ANÁLISIS DE SENSIBILIDAD UTILIZANDO EL MÈTODO SIMPLEX

PRESENTADO POR:
JOSE MIGUEL MONTERROSA OJEDA
HUGO BARROSO PÉREZ
BRIAN CAMILO ROMERO MARTÍNEZ
CARLOS DANIEL RAMOS ROCHA
MATEO MACIAS CHARRIS

INTESTIGACIÒN DE OPERACIONES I

Fecha:
02/04/2020

UNIVERSIDAD DEL ATLÁNTICO

FACULTAD DE INGENIERÍA
INGENIERÍA AGROINDUSTRIAL
PUERTO COLOMBIA - ATLÁNTICO
 Análisis de sensibilidad
El trabajo del equipo de investigación de operaciones apenas comienza una vez que se
aplica con éxito el método símplex para identificar una solución óptima para el modelo. Un
supuesto de programación lineal es que todos los parámetros del modelo ( a ij, b i, y c i) son
constantes conocidas. En realidad, los valores de los parámetros que se usan en el
modelo casi siempre son sólo estimaciones basadas en una predicción de las condiciones
futuras. Con frecuencia, los datos que se obtienen para desarrollar estas estimaciones
son bastante burdos o no existen, así que los parámetros de la formulación original
pueden representar tan sólo la opinión proporcionada por el personal de línea. Los datos
pueden incluso representar estimaciones optimistas o pesimistas que protegen los
intereses de los estimadores.
En consecuencia, un administrador razonable y el personal de investigación de
operaciones deben mantener cierto escepticismo saludable respecto de los números
originales que les proporciona la computadora y, en muchos casos, los tomarán nada más
como un punto de partida para el análisis posterior del problema. Una solución “óptima” lo
es sólo en lo que se refiere al modelo específico que se usa para representar el problema
real, y esa solución no se convierte en una guía confiable para la acción hasta verificar
que su comportamiento es bueno también para otras representaciones razonables del
problema. Aún más, algunas veces los parámetros del modelo (en particular las b i) se
establecen como resultado de decisiones basadas en políticas administrativas (por
ejemplo, la cantidad de ciertos recursos que se ponen a disposición de las actividades), y
estas decisiones deben revisarse después de detectar sus consecuencias potenciales.
Por estas razones es importante llevar a cabo un análisis de sensibilidad, para investigar
el efecto que tendría sobre la solución óptima que proporciona el método símplex el hecho
de que los parámetros tomen otros valores posibles. En general, habrá algunos
parámetros a los que se les pueda asignar cualquier valor razonable sin que afecten la
optimalidad de esta solución. Sin embargo, también habrá parámetros con valores
probables que lleven a una nueva solución óptima. Esta situación es seria, en particular si
la solución original adquiere valores muy inferiores en la función objetivo, o tal vez no
factibles.
Por tanto, un objetivo fundamental del análisis de sensibilidad es identificar los
parámetros sensibles (es decir, los parámetros cuyos valores no pueden cambiar sin que
cambie la solución óptima). Para coeficientes de la función objetivo que no están
clasificados como sensibles, también puede resultar de gran utilidad determinar el
intervalo de valores del parámetro para el que la solución óptima no cambia. (Este
intervalo de valores se conoce como intervalo permisible para ese coeficiente.) En
algunos casos, el cambio del valor de un parámetro en la columna del lado derecho
dentro de una restricción funcional puede afectar la factibilidad de la solución BF óptima.
Para manejar tales parámetros, es útil determinar el intervalo de valores para el que la
solución BF óptima (con los valores ajustados de las variables básicas) seguirá siendo
factible. (Este intervalo recibe el nombre de intervalo permisible por el lado derecho
involucrado.) Este rango de valores es también el rango dentro del cual el precio sombra
actual de la restricción correspondiente permanece válido. A continuación se describirán
los procedimientos específicos para obtener este tipo de información.
Tal información es invaluable en dos sentidos.
1. identifica los parámetros más importantes, por lo que se debe tener un cuidado
especial para hacer estimaciones cercanas y seleccionar una solución que tenga
un buen desempeño para la mayoría de los valores posibles.
2. Segundo, identifica los parámetros que será necesario controlar muy de cerca
cuando el estudio se implante.
Si se descubre que el valor real de un parámetro está fuera de su intervalo de valores
permisibles, ésta es una señal incontrastable de que es necesario cambiar la solución.
Para problemas pequeños, la verificación del efecto de una variedad de cambios en los
valores de los parámetros es directa con sólo aplicar de nuevo el método símplex para ver
si cambia la solución óptima. Esto es en especial conveniente cuando se usa una
formulación en hoja de cálculo. Una vez que el Solver se ha preparado para obtener una
solución óptima, sólo se hacen los cambios deseados y se elige el botón de resolver otra
vez.
Sin embargo, en problemas más grandes como los que se encuentran en la práctica, el
análisis de sensibilidad requeriría de un esfuerzo computacional exorbitante si fuera
necesario volver a aplicar el método símplex desde el principio para investigar cada
cambio en el valor de un parámetro. En esencia, la idea fundamental revela de inmediato
la forma en que los cambios al modelo original alterarían los números de la tabla símplex
final (si se supone que se duplica la misma secuencia de operaciones algebraicas que
realizó el método símplex la primera vez). Por tanto, después de hacer unos cuantos
cálculos para actualizar esta tabla símplex, se puede verificar con facilidad si la solución
BF óptima original ahora es no óptima (o no factible). Si es así, esta solución se usará
como solución básica inicial para comenzar de nuevo el símplex (o el símplex dual) y
encontrar una nueva solución óptima, si se desea. Si los cambios en el modelo no son
muy grandes, sólo se requerirán unas cuantas iteraciones para obtener la nueva solución
óptima a partir de esta solución básica inicial “avanzada”.
Para describir este procedimiento con más detalle, considere la siguiente situación. Se ha
empleado el método símplex para obtener una solución óptima para un modelo de
programación lineal con valores específicos de los parámetros ( a ij, b i, y c i). Para iniciar el
análisis de sensibilidad al menos uno de los parámetros será modificado. Después de
hacer los cambios, sean a ij, b i, y c i). los valores de los distintos parámetros. Entonces, en
notación matricial,

b → b́ , c → ć , A → Á ,
El primer paso es actualizar la tabla símplex final para que refleje estos cambios. En
particular, se desea encontrar la tabla símplex final revisada que resultaría si se repitieran
de manera exacta las mismas operaciones algebraicas (inclusive los mismos múltiplos de
renglones sumados o restados a los otros renglones) que condujeron desde la tabla
símplex inicial a la final. (Esto no es necesariamente lo mismo que reaplicar el método
símplex, porque los cambios en la tabla inicial podrían ocasionar que el método símplex
modifique algunas de las operaciones algebraicas utilizadas.)
 ¿ ¿
Como se muestra en la tabla 1. Observe que y y S juntas son los coeficientes de las
variables de holgura de la tabla símplex final, donde el vector y* (las variables duales) es
igual a estos coeficientes del renglón
0 y la matriz S* proporciona estos coeficientes en los otros renglones de la tabla.
Entonces, sólo con usar y*, S*, y los números revisados en la tabla inicial, la tabla 6.17
revela la forma en que los números revisados en el resto de la tabla final se calculan de
inmediato sin tener que repetir ninguna operación algebraica.

Coeficiente de: Lado

Z Variables Variables derecho
Ec. originales de
holgura
Nueva tabla inicial (0) 1 −ć O 0
(1,2,…,m) 0 Á I b́

Tabla final revisada (0) 1 A¿ −ć= y ¿ Á−ć y¿ Z¿ = y ¿ b́

(1,2,…,m) 0 A¿ =S¿ Á S¿ b ¿=S¿ b́
Tabla(1). Tabla simplex final revisada que resulta de los cambios introducidos al modelo
original

Procedimiento general del análisis de sensibilidad.

Cuando se realizan pruebas para detectar el grado de sensibilidad de la solución óptima
original a los distintos parámetros del modelo, el enfoque común es verificar cada
parámetro (o al menos las c j y b i) en forma individual. Además de encontrar los intervalos
permisibles descritos en la siguiente sección, esta verificación puede incluir cambios en la
estimación inicial del valor del parámetro a otras posibilidades dentro del intervalo de
valores probables (que incluyen los extremos del intervalo). Después, se pueden
investigar algunas combinaciones de cambios simultáneos (como cambiar una restricción
funcional completa). Cada vez que se hace un cambio en uno o más parámetros, debe
aplicarse el procedimiento descrito e ilustrado. A continuación se resume este
procedimiento.
Resumen del procedimiento para análisis de sensibilidad
1. Revisión del modelo: se hacen los cambios deseados en el modelo que se va a
investigar.
2. Revisión de la tabla símplex final: Se emplea la idea fundamental (según el
resumen de fórmulas al final de la tabla (1) para determinar los cambios que
resultan en la tabla símplex final
3. Conversión a la forma apropiada de eliminación de Gauss: Se convierte esta tabla
en la forma apropiada para identificar y evaluar la solución básica actual, para lo
cual se aplica (según sea necesario) eliminación de Gauss.
 4. Prueba de factibilidad: Se prueba la factibilidad de esta solución mediante la
verificación de que todas las variables básicas de la columna del lado derecho aún
tengan valores no negativos.
5. Prueba de optimalidad: Se verifica si esta solución es óptima (factible), mediante
la comprobación de que todos los coeficientes de las variables no básicas del
renglón 0 continúen no negativos.
6. Reoptimización: Si esta solución no pasa una de las pruebas, se puede obtener (si
se desea) la nueva solución óptima a partir de la tabla actual como tabla símplex
inicial (con las conversiones necesarias) por el método símplex o el símplex dual.
La rutina interactiva llamada análisis de sensibilidad incluida en el programa IOR
Tutorial le permite practicar la aplicación de este procedimiento. Además,
proporciona una demostración (también llamada análisis de sensibilidad).
En el caso de problemas con sólo dos variables de decisión, el análisis gráfico
proporciona una alternativa al procedimiento algebraico que se presenta para realizar
análisis de sensibilidad. El IOR Tutorial incluye una rutina llamada Graphical Método and
Sensitivity Analysis (Método gráfico y análisis de sensibilidad) para llevar a cabo este
análisis gráfico de manera eficiente.
Métodos de aplicación
El análisis de sensibilidad casi siempre comienza con la investigación de los cambios en
los valores de las b i, la cantidad del recurso i ( i=1,2 , … , m )que se encuentra disponible
para las actividades bajo consideración. La razón es que en general existe mayor
flexibilidad cuando se establecen y ajustan estos valores que en el caso de los otros
parámetros del modelo.

Método 1: cambios en las b i

Suponga que los únicos cambios al modelo actual consisten en el cambio de uno o más
parámetros b i ( i=1,2 , … , m ) . En este método, los únicos cambios que resultan en la tabla
símplex final se encuentran en la columna del lado derecho. En consecuencia, la tabla
símplex está en la forma apropiada de eliminación de Gauss y todos los coeficientes de
las variables no básicas del renglón 0 aún son no negativos. En consecuencia, se pueden
omitir los pasos de conversión a la forma apropiada de eliminación de Gauss y prueba de
optimalidad del procedimiento general, después de revisar la columna del lado derecho, y
la única pregunta que subsiste es si las variables básicas son no negativas (prueba de
factibilidad). Como se muestra en la tabla (1), cuando el vector de valores b i se cambia de
b a b́ , las fórmulas para calcular la nueva columna del lado derecho de la tabla símplex
final son

Lado derecho del renglón 0 final: Z¿ = y ¿ b́ ,

Lado derecho de los renglones 1,2 , … , m: b ¿=S¿ b́ .
¿ ¿
(Vea en la parte inferior de la tabla (1) la localización del vector y y la matriz S que no
cambiaron, en la tabla símplex final.) La primera ecuación tiene una interpretación
económica natural que se relaciona con la interpretación económica de las variables
¿
duales. El vector y proporciona los valores óptimos de las variables duales, donde estos
valores se interpretan como los precios sombra de los recursos respectivos. En particular,
cuando Z representa el beneficio de utilizar la solución primal óptima x y cada b i
¿ ¿

¿
representa la cantidad de recurso i disponible, y i indica qué tanto se puede incrementar la
ganancia por unidad aumentada en b i (para incrementos pequeños deb i).

Análisis de cambios simultáneos en los lados derechos

Cuando cambian varios valores b i al mismo tiempo, de nuevo se puede usar la fórmula
b ¿=S¿ b́ para ver cómo cambian los lados derechos de la tabla final. Si todos los lados
derechos son todavía no negativos, la prueba de factibilidad indica que la solución
revisada obtenida en la tabla aún es factible. Como el renglón 0 no cambió, que sea
factible implica que esta solución también es óptima.
Aunque este enfoque funciona para verificar el efecto de un conjunto específico de
cambios en las b i, no da un panorama amplio de cuánto pueden cambiar de manera
simultánea a partir de sus valores originales antes de que la solución revisada sea no
factible.
Regla 100% para cambios simultáneos en los lados derechos
Los precios sombra permanecen válidos para predecir el efecto de cambiar al mismo
tiempo los lados derechos de algunas restricciones funcionales cuando los cambios no
son muy grandes. Para verificar si son suficientemente pequeños, para cada cambio se
calcula el porcentaje del cambio permitido (aumento o disminución) para que ese lado
derecho siga dentro de su intervalo permisible y factible. Si la suma de los porcentajes de
cambios no excede 100%, es definitivo que los precios sombra todavía serán válidos. (Si
la suma excede 100%, entonces no hay certeza.)
Método 2a: cambios en los coeficientes de una variable no básica

Considere una variable específica x i ( j fija) que sea no básica en la solución óptima dada
en la tabla símplex final. En el método 2a, el único cambio del modelo actual es que uno o
más coeficientes de esta variable c j , a1 j , a 2 j ,… ., a mj cambiaron. Entonces, si c´ j y a´ij
denotan los nuevos valores de estos parámetros con A j (columna j de la matriz Á ) como
el vector que contiene a ij, se tiene para el modelo revisado.

c j → c´j , A j → Á j
La teoría de dualidad proporciona una manera muy conveniente de verificar estos
¿
cambios. En particular, si la solución básica complementaria y en el problema dual
todavía satisface la restricción dual que cambió, entonces la solución óptima original del
¿
problema primal permanece óptima como tal. Por el contrario, si y viola esta restricción
dual, entonces esta solución primal ya no es óptima. Si la solución óptima cambió y se
desea encontrar la nueva, se puede hacer en forma bastante sencilla. Sólo debe aplicarse
la idea fundamental a la columna de x j revisada (la única que cambia) en la tabla símplex
final. En particular, las fórmulas de la tabla (1) se reducen de la siguiente manera:
Coeficiente de x j del renglón 0 final: Z¿j−c´ j= y ¿ Á j−ć j ,

Coeficiente de x j de los renglones 1 a m finales: A¿j=S¿ Á j ,

¿
Debido a que la solución básica actual ya no es óptima, el nuevo valor de Z −c j será
ahora el que tiene coeficiente negativo en el renglón 0; así, se inicia el método símplex
con x j como variable básica entrante inicial. Observe que este procedimiento es una
versión simplificada del procedimiento general. Los pasos 3 y 4 (conversión a la forma
apropiada de eliminación gaussiana y prueba de factibilidad) se eliminaron por no ser
relevantes, ya que la única columna que cambia en la revisión de la tabla símplex final
(antes de reoptimizar) es la de la variable no básica x j . El paso 5 (prueba de optimalidad)
se sustituyó por una prueba más rápida que debe realizarse después del paso 1 (revisión
del modelo). Sólo cuando esta prueba revele que la solución óptima cambia, y se desee
encontrar la nueva solución, tendrán que aplicarse los pasos 2 y 6 (revisión de la tabla
símplex final y reoptimización).
Análisis de cambios simultáneos en los coeficientes de la función objetivo

Sin que importe si x j es una variable básica o no básica, el intervalo permisible para
seguir óptimo de c j es válido sólo si este coeficiente de la función objetivo es el único que
cambia. Sin embargo, cuando se hacen cambios simultáneos en los coeficientes de la
función objetivo, se dispone de la regla de 100% para verificar si la solución original debe
seguir óptima. De manera muy parecida a la regla de 100% de los cambios simultáneos
en los lados derechos, esta regla combina los cambios permisibles (aumento o
disminución) de las c j individuales

Regla de 100% para cambios simultáneos en los coeficientes de la función objetivo

Si se hacen cambios simultáneos en los coeficientes de la función objetivo, en cada
cambio se calcula el porcentaje del cambio permisible (aumento o disminución) para que
ese coeficiente siga dentro de su intervalo permisible para continuar óptimo. Si la suma de
los porcentajes de cambios no excede 100%, la solución óptima original definitivamente
será todavía óptima. (Si la suma excede de 100%, entonces no hay seguridad.) En
general, cuando los coeficientes de la función objetivo cambian en la misma dirección, es
posible que los porcentajes de los cambios permisibles sumen más de 100% sin cambiar
la solución óptima.

Método 2b: introducción de una nueva variable

Después de obtener la solución óptima se puede descubrir que la formulación de
programación lineal no tomó en cuenta todas las actividades que pudieran ser atractivas.
Para considerar una nueva actividad se requiere introducir una nueva variable con los
coeficientes apropiados en la función objetivo y en las restricciones del modelo actual, que
es la situación que se presenta en el método 2b. La forma conveniente de manejar este
caso es tratarlo como si fuera el método 2a. Para realizar este procedimiento se presume
que la nueva variable x j en realidad formaba parte del modelo original con todos sus
coeficientes iguales a cero (por lo que todavía son cero en la tabla símplex final) y que x j
es una variable no básica de la solución BF actual. Entonces, si se cambian estos
coeficientes de cero a sus valores reales para la nueva variable, sin duda el procedimiento
(que incluye la reoptimización) se vuelve idéntico al del método 2a. En particular, todo lo
que se debe hacer para comprobar si la solución actual es todavía óptima es verificar si la
¿
solución básica complementaria y satisface la nueva restricción dual que corresponde a
la nueva variable del problema primal.

Método 3: cambios en los coeficientes de una variable básica

Ahora suponga que la variable x j (con j fija) que está en estudio es una variable básica
de la solución óptima que se muestra en la tabla símplex fi nal. En el método 3 se supone
que los únicos cambios al modelo actual se hacen en los coeficientes de esta variable. El
método 3 difiere del 2a debido al requisito de que la tabla símplex debe estar en la forma
apropiada de eliminación de Gauss. Esta forma permite que los elementos de la columna
de una variable no básica tengan cualquier valor, así que no afecta en el método 2a. Sin
embargo, en el método 3 la variable básica x j debe tener coeficiente 1 en su renglón de la
tabla símplex y coeficiente 0 en todos los demás renglones (incluso en el renglón 0). Por
tanto, una vez calculados los cambios en la columna x j de la tabla símplex final, es
probable que sea necesario aplicar la eliminación de Gauss para restaurar la forma
apropiada. Este paso, a su vez, quizá cambie los valores de la solución básica actual, y
puede hacerla no factible o no óptima (con lo que tal vez sea necesario reoptimizar). En
consecuencia, el método 3 requiere todos los pasos del procedimiento general. Antes de
aplicar la eliminación de Gauss, las fórmulas para verificar la columna de x j son las
mismas que para el método 2a, y se resumen de la siguiente forma.

Coeficiente de x j del renglón 0 final: Z¿j−c´ j= y ¿ Á j−ć j ,

Coeficiente de x j de los renglones 1 a m finales: A¿j=S¿ Á j ,

Método 4: introducción de una nueva restricción
El último método es aquel en el que debe introducirse al modelo una nueva restricción,
después de obtener la solución. Este caso puede ocurrir porque se pasó por alto la
restricción en un principio o porque surgieron nuevas consideraciones después de
formular el modelo. Otra posibilidad es que se haya eliminado, a propósito, la restricción
para disminuir el esfuerzo computacional porque parece ser menos restrictiva que otras
ya planteadas en el modelo, pero ahora es necesario verificar esta impresión con la
solución óptima obtenida. Para ver si la nueva restricción afecta a la solución óptima
actual, todo lo que debe hacerse es verificar en forma directa si esa solución óptima
satisface la restricción. Si es así, todavía sería la mejor solución básica factible (es decir,
la solución óptima), aun cuando se agregara la restricción al modelo. La razón es que una
nueva restricción sólo puede eliminar algunas de las soluciones factibles anteriores sin
agregar algunas nuevas. Si la nueva restricción elimina la solución óptima actual, y si se
quiere encontrar la nueva solución, se introduce esta restricción a la tabla símplex final
(como un renglón adicional) exactamente como si fuera la tabla inicial, en la que se
designa la variable usual (de holgura o artificial) como la variable básica que corresponde
a este nuevo renglón. Como éste tal vez tenga coeficientes distintos de cero en algunas
otras variables básicas, se debe aplicar la conversión a la forma apropiada de eliminación
de Gauss y después el paso de reoptimización en la forma normal. La única pregunta que
hay que hacerse en este caso es si la solución óptima anterior todavía es factible, así que
debe eliminarse la prueba de optimalizad y prueba de factibilidad se reemplaza por una
prueba de factibilidad mucho más rápida ¿La solución óptima anterior satisface la nueva
restricción? que se realiza inmediatamente después de la revisión del modelo.
Sólo cuando la respuesta a esta prueba es negativa y se quiere reoptimizar, se cubren los
pasos 2, 3 y 6 (revisión de la tabla símplex final, conversión a la forma apropiada de
eliminación de Gauss y reoptimización).

Análisis de sensibilidad para cambios en las b i

Ejemplo 1:
Max Z=2 X 1 +5 X 2+8 X 3
S.A

Recurso 1. 6 X 1 +8 X 2 + 4 X 3 ¿ 96Recurso 2. 2 X 1+ X 2 +2 X 3 ¿ 40Recurso 3. 5 X 1+ 3 X 2 +2 X 3 ¿ 60

Aplicamos método simplex para llegar a nuestra tabla óptima:

Identificamos nuestra matriz inversa (B-1), que va a ser la de las columnas de las variables
holgura:
En este caso lo haremos con nuestro recurso 1, para apreciar qué tanto puede aumentar
o disminuir nuestro recurso (b^ ) con respecto a la solución óptima; multiplicamos nuestra
matriz inversa por el nuevo vector (b^ )

(b^ ):

6 X 1 +8 X 2+ 4 X 3 ¿ 96+ d2 X 1 + X 2 +2 X 3 ¿ 40
5 X 1 +3 X 2 +2 X 3 ¿ 60

Multiplicamos la matriz inversa por el vector ¿^¿):

1 −1
0 96+ d
6 3

−1 2
0 40
12 3
−1 −1
160
3 3

( 16 )∗( 96+ d )+( −13 )∗( 40) +( 0 )∗(60)¿ 0

d ¿−16

( −112 )∗( 96+d ) +( 32 )∗( 40) +( 0 )∗( 60) ¿ 0

d ¿ 224

( −13 )∗( 96+d ) +(−13 )∗( 40) +( 1 )∗(60)

d ¿ 44
Para el recurso 1 se deben cumplir 3 condiciones, que d ¿−16 , que d ¿ 224 y que d ¿ 44 .
Para hallar nuestra respuesta final vamos a hallar el rango de estas 3 condiciones y
obtenemos que el cumplimiento de las 3 condiciones se da cuándo:

−16 ≤ d ≤ 44
Esto nos quiere decir que si tomamos nuestro recurso 1 y lo disminuimos 16 unidades, o
aumentamos 44 unidades el punto de trabajo no va a cambiar, y seguiremos produciendo
lo mismo. El mismo procedimiento se aplica para el resto de recursos, obviamente
cambiando b^ .

Recurso 2.

1 −1
0 96
6 3

−1 2
0 40+ d
12 3
−1 −1
160
3 3

¿
d ≤8

( −112 )∗( 96 ) +( 23 )∗( 40+d ) +( 0)∗(60) ≥0

d ≥−28

( −13 )∗( 96 ) +( −13 )∗( 40+ d ) +(1∗60)≥ 0

d ≤ 44
La respuesta es:

−28 ≤ d ≤ 8

Recurso 3.

1 −1
0 96
6 3

−1 2
0 40
12 3
 −1 −1
160+ d
3 3

( 16 )∗( 96 )+( −13 )∗( 40) +( 0 )∗( 60+d ) ≥0

8
≥0
3

( −112 )∗( 96 ) +( 23 )∗( 40) +( 0 )∗(60+ d) ≥0

56
≥0
3

( −13 )∗( 96 ) +( −13 )∗( 40 )+ ( 1 )∗(60+d )≥ 0

−44
d≥
3
Respuesta:
−44
d≥
3

Ejemplo 2:

Min Z=9 X+ 6 Y
S.A

Recurso 1. 3 X +Y ≥21
Recurso 2. 2 X +3 Y ≤ 28
Recurso 3. X +Y ≥10

Nuestra tabla óptima queda de la siguiente manera:

9 6 0 0 0 M M
Cij Vb X Y S1 S2 S3 A1 A2 b
9 X 1 0 −1 0 1 1 −1 11
2 2 2 2 2
 0 S2 0 0 −1 1 7 1 −7 7
2 2 2 2 2
6 Y 0 1 1 0 −3 −1 3 9
2 2 2 2 2
Z - CIJ 0 0 −3 0 −9 3 9 153
−M −M
2 2 2 2 2

El método es exactamente igual, tanto para maximizar y minimizar, empezamos entonces

con nuestro recurso 1:
Recurso 1.

−1 0 1 21+d
2 2
−1 1 7 28
2 2
1 0 −3 10
2 2

( −12 )∗( 21+ d )+ ( 0)∗( 28 )+( 12 )∗(10)≤ 0

d ≥−11

( −12 )∗( 21+ d )+ ( 1)∗( 28) +( 72 )∗(10)≥ 0

d ≤105
¿
d ≤9
Respuesta:

−11 ≤ d ≤ 9

Recurso 2.

−1 0 1 21
2 2
−1 1 7 28+d
2 2
 1 0 −3 10
2 2

( −12 )∗( 21 )+ ( 0)∗( 28+ d )+( 12 )∗(10)≤ 0

−11
≤0
2

( −12 )∗( 21 )+ (1 )∗( 28+d ) +( 72 )∗(10)≥ 0

−105
d≥
2

( 12 )∗( 21 )+ ( 0)∗( 28+ d )+( −32 )∗(10)≤0

−9
≤0
2
Respuesta:
−105
d≥
2

Recurso 3.

−1 0 1 21
2 2
−1 1 7 28
2 2
1 0 −3 10+d
2 2

( −12 )∗( 21 )+ ( 0)∗( 28 )+( 12 )∗(10+d )≤ 0

d ≤11

( −12 )∗( 21 )+ (1 )∗( 28) +( 72 )∗(10+d )≥ 0

d ≥−15
( 12 )∗( 21 )+ ( 0)∗( 28 )+( −32 )∗( 10+d ) ≤ 0
d ≥−3
Respuesta:

−3 ≤ d ≤ 11

Análisis de sensibilidad para coeficientes en las variables en la función objetivo

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 (z = C1X1+C2X2).
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)
Ejemplo 1
Max Z= 3X1+ 2X2 + 5X3
S.a

X1+2X2 ≤ 430

3X1 + 2X2≤ 460

X1+4X2 ≤ 420

X1, X2, X1 ≥ 0
Tabla Optima

Basica X1 X2 X3 S1 S2 S3 b
Z 4 0 0 1 2 0 1350
X2 -1/4 1 0 1/2 -1/4 0 100
X3 3/2 0 1 0 1/2 0 230
S3 2 0 0 -2 1 1 20

Sol :
X1 = 0 ; X2 = 100 ; X3 = 230 ; Z = 1350 .
Hallamos el dual
Min W= 430Y1 + 460Y2 + 420Y3

S.A
 Y1+3Y2+Y3 ≥3

2Y1+4Y3 ≥2

Y1+2Y2 ≥ 5

Y1,Y2, Y3 ≥ 0

Y1 = 1 ; Y2 = 2 ; Y3 = 0 ; W = 1350

Funcion original: Max Z= 3X1+ 2X2 + 5X3

Funcion cambiada: Max Z= 2X1+ 3X2 + 4X3
Entonces los nuevos Coeficientes de X2 ,X3 , X6 Basicas son =(3,4,0)

Vector Renglon de losCoeficientes

( Valores optimos =
)
de variables Duales (
Objetivo originales de las variables basica ×
optimas primales )(
Inversa Primal
optima )

1 −1
0
Y , Y ,
( 1 2 3) Y = ( 3,4,0 )
( )
×
2
0
−2 1
4
1
2
0
1
( 32 , 54 , 0)
=

Definidos los valores duales nuevos, se procede a determinar los coeficientes de la

funcion objetivo en a tabla simplex.

Vector Renglon de losCoeficientes

( Valores optimos =
)
de variables Duales (
Objetivo originales de las variables basica ×
optimas primales )(
Inversa Primal
optima )
X1 = Y1+3Y2+Y3 -2 = 3/2 + 3*(5/4) + 0 -2 = 13/4
S1 = Y1 - 0= 3/2
S2 =Y2 - 0 =5/4
Como aquí todos fueron positivos (13/4, 3/2, 5/4) y estamos Maximizando, se puede decir
que se sigue conservando la optimalidad.
Zopt= 2*(0) +3*(100) +4*(230) =1220
Si por lo menos un valor hubiese habido un valor negativo (-3/2) aplicariamos otra vez el
simplex.
Ejemplo 2

Su alimentación requiere que lo que coma pertenezca a uno de los siguientes grupos de
alimentos (pastel de chocolate, helado, refrescos, y pastel de queso). Dispone de los
siguientes alimentos para el consumo: bizcochos de chocolate, helado de chocolate, cola,
y pastel de queso, siendo su coste de 4 euros cada bizcocho, 2 euros cada bola de
helado de chocolate, 3 euros una botella de refresco, y 6 euros una porción de pastel de
queso. Cada día necesita ingerir por lo menos 600 calorías, 20 gramos de chocolate, 30
gramos de azúcar, y 25 gramos de grasa. El contenido nutritivo unitario de cada elemento
se muestra en la tabla.

Calorias Chocolate Azucar grasa

Bizcocho 300 2 1 1
Helado 200 1 1 2
Refresco 100 0 2 1
Pastel de queso 400 0 3 3

Resolviendo el problema de programacion lineal correspondiente se obtiene la siguiente

solución:

Variable Valor Coste reducido

Bizcocho Xb 0 -1,5
Helado de Chocolate Xh 20 0
Refresco Xr 5 0
Pastel de Queso Xp 0 -1,5
E1 3900 0
E2 0 -0,5
E3 0 -1,5
E4 20 0

Se pide
1. Determine si la solución actual sigue siendo óptima en el caso de que el precio unitario
del bizcocho aumente hasta 5 euros y el precio de una porción de pastel de queso
disminuya hasta 5 euros. En caso de que no siga siendo óptima la solución, halle la nueva
solución óptima.
2. Hasta que valor puede rebajarse el precio de un bizcocho de forma que la base actual
siga siendo óptima.
3. Hasta que valor puede rebajarse el precio de una porción de pastel de queso de forma
que la base actual siga siendo óptima.

R/1
La solución Óptima expresada en formato tabular
 Z Xb Xh Xr Xp E1 E2 E3 E4
Z 1 -1,5 0 0 -1,5 0 -0,5 -1,5 0
Xh 0 1 0 0 0 20
Xr 0 0 1 0 0 5
E1 0 0 0 1 0 3900
E4 0 0 0 0 1 20

Dado que el bizcocho y el pastel de fresa son variables no básicas, si varía su coste
unitario, únicamente cambia en la tabla óptima el coste reducido de dichas variables.

Z X −C Nuevo
b
X B
=¿) +C actual
X B
−C Nuevo
X = -1,5+4 -5 =-2,5
B

Z X −C Nuevo
p
X P
=¿) +C actual
X P
−C Nuevo
X = -1,5+6 -5 = -0,5
P

La solución sigue siendo óptima dado que ninguna variable puede entrar en la base y
mejorar la solución actual, ya que el coste reducido de las variables no básicas es
negativo y el problema es de minimización. Siendo la solución óptima:
Xh=20 Xr= 5 Xb=0 Xp=0
2. Hasta que valor puede rebajarse el precio de un bizcocho de forma que la base actual
siga siendo óptima. Formulando el programa lineal original, resulta:
Formulando el programa lineal original, resulta:

Min{4 X B +2 X H +3 X R+ 6 X P }

300 X B +200 X H +100 X R + 400 X P ≥ 600

2 X B + 1 X H ++0 X R +0 X P ≥20

1 X B +1 X H +2 X R + 3 X P ≥ 30

1 X B + 2 X H +1 X R + 3 X P ≥ 25

Xi ≥ 0

Incluya en el modelo las variables de exceso y las variables artificiales que corresponda:

300 X B +200 X H +100 X R + 400 X P −1 E 1+1 A1=600

2 X B + 1 X H ++0 X R +0 X P−1 E2 +1 A 2=20

1 X B +1 X H +2 X R + 3 X P −1 E 3+1 A3 =30
1 X B + 2 X H +1 X R + 3 X P −1 E 4 +1 A 4 =25

Resuelva la fase I del método simplex:

Min{+1 A 1 +1 A 2+1 A3 +1 A 4 }

300 X B +200 X H +100 X R + 400 X P −1 E 1+1 A1=600

2 X B + 1 X H ++0 X R +0 X P−1 E2 +1 A 2=20

1 X B +1 X H +2 X R + 3 X P −1 E 3+1 A3 =30

1 X B + 2 X H +1 X R + 3 X P −1 E 4 +1 A 4 =25

Xi ≥ 0 Ai≥ 0

En la primera fila de la tabla debe colocar los costes reducidos de cada variable, así como
el valor de la función objetivo:

Z j−C j =C B . B−1 . N −C N

300 200 100 400

[ ]
Z j−C j =[ 1 11 1 ] . 2 1 0 0 −[ 0 0 0 0 ] =[ 304 204 103 406 ]
1 1 2 3
1 2 1 3

600

[]
Z=C B . X B= [ 1 11 1 ] . 20 =675
30
25

Z XB XH XR XP E1 E2 E3 E4 A1 A2 A3 A4
Z 1 304 204 103 406 -1 -1 -1 -1 0 0 0 0 675
A1 0 300 200 100 400 -1 0 0 0 1 0 0 0 600
A2 0 2 1 0 0 0 -1 0 0 0 1 0 0 20
 A3 0 1 1 2 3 0 0 -1 0 0 0 1 0 30
A4 0 1 2 1 3 0 0 0 -1 0 0 0 1 25

Iteración 1 - Entra en la base XP ya que tiene el coste reducido positivo, y de todos los
positivos, el mayor. Sale de la base:

B−1 b 600 30 25 600

Min
{ Y xp } {
, Y xp > 0 =Min
400
,−, ,
3 3
=
400
→ A1 }
Z XB XH XR X E1 E E E A1 A2 A3 A4
P 2 3 4
Z 1 -0,5 1 1,5 0 0,015 -1 -1 -1 -1,015 0 0 0 66
XP 0 0,75 0,5 0,25 1 -0,0025 0 0 0 0,0025 0 0 0 1,5
A2 0 2 1 0 0 0 -1 0 0 0 1 0 0 20
A3 0 -1,25 -0,5 1,25 0 0,0075 0 -1 0 -0,0075 0 1 0 25,5
A4 0 -1,25 0,5 0,25 0 0,0075 0 0 -1 -0,0075 0 0 1 20,5

Iteración 2 - Entra en la base XR ya que tiene el coste reducido positivo, y de todos los
positivos, el mayor. Sale de la base:

B−1 b 1,5 25,5 20,5 1,5

Min
{ Y XR } {
, Y XR> 0 =Min
0,25
,−, , =
1,25 0,25 0,25
→ XP }
Z XB XH XR XP E1 E2 E3 E4 A1 A2 A3 A4
Z 1 -5 -2 0 -6 0,03 -1 -1 -1 -1,03 0 0 0 57
XR 0 3 2 1 4 -0,01 0 0 0 0,01 0 0 0 6
A2 0 2 1 0 0 0 -1 0 0 0 1 0 0 20
A3 0 -5 -3 0 -5 0,02 0 -1 0 -0,02 0 1 0 18
A4 0 -2 0 0 -1 0,01 0 0 -1 -0,01 0 0 1 19

Iteración 3 - Entra en la base E1 ya que tiene el coste reducido positivo, y de todos los
positivos, el mayor. Sale de la base:

B−1 b 18 19 18
Min
{ Y E1 } {
, Y E 1> 0 =Min −,−, , =
0,02 0,01 0,02
→ A3 }
Z XB XH XR XP E1 E2 E3 E4 A1 A2 A3 A4
 Z 1 2,5 2,5 0 1,5 0 -1 0,5 -1 -1 0 -1,5 0 30
XR 0 0,5 0,5 1 1,5 0 0 -0,5 0 0 0 0,5 0 15
A2 0 2 1 0 0 0 -1 0 0 0 1 0 0 20
E1 0 -250 -150 0 -250 1 0 -50 0 -1 0 50 0 900
A4 0 0,5 1,5 0 1,5 0 0 0,5 -1 0 0 -0,5 1 10

Iteración 4 - Entra en la base XH ya que tiene el coste reducido positivo, y de todos los
positivos, el mayor. Sale de la base:

B−1 b 15 20 10 10
Min
{ Y xh } {
, Y xh > 0 =Min , ,−,
0,5 1
=
1,5 1,5
→ A4 }
Z XB XH XR XP E1 E2 E3 E4 A1 A2 A3 A4
Z 1 1,66 0 0 -1 0 -1 -0,3 0,66 -1 0 -0,6 -1,6 13,3
XR 0 0,33 0 1 1 0 0 -0,6 0,33 0 0 0,66 -0,3 11,6
A2 0 1,66 0 0 -1 0 -1 -0,3 0,66 0 1 0,33 -0,6 13,3
E1 0 -200 0 0 -100 1 0 0 -100 -1 0 0 100 1900
XH 0 0,33 1 0 1 0 0 0,33 -0,6 0 0 -0,3 0,66 6,66

Iteración 5 - Entra en la base XB ya que tiene el coste reducido positivo, y de todos los
positivos, el mayor. Sale de la base:

B−1 b 11,6 13,3 6,66 13,3

Min
{
Y XB
, Y XB> 0 =Min
} { ,
0,33 1,66
,−, =
0,33 1,66
→ A2 }
Z XB XH XR XP E1 E2 E3 E4 A1 A2 A3 A4
Z 1 0 0 0 0 0 0 0 0 -1 -1 -1 -1 0
XR 0 0 0 1 1,20 0 0,20 -0,6 0,2 0 -0,20 0,6 -0,20 9
XB 0 1 0 0 -0,6 0 -0,6 -0,2 0,4 0 0,6 0,2 -0,4 8
E1 0 0 0 0 -220 1 -120 -40 -20 -1 120 40 20 3500
XH 0 0 1 0 1,20 0 0,20 0,4 -0,8 0 -0,20 -0,4 0,8 4

Fase 2:

Min{4 X B +2 X H +3 X R+ 6 X P+ M A1 + M A 2+ M A3 + M A 4

300 X B +200 X H +100 X R + 400 X P +−1 E1 +1 A 1=600

 2 X B + 1 X H +0 X R +0 X P−1 E2 +1 A 2=20

1 X B +1 X H +2 X R + 3 X P −1 E 3+1 A3 =30

1 X B + 2 X H +1 X R + 3 X P −1 E 4 +1 A 4 =25

Xi ≥ 0

Z j−C j =C B . B−1 . N −C N

1,20 0,20 −0,6 0,2 0 −0,20 0,6 −0,20

[
C B . B−1 . N=[ 3 4 02 ] . −0,6 −0,6 −0,2 0,4 0 0,6 0,2 −0,4
−220 −120 −40 −20 −1 120 40 20
1,2 0,20 0,4 −0,8 0 −0,20 −0,4 0,8
]
Z j−C j =[ 3,6−1,4−1,8 0,6 0 1,4 1,8−0,6 ] −[ 6 0 0 0 M M M M ]

Z j−C j =[−2,4−1,4−1,8 0,6−M 1,4−M 1,8−M −0,6−M ]

[ ]
Z=C B . X B= [ 3 4 0 2 ] . 8 =67
3500
4

Z XB XH XR XP E1 E2 E3 E4 A1 A2 A3 A4
Z 1 0 0 0 -2,4 0 -1,4 -1,8 0,6 -M 1,4-M 1,8-M -0,6-M 67
XR 0 0 0 1 1,20 0 0,20 -0,6 0,2 0 -0,2 0,6 -0,2 9
XB 0 1 0 0 -0,6 0 -0,6 -0,2 0,4 0 0,6 0,2 -0,4 8
E1 0 0 0 0 -220 1 -120 -40 -20 -1 120 40 20 3500
XH 0 0 1 0 1,20 0 0,20 0,4 -0,8 0 -0,2 -0,4 0,8 4

Iteración 1 - Entra en la base E4 ya que tiene el coste reducido positivo, y de todos los
positivos, el mayor. Sale de la base:
 B−1 b
Min
{ Y E4 }
, Y E 4 >0 =Min ¿

Z XB XH XR XP E1 E2 E3 E4 A1 A2 A3 A4
Z 1 -1,5 0 0 -1,5 0 -0,5 -1,5 0 -M 0,5-M 1,5-M -M 55
XR 0 -0,5 0 1 1,5 0 0,50 -0,5 0 0 -0,5 0,5 0 5
E4 0 2,5 0 0 -1,5 0 -1,4 -0,5 1 0 1,5 0.5 -1 20
E1 0 50 0 0 -250 1 -150 -50 0 -1 150 50 0 3900
XH 0 2 1 0 0 0 -1 0 0 0 1 0 0 20

La solución hallada es óptima dado que ninguna variable puede entrar en la base y
mejorar la solución actual, ya que el coste reducido de las variables no básicas es
negativo y el problema es de minimización.

De donde la inversa de la base:

0 −0,5 0,5 0

[
B−1= 0 1,5 0,5−1
−1 150 50 0
0 1 10 0
]
−0,5
−1

[ ]
Z XB −C XB=C B . B . N−C N = [ 3 0 0 2 ] . 2,5 −C XB=2,5−[4 +∆ C XB ]
50
2

Z XB −C XB ≤0 → 2,5−[ 4+ ∆ C XB ] ≤0 → ∆ C XB ≥−1,5

El precio de un bizcocho puede rebajarse hasta 4 – 1,5 = 2,5 euros de forma que la base
actual siga siendo óptima.
3. Hasta que valor puede rebajarse el precio de una porción de pastel de queso de forma
que la base actual siga siendo óptima.

1,5
−1

[ ]
Z XP −C XP=C B . B . N−C N =[ 3 0 0 2 ] . −1,5
−250
0
−C XP=4,5−[6+ ∆ C XP ]

Z XB −C XP ≤0 → 4,5−[ 6+∆ C XP ] ≤ 0 → ∆ C XP ≥−1,5

El precio de una porción de pastel de queso puede rebajarse hasta 6 – 1,5 = 4,5 euros de
forma que la base actual siga siendo óptima.
BIBLIOGRAFÍA

 https://es.slideshare.net/mobile/crisrm1/expo-3-analisis-de-sensibilidad-metodo-
simplex
 http://matematicas.uclm.es/ita-
cr/web_matematicas/trabajos/248/Programacion_lineal.pdf
 https://docs.google.com/file/d/0B0BbpExPnl2JaFo2MXFQS1p3TjA/preview