APUNTES DE INV. DE OPERACIONES.

Análisis de Sensibilidad

Después de que se ha obtenido la solución óptima de

un problema de programación lineal (PL), puede darse
el caso de que uno o varios parámetros de la
formulación original cambien dando origen a un
nuevo problema, sin embargo mediante la aplicación
de la técnica llamada análisis de sensibilidad no será
necesario volver a resolver el problema desde el
principio.

La utilidad del análisis de sensibilidad en los modelos

de PL consiste, en que permite una interpretación
razonable de los resultados ya obtenidos. En muchos
casos la información generada por la aplicación
del análisis de sensibilidad es más importante y
mucho más informativa que el simple resultado
obtenido en la solución óptima. En cierto sentido,
el análisis de sensibilidad convierte la solución
estática de los modelos de PL en un instrumento
dinámico que evalúa las condiciones cambiantes.

El nuevo problema puede diferir del original en uno o

varios de los siguientes cambios que pueden ocurrir
simultáneamente:

1 Cambios en la disponibilidad de recursos (vector

. bi).
2 Cambios en los costos o utilidades unitarias
. (vector Cj).
3 Cambios en los coeficientes tecnológicos (matriz
. aij).

La estructura inicial de una tabla simplex es la

siguiente:
 o matriz de requerimiento de recursos
Y la estructura óptima de una tabla simplex es:

El análisis de sensibilidad se basa en el conocimiento

de la tabla inicial simplex y en la aplicación de las
propiedades de la estructura óptima de una tabla
simplex.
Cambios en la disponibilidad de recursos (vector
bi).

Maximizar Z= CjXj
Sujeta a:

AijXj= bi

Xj0

Los valores óptimos de las variables de un modelo de

PL está determinada por la propiedad XB=B-1b =0 y
para Z=CBXB. Al experimentar un cambio en el
vector b* XB cambia a:

B = B-1b*
Si B 0 entonces la nueva solución será óptima.
Si B ≤0 entonces la nueva solución B no es
factible y será necesario aplicar el método dual-
simplex para restaurar la factibilidad.

El método dual-simplex, en caso de aplicarse, deberá

hacerse a la tabla óptima del problema original,
cambiando la columna XB por B.

Ejemplo1.
Considere el siguiente modelo de PL y su
correspondiente solución inicial y soluciónóptima.

Maximizar. Z=5X1 +3X2

S.A.
3X1 +5X2 ≤ 15
5X1 +2X2 ≤ 10

X10,X20

Si se decide experimentar un cambio en el

vector a ¿Cuál es el nuevo problema y

cuál es la nueva solución óptima?

Solución:
El nuevo problema a resolver es:
Maximizar. Z=5X1 +3X2
S.A.
3X1 +5X2 ≤ 5
5X! +2X2 ≤ 5

X10,X20

Aplicando la técnica de análisis de sensibilidad no es

necesario volver a resolver el problema desde el
principio, lo primero que debemos definir es la
propiedad que aplica, para los cambios en el vector
b siempre se aplicará la siguientepropiedad:

B=B-1b* Si ≥0, entonces la solución sigue siendo

factible.

Identificandovalores: (5/19)(5)-(3/19)(5)=10/19; (-
2/19)(5)+(5/19)(5)=15/19

B-1 =

b*=

Sustituyendovalores:

B = =

Como B = la solución sigue siendo factible

La solución óptima para el nuevo modelo es:

optima =CB B =CBB-1b*

Identificandovalores:
CB = CB = (X2, X1)
En la Función Objetivo el coeficiente de X1 es 5 y de
X2 es 3, sin embargo como la tabla óptima el primer
renglón es X2 y el segundo renglón es X1, entonces
se acomoda el vector CB para conservar la
congruencia.

B =
CBB-1 =

b*=

Sustituyendo valores:
optima =CB B

optima = =

La otra manera de obtener optima es:

optima = CBB-1b*

Sustituyendovalores:

optima =

optima =

Conclusión:
La solución óptima del nuevo modelo obtenida
por análisis de sensibilidad es:

X1= ,X2=10/19 ,

ZÓptima =

Ejemplo2
Supongamos ahora que se decide experimentar otro

cambio en el vector a
¿Cuál es el nuevo problema y cuál es la nueva
solución óptima?

Solución:
El nuevo problema a resolver es:
Maximizar. Z=5X1 +3X2
S.A.
3X1 +5X2 ≤ 10
5X1 +2X2 ≤ 20

X10,X20

Aplicando la técnica de análisis de sensibilidad, la

propiedad que aplica para los cambios en el vector
b es:

B =B-1b*

Identificando valores:

B-1 =

b*=

Sustituyendo valores:

B = =

Como B= la solución es infactible, en estos

casos se debe aplicar el método dual-simplex para
restablecer la factibilidad del nuevo problema,
utilizando la tabla óptima del problema original y
sustituyendo los valores de B (ubicada en el LD o

columna solución) en lugar de XB.

RETOMANDO LOS CRITERIOS DEL DUAL SIMPLEX.

Criterio de Factibilidad. La variable saliente será

aquella variable básica que tenga el valor más
negativo en el vector bi. Si todas las variables
básicas son positivas o sea 0 se tiene la solución
final, óptima y factible.

Criterio de optimalidad. La variable entrante se

selecciona de entre las variables no-básicas como
sigue:
Dividir los coeficientes de la ecuación cero entre los
coeficientes de la ecuación asociada con la variable
saliente, ignorando
denominadores positivos y/o ceros. La variable
entrante será aquella cuyo cociente sea el menor, si
el problema es de minimizar, o el de menor valor
absoluto si es de maximizar. Si todos los
denominadores son 0, el problema no
tendrá solución factible.

La aplicación del método dual-simplex es

especialmente útil para el tema de análisis de
sensibilidad.

V.B X1 X2 S1 S2 Ve
X2 0 1 5/19 -3/19
X1 1 0 -2/19 5/19
Z 0 0 5/19 16/19
Razón=Z/ 0 0 1 -16/3
Vs

La tabla se retoma para aplicar el método dual simplex.

Por el criterio de factibilidad la variable salientte es el valor más
negativo del lado derecho, es decir bj, por lo tanto sale X2
Aplicar el criterio de optimalidad R = renglón Z / renglón X2

(-19/3)X2 0 -19/3 -5/3 1 10/3 es el renglón pivote y

S2 nuevo
Recuerde el procedimiento: se multiplican los
renglones centrales, se resta el resultado al renglón
primero y el resultado se escribe en el cuarto
renglón.

X1viejo 0 -2/19 5/19 80/19

1
 5/1 5/19 5/19 5/19 5/19
9
-19/3 -5/3 1 10/3
0
X1 nuevo 5/3 1/3 0 10/3
1

Zviejo 0 5/19 16/19

0
16/1 16/19 16/19 16/19 16/19
9
-19/3 -5/3 1 10/3
0
Znuevo 16/3 5/3 0
0

V.B X1 X2 S1 S2 Ve
S2 0 -19/3 -5/3 1
X1 1 5/3 1/3 0
Z 0 16/3 5/3 0

La solución óptima para el nuevo modelo es:

optima =CB B

Identificando valores: CB = CB = (X2, X1)

En la Función Objetivo el coeficiente de X1 es 5 y de
X2 es 3, sin embargo como la tabla óptima primal, el
primer renglón es X2 y el segundo renglón es X1,
entonces se acomoda el vector CB para conservar la
congruencia.
Pero como X2 no quedo en la tabla óptima, entonces
X2=0, por lo tanto CB queda:

CB =  

B =
Sustituyendo valores:
óptima=CB B

=
óptima = =16.66 el cual coincide con el
resultado aplicando el software PHP

Conclusión:
La solución óptima del nuevo modelo obtenida
por análisis de sensibilidad es:

X1=
X2 =
óptima =

Como en el primal se cambió a bi ⌊ 15 ⌋ a

10
bi* [1020 ]
entonces los modelos quedan:

Modelo original
Maximizar. Z=5X1 +3X2
S.A.
3X1 +5X2 ≤ 15
5X1 +2X2 ≤ 10

X10,X20

Modelo cambiando bi* y siendo éste el modelo primal.

Maximizar. Z=5X1 +3X2

S.A.
3X1 +5X2 ≤ 10
5X1 +2X2 ≤ 20

X10,X20

El modelo dual será:

minimizar. Z=10Y1 +20Y2

S.A.
3Y1 +5Y2 ≥ 5
5Y1 +2Y2 ≥3

Y10,Y20

CONTENIDO:
Análisis de Sensibilidad

La utilidad del análisis de sensibilidad en los modelos de

PL consiste, en que permite una interpretación razonable de
los resultados ya obtenidos. En muchos casos la
información generada por la aplicación del análisis de
sensibilidad es más importante y mucho más informativa
que el simple resultado obtenido en la solución óptima. En
cierto sentido, el análisis de sensibilidad convierte
la solución estática de los modelos de PL en un instrumento
dinámico que evalúa las condiciones cambiantes.

El nuevo problema puede diferir del original en uno o varios

de los siguientes cambios que pueden ocurrir
simultáneamente:

1 Cambios en la disponibilidad de recursos (vector bi).

.
2 Cambios en los costos o utilidades unitarias (vector Cj).
.
3 Cambios en los coeficientes tecnológicos (matriz aij).
.

La estructura inicial de una tabla simplex es la siguiente:

 o matriz de requerimiento de recursos
Y la estructura óptima de una tabla simplex es:

El análisis de sensibilidad se basa en el conocimiento de la

tabla inicial simplex y en la aplicación de las propiedades de
la estructura óptima de una tabla simplex.

Cambios en los costos o utilidades unitarias (vector Cj).

Maximizar Z= CjXj
Sujeta a:

AijXj= bi

Xj0
Si se experimentan cambios en el vector Cj el nuevo modelo
es:

Maximizar Z=
Sujeta a:
AijXj= bi

Xj0
Este tipo de cambios toma como punto de partida
la solución óptima del problema original o primal. Al cambiar

el vector , la propiedad debe ser actualizada,

es decir

Donde es la columna de la matriz

Si los valores actualizados son no negativas para
las variables no-básicas y cero para las variables
básicas para el caso de maximizar o negativas y cero para
el caso de minimizar, estas cumplen con las condiciones de
optimalidad y entonces la asociada a la tabla óptima
original permanece óptima y el nuevo valor de la función
objetivo será:

En caso contrario, mediante operaciones matriciales

elementales y/o el algoritmo del método
simplex obtendremos las condiciones de optimalidad.
Ejemplo
Considere el siguiente modelo de programación lineal y su
correspondiente tabla óptima:

Maximizar. Z=5X1 +3X2

S.A.
3X1 +5X2 ≤ 15
5X! +2X2 ≤ 10

X10,X20
Supongamos que el vector cambia a ¿ Cuál
es el nuevo modelo y su correspondiente solución óptima?

Solución.
El nuevo modelo es:
Maximizar. Z=1X1 +1X2
S.A.
3X1 +5X2 ≤ 15
5X1 +2X2 ≤ 10

X10,X20

Obteniendo la solución del nuevo modelo de PL por análisis

de sensibilidad, la propiedad a aplicar es:

Para el ejemplo que nos ocupa, la propiedad a aplicar es:

parai=1,2yj=2

Identificandovalores

Como los coeficientes del vector que cambiaron son

y habrá que aplicar la propiedad correspondiente
tantas veces como cambios se estén experimentando en el

vector .
La propiedad específica a aplicar es:
 para i=1,2 y j=1

Identificando valores.

Sustituyendo valores:

Ahora debemos sustituir el nuevo valor de =4 en la

tabla óptima del modelo original.

Para
Como el coeficiente del vector que cambio es = 1
entonces la propiedad correspondiente es:

Sustituyendo valores:

Sustituyendo el nuevo valor de =2 en la tabla

óptima del modelo original.
Al sustituir los coeficientes 4 y 2 en la tabla óptima,
observamos que las variables X1 y X2 son básicas por lo que
la solución pierde su estructura básica para restablecerla
debemos hacer ceros los coeficientes 4 y 2, y después
verificar la optimalidad si es óptima la solución hemos

concluido, de no ser así,

Conclusión:
La solución óptima del nuevo modelo obtenida por análisis
de sensibilidad es:

X1= 20/19
X2 = 45/19
Zóptima = 65/19
Algoritmo.
1.- Realizar el cambio en los coeficientes de la función objetivo.
2.- Aplicar la propiedad
3.- Identificar los valores, sustituir en la propiedad y operar.
4.- Sustituir el nuevo valor en la tabla óptima. Si pierde optimalidad la
tabla restablecer haciendo cero el o los coeficientes de Cj.
5.-Aplicar el algoritmo del método simplex hasta obtener la
solución óptima.

Cambios en la matriz Aij (matriz de coeficientes

tecnológicos)

Ahora se analizará el efecto de cambiar algunos de los elementos

de la matriz Se analizará solo el caso que incluye, cambios en
las columnas no-básicas.

Suponga que la columna no-básica . se modifica a . Entonces

la nueva columna actualizada es y . Si ,

entonces la solución anterior es óptima; en caso contrario,
el método simplex continúa después de actualizar la columna j de
la tabla, introduciendo la variable no básica
Obtención del modelo original a partir de la tabla óptima

Aplicando las propiedades del análisis de sensibilidad y con la

siguiente tabla óptima determine el modelo de PL al que
corresponde dicha solución.

Las propiedades de una tabla óptima son:

Paso1. Obteniendo el vector b (vector de disponibilidades de
recursos).

La propiedad que aplica es: XB=B-1b

Identificando valores:

Sustituyendo valores:

Resolviendo operaciones matriciales y construyendo las

ecuaciones de primer grado para encontrar los valores del vector
b.

Resolviendo el sistema de ecuaciones de primer grado obtenemos

los siguientes valores del vector b

b1 = 15
b2 = 10

Paso2. Obteniendo la matriz ( matriz de coeficientes

tecnológicos).
La propiedad que aplica es:
Identificando valores:

Sustituyendo valores:

= =

Resolviendo los sistemas de ecuaciones de primer grado

obtenemos los siguientes valores de la matriz

Paso3. Obteniendo el vector Cj (vector de costos o utilidades).

La propiedad que aplica es:

Identificando valores:

Sustituyendo valores:

= -
=

El modelo original es:

Maximizar Z = 5X1 + 3X2

Sujeta a:

3X1 + 5X2 ≤15

5X1 + 2X2 ≤10

X10,X20