1.

INTRODUCCIN

En el transcurso del presente trabajo se tratarn temticas sobre problemas de

programacin lineal, por lo tanto es necesario presentar la terminologa y notacin
bsica que se emplea en estos casos.
Un ejemplo de los trminos clave utilizados son recursos y actividades en los
que m denota el nmero de tipos de recursos que se pueden usar y n el
nmero de actividades que se consideran. Algunos ejemplos de recursos son
dinero y tipos especiales de maquinaria, equipo, vehculos y personal. Los
ejemplos de actividades incluyen inversin en proyectos especficos, publicidad en
un medio determinadoy el envo de bienes de cierta fuente a cierto destino. En
cualquier aplicacin de programacin lineal es posible que todas las actividades
sean de un tipo general (como cualquiera deestos tres ejemplos), a consecuencia
de lo cual cada una correspondera en forma individual a las alternativas
especficas dentro de esta categora general.
El tipo ms usual de aplicacin de programacin lineal involucra la asignacin de
recursos a ciertas actividades. La cantidad disponible decada recurso es limitada,
de forma que debe asignarse con todo cuidado. La determinacin de esta
asignacin implica elegir los niveles de las actividades que lograrn el mejor valor
posible de la medida global de desempeo.
Ciertos smbolos se usan de manera convencional para denotar los diversos
componentes de un modelo de programacin lineal. Estos smbolos se enumeran
a continuacin, junto con su interpretacin para el problema general de asignacin
de recursos a actividades:
Z

= Valor de la medida global de desempeo.

xj

= Nivel de la actividad

cj

= Incremento en

bi
i
aij

(para

j=1,2, , n ).

que se obtiene al aumentar una unidad.

= Cantidad de recurso
= 1, 2,, m ).

disponible para asignar a las actividades (para

= Cantidad de recurso

consumido por cada unidad de la actividad

j .

El modelo general plantea el problema en trminos de tomar decisiones sobre los

niveles de las actividades, por lo que x 1 , x 2 , x 3 , , x n se llaman
variables de decisin. Como se resume en la Figura 1, los valoresde c j , bi
y aij (para i=1, 2,3, , m y j=1,2, 3, ,n ) son las constantes de entrada
al modelo. c j , bi

aij

Tambin se conocen como parmetros del

modelo.
Figura 1. Datos necesarios para elaborar un modelo de programacin lineal para manejar la asignacin
de recursos a actividades

Fuente 1

2. ANLISIS DE SENSIBILIDAD

El anlisis de sensibilidad es un mtodo que busca determinar el efecto que

tendra sobre la solucin ptima que proporciona el mtodo simplex, el hecho de
que los parmetros tomen otros valores posibles. Entre los cambios que se
investigan estn: los cambios en los coeficientes de las variables en
la funcin objetivo (para variables bsicas y para las no bsicas), cambios en los
recursos disponibles de las restricciones, variacin de los coeficientes de las
restricciones e introduccin de una nueva.
El objetivo principal del anlisis de sensibilidad es identificar el intervalo permisible
de variacin en los cuales las variables o parmetros pueden fluctuar sin que
cambie la solucin ptima. Sin embargo, as mismo, pueden identificarse aquellos
parmetros sensibles, es decir, aquellos cuyos valores no pueden cambiar sin que
cambie la solucin ptima.
Normalmente, en una empresa, el trabajo del equipo de investigacin de
operaciones apenas comienza una vez que se aplica con xito el mtodo simplex
para identificar una solucin ptima para el modelo. Para resolver problemas de
programacin lineal, uno de los supuestos asumidos es que todos los parmetros
del modelo ( c j , bi y aij ) son constantes conocidas, aunque en realidad los
valores de los parmetros que se usan en el modelo casi siempre son slo
estimaciones basadas en una prediccin de las condiciones futuras. Con
frecuencia, los datos que se obtienen para desarrollar estas estimaciones son
bastante burdos o no existen, as que los parmetros de la formulacin original
pueden representar tan slo la opinin proporcionada por el personal de lnea.
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 investigacin de
operaciones deben mantener cierto escepticismo saludable respecto de los
nmeros originales que les proporcionala computadora y, en muchos casos, los
tomarn nada ms como un punto de partida parael anlisis posterior del
problema. Una solucin ptima lo es slo en lo que se refiere al modelo
especfico que se usa para representar el problema real y esa solucin no se
convierte en unagua confiable para la accin hasta verificar que su
comportamiento es bueno tambin para otras representaciones razonables del
problema. An ms, algunas veces los parmetros del modelo (en particular las
bi ) se establecen como resultado de decisiones basadas en polticas
administrativas (por ejemplo, la cantidad de ciertos recursos que se ponen a
disposicin de las actividades), y estas decisiones deben revisarse despus de
detectar sus consecuencias potenciales. Por estas razones es importante llevar a
cabo un anlisis de sensibilidad.
3

Por tanto, un objetivo fundamental del anlisis de sensibilidad es identificar los

parmetros sensibles (los parmetros cuyos valores no pueden cambiar sin que
cambie la solucin ptima). Para coeficientes de la funcin objetivo que no estn
clasificados como sensibles, tambin puede resultar de gran utilidad determinar el
intervalo de valores del parmetro para el que la solucin ptima no cambia (este
intervalo de valores se conoce como intervalo permisible para ese coeficiente).
En algunos casos, el cambio del valor de un parmetro en la columna del lado
derecho dentro de una restriccin funcional puede afectar la factibilidad de la
solucin bsica ptima. Para manejar tales parmetros, es til determinar el
intervalo de valores para el que la solucin bsica factible ptima (con los valores
ajustados de las variables bsicas) seguir siendo factible. El intervalo descrito
anteriormente recibe el nombre de intervalo permisible por el lado derecho
involucrado.
Tal informacin es de vital importancia en dos sentidos: Primero, identifica los
parmetros ms importantes, por lo que se debe tener un cuidado especial para
hacer estimaciones cercanas y seleccionar una solucin que tenga un buen
desempeo para la mayora de los valores posibles. Segundo, identifica los
parmetros que ser necesario controlar muy de cerca cuando el estudio se
implante.
Si se descubre que el valor real de un parmetro est fuera de su intervalo de
valores permisibles, sta es una seal incontrastable de que es necesario cambiar
la solucin. Para problemas pequeos, la verificacin del efecto de una variedad
de cambios en los valores de los parmetros es directa con slo aplicar de nuevo
el mtodo simplex para ver si cambia la solucin ptima. Esto es conveniente
cuando se usa una formulacin en hoja de clculo. Una vez que se programa el
uso de la herramienta Solver y se ha preparado para obtener una solucin ptima,
slo se hacen los cambios deseados y se elige el botn de resolver otra vez.
Sin embargo, en problemas ms grandes como los que se encuentran en la
prctica, el anlisis de sensibilidad requerira de un esfuerzo computacional
exorbitante si fuera necesario volver a aplicar el mtodo simplex desde el principio
para investigar cada cambio en el valor de un parmetro. Para evitar realizar el
procedimiento anterior, se propone la siguiente idea fundamental que es la base
del anlisis de sensibilidad.
2.1 Idea fundamental
Considere la siguiente situacin:
Se ha empleado el mtodo simplex para obtener una solucin ptima para un
modelo de programacin lineal con valores especficos de los parmetros c j ,
4

bi

aij . Para iniciar el anlisis de sensibilidad al menos uno de los

parmetros ser modificado. Despus de hacer los cambios, sean

aij

c j , b i

los valores de los distintos parmetros. Entonces, en notacin matricial,