones

describen una región inconsistente, lo que quiere decir que no existen punto
alguno que satisfaga todas las restricciones dadas. Por ejemplo:
Min Z = -2 x1 + 3x2

s. a: L1: -x1 + 2x2 ≤ 2 x1 = 0 ; x 2 = 1

x2 = 0 ; x1 = -2

L2: 2x1 - x2 ≤ 3 x1= 0 ; x2 = -3

x2 = 0 ; x1 = 3/2

L3: x2 ≥ 4 x1= 0 ; x2 = 4
2. MÉTODO ALGEBRAICO

Ejemplo:

maxZ = 100x1 + 200x2 + 50x3

s.a:
5x1 + 5x2 + 10x3  1000
10x1 + 8x2 + 5x3  2000
10x1 + 5x2  500
 xi  0
 Procedimiento

1) Expresar las desigualdades como ecuaciones introduciendo variables de

holgura.

Así:
5x1 + 5x2 + 10x3 + S1 = 1000
10x1 + 8x2 + 5x3 + S2 = 2000
10x1 + 5x2 + S3 = 500

Donde:
S1: Tn de mineral b1 no empleado
S2: Tn de mineral b2 no empleado
S3: Tn de mineral b3 no empleado

2) Expresar las ecuaciones de las variables de holgura.

.
S1 = 1000 - 5x1 - 5x2 - 10x3 .................... (1)
S2 = 2000 - 10x1 - 8x2 - 5x3 .................... (2)
S3 = 500 - 10x1 - 5x2 .................... (3)

3) Cálculo de la 1ra. Solución básica factible (en el origen)

x1  0 

x2  0V .N .B.
x3  0

 S1  1000 

S 2  2000 V .B.
S 3  500 
Z 0

4) Evaluación de la función objetivo

Considerar el producto que ofrece la mayor contribución por unidad de

producto. Solución mejorada.
5) Cálculo de la 2da. Solución básica factible V. ingresante: x2

x1 = x3 = S1 = S2 = S3 = 0

de (1):
x2 = 1000/5 = 200
de(2):
x2 = 250
de(3):
x2 = 100
Se elige el menor valor en este caso: x2 = 100, eso quiere decir que la V.
saliente debe ser S3, luego despejamos x2 de la ecuación correspondiente (3)

S3
 x 2  100  2 x1  ..........(4)
5
(4) en (1):
 S 
S1  1000  5 x1  5100  2 x1  3   10 x
 5 3

S 1  500  5 x1  S 3  x 3 .......(5)

(4) en (2):
 S 
S 2  2000  10 x1  8100  2 x1  3   5 x
 5 3

8
S 2  1200  6 x1  S 3  5 x3 .......(6)
5
(4) En la función objetivo:

S3
max Z  100 x1  200 (100  2 x1  )  50 x 3
5

max Z  20000  300 x1  40 S 3  50 x 3

6) Cálculo de la 3ra. solución básica factible.

V. ingresante: x3
 de (4) : x3 = -

de (5): x3 = 50  V.saliente = S1
de (6): x3 = 240
 de (5) despejemos x3

5 S S
x 3  50  x1  3  1 .......(7)
10 10 10

8 5 S S
(7) en (6): S 2  1200  6 x1  S 3  5(50  x1  3  1 
5 10 10 10

7 11 1
S 2  950  x1  S 3  S1 ...........(8)
2 10 2

7) En función objetivo:
5 S S
max Z  20000  300 x1  40 S 3  50(50  x1  3  1 )
10 10 10

max Z  22500  275 x1  35S 3  5S 1

Solución óptima

S 2  950  x1  0 
 
S1  0 V .N .B.
x 2  100 V .B.
S3  0
x 3  50 

Zópt. = 22,500

Nota :

- Cuando el problema es de max. La variable ingresante es aquella que

produce el mayor beneficio por unidad de producto.
- El óptimo se alcanza cuando los términos de la función objetivo son
ceros o valores negativos.

- En los problemas de minimización, la variable ingresante es la de menor

costo y el óptimo se alcanza cuando en la función objetivo se tiene
valores ceros o positivos.

- Este método solo trabaja con restricciones de tipo  ya sea de max o

minimización.