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.
TEORÍA
Min cTx
s.a Ax1 = b
x >= 0
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
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).
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?
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
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).
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