ANÁLISIS DE SENSIBILIDAD

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

TEORÍA

Siguiendo la notación utilizada en la sección ded4icada al Método Simplex en nuestro sitio,

éste opera para modelos de Programación Lineal en un formato estándar.

Min cTx
s.a Ax1 = 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)

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 20

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 continua 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. 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, 2 y 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 cuándo 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:

X1 X2 X3 X4 X5 XNew
1 0 1/2 -1/2 0 1 15
0 1 -1/3 2/3 0 0 40
0 0 -4/3 2/3 1 1 20
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

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)

Se evalua 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.