ANÁLISIS DE SENSIBILIDAD

El modelo de programación lineal de un problema es una abstracción de las condiciones reales de éste,
simplificadas al obtener el problema asumido. Cuando escribimos un modelo, damos por aceptado que
los valores de los parámetros se conocen con certidumbre; pero en la realidad no siempre se cumple que
los valores sean verídicos, ya que por ejemplo las variaciones en los costos de los materiales, en la mano
de obra o en el precio de un producto, ocasionan cambios en los coeficientes de la función objetivo. Así
mismo las demoras en los envíos de los proveedores, las huelgas, los deterioros no previstos y otros
factores imponderables generarán cambios en la disponibilidad de los recursos.

Por otra parte, en la mayoría de los problemas reales es necesario estimar parámetros tales como los
coeficientes objetivo, los coeficientes del lado derecho y los coeficientes tecnológicos, con base en datos
que no siempre son confiables, o hacerlo sobre “meras conjeturas”.

El análisis de sensibilidad evalúa la incidencia sobre la solución óptima del modelo después de haberla
determinado, generando posibles cambios en los parámetros o en la estructura del problema. Para aplicar
este análisis es imprescindible que la solución del problema sea óptima y facible.

El análisis de sensibilidad permite conocer principalmente:

1. Un conjunto de soluciones óptimas para diferentes valores de los parámetros Cj, bj, aij.
2. El efecto que tienen sobre la solución optima los errores en la estimación de los parámetros.
3. Ante cual de los parámetros es más sensible la solución optima. Este conocimiento permite
realizar los esfuerzos para evitar que ese parámetro varíe, si esta en nuestras manos hacerlo, o
para tomar las prevenciones del caso cuando la variación no sea controlable.
4. Evaluar la alternativa de introducir en el problema una o más variables de decisión, que no se
consideraron en la formulación inicial.
5. Evaluar el efecto de agregar una nueva restricción al modelo, ya sea porque se omitió inicialmente
a propósito, o porque olvidamos su consideración.

Casos Generales:

Posible pérdida de Optimalidad

1. Cambios en los Coeficientes de las Variables en la Función Objetivo
2. Agregar una nueva variable

Posible pérdida de Factibilidad

3. Cambios en la disponibilidad de recursos
4. Agregar una nueva restricción

1. Cambios en los Coeficientes de las Variables en la Función Objetivo

La variación en el coeficiente objetivo de una variable de decisión puede conducir a un cambio en la

optimalidad (inmejorabilidad) de la solución óptima, debido a que una variable no básica puede llegar a
ser básica, y en consecuencia una variable básica pasará a convertirse en no básica. Si se desea
conocer el intervalo del Cj para mantener o perder la optimalidad será necesario plantear un cambio de
variable ( Cj′ = Cj – t ).

1.1 Cambio de coeficiente objetivo de una variable no básica

La variación del Cj de una variable no básica no afecta el valor de ningún Zj, el cual está relacionado
únicamente con los coeficientes objetivos de las variables básicas; sin embargo, hay que evaluar que con
el cambio no exista pérdida de optimalidad en el renglón Zj-Cj.

1.2 Cambio de coeficiente objetivo de una variable básica

Al variar el coeficiente objetivo de una variable básica (CB), sí es posible que se modifique el valor de Zj;
pero ello no implica necesariamente pérdida de optimalidad, hay que revisar el renglón Zj-Cj .
2. Agregar una nueva variable

Muchas veces es necesario analizar el efecto que la adición de una nueva variable produce en la solución
óptima de un modelo, tal situación puede presentarse, por ejemplo, cuando se desarrolla un nuevo
producto y se quiere determinar su competitividad relativa con la mezcla de producción actual o cuando
se perfecciona el proceso de manufactura de un articulo ya existente. Al agregar una nueva variable se
debe especificar un nuevo vector aij, el cual debe ser llevado al óptimo mediante la expresión: Yij = B-1 . aij
Luego hay que evaluar la optimalidad en el renglón Zj-Cj.

3. Cambio de la disponibilidad de Recursos

Es posible determinar cual recurso sería más conveniente incrementar, para mejorar el valor de la función
objetivo. Recuerde que el cambio en la cantidad bi disponible de un recurso cualquiera no afecta la
optimalidad de la solución óptima actual. Pero si puede verse afectada la factibilidad de la actual mezcla
óptima de variables ya que en el cálculo del vector solución XB = B-1.b, sí entra en juego el vector b (esto
ocurriría solo si con el cambio se produce al menos un XB negativo).

Pero es lógico pensar que un recurso no puede incrementarse indefinidamente, ya que hay un valor a
partir del cual la cantidad disponible es de tal magnitud que ya no es posible utilizarla en su totalidad y en
consecuencia empezará a presentarse una holgura o cantidad no utilizada, lo cual implica una nueva
variable básica, es decir un cambio en la base actual que ya no será factible.

De manera similar cuando disminuimos un recurso, habrá un valor a partir del cual la nueva cantidad ya
es tan baja que el recurso escasea tanto que la solución óptima actual deja de ser factible, y esto
conduce a que la cantidad producida de un artículo (variable Xj) tome por ejemplo el valor cero.

Luego el valor máximo y el valor mínimo que puede tomar un recurso, sin afectar la factibilidad de la
solución óptima actual son los extremos de un intervalo. Si se desea conocer este intervalo del bi para
mantener o perder la factibilidad será necesario plantear un cambio de variable ( bi′ = bi – t ). Para llevar al
óptimo el nuevo vector b es necesario recordar la expresión: XB = B-1.b

3. Agregar una nueva Restricción

Muchas veces es necesario analizar la sensibilidad de la solución óptima, cuando se agrega al modelo
una restricción que no se considero inicialmente, ya sea por olvido o por decisión de quien planteó el
modelo. El primer paso en el análisis de los cambios que sufre la solución óptima actual al considerar una
nueva restricción, es determinar si ésta se cumple para la solución óptima. Para ello, deben reemplazarse
los valores óptimos de las variables en la nueva restricción y determinar si se cumple la condición
expresada.
En caso afirmativo, se concluye que la solución actual no se altera, pues la nueva restricción también se
cumple para ella. Pero cuando los valores óptimos no satisfacen la nueva restricción, se concluye que la
solución óptima actual es infactible. Debemos entonces encontrar la nueva solución óptima que
corresponda a la nueva región factible. En cualquiera de los 2 casos anteriores es imprescindible la
demostración matemática en la tabla del simplex.

El procedimiento para determinar la nueva solución óptima y factible es:

1. Escribir la nueva restricción al final de la tabla óptima. Considerando la nueva variable de holgura
generada como básica.
2. Efectuar los ajustes necesarios para que los vectores de sustitución de las variables básicas, sean
vectores unitarios. Al lograr lo anterior, se obtiene un valor negativo para la variable de holgura que se
acaba de adicionar como nueva variable básica en la columna o vector XB, lo cual significa que la
solución actual es infactible, al considerar la restricción adicional.
3. Utilizar el algoritmo Dual – Simplex, para intercambiar la variable básica negativa por una positiva y
obtener así una solución óptima factible para el modelo aumentado con la nueva restricción.