ANALISIS DE SENSIBILIDAD O

POSTOPTIMAL

NOMBRE: CRISTOPHER INFANTE QUINTEROS

CARRERA: ING. COMERCIAL

SEMESTRE: 4TO SEMESTRE

DOCENTE: DORIS SORUCO

MATERIA: INVESTIGACION OPERATIVA

COCHABAMBA-BOLIVIA
2019
 ANALISIS 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 corresponden 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. (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 ½ -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:

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 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.