Anlisis de Sensibilidad o Postoptimal

El anlisis de sensibilidad o postoptimal para los modelos de Programacin Lineal, tiene por objetivo identificar el
impacto que resulta en los resultados del problema original luego de determinadas variaciones en los parmetros,
variables o restricciones del modelo, sin que esto pase por resolver el problema nuevamente.
Es decir, ya sea si resolvemos nuestro modelo grficamente o utilizando el Mtodo Simplex, lo que se busca es que
estas variaciones o sensibilidad hagan uso de la solucin y valor ptimo actual, sin tener la necesidad de resolver para
cada variacin un nuevo problema. En especial nos concentraremos en el anlisis de sensibilidad o postoptimal que hace
uso de la tabla final del Mtodo Simplex.
TEORA
Siguiendo la notacin utilizada en la seccin dedicada al Mtodo Simplex en nuestro sitio, ste opera para modelos de
Programacin Lineal en un formato estndar.
Min cTx
s.a

Ax=b
x >= 0

Donde la tabla final del Mtodo mantiene la siguiente estructura:

Donde:

I: Matriz Identidad

0: Costos reducidos asociados a las variables bsicas

B: Matriz de variables bsicas

D: Matriz de variables no bsicas

b: Lado derecho

Cb: Coeficientes en la funcin objetivo asociados a las variables bsicas

Cd: Coeficientes en la funcin objetivo asociados a las variables no bsicas

1. Cambio en el "lado derecho" de las restricciones: Lo que se busca identificar si las actuales variables bsicas se
mantienen luego de la modificacin de uno o ms parmetros asociados al "lado derecho" del modelo. Si calculamos:

y se cumple
con el nuevo

, Las mismas variables bsicas lo son tambin de la nueva solucin ptima, calculada

. Si lo anterior no se cumple, se puede aplicar el Mtodo Simplex Dual.

EJEMPLO: Sin resolver nuevamente el problema, se desea saber si las actuales variables bsicas ptimas del problema
tambin lo son del mismo problema, donde los lados derechos corresponde al vector b=(20,30). (Observacin: X4 y X5
son variables de holgura de la restriccin 1 y 2 respectivamente)
Max
sa:

2x1+7x2-3x3
x1+3x2+4x3<=30
x1+4x2-x3<= 10
x1,x2,x3 >= 0

X1

X2

X3

X4

X5

-1

-1

20

-1

10

201

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

Luego, dado que al menos uno de los coeficientes del nuevo lado derecho tiene un valor negativo, cambia la actual base
ptima. Cabe destacar que ante esta situacin 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
funcin objetivo.

X1

X2

X3

X4

X5

-1

-1

-10

-1

30

60

Posteriormente, se continua iterando haciendo uso del Mtodo Simplex Dual. (Ver referencia a la derecha).
2. Inclusin 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 solucin bsica es ptima para el nuevo problema, calculamos el costo
reducido de la nueva variable como:

donde k es el ndice de la nueva variable y Ak su respectiva columna en la matriz de

coeficientes. Si se cumple que rk>=0 se conserva la actual solucin ptima. 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

cada

restriccin.

problema, Conviene elaborar el producto?

Max
sa:

9x1+12x2
4x1+3x2<=180
2x1+3x2<=150
4x1+2x2<=160
x1,x2 >= 0

X1

X2

X3

X4

X5

1/2

-1/2

15

-1/3

2/3

40

-4/3

2/3

20

1/2

7/2

615

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

Sin

resolver

nuevamente

el

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

X1 X2

X3

X4

X5 XNew

1/2

-1/2

15

-1/3

2/3

40

-4/3

2/3

20

1/2

7/2

615

Si el costo reducido de esta nueva variable hubiese sido cero, entonces el nuevo escenario tendra infinitas soluciones.
3. Cambio en los Coeficientes Funcin Objetivo: Se busca identificar qu ocurre con la actual solucin ptima del
escenario base si se cambian uno o varios de los coeficientes que definen la funcin objetivo. La solucin ptima actual
tambin lo ser para el nuevo escenario siempre que los nuevos costos reducidos sean mayores o iguales a cero (notar
que tambin cambia el valor de la funcin objetivo en la actual solucin ptima). 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 solucin bsica.
EJEMPLO: Sin resolver nuevamente el problema, se desea saber que sucede si se modifica los parmetros de la
funcin objetivo, quedando stos de la siguiente forma: Z = x1 + 5x2 - 2x3. (X4 y X5 son las variables de holgura de
la restriccin 1 y 2 respectivamente).
Max
sa:

2x1+7x2-3x3
x1+3x2+4x3<=30
x1+4x2-x3<=10
x1,x2,x3 >= 0

X1

X2

X3

X4

X5

-1

-1

20

-1

10

20

Debido a que los cambios en los parmetros de la funcin objetivo se producen en ms de una variable consideraremos
la siguiente frmula:

Debido a que al menos uno de los costos reducidos de las variables no bsicas se ha vuelto negativo, entonces cambia la
actual solucin y valor ptimo del problema. Para incorporar esta modificacin en la tabla final del Mtodo Simplex se
actualiza los costos reducidos asociados a las variables no bsicas, adems del valor ptimo, quedando como sigue:

X1

X2

X3

X4

X5

-1

-1

20

-1

10

-1

10

4. Inclusin de una nueva restriccin: Para saber si la actual solucin y valor ptimo se mantendr luego de
incorporar una nueva restriccin al problema se debe evaluar la solucin actual y verificar si satisface la nueva
restriccin. En caso afirmativo, la actual solucin tambin lo ser del problema con la nueva restriccin, en caso
contrario se incorpora la nueva restriccin 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 restriccin de
la forma: 3x1 + 2x2 + 3x3 <= 25. (Observacin: Considerar mismo modelo y tabla final del ejemplo anterior)
Se evalua la solucin actual en la restriccin: 3*(10) + 2*(0) + 3*(0) <= 25. No cumple. Por tanto se incorpora esta
nueva restriccin como fila a la tabla final del Simplex. Adicionalmente, se agrega X6 como variable de holgura
asociada a esta nueva restriccin:

X1

X2

X3

X4

X5

X6

-1

-1

20

-1

10

25

20

Una alternativa para encontrar el ptimo a travs de esta tabla es formar la identidad (debemos hacer cero el
parmetro 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

-1

-1

20

-1

10

-10

-3

-5

20

Finalmente obtenemos X4, X1 y X6 como variables bsicas. Producto de la transformacin un lado derecho queda
negativo y en este caso podemos continuar adelante utilizando el Mtodo Simplex Dual.

Costo reducido: Cantidad que tendra que mejorar un coefi ciente de la funcin objetivo
(aumentar para un problema de maximizacin, disminuir para un problema de minimizacin)
antes de que la variable correspondiente pueda tomar un valor positivo en la solucin ptima.
En algunos libros se asocia el trmino precio sombra con cada restriccin y se relaciona de manera
estrecha con el concepto de precio dual. El precio sombra asociado con una restriccin es el cambio
en el valor del incremento unitario de la solucin ptima en el lado derecho de la restriccin; el precio
dual y el precio sombra son los mismos para todos los programas lineales de maximizacion. En
los programas lineales de minimizacion, el precio sombra es el negativo del precio dual correspondiente.

PRECIO SOMBRA DE LAS RESTRICCIONES: El precio sombra corresponde a una tasa de cambio del valor
ptimo ante una modificacin marginal de un lado derecho de una restriccin. Por ejemplo, el lado derecho de la
restriccin 1 es 315 y su precio sombra es 8. El intervalo donde este precio sombra es vlido es [275,675] es
decir que cualquier variacin de dicho lado derecho en ese intervalo provocar una variacin proporcional al
precio sombra en cuanto al valor de la funcin objetivo. Por ejemplo, si el lado derecho aumenta de 315 a 415 el
nuevo valor ptimo ser V(P)=6.620 + (415-315)*8 = 7.420. Nuevamente se asume que el resto de los
parmetros del modelo permanecen constante. Adems es importante notar que el precio sombra no
necesariamente debe ser un aumento del lado derecho.
Otro aspecto relevante del precio sombra resulta ser su significado econmico. Los lados derechos en el caso
de un modelo de maximizacin generalmente estn asociados a la disponibilidad de recursos escasos, por
ejemplo, para la utilizacin en un proceso productivo (materiales, horas hombre, recursos financieros, etc). En
este sentido el precio sombra puede representar una disposicin a pagar por unidad adicional de recurso. En el
ejemplo anterior se puede considerar que como mximo se pagar $8 por cada unidad adicional del recurso (lado
derecho) de la primera restriccin. Si el precio del recurso es menor al precio sombra entoces existir un
incentivo a "comprar" ms debido a que esto tendr un impacto neto positivo en la funcin objetivo.