Tema de Investigación:

ANALISIS DE SENBILIDAD

Presentado por:
- Mozombite Taipe, Stephanie
- Sierra Berdiales, Víctor
- Trinidad Rojas, Geraldyne
- Vega Bernuy, Gabriela
- Zarzosa Sánchez, Andeleine

Profesor:
- Mg. Sánchez Guzmán, Jorge

Universidad Nacional José Faustino Sánchez Carrión

Facultad de Ingeniería Química y Metalúrgica
Escuela Ingeniería Química
Huacho - 2016
Contenido
INTRODUCCIÓN AL ANÁLISIS DE SENSIBILIDAD .................................................................................. 3
ANALISIS DE SENSIBILIDAD .................................................................................................................. 4
ANALISIS DE SENSIBILIDAD GRAFICA................................................................................................... 4
ANÁLISIS DE SENSIBILIDAD ALGEBRAICA. CAMBIOS EN EL LADO DERECHO ...................................... 6
ANÁLISIS DE SENSIBILIDAD ALGEBRAICA. FUNCIÓN OBJETIVO ........................................................ 12
ANÁLISIS DE SENSIBILIDAD CON TORA, SOLVER, Y AMP................................................................... 16
BIBLIOGRAFÍA .................................................................................................................................... 19

ANÁLISIS DE SENSIBILIDAD 2
 INTRODUCCIÓN AL ANÁLISIS DE SENSIBILIDAD
El trabajo del equipo de investigación de operaciones recién se inicia cuando se ha aplicado
con éxito el método simplex para identificar una solución óptima. Una suposición de
programación lineal es que todos los parámetros del modelo (aij, bij y cij) son constantes
conocidas. En realidad, los valores de los parámetros que se usan en este modelo son sólo
estimaciones basadas en una predicción de las condiciones futuras. Los datos obtenidos para
desarrollar estas estimaciones con frecuencia son bastante imperfectos o no existen, es por
esta razón que los parámetros de la formulación original pueden representar poco más que
algunas pequeñas reglas proporcionadas por el personal de línea el que tal vez se sintió
presionado para dar su opinión. Los datos pueden incluso representar estimaciones optimistas
o pesimistas que protegen los intereses de los estimadores.
Por todo esto, un gerente razonable y el personal de investigación de operaciones mantendrán
cierto escepticismo respecto a los valores originales entregados por el computador y, en los
muchos casos, los considerarán solamente como un punto de inicio para el análisis posterior
del problema. Una solución "óptima" es óptima nada más en lo que se refiere al modelo
específico que se está usando para representar el problema real, y tal solución no se convierte
en una guía confiable para la acción hasta que se verifica que su comportamiento es bueno
para otras representaciones razonables del problema. Aún más, algunas veces los parámetros
del modelo (en particular bii) se establecen como resultado de decisiones por políticas
gerenciales, y estas decisiones deben revisarse después de detectar sus consecuencias.
Estas son las razones por las cuales es importante llevar a cabo un análisis de
sensibilidad, para investigar el efecto que tendría sobre la solución óptima proporcionada por
el método símplex el hecho de que los parámetros tomaran otros valores posibles. En general,
habrá algunos parámetros a los que se les pueda asignar cualquier valor razonable sin que
afecten la optimalidad de la solución. Sin embargo, también existirán parámetros con valores
probables que nos lleven a una nueva solución óptima. Esta situación es particularmente
preocupante, si la solución original adquiere valores sustancialmente inferiores en la función
objetivo, ¡o tal vez no factibles!
Por lo tanto, el objetivo fundamental del análisis de sensibilidad es identificar los parámetros
sensibles, (por ejemplo, los parámetros cuyos valores no pueden cambiar sin que cambie la
solución óptima). Para ciertos parámetros 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 permanecer óptimo). En algunos casos, cambiar el valor de un parámetro puede afectar
la factibilidad de la solución BF óptima. Para 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 para
permanecer factible).
La información de este tipo es invaluable en dos sentidos. Primero, identifica los parámetros
más importantes, con lo que se puede poner un cuidado especial al hacer sus estimaciones y
al seleccionar una solución que tenga un buen desempeño para la mayoría de los valores
posibles. Segundo, identifica los parámetros que será necesario controlar de cerca cuando el
estudio se lleve a la práctica. Si se descubre que el valor real de un parámetro se encuentra

ANÁLISIS DE SENSIBILIDAD 3
fuera de su intervalo de valores permisibles, ésta es una señal de que es necesario cambiar la
solución.
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 lo 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 método símplex (o el símplex dual) para encontrar una nueva solución óptima, si se
desea. Si los cambios realizados en el modelo no son cambios mayores, sólo se requerirán
unas cuantas iteraciones para obtener la nueva solución óptima a partir de esta solución básica
inicial "avanzada".

ANALISIS DE SENSIBILIDAD
En PL, los parámetros (datos de entrada) del modelo pueden cambiar dentro de ciertos límites
sin que cambie la solución óptima. Esto se conoce como análisis de sensibilidad y será el
tema de esta sección. Más adelante, en el capítulo 4 estudiaremos el análisis post óptimo, el
cual tiene que ver con la determinación de la nueva solución óptima cuando se cambian
ciertos datos de entrada.
La presentación explica las ideas básicas del análisis de sensibilidad por medio de la solución
gráfica, y después se extienden al problema general de PL con base en los resultados que
aparecen en la tabla simplex.

ANALISIS DE SENSIBILIDAD GRAFICA

Esta sección demuestra la idea general del análisis de sensibilidad. Se considerarán dos casos:
1. La sensibilidad de la solución óptima a los cambios de la disponibilidad de los
recursos (lado derecho de las restricciones).
2. La sensibilidad de la solución óptima a los cambios en la utilidad unitaria o el costo
unitario (coeficientes de la función objetivo).
Ejemplo: (Cambios en el lado derecho).
JOBCO fabrica dos productos en dos máquinas. Una unidad del producto 1 requiere 2 horas
en la máquina 1, y 1 hora en la máquina 2. Una unidad del producto 2 requiere 1 hora en la
máquina 1, y 3 horas en la máquina 2. Los ingresos por unidad de los productos 1 y 2 son de
$30 y $20, respectivamente. El tiempo de procesamiento diario total disponible en cada
máquina es de 8 horas.
Si 𝑥1 y 𝑥2 son las cantidades diarias de unidades de los productos 1 y 2, respectivamente, el
modelo de PL se da como:
Maximizar 𝑧 = 30𝑥1 + 20𝑥2
s.a:
2𝑥1 + 𝑥2 ≤ 8 (Maquina 1)
𝑥1 + 3𝑥2 ≤ 8 (Maquina 2)
𝑥1 , 𝑥2 ≥ 0

ANÁLISIS DE SENSIBILIDAD 4
En la figura de abajo se ilustra el cambio de la solución óptima cuando se cambia la
capacidad de la máquina 1. Si la capacidad diaria se incrementa de 8 a 9 horas, el nuevo
óptimo se moverá al punto G. La tasa de cambio en la z óptima a consecuencia del cambio
de la capacidad de la máquina 1 de 8 a 9 horas se calcula como:

Sensibilidad grafica de la solución óptima a cambios en la disponibilidad de recursos (lado

derecho de las restricciones).

ANÁLISIS DE SENSIBILIDAD 5
La tasa calculada proporciona un vínculo directo entre los datos de entrada al modelo
(recursos) y sus resultados (ingreso total). Se dice que un incremento unitario (reducción) en
la capacidad de la máquina 1 aumentará (reducirá) el ingreso en $14.00.
El nombre valor unitario de un recurso es una descripción apropiada de la tasa de cambio
de la función objetivo por cambio unitario de un recurso. No obstante, los primeros
desarrollos de la PL acuñaron el nombre abstracto de precio dual (o sombra), y ahora este
nombre es un estándar en toda la literatura de PL y en paquetes de “software”. La
presentación en este libro se ajusta a este estándar.
En la figura 3.12 podemos ver que el precio dual de $14/h permanece válido para cambios
(incrementos o reducciones) en la capacidad de la máquina 1 que mueven su restricción
paralela a sí misma a cualquier punto sobre el segmento de línea BF. Calculamos las
capacidades de la máquina 1 en los puntos B y F como sigue:
Capacidad mínima de la maquina 1 [en 𝐵 = (0.267)] = 2 × 0 + 1 × 2.67 = 2.67ℎ
Capacidad máxima de la maquina 1 [en 𝐹 = (8,0)] = 2 × 8 + 1 × 0 = 16ℎ

La conclusión es que el precio dual de $ 14⁄ℎ permanece valido en el intervalo

2.67ℎ ≤ 𝐶𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑞𝑢𝑖𝑛𝑎 1 ≤ 16ℎ
Los cambios fuera de este intervalo producen un precio dual diferente (valor por unidad).
Elaborando cálculos similares podemos verificar que el precio dual para la capacidad de la
máquina 2 es de $ 2.00⁄ℎ, y que no cambia cuando su capacidad se mantiene dentro de
segmento de línea DE. Ahora:

Capacidad mínima de la maquina 2 [en 𝐷 = (4,0)] = 1 × 4 + 3 × 0 = 4ℎ

Capacidad máxima de la maquina 2 [en 𝐸 = (8,0)] = 1 × 0 + 3 × 8 = 24ℎ
Por lo tanto, el precio dual de $ 200⁄ℎ para la maquina 2 no cambia dentro del intervalo
4ℎ ≤ 𝐶𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑑𝑒 𝑙𝑎 𝑚á𝑞𝑢𝑖𝑛𝑎 2 ≤ 24ℎ
Los límites calculados para las máquinas 1 y 2 se conocen como intervalos de factibilidad.
Todos los paquetes de “software” proporcionan información sobre los precios duales y sus
intervalos de factibilidad. La sección 3.6.4 muestra cómo generan esta información AMPL,
Solver y TORA.

ANÁLISIS DE SENSIBILIDAD ALGEBRAICA. CAMBIOS EN EL LADO

DERECHO
El análisis de sensibilidad o postoptimal para los modelos de Programación Lineal, tiene por
objetivo identificar el impacto que resulta en los resultados del problema original luego de
determinadas variaciones en los parámetros, variables o restricciones del modelo, sin que
esto pase por resolver el problema nuevamente.
Es decir, ya sea si resolvemos nuestro modelo gráficamente o utilizando el Método Simplex,
lo que se busca es que estas variaciones o sensibilidad hagan uso de la solución y valor óptimo
actual, sin tener la necesidad de resolver para cada variación un nuevo problema. En especial

ANÁLISIS DE SENSIBILIDAD 6
nos concentraremos en el análisis de sensibilidad o postoptimal que hace uso de la tabla final
del Método Simplex.

¿Qué es?
Siguiendo la notación utilizada en la sección dedicada al Método Simplex en nuestro sitio,
éste opera para modelos de Programación Lineal en un formato estándar.
Min cTx
s.a Ax = b
x >= 0
Donde la tabla final del Método mantiene la siguiente estructura:

 Donde:
 I: Matriz Identidad
 0: Costos reducidos asociados a las variables básicas
 B: Matriz de variables básicas
 D: Matriz de variables no básicas
 b: Lado derecho
 Cb: Coeficientes en la función objetivo asociados a las variables básicas
 Cd: Coeficientes en la función objetivo asociados a las variables no básicas
1. Cambio en el "lado derecho" de las restricciones: Lo que se busca identificar si las
actuales variables básicas se mantienen luego de la modificación de uno o más parámetros
asociados al "lado derecho" del modelo. Si calculamos:

y se cumple , Las mismas variables básicas lo son también de la nueva

solución óptima, calculada con el nuevo . Si lo anterior no se cumple, se puede aplicar el
Método Simplex Dual.
EJEMPLO: Sin resolver nuevamente el problema, se desea saber si las actuales variables
básicas óptimas del problema también lo son del mismo problema, donde los lados derechos
corresponde al vector b= (20,30). (Observación: X4 y X5 son variables de holgura de la
restricción 1 y 2 respectivamente)

ANÁLISIS DE SENSIBILIDAD 7
Max 2x1 + 7x2 - 3x3
sa: x1 + 3x2 + 4x3 <= 30
x1 + 4x2 - x3 <= 10
x1,x2,x3 >= 0

X1 X2 X3 X4 X5

0 -1 5 1 -1 20

1 4 -1 0 1 10

0 1 1 0 2 201

Para analizar este escenario debemos calcular el vector de variables básicas y verificar si
todos sus componentes son positivos definidos. Nótese que para esto necesitamosla matriz B
inversa, la cual fácilmente podemos rescatar identificando los parametros asociados a X4 y
X5 (variables de holgura de la restricción 1 y 2 respectivamente) en la tabla final del Método
Simplex:

Luego, dado que al menos uno de los coeficientes del nuevo lado derecho tiene un valor
negativo, cambia la actual base óptima. Cabe destacar que ante esta situación no es necesario
resolver el nuevo escenario partiendo de cero, sino lo que se debe hacer es utilizar la tabla
final del simplex del escenario base, actualizando el lado derecho y valor de la función
objetivo.

X1 X2 X3 X4 X5

0 -1 5 1 -1 -10

1 4 -1 0 1 30

0 1 1 0 2 60

Posteriormente, se continúa iterando haciendo uso del Método Simplex Dual. (Ver referencia
a la derecha).
2. Inclusión de una nueva variable: Debemos evaluar si la nueva variable es un aporte
significativo a los resultados del modelo original. Luego, para decir si la actual solución
básica es óptima para el nuevo problema, calculamos el costo reducido de la nueva variable
como:

, donde k es el índice de la nueva variable y Ak su respectiva columna

en la matriz de coeficientes. Si se cumple que rk>=0 se conserva la actual solución óptima.

ANÁLISIS DE SENSIBILIDAD 8
En caso contrario, se puede seguir con el Simplex agregando a la tabla una nueva columna
con entradas B-1Ak y rk y tomando como variable entrante a la nueva base la que acabamos
de introducir al problema.
EJEMPLO: Se desea estudiar la posibilidad de elaborar un nuevo producto con beneficio
neto igual a 8 y que requiere 4, 2y 5 unidades de los recursos asociados a cada restricción.
Sin resolver nuevamente el problema, ¿Conviene elaborar el producto?
Max 9x1 + 12x2
sa: 4x1 + 3x2 <= 180
2x1 + 3x2 <= 150
4x1 + 2x2 <= 160
x1,x2 >= 0

X1 X2 X3 X4 X5

1 0 1/2 -1/2 0 15

0 1 -1/3 2/3 0 40

0 0 -4/3 2/3 1 20

0 0 1/2 7/2 0 615

Se debe evaluar rk y determinar si este es >=0.

En este ejemplo rk=1>=0, por lo cual no conviene la incorporación de esta nueva variable al
modelo, es decir, aun cuando sea incorporada no obtendremos un valor óptimo que supere el
actual V (P)=615. De todas formas, mostraremos como se incluye en la tabla final del
Simplex esta modificación de modo que el lector pueda entender su incorporación cuando es
necesario:

ANÁLISIS DE SENSIBILIDAD 9
 X1 X2 X3 X4 X5 XNew

-
1 0 1/2 0 1 15
1/2

-
0 1 2/3 0 0 40
1/3

-
0 0 2/3 1 1 20
4/3

0 0 1/2 7/2 0 1 615

Si el costo reducido de esta nueva variable hubiese sido cero, entonces el nuevo escenario
tendría infinitas soluciones.
3. Cambio en los Coeficientes 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. 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.
EJEMPLO: Sin resolver nuevamente el problema, se desea saber que sucede si se modifica
los parámetros de la función objetivo, quedando éstos de la siguiente forma: Z = x1 + 5x2 -
2x3. (X4 y X5 son las variables de holgura de la restricción 1 y 2 respectivamente).
Max 2x1 + 7x2 - 3x3
sa: x1 + 3x2 + 4x3 <= 30
x1 + 4x2 - x3 <= 10
x1,x2,x3 >= 0

ANÁLISIS DE SENSIBILIDAD 10
 X1 X2 X3 X4 X5

0 -1 5 1 -1 20

1 4 -1 0 1 10

0 1 1 0 2 20

Debido a que los cambios en los parámetros de la función objetivo se producen en más de
una variable consideraremos la siguiente fórmula:

Debido a que al menos uno de los costos reducidos de las variables no básicas se ha vuelto
negativo, entonces cambia la actual solución y valor óptimo del problema. Para incorporar
esta modificación en la tabla final del Método Simplex se actualiza los costos reducidos
asociados a las variables no básicas, además del valor óptimo, quedando como sigue:

X1 X2 X3 X4 X5

0 -1 5 1 -1 20

1 4 -1 0 1 10

0 -1 1 0 1 10

4. Inclusión de una nueva restricción: Para saber si la actual solución y valor óptimo se
mantendrá luego de incorporar una nueva restricción al problema se debe evaluar la solución
actual y verificar si satisface la nueva restricción. En caso afirmativo, la actual solución
también lo será del problema con la nueva restricción, en caso contrario se incorpora la nueva
restricción a la tabla final del Simplex del escenario base.
EJEMPLO: Sin resolver nuevamente el problema, se desea saber que sucede si se considera
una nueva restricción de la forma: 3x1 + 2x2 + 3x3 <= 25. (Observación: Considerar mismo
modelo y tabla final del ejemplo anterior)

ANÁLISIS DE SENSIBILIDAD 11
Se evalúa la solución actual en la restricción: 3*(10) + 2*(0) + 3*(0) <= 25. No cumple. Por
tanto, se incorpora esta nueva restricción como fila a la tabla final del Simplex.
Adicionalmente, se agrega X6 como variable de holgura asociada a esta nueva restricción:

X1 X2 X3 X4 X5 X6

0 -1 5 1 -1 0 20

1 4 -1 0 1 0 10

3 2 3 0 0 1 25

0 1 1 0 2 0 20

Una alternativa para encontrar el óptimo a través de esta tabla es formar la identidad
(debemos hacer cero el parámetro asociado a X1 en la tercera fila) multiplicando la fila 2 por
-3 y sumando dicho resultado a la fila 3. De esta forma se obtiene:

X1 X2 X3 X4 X5 X6

0 -1 5 1 -1 0 20

1 4 -1 0 1 0 10

0 -10 6 0 -3 1 -5

0 1 1 0 2 0 20

Finalmente obtenemos X4, X1 y X6 como variables básicas. Producto de la transformación

un lado derecho queda negativo y en este caso podemos continuar adelante utilizando el
Método Simplex Dual.

ANÁLISIS DE SENSIBILIDAD ALGEBRAICA. FUNCIÓN OBJETIVO

Anteriormente utilizamos el análisis de sensibilidad gráfica para determinar las condiciones
que mantendrán la optimalidad de la solución de una PL de dos variables. Ahora
extenderemos estas ideas al problema de programación lineal general.
DEFINICION DE COSTO REDUCIDO
Para facilitar la explicación del análisis de sensibilidad de la función objetivo, primero
tenemos que definir los costos reducidos. En el modelo de TOYCO, la ecuación z objetivo
que aparece en la tabla óptima puede escribirse como
𝐳 = 𝟏𝟑𝟓𝟎 − 𝟒𝐱 𝟏 − 𝐱 𝟒 − 𝟐𝐱 𝟓

ANÁLISIS DE SENSIBILIDAD 12
La solución óptima no produce trenes de juguete (x1 = 0 ). La razón se pone de manifiesto
en la ecuación z, donde un incremento unitario en x1 (sobre su valor de cero actual) reduce
a z en $4, es decir, z = 1350 - 4 * (1) - 1 * (0) -2 * (0) =$1346.
Podemos considerar el coeficiente de x1 en la ecuación z (5 4) como un costo unitario porque
reduce el ingreso z. Pero ¿de dónde proviene este “costo”? Sabemos que el ingreso por unidad
de x1 es de $3 (según el modelo original). También sabemos que la producción de trenes de
juguete incurre en un costo porque consume recursos (tiempo de operaciones). Por
consiguiente, desde el punto de vista de la optimización, el “atractivo” de x1 depende del
costo de los recursos consumidos con respecto al ingreso. Esta relación define el llamado
costo reducido y se formaliza en la literatura de PL como

Para apreciar la importancia de esta definición, en el modelo original de TOYCO el ingreso

por unidad de camiones de juguete (= $2) es menor que el de trenes de juguete (= $3). No
obstante la solución óptima recomienda producir camiones de juguete (𝐱 𝟐 = 100 unidades) y
nada de trenes (𝐱 𝟏 = 0). La razón es que el costo de los recursos consumidos por un camión
de juguete (es decir, tiempo de operaciones) es menor que su precio unitario; al contrario de
lo que sucede en el caso de los trenes de juguete.
Con la definición dada de costo reducido, podemos ver que una variable no rentable (como
𝐱 𝟏 ) puede hacerse rentable de dos maneras:
1. Incrementando el ingreso unitario.
2. Reduciendo el costo unitario de los recursos consumidos.
En la mayoría de las situaciones, las condiciones del mercado dictan el precio por unidad y
puede ser difícil incrementarlo a voluntad. Por otra parte, una opción más viable es reducir
el consumo de recursos porque el fabricante puede reducir el costo si hace que el proceso de
producción sea más eficiente.
DETERMINACION DE LOS INTERVALOS DE OPTIMALIDAD
Ahora nos enfocamos en la determinación de las condiciones que mantendrán una óptima
solución. El desarrollo se basa en la definición de costo reducido. En el modelo de TOYCO,
sean d1, d2 y d3 los cambios de los ingresos unitarios de camiones, trenes y autos,
respectivamente. La función objetivo se escribe entonces como
Maximizar z = (3 + d1 ) x1 + (2 + d2 ) x2 + (5 + d3 ) x3
Primero consideramos la situación general en la cual todos los coeficientes objetivos cambian
al mismo tiempo.
Con los cambios simultáneos, la fila z en la tabla de inicio aparece como:

ANÁLISIS DE SENSIBILIDAD 13
Cuando generamos la tabla simplex con la misma secuencia de las variables de entrada y
salida utilizadas en el modelo original (antes de que se realicen los cambios de d𝑖 ), la
iteración óptima aparecerá como sigue (convénzase de que éste si es el caso realizando las
operaciones de filas simplex):

La nueva tabla óptima es igual a la tabla óptima original, excepto por los costos reducidos
(coeficientes de la ecuación z). Esto significa que los cambios en los coeficientes de la
función objetivo pueden afectar sólo la optimalidad del problema.
En realidad no tiene que realizar la operación de filas simplex para calcular los nuevos costos
reducidos. Un examen de la nueva fila z muestra que los coeficientes de d𝑖 se toman
directamente de los coeficientes de las restricciones de la tabla óptima. Una
forma conveniente de calcular el nuevo costo reducido es agregar una nueva fila superior y
una nueva columna más a la izquierda de la tabla óptima, como lo muestran las áreas
sombreadas en la siguiente ilustración.

Las entradas en la fila superior son los cambios di asociados con la variable d𝑗 . En la columna
a la extrema izquierda, el elemento superior es 1 en la fila z seguido del cambio di de la
variable básica x1 . Tenga en cuenta que d𝑖 = 0 para la variable de holgura x𝑖 .

ANÁLISIS DE SENSIBILIDAD 14
Para calcular el nuevo costo reducido para cualquier variable (o el valor de z), multiplique
los elementos de su columna por los elementos correspondientes que aparecen en la columna
a la extrema izquierda, súmelos y reste el elemento en la fila superior de la suma. Por ejemplo,
para x1 , tenemos
1 3
Costo reducido de x1 = [4 * 1 + (- -4) * d2 + 2* d3 + 2 * 0] -d1
1 3
= 4 – 4 d2 + 2 d3 - d1

La solución actual permanece óptima en tanto los costos reducidos (coeficientes de la

ecuación z) permanezcan no negativos (caso de maximización). Por lo tanto tenemos las
siguientes condiciones de optimalidad simultáneas correspondientes a las x1, x4 y x5 no
básicas:

Recuerde que el costo reducido de una variable básica siempre es cero, como lo muestra la
tabla óptima modificada. Para ilustrar el uso de estas condiciones, suponga que la función
objetivo de TOYCO cambia de z = 3x1 + 2x2 + 5x3 a z 5 2x1 + x2 + 6x3. Entonces, d1 = 2
- 3 = -$1, d2 = 1-2 = - $1 y d3= 6 -5 = $1. La sustitución en las condiciones dadas presenta
el resultado

Los resultados muestran que los cambios propuestos mantendrán la solución actual (x1 = 0,
x2 = 100, x3 = 230) óptima (con un nuevo valor de z = 1350 + 100d2 + 230d3 = 1350 + 100
* - 1 + 230 *1 = $1480. Si cualquier condición no se satisface, debe determinarse una nueva
solución
El tema anterior abordó el caso de maximización. La única diferencia en el caso de
minimización es que los costos reducidos (coeficientes de la ecuación z) deben ser ≤ 0 para
mantener la optimalidad.
Los intervalos de optimalidad que tienen que ver con los cambios de d𝑖 uno a la vez pueden
desarrollarse a partir de las condiciones de optimalidad simultáneas. Por ejemplo, suponga
que el coeficiente objetivo de x2 sólo cambia a 2 1 d2; es decir que d1 5 d3 5 0. Las
condiciones de optimalidad simultáneas se reducen por lo tanto a

ANÁLISIS DE SENSIBILIDAD 15
Del mismo modo, puede verificar que los cambios individuales (3 + d3) y (5 + d3) para x1 y
8
x3 dan los intervalos de optimalidad d1 < 4 y d3≥ - 3 $ 2, respectivamente.

Las condiciones individuales dadas pueden traducirse a intervalos de ingresos unitarios

totales. Por ejemplo, para los camiones de juguete (variable x2), el ingreso unitario total es 2
+ d2, y su intervalo de optimalidad -2 ≤ d2 ≤ 8 se traduce a $0 ≤ (ingreso unitario del camión
de juguete) ≤ $10
Se supone que los ingresos unitarios de los trenes y autos de juguete permanecen fijos en $3
y $5, respectivamente.
Es importante observar que los cambios d1, d2 y d3 pueden estar dentro de sus intervalos
individuales permisibles sin satisfacer las condiciones simultáneas y viceversa. Por ejemplo,
considere z=6x1+8x2+3x3. En este caso d1 = 6 - 3 = $3, d2 = 8 - 2 = $6 y d3 = 3 - 5 = -$2,
los cuales quedan dentro de los intervalos individuales permisibles (-∞, d1 ≤ 4, - 2 d2 ≤ 8, y
8
- 3 d3 <∞) Sin embargo, las condiciones simultáneas correspondientes dan por resultado

ANÁLISIS DE SENSIBILIDAD CON TORA, SOLVER, Y AMP

Ahora contamos con todas las herramientas para descifrar los resultados proporcionados por
el software de PL, en particular con respecto al análisis de sensibilidad. Utilizaremos el
ejemplo de TOYCO para demostrar lo obtenido con TORA, Solver y AMPL. El reporte de
los resultados de PL obtenidos con TORA proporciona los datos del análisis de sensibilidad
de forma automática como se muestra en la figura 1.4.1 (archivo tora TOYCO.txt).

ANÁLISIS DE SENSIBILIDAD 16
 FIGURA 1.4.1 Análisis de sensibilidad, realizado con TORA para el modelo de TOYCO

Los resultados incluyen los costos reducidos y los precios duales así como los intervalos de
optimalidad y factibilidad permisibles. La figura 1.4.2 muestra el modelo de TOYCO
analizado con Solver (archivo solverTOYCO.xls) y su reporte del análisis de sensibilidad.

FIGURA 1.4.2 Reporte del análisis de sensibilidad realizado con Excel Solver para el
modelo de TOYCO
Después de hacer clic en la opción Solver en el cuadro de diálogo Solver Parameters, puede
solicitar el reporte del análisis de sensibilidad en el nuevo cuadro de diálogo Solver Results.
Luego haga clic en la pestaña Sensitivity Report 1 para ver los resultados. El reporte es
parecido al de TORA, con tres excepciones:

ANÁLISIS DE SENSIBILIDAD 17
(1) El costo reducido tiene un signo opuesto.

(2) Utiliza el nombre shadow price (precio sombra) en lugar de dual price (precio dual).

(3) Los intervalos de optimalidad son para los cambios dj y Dj y no para los coeficientes
objetivos totales y los lados derechos de las restricciones. Las diferencias son mínimas, y la
interpretación de los resultados no cambia.

En AMPL, el reporte del análisis de sensibilidad se obtiene de inmediato. El archivo

amplTOYCO.txt proporciona el código necesario para determinar los resultados obtenidos
con el análisis de sensibilidad. Requiere las instrucciones adicionales (el reporte se envía al
archivo a.out) siguientes:

Se requieren las instrucciones de CPLEX option para obtener el reporte del análisis de
sensibilidad estándar. En el modelo de TOYCO, las variables y restricciones con subíndices
utilizan los nombres de raíz x y oper., respectivamente. Utilizando estos nombres los sufijos
alusivos .down, .current y .up en las instrucciones generan automáticamente el reporte del
análisis de sensibilidad formateado que aparece en la figura 1.4.3 Los sufijos .dual y .rc
proporcionan el precio dual y el costo reducido.

FIGURA 1.4.3 Reporte del análisis de sensibilidad obtenido con AMPL para el modelo de
TOYCO

ANÁLISIS DE SENSIBILIDAD 18
BIBLIOGRAFÍA
 http://www.gestiondeoperaciones.net/programacion_lineal/analisis-de-sensibilidad-
en-programacion-lineal-utilizando-la-tabla-final-del-metodo-simplex/
 http://www.angelfire.com/ak6/invo_escom2/clase3.pdf
 http://www.investigaciondeoperaciones.net/analisis_de_sensibilidad.html
 Taha, H. A. (2012). Investigación De Operaciones. MEXICO: PEARSON
EDUACIÓN.

ANÁLISIS DE SENSIBILIDAD 19