Análisis de Sensibilidad

El análisis de sensibilidad busca determinar los efectos que se producen en la solución óptima al
realizar cambios en cualquiera de los parámetros del modelo de programación lineal planteado
inicialmente. Entre los cambios que se investigan están: los cambios en los coeficientes de
las variables en la función objetivo tanto para variables básicas como para las variables no básicas,
cambios en los recursos disponibles de las restricciones, variación de los coeficientes de utilización en
las restricciones e introducción de una nueva restricción.

El objetivo principal del análisis de sensibilidad es identificar el intervalo permisible de variación en los
cuales las variables o parámetros pueden fluctuar sin que cambie la solución optima. Sin
embargo, así mismo se identifica aquellos parámetros sensibles, es decir, los parámetros cuyos
valores no pueden cambiar sin que cambie la solución óptima. Los investigadores de operaciones
tienden a prestar bastante atención a aquellos parámetros con holguras reducidas en cuanto a los
cambios que pueden presentar, de forma que se vigile su comportamiento para realizar los ajustes
adecuados según corresponda y evitar que estas fluctuaciones pueden desembocar en
una solución no factible.

A modo general, cuando se realiza un análisis de sensibilidad a una solución óptima se debe verificar
cada parámetro de forma individual, dígase los coeficientes de la función objetivo y los limites de cada
una de las restricciones. En ese sentido se plantea el siguiente procedimiento:

1. Revisión del modelo: se realizan los cambios que se desean investigar en el modelo.
2. Revisión de la tabla final Símplex: se aplica el criterio adecuado para determinar los cambios
que resultan en la tabla final Símplex.
3. Conversión a la forma apropiada de eliminación Gauss: se convierta la tabla en la forma
apropiada para identificar y evaluar la solución básica actual, para lo cual se aplica
la metodología de eliminación Gauss si es necesario.
4. Prueba de factibilidad: se prueba la factibilidad de esta solución mediante la verificación de
que todas las variables básicas de la columna del lado derecho aun tengan valores no
negativos.
5. Prueba de optimalidad: se verifica si esta solución es optima y factible, mediante
la comprobación de que todos lo coeficientes de las variables
no básicas del reglón Z permanecen no negativos.
6. Reoptimización: si esta solución no pasa una de las pruebas indicadas en los puntos 4 y 5
anteriores, se procede a buscar la nueva solución optima a partir de la tabla actual como
tabla Símplex inicial, luego de aplicadas las conversiones de lugar, ya sea con
el método Símplex o el Símplex Dual.

investigaciondeoperacionesind331.blogspot.com/p/analisis-de-sensibilidad.html
Análisis de Sensibilidad o Postoptimal

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 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)

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 necesitamos la matriz B inversa, la cual
fácilmente podemos rescatar identificando los parámetros 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.

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.

http://www.programacionlineal.net/sensibilidad.html
Algunos Software utilizados
Lista de algunos softwares existentes en el mercado para solución de problemas por medio de los
métodos de la investigación de operaciones.
 Linear Programming (LP) e Integer Linear Programming (ILP): Para resolver los problemas de
LP, este Programa usa el método simplex o el método gráfico y para los problemas de ILP
usa el procedimiento branch-and-bound.

 Linear Goal Programming (GP) e Integer Linear Goal Programming (IGP): Este programa,
para resolver los problemas de GP, usa el método simplex modificado o el método gráfico y
para los problemas de IGP usa el procedimiento branch-and-bound.

 Quadratic Programming (QP) e Integer Quadratic Programming (IQP): Este programa usa el
método simplex modificado o el método gráfico, para resolver los problemas de QP y el
procedimiento branch-and-bound para los problemas de IQP.

 Nonlinear Programming (NLP): Este programa resuelve los problemas no lineales no forzados
con el método de búsqueda y los problemas no lineales forzados con el método de la función
de castigo.

 Network Modeling (NET): Este módulo, resuelve los problemas de red, inclusive, por ejemplo,
flujo de red (transbordo), transporte, asignación, caminos cortos, máximo flujo, cruces
mínimos y problemas de viajes de vendedores.

 Dynamic Programming (DP): Resuelve 3 tipos populares de problemas dinámicos: Diligencia,

mochila y problemas de planeación de producción e inventarios.

 PERT/CPM: Este módulo resuelve los problemas de planeación de proyectos, por el método
de ruta crítica y la técnica de evaluación y revisión. Así mismo realiza análisis de choque,
análisis de costos, análisis de probabilidad y simulación.

 Queuing analysis (QA): Este programa resuelve el rendimiento de sistemas de colas de etapa
simple, para lo cual usa la fórmula de cercanía, aproximación o simulación.

 Queuing system simulation (QSS): Este programa modela y simula sistemas de colas simples
y multietapas con componentes; incluye arribo de poblaciones de clientes , servidores, colas
y/o colectores de basuras.

 Inventory theory and systems (ITS) : Resuelve problemas de control de inventarios: problemas
de cantidades económicas a pedir (EOQ), problemas de descuento de cantidad de la orden,
problemas de periodos probabilísticos simples y problemas de tamaño dinámico de lotes; y
evalúa y simula 4 sistemas de control de inventarios: (s, Q), (s, S), (R, S) y (R, s, S).
  Forecasting (FC): Este módulo resuelve proyecciones de series de tiempo, mediante 11
diferentes métodos, y, además, utiliza regresiones lineales de múltiples variables.

 Decision analisys (DA): El programa resuelve 4 típicos problemas de decisión: Análisis

Beyesiano, análisis de tablas de rentabilidad, análisis de árbol de decisión y la teoría del juego
de cero suma.

 Markov process (MKP): Este programa resuelve y analiza el proceso de Markov.

 Quality control charts (QCC): Construye gráficos de control de calidad para variables y datos
de atributos y, así mismo, realiza análisis de gráficas relacionadas.

 Acceptance sampling analysis (ASA): Este programa desarrolla y analiza los planes de
muestreos de tolerancias para atributos y características de calidad variable.

 Job scheduling (JOB): Este programa resuelve los problemas de taller de tareas y
programación del flujo de trabajo, para lo cual uiliza generación heurística y aleatoria.

 Aggregate planning (AP): Soluciona los problemas de planeamiento agregado a las demandas
de satisfacción del consumidor, con costos relacionados mínimos o aceptables .

 Facility location and layout (FLL): Este módulo resuelve los problemas de facilidades de
localización, disposición funcional y balanceo de línea de producción.

 Material requirements planning (MRP): El programa efectúa la planeación de requerimiento

de materiales y determina qué, cuándo y cuánto cuestan los materiales y componentes
requeridos para satisfacer un plan de fabricación de productos finales para un horizonte de
planeación

http://operationselisa.blogspot.mx/2010/07/algunos-software-utilizados.html