Dedicatoria

Dedicamos el presente trabajo a

nuestros padres, por el apoyo
incondicional que nos brindan
para poder culminar nuestros
estudios.
2
Introduccin
El presente trabajo consta de dos captulos:
En el primer capitulo, hablamos de conceptos bsicos de investigacin operativa
tales como: programacin lineal, formulacin y solucin de modelos, mtodo grafico
y simplex para el caso de maximizacin, que nos van a servir para el desarrollo de
nuestro tema Anlisis de Sensibilidad que es tratado en el segundo capitulo.
En el segundo capitulo, hemos desarrollado el tema central Anlisis de
sensibilidad que surge a raz de interrogantes tales como: Hasta que punto puede
disminuir la utilidad que obtengo al vender un producto?, Qu pasara si la
disponibilidad de un recurso disminuye?, Cambia mi solucin optima?. Hemos
desarrollado el tema en base a un ejemplo de maximizacin.
3
CAPITULO I
CONCEPTOS BSICOS
1.1. Investigacin Operativa
Investigacin Operativa es un procedimiento o un enfoque para resolver
problemas relacionados con la toma de decisiones en diferentes campos de
aplicacin, como ingeniera, economa, poltica, etc. Usando mtodos
cuantitativos para su anlisis.
La Investigacin de Operaciones aspira a determinar el mejor curso de accin
ptimo de un problema de decisin con la restriccin de recursos limitados,
aplicando tcnicas matemticas para representar por medio de un modelo y
analizar problemas de decisin.
La aplicacin de la Investigacin Operativa tiene por objetivo la determinacin
de una buena decisin; y si es posible, la determinacin de la decisin optima
segn cierto criterio pre-especificado. Teniendo adems en cuenta que los
recursos son limitados. Para solucionar un problema se debe saber el objetivo
(Qu es lo que yo quiero?) de acuerdo al objetivo se va a evaluar las
alternativas, a las cuales se le va a asignar un valor, la que tenga el mayor valor
es por que cumple con los requisitos para ser una solucin optima.
1.1.1. Metodologa en Investigacin Operativa
A. Definicin del problema: descripcin de alternativas de decisin,
determinacin de un objetivo, especificacin de restricciones.
B. Formulacin del modelo: traduccin a un lenguaje matemtico o
modelo de programa lineal, programa entero, etc).
4
C. Solucin del modelo: lenguajes de modelizacin, algoritmos de
optimizacin.
D. Validacin de la solucin: tiene sentido la solucin? es aceptable?
se comporta bien?.
E. Puesta en marcha de la solucin: traduccin de la solucin en
instrucciones de operacin.
1.2. Programacin Lineal
Es un conjunto de tcnicas matemticas para optimizar que consiste en la
maximizacin o minimizacin de una funcin lineal, llamada funcin objetivo,
sujeta a restricciones, expresadas por ecuaciones o inecuaciones tambin
lineales.
El criterio de optimizacin es por lo general un objetivo econmico, por ejemplo
maximizar un beneficio o minimizar un costo y por esta razn recibe el nombre
de funcin econmica o funcin objetiva.
1.2.1. Modelo
Representacin o abstraccin de un sistema expuesto en forma verbal,
numrico, alfanumrica, etc.
Los modelos son importantes, tanto los modelos simblicos y los de
procedimientos. Para resolver modelos simblicos se usan tcnicas de
optimizacin que generalmente se conoce con el nombre de Programacin
Matemtica, e incluye: Programacin Lineal, Programacin Lineal
Entera, Programacin No Lineal, Programacin Dinmica,
Programacin por Objetivos, etc.
5
1.2.2. Modelo de Programacin Lineal
El modelo de un programa lineal toma la forma siguiente:
Max o Min z= c
1
x
1
+ c
2
x
2
+ +c
n
x
n
Funcin Objetivo
Sujeto a Conjunto Restricciones
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
b
1
a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
b
2
. . . .
. . . .
. . . .
a
m1
x
1
+ a
m2
x
2
+ + a
mn
x
n
b
m
y las restricciones de no negatividad Restricciones de no negatividad
x
j
0; j = 1,2,3, , n
Donde:
c
j
= Coeficiente econmico, costo de producir un el producto j
a
ij
= Cantidad de recursos i para producir el producto j
b
j
= Cantidad total que dispone la empresa del recurso j
x
j
= Cantidad de productos j a fabricar
Las variables xj se llaman variables de decisin.
Existen diversas formas de presentacin de un modelo de programacin
lineal:
1.2.3. Forma Cannica
El modelo de un Programa Lineal esta en forma cannica si el
objetivo es maximizar una funcin lineal sujeta a restricciones
exclusivamente de la forma menor o igual que, y las variables
de decisin solamente admiten valores no negativos. Ejemplo:
6

Max z = 5x
1
+ 7x
2
Sujeta a = 3x
1
+ 4x
2
100
2x
1
+ x
2
60
3x
1
+ 2x
2
80
X
1,2
0

1.2.4. Forma Estandarizada
Est en forma estandarizada, si el objetivo es maximizar una
funcin sujeta a restricciones de la forma igual que
exclusivamente y las variables de decisin solo admiten valores no
negativas. Ejemplo:
Max z = 7x
1
+ 9x
2
+ x
3
Sujeta a = 3x
1
+ x
2
+ 6x
2
= 100
x
1
+ + 8x
3
= 60
4x
1
+ 2x
2
+ x
3
= 40
X
1,2,3
0
1.2.5. Forma Mixta
Est en forma mixta, cuando la funcin objetivo es la
maximizacin o la minimizacin de una funcin lineal sujeta a
restricciones de las formas menor o igual que o mayor o igual
que, y las variables de decisin solo admiten valores no
negativos. Ejemplo:
Max z = 4x
1
+ x
2
Sujeta a = 3x
1
+ x
2
90
x
1
+ 4x
2
50
4x
1
+ x
2
10
X
1,2
0
7
1 Regin factible
1.3. Solucin de un Programa Lineal
Para dar solucin a los modelos planteados, existen diversos mtodos, tales
como el mtodo geomtrico o grfico, algebraico, simplex, etc.
Detallaremos dos de estos mtodos, el mtodo grafico y el mtodo simplex, para
ello partiremos del siguiente ejemplo:
(1) Una empresa fabrica zapatos, para los cuales dispone de 1000 m
2
de cuero,
1800 m
2
de jebe y 400 m hilo. Para el modelo A
1
se necesita 1, 3, 0 de material
respectivamente y para el zapato del modelo A
2
se necesita 2, 2 y 1 de material
respectivamente. Adems estos calzados reportan S/. 3.00 y S/. 4.00 de ganancia
respectivamente. La empresa desea maximizar sus beneficios.
Formulacin del Modelo
Variables de decisin:
x
1
= Cantidad de zapatos del modelo A
1
a fabricar
x
2
= Cantidad de zapatos del modelo A
2
a fabricar
Se pide maximizar beneficios, entonces la funcin objetivo quedara as:
Max z = 3x
1
+ 4x
2
--------- 3 y 4 es lo que se gana por un zapato
del modelo A1 y A2 respectivamente
Sujeta a:
x
1
+ 2x
2
1000 -------- Disponibilidad de recurso cuero
3x
1
+ 2x
2
1800 para producir x
1
y x
2
2x
2
400
Criterio de no negatividad:
x
1,2
0

8
1 Regin factible
1.3.1. El Mtodo Geomtrico o Grfico
Este mtodo consiste en graficar sobre el primer cuadrante (debido a la
condicin de no negatividad) la regin de soluciones factibles; y luego
graficando sobre ella la funcin objetivo, se ubica el programa optimo.
Del ejemplo (1) se procede:
1) Se grafica las restricciones en el plano cartesiano. Se supone
igualdades
a) x
1
+ 2x
2
= 1000
x
1
=0 x
2
= 500
x
2
=0 x
1
= 1000
b) 3x
1
+ 2x
2
= 1800
x
1
=0 x
2
= 900
x
2
=0 x
1
= 600
c) x
2
= 400
d) x
1,2
0
9
1
C
C
C
C
C

1 Regin factible
z=0
m = -4/3
Analizando:
Cualquier punto dentro de la zona sombreada (Regin factible o
polgono factible) cumple simultneamente con las 3 restricciones y
con la no negatividad.
Solucin bsica: Es aquella que se encuentra en la interseccin de
rectas o hiperplanos en la interseccin con los ejes coordenados. En
nuestro ejemplo son los puntos: 1, 2, 3 10 son soluciones bsicas.
La formula para hallar el nmero de soluciones bsicas es:
n j columnas
m i filas
N S.B. =
m!.n!
)! n m ( +
Ejemplo:
m= 3 (restricciones)
n= 2 (variables)
N S.B = 10
12
120
2!.3!
)! 2 3 (
= =
+
Solucin bsica factible: Es una solucin bsica que pertenece a la
regin factible. Para nuestro ejemplo son los puntos: 1, 2, 3, 4, 5 son
soluciones bsicas factibles.
Solucin ptima: Aquel punto que cumple mejor con la funcin
objetivo, o sea que maximiza o minimiza la funcin objetivo (segn
sea el caso). En el ejemplo es el punto 4 o D.

En el ejemplo tambin se ha graficado la funcin objetivo que sale de:
Sea z=0, entonces la pendiente de la funcin es
10
3
4
x
x
m
1
2
= =
Por lo tanto, la funcin objetivo z, representa una familia de rectas
paralelas con pendiente m = -4/3, as como se mostr en el grafico, y
aquella recta que intercepte a uno de los puntos de la solucin bsica
factible que de mejor beneficio para su X
1
y X
2
, es la solucin optima.
Interpretacin de solucin:
Para el ejemplo (1) el punto ptimo de produccin es C, es decir que
para obtener un beneficio mximo de S/. 2400 es necesario producir
400 zapatos del modelo 1 y 300 zapatos del modelo 2.
1.3.2. Mtodo Simplex
El mtodo simplex fue creado por George Darzing debido a problemas y
dificultades que se presentaban en el mtodo grafico y algebraico en
cuanto a la cantidad de variables que se poda representar y al nmero de
iteraciones que se poda hacer para llegar al resultado ptimo.
Darzing prefiri trabajar con ecuaciones que con inecuaciones en las
restricciones, entonces formulo:
Si:
a b
Entonces:
a + C = b
Donde:
a = es produccin.
C = es la variable de holgura, que representa la cantidad de recursos que
la empresa no utiliza.
b = cantidad de recursos disponibles
11
Cunado la produccin es (a=0) la variable de holgura es igual que la
disponibilidad (C = b), de ah proviene que la variable de holgura son los
recursos que la empresa no utiliza en la produccin.
Resolucin del ejemplo (1) utilizando el mtodo simplex:
1) Plantear el problema de forma estandarizada, la cual se obtiene
agregando variables de holgura :
Max z = 3x
1
+ 4x
2
+ 0x
3
+ 0x
4
+ 0x
5
-- x
3,4,5
son variables de
Holgura cuyo coeficiente econmico es 0
Sujeta a:
x
1
+ 2x
2
+ x
3 =
1000
3x
1
+ 2x
2
+ x
4 =
1800
2x
2
+ 2x
5 =
400
x
1,2,3,4,5
0
2) Pasamos los datos a la tabla simplex, la cual tiene la siguiente
plantilla:
c
j

c
1
c
2
c
n
c
n+1
c
n+2
c
n+m
c
j
x
k
b
i
x
1
x
2
x
n
x
n+1
x
n+2
x
n+m
c
n+1
x
n+1
b
1
a
11
a
12
a
1n
1 0 0
c
n+2
x
n+2
b
2
a
21
a
22
a
2n
0 1 0

c
n+m
x
n+m
b
m
a
m1
a
m2
a
mn
0 0 1
z
j
z
1
z
2
z
n
z
n+1
z
n+2
z
n+m
c
j
-z
j
c
1
z
1
c
2
-z
2
c
n
-z
n
c
n+1
-z
n+1
c
n+2
-z
n+2
c
n+m
-z
n+m
Quedara as:
Primera Tabla Simplex
c
j
3 4 0 0 0
aij
bi
=
c
j
x
k
b
i
x
1
x
2
x
3
x
4
x
5
0 x
3
1000 1 2 1 0 0 1000/2 = 500
0 x
4
1800 3 2 0 1 0 1800/2 = 900
0 x
5
400 0 1 0 0 1 400/1 = 400
z
j
0 0 0 0 0 0
c
j
-z
j
3 4 0 0 0
Columna pivote
Procedimiento 1:
12
Fila
pivote
Elemento pivote
a) Hallar los Zj y los Cj-Zj
b) Si hay al menos un Cj-Zj positivo quiere decir que se debe hacer otra
iteracin (creacin de una nueva tabla simplex).
c) Reconocer (en el caso necesario, de hacer una nueva iteracin):
Columna pivote: es la que contiene el Cj-Zj mas positivo. La variable
que contenga esta columna, va a ser la variable entrante que se va a
convertir en variable bsica en la columna x
k
.
Fila pivote: es la que contenga el b
i
/a
ij
(divisin de todos los b
i
entre
cada uno de los a
ij
de la columna pivote) menos positivo. La variable
bsica que contenga esta fila, va a ser la variable que va a salir y va a
ser remplazada por la variable entrante.
Elemento pivote: el a
ij
representado por la interseccin de la columna
pivote y la fila pivote.
Anlisis de la primera tabla simplex:
De la primera tabla simplex, se obtiene la primera solucin bsica
factible, donde las tres variables bsicas y sus valores correspondientes
son:
x
3
= 1000
x
4
= 1800
x
5
=

400
y las variables no bsicas son:
x
1
= x
2
= 0
Quiere decir que al inicio la produccin de zapatos del modelo A y B es
0, por lo cual, los recursos cuero, jebe e hilo, estn totalmente disponibles.
* Se elige el menor valor de
aij
bi
=

debido a que es el mas restrictivo,
por lo tanto debe ingresarse 400 unidades de x
2
, saliendo de la base x
5
,
que una vez fuera es 0.
13
Segunda Tabla Simplex
c
j
3 4 0 0 0
aij
bi
=
c
j
x
k
b
i
x
1
x
2
x
3
x
4
x
5
0 x
3
200 1 0 1 0 -2 200
0 x
4
1000 3 0 0 1 -2 333.3
4 x
2
400 0 1 0 0 1
z
j
1600 0 4 0 0 0
c
j
-z
j
3 0 0 0 0
Procedimiento 2:
a) En vez de x
5
se ha puesto x
2
en x
k
y su coeficiente econmico en c
j
,
luego se ha completado la fila con el resultado de la divisin de cada
elemento de la fila, con el elemento pivote hallado en la primera tabla
simplex.
b) En la interseccin de las variables iguales, por ejemplo x3 de la
columna x
k
y x
3
de la fila que representa las variables de la funcin
objetivo se pone el valor 1 completando la columna con ceros 0.
c) Para hallar los dems valores se procede de la siguiente manera:
Para hallar el valor de la celda * se ha hecho usando los valores de los
vrtices del rectngulo azul (ver primera tabla simplex):
1800 400*2/1 = 1000
Donde:
1800 : Es el valor de la celda * en la tabla anterior
400 y 2 : Son los valores de los vrtices diagonales del
rectngulo azul que no tienen al valor del
elemento pivote.
1 : Es el elemento pivote
Anlisis de la segunda tabla simplex:
Como se ve, se ha agregado la variable x
2
a la columna x
k
, lo que significa
que se ha reducido las cantidades de x
3
, x
4
, x
5
en la proporcin indicada
por los coeficientes (2,2,1) de x
2
.
Por lo tanto, se deber disminuir:
2k unidades de x
3
14
Celda *
2k unidades de x
4
1k unidades de x
5
Donde k = 400 que es la cantidad que se indic que iba a ingresar de x2.
Esto se explica en el anlisis de la primera tabla simplex.
Al ver que todava hay cj-zj positivos se procede de la forma
anteriormente explicada, generndose as las siguientes tablas simplex:
Tercera Tabla Simplex
c
j
3 4 0 0 0
aij
bi
=
c
j
x
k
b
i
x
1
x
2
x
3
x
4
x
5
3 x
1
200 1 0 1 0 -2 -100
0 x
4
400 0 0 -3 1 4 100
4 x
2
400 0 1 0 0 1 400
z
j
2200 3 4 3 0 -2
c
j
-z
j
0 0 -3 0 2
Cuarta Tabla Simplex (Final)
c
j
3 4 0 0 0
c
j
x
k
b
i
x
1
x
2
x
3
x
4
x
5
3 x
1
400 1 0 -1/2 1/2 0
0 x
5
100 0 0 -3/4 1/4 1
4 x
2
300 0 1 3/4 -1/4 0
z
j
2400 3 4 3/2 1/2 0
c
j
-z
j
0 0 -3/2 -1/2 0
Conclusiones de la ltima Tabla Simplex:
Como se ve, el programa ptimo se ha encontrado debido a que los c
j
-z
j
son
negativos y ceros.
El z cada una de las tablas anteriores ha ido incrementando hasta llegar al
valor mximo que es 2400 que es mximo beneficio que se obtiene al fabricar
x
1
= 400 unidades de zapatos del modelo A y x
2
= 300 unidades de zapatos
del modelo B.
La variable x
5
quiere decir que 100 metros de hilo no se han utilizado.
Las variables x
3
y

x
4
son iguales a 0, esto quiere decir que los recursos
cuero y jebe han sido utilizados totalmente.
15
16
CAPITULO II
ANLISIS DE SENSIBILIDAD
2.1. Definicin
Se llaman as a las investigaciones que tratan los cambios en la solucin ptima
debido a cambios en los datos. Por ejemplo: Estudia los cambios que sufrira
una solucin si se cambian los coeficientes de la funcin objetivo (cj), los
recursos disponibles (b1) y la cantidad de recursos (aij) utilizada para producir
una unidad de un producto.
El anlisis de sensibilidad responde al a pregunta de que tanto pueden variarse
estos coeficientes antes que tenga lugar a un nuevo desplazamiento de la
funcin objetivo, esto es antes de que pueda obtenerse una nueva solucin
optima.
2.2. Finalidad
Se puede decir que el anlisis de sensibilidad tiene por finalidad convertir la
solucin esttica del programa lineal en un instrumento dinmico que evala las
condiciones cambiantes del mundo real. Por tanto adquiere mayor utilidad como
instrumento administrativo y para toma de decisiones ya que los negocios y las
industrias estn sometidos a cambios continuos y a una subsiguiente
reevaluacin.
2.3. Sensibilidad de los coeficientes de la funcin Objetivo (c
j
)
Para mejor entendimiento del tema vamos a partir del siguiente ejemplo (2):
* Una mueblera produce dos tipos de muebles: A y B para los cuales dispone
de 480 m
2
de tapiz, 600 m
2
de madera y 360 m de hilo. Para el modelo A se
necesita 8, 6, 4 de material respectivamente. Adems estos muebles reportan
S/. 100 y S/.120 respectivamente. La empresa desea saber cuanto muebles
producir para obtener el mximo beneficio.
17
Formulacin del Modelo
Variables de decisin:
x
1
= cantidad de muebles del modelo A, a fabricar
x
2
= cantidad de muebles del modelo B, a fabricar
Como se pide maximizar los beneficios, la funcin objetivo seria:
Max z = 100x
1
+ 120x
2
Sujeta a:
4x
1
+ 8x
2
480
5x
1
+ 6x
2
600
12x
1
+ 4x
2
360
Criterio de no negatividad:
x
1,2
0
Usando el mtodo grafico:
Para las Restricciones:
a) 4x
1
+ 8x
2
= 480
x
1
=0 x
2
= 60
x
2
=0 x
1
= 120
b) 5x
1
+ 6x
2
= 600
x
1
=0 x
2
= 100
x
2
=0 x
1
= 120
c) 12x
1
+ 4x
2
= 360
x
1
=0 x
2
= 90
x
2
=0 x
1
= 30
d) x
1,2
0
18
Para la funcin objetivo:
z = 0
m = =
6
5
x
x
1
2

La funcin objetivo z, representa una familia de rectas paralelas con
pendiente m = -5/6 aquella recta que intersepte a uno de los puntos de
la solucin bsica factible que de mejor beneficio para su X
1
y X
2
, es
la solucin optima. Si en una misma recta hay dos puntos, los dos
puntos van a dar el mismo beneficio total, pero con diferentes niveles
de produccin.
Efectos de los coeficientes de la funcin objetivo
Interpretados grficamente estos coeficientes determinan la pendiente de la
funcin objetivo. La solucin optima da un valor de S/. 7680 de utilidad total,
produciendo 12 muebles del modelo A y 54 muebles del modelo B. Esta
solucin se muestra en el punto C del grfico. Un cambio del coeficiente de x
1
o
de x
2
dara una lnea con diferente pendiente. La solucin ptima puede situarse
en un punto determinado hasta que por alguna razn sea desviada hacia una
19
interseccin diferente. Esta desviacin puede ser ocasionada por un cambio de
la pendiente de la funcin objetivo.
Veamos que pasara si los coeficientes de nuestra funcin objetivo cambiasen,
pero manteniendo las mismas restricciones:
Para: z = 100 x
1
+ 150x
2
Se observa que un incremento el coeficiente de la variable x
2
de 120 a 150 no
desplaza la solucin ptima, mantenindose el punto C (x
1
=12,x
2
=54), aunque el
valor de la funcin objetivo ha aumentado hasta 9300
Para: z = 130x
1
+ 120x
2

Se observa que un incremento el coeficiente de la variable x
1
de 100 a 130 no
desplaza la solucin ptima, mantenindose el punto C (x
1
=12, x2=54), aunque
el valor de la funcin objetivo ha aumentado hasta 8040
20
Para: z = 100 x
1
+ 20x
2

Se observa que hay un cambio considerable en el coeficiente de la variable x
2
, lo
cual hace desplazar la solucin ptima hasta el punto D donde x
1
=30 y x
2
=0.
Una combinacin diferente de produccin y valor de la funcin objetivo
21
Para: z = 100 x
1
+ 300x
2

Se observa que un aumento de 120 a 300 del coeficiente de la variable x
2
desplaza la solucin optima al punto B donde x
1
=0 y x
2
=60
Como se haba mencionado el anlisis de sensibilidad responde a la pregunta de
que tanto pueden variarse estos coeficientes antes que tenga lugar este
desplazamiento, esto es antes de que pueda obtenerse una nueva solucin
ptima.
En los puntos siguientes pasaremos a encontrar estos rangos de variacin de los
coeficientes de la funcin objetivo. Para ello resolveremos el ejemplo (2) por el
mtodo simplex.
Estandarizando el problema tenemos:
Max z = 100x
1
+ 120x
2
+ 0x
3
+ 0x
4
+ 0x
5
Sujeta a:
4x
1
+ 8x
2
+ x
3 =
480
5x
1
+ 6x
2
+ x
4 =
600
12x
1
+ 4x
2
+ x
5 =
360
x
1,2,3,4,5
0
22
Primera Tabla Simplex
c
j
100 120 0 0 0
aij
bi
=
c
j
x
k
b
i
x
1
x
2
x
3
x
4
x
5
0 x
3
480 4 8 1 0 0 480/8 = 60
0 x
4
600 5 6 0 1 0 600/6 = 100
0 x
5
360 12 4 0 0 1 360/4 = 90
z
j
0 0 0 0 0 0
c
j
-z
j
100 120 0 0 0
Segunda Tabla Simplex
c
j
120 120 0 0 0
aij
bi
=
c
j
x
k
b
i
x
1
x
2
x
3
x
4
x
5
120 x
2
60 1/2 1 1/8 0 0 120
0 x
4
240 2 0 -3/4 1 0 120
0 x
5
120 10 0 -1/2 0 1 12
z
j
7200 60 120 15 0 0
c
j
-z
j
40 0 -15 0 0
Tercera Tabla Simplex (Ultima)
c
j
100 120 0 0 0
c
j
x
k
b
i
x
1
x
2
x
3
x
4
x
5
120 x
2
54 0 1 3/20 0 -1/20
0 x
4
216 0 0
-13/20
1 -1/5
100 x
1
12 1 0 -1/20 0 1/10
z
j
7680 100 120 13 0 4
c
j
-z
j
0 0 -13 0 -4
Interpretacin de solucin:
Para obtener un beneficio optimo de S/. 7680 se debe producir 12 muebles
del modelo A y 54 muebles del modelo B.
Los recursos tapiz e hilo han sido utilizados en su totalidad, pero vemos que
216m
2
del recurso madera han quedado sin utilizar.
23
2.3.1. Sensibilidad de los coeficientes de la funcin objetivo
correspondientes a variables no bsicas
Los coeficientes C
j
, de variables no bsicas, pueden afectar en su
variacin nicamente el valor Cj Zj correspondiente a su variable
respectiva.
De la ltima tabla simplex del problema (2):
c
j
100 120 0 0 0
c
j
x
k
b
i
x
1
x
2
x
3
x
4
x
5
120 x
2
54 0 1 3/20 0 -1/20
0 x
4
216 0 0
-13/20
1 -1/5
100 x
1
12 1 0 -1/20 0 1/10
z
j
7680 100 120 13 0 4
c
j
-z
j
0 0 -13 0 -4
Las variables no bsicas son: x
3
y x
5
Deduciendo rangos para las variables no bsicas:
Que pasara si el coeficiente cero de x
3
se incrementara en 13, alterara la
solucin? o Qu ocurrira si fuera 20? o Qu pasara si fuera menor que 13?.
Respondiendo ha estas preguntas, nos damos cuenta que si por ejemplo el
coeficiente de la variable no bsica x
3
fuera 13 significara que su cj zj se hara
cero, lo cual no alterara la solucin. Pero si fuera 20, significara que su cj zj seria
7, lo cual justificara una nueva iteracin y por lo tanto una nueva solucin. En
cambio una disminucin de este coeficiente no hara ms que alejarla de la solucin
bsica.
Entonces utilizando un mtodo deductivo, encontramos que el rango de
sensibilidad del coeficiente c
3
de la variable no bsica x
3
es:
- C
3
13
De igual manera el rango de sensibilidad para el coeficiente c
5
de la variable
no bsica x
5
:
- C
5
4
24
2.3.2. Sensibilidad de los coeficientes de la funcin objetivo
correspondientes a variables bsicas
Como se haba explicado anteriormente usando el mtodo grfico, un
cambio en los coeficientes de la funcin objetivo indicara un cambio de
pendiente de la funcin objetivo. Si estos coeficientes sufren cambios
fuera de su rango de sensibilidad, se altera la solucin ptima,
movindose a otro punto de la regin bsica factible.
Para encontrar el rango de sensibilidad de los coeficientes de las
variables bsicas, partiremos de la ltima tabla simplex del problema
(2):
c
j
100 120 0 0 0
c
j
x
k
b
i
x
1
x
2
x
3
x
4
x
5
120 x
2
54 0 1 3/20 0 -1/20
0 x
4
216 0 0
-13/20
1 -1/5
100 x
1
12 1 0 -1/20 0 1/10
z
j
7680 100 120 13 0 4
c
j
-z
j
0 0 -13 0 -4
Las variables bsicas son: x
1
, x
2
y x
4
A.1. Mtodo general para hallar el aumento o disminucin a la que
puede someterse un coeficiente de una variable bsica:
1) En la ltima tabla simplex, nos ubicamos en la fila i donde se
encuentra la variable bsica y su coeficiente c
k
del cual se quiere
encontrar su rango de sensibilidad.
2) Para encontrar que tanto se puede incrementar a c
k
:
Buscamos en la fila i perteneciente a c
k
todos los valores a
ij
<0
excepto al valor perteneciente a la columna de la misma variable.
Para luego hallar los valores de la siguiente formula:
I =

ij
j j
MIN
a
z c
Para todo a
ij
< 0
25
Quiere decir que I (incremento) va a ser el valor mnimo de todos
resultados de probar todos los a
ij
<0 perteneciente a la fila que tiene el
coeficiente de quien se quiere hallar el rango de sensibilidad.
3) Para encontrar que tanto se puede disminuir a c
k
:
Utilizamos la misma formula pero en vez de buscar los valores
negativos para a
ij
, buscamos todos los valores a
ij
>0 excepto al valor
perteneciente a la columna de la misma variable:
D =

ij
j j
MIN
a
z c
Para todo a
ij
> 0
4) Donde:
i = Es la fila que contiene a la variable bsica de quien se quiere
hallar la sensibilidad de su coeficiente.
j = Es la columna actual que se est evaluando, pueden ser 1 o
mas, de acuerdo a la cantidad de valores que encajen dentro de
a
ij
<0 (para incremento) o a
ij
>0 (para disminucin).
5) El rango de sensibilidad del coeficiente c
k
quedara expresado de la
siguiente manera:
c
k
D c
k
c
k
+ I
Los criterios anteriormente aplicados son para el caso de maximizacin.
De acuerdo al objetivo del problema se evala los a
ij
usados para hallar
el incremento o disminucin del coeficiente c
k
. La tabla siguiente
muestra el criterio que se debe tener al tratar de encontrar el incremento
o disminucin de acuerdo al tipo del problema:
Coeficiente C
k
Objetivo del Problema
Maximizar Minimizar
Incremento a
ij
< 0 a
ij
> 0
26
Disminucin a
ij
> 0 a
ij
< 0
Aplicando lo anterior en el ejemplo (2) tenemos:
Sensibilidad de C
1
=100 coeficiente de X
1
1) Nos ubicamos en la fila i = 3
2) Para el incremento:
La nica columna que tiene valores negativos es j = 3.
En la formula:
I =
260
20
1
13
a
z c
33
3 3
=

3) Para la disminucin:
La nica columna que tiene valor positivo es j = 5, sin considerar
la columna que pertenece a la misma variable que siempre va a
llevar valor 1.
En la formula:
D =
40
10
1
4
a
z c
35
5 5
=

4) El rango de sensibilidad para C
1
es:
100 - 40 C
1
100 + 260
60 C
1
360

Sensibilidad de C
2
= 120 coeficiente de x
2
1) Nos ubicamos en la fila i = 1
2) Para el incremento:
27
La nica columna que tiene valores negativos es j = 5.
En la formula:
I =
80
20
1
4
a
z c
15
5 5
=

3) Para la disminucin:
La nica columna que tiene valor positivo es j = 3, sin considerar
la columna que pertenece a la misma variable que siempre va a
llevar valor 1.
En la formula:
D =
66 . 86
20
3
13
a
z c
13
3 3
=

4) El rango de sensibilidad para C
2
es:
120 - 86.66 C
2
120 + 80
33.34 C
2
200
Sensibilidad de C
4
= 0 coeficiente de x
4
1) Nos ubicamos en la fila i = 2
2) Para el incremento:
Las columnas que tiene valores negativos so j = 3 y j = 5. Se
remplaza en la formula y de ellos se escoge el mnimo:
I
1
=
20
20
13
13
a
z c
23
3 3
=

I
2
=
20
5
1
4
a
z c
25
5 5
=

28
Como ambos son iguales escogemos cualquiera de ellos y
tendremos:
I = 20
3) Para la disminucin:
No existe ningn valor positivo en la fila 2, esto quiere decir que
no se altera la solucin por cualquier disminucin del coeficiente
C
4
.
4) El rango de sensibilidad para C
4
es:
- C
4
20
29
A.2. Mtodo deductivo para hallar el rango de sensibilidad de los
coeficientes de las variables bsicas
Partiendo de la ltima tabla simplex:
c
j
100 120 0 0 0
c
j
x
k
b
i
x
1
x
2
x
3
x
4
x
5
120 x
2
54 0 1 3/20 0 -1/20
0 x
4
216 0 0
-13/20
1 -1/5
100 x
1
12 1 0 -1/20 0 1/10
z
j
7680 100 120 13 0 4
c
j
-z
j
0 0 -13 0 -4
Sensibilidad para el coeficiente c
1
de la variable x
1
bsica.
1) Se coloca c
1
en vez del valor 100 de la columna c
j,
y se procede ha
hallar el z
j
y el cj - z
j
.
c
j
c
1
120 0 0 0
c
j
x
k
b
i
x
1
x
2
x
3
x
4
x
5
120 x
2
54 0 1 3/20 0 -1/20
0 x
4
216 0 0
-13/20
1 -1/5
c
1
x
1
12 1 0 -1/20 0 1/10
z
j
7680 c
1
120
(360-C1)/20
0
(C1-60)/10
c
j
-z
j
0 0
(C1-360)/20
0
(60-C1)/10
2) Como en la ultima tabla simplex los resultados de cj-zj deben ser
0. Se deduce:
* 0
20
360 c
1

c
1
360
* 0
10
c - 60
1
c
1
60
3) El rango de sensibilidad para c
1
queda expresado:
60 C
1
360
Sensibilidad para el coeficiente c
2
de la variable x
2
bsica.
1) Se coloca c
2
en vez del valor 120 de la columna c
j,
y se procede ha
hallar el z
j
y el cj - z
j
.
c
j
100 c
2
0 0 0
c
j
x
k
b
i
x
1
X
2
x
3
x
4
x
5
30
c
2
x
2
54 0 1 3/20 0 -1/20
0 x
4
216 0 0
-13/20
1 -1/5
100 x
1
12 1 0 -1/20 0 1/10
z
j
7680 100 c
2
(3C2-100)/20
0
(200-C2)/20
c
j
-z
j
0 0
(100-3C2)/20
0
(C2-200)/20

2) Como en la ultima tabla simplex los resultados de cj-zj deben ser 0.
Se deduce:
* 0
20
c * 3 - 100
2
c
2
33.33
* 0
20
200 c
2

c
2
200
3) El rango de sensibilidad para c
2
queda expresado:
33.33 C
2
200
Sensibilidad para el coeficiente c
4
de la variable x
4
bsica.
1) Se coloca c
4
en vez del valor 0 de la columna c
j,
y se procede ha hallar
el z
j
y el cj - z
j
.
c
j
100 120 0 c
4
0
c
j
x
k
b
i
x
1
X
2
x
3
x
4
x
5
120 x
2
54 0 1 3/20 0 -1/20
c
4
x
4
216 0 0
-13/20
1 -1/5
100 x
1
12 1 0 -1/20 0 1/10
z
j
7680 100 120
(260-13C4)/20
c
4
(20-C4)/5
c
j
-z
j
0 0
(13C4-260)/20
0
(C4-20)/5
2) Como en la ultima tabla simplex los resultados de cj-zj deben ser 0.
Se deduce:
* 0
20
260 c * 13
4

c
4
20
* 0
5
20 c
4

c
4
20
Al no tener restricciones para su rango menor, quiere decir que
cualquier valor menor no va a afectar la solucin ptima.
31
3) El rango de sensibilidad para c
4
queda expresado:
- C
4
20
2.4. Sensibilidad de los trminos independientes de las restricciones (b
j
)
Para encontrar el rango de sensibilidad de las restricciones (recursos) se reduce
al problema anterior sin mayor esfuerzo adicional recordando que en el dual los
trminos independientes del primal son precisamente los coeficientes de la
funcin objetivo.
Para hallar la sensibilidad de las restricciones se proceder de la forma
siguiente:
Al llegar a la solucin optima del problema primal construimos la ultima tabla
(optima) del problema dual planteado haciendo uso de la correspondencia entre
dichas tablas.
En la tabla ptima del dual se va hallar las variaciones de los coeficientes de la
funcin objetivo de la misma forma que se hall para los coeficientes de la
funcin objetivo del problema primal.
Tomando como base el ejemplo (2):
Max z = 100x
1
+ 120x
2
Sujeta a:
4x
1
+ 8x
2
480
5x
1
+ 6x
2
600
12x
1
+ 4x
2
360
x
1,2
0
El dual de este ejemplo es:
Min w = 480y
1
+ 600y
2
+ 360 y
3
Sujeto a:
4y
1
+ 5y
2
+ 12y
3
100
8y
1
+ 6y
2
+ 4y
3
120
A partir de la ltima tabla simplex del problema primal:
32
c
j
100 120 0 0 0
c
j
x
k
b
i
x
1
x
2
x
3
x
4
x
5
120 x
2
54 0 1 3/20 0 -1/20
0 x
4
216 0 0
-13/20
1 -1/5
100 x
1
12 1 0 -1/20 0 1/10
z
j
7680 100 120 13 0 4
c
j
-z
j
0 0 -13 0 -4
Se construye la ltima tabla (optima) del dual:
w
j
480 600 360 0 0
w
j
x
k
b
i
y
1
y
2
y
3
y
4
y
5
480 y
1
13 1 13/20 0 1/20 -3/20
360 y
3
4 0 1/5
1
-1/10 1/20
z
j
7680 480 384 360 -12 -54
w
j
-z
j
0 216 0 12 54
Sensibilidad para el coeficiente w
1
de la variable y
1
bsica (recurso b
1
)
1) Se coloca w
1
en vez del valor 480 de la columna w
j,
y se procede ha
hallar el z
j
y el wj - z
j
.
w
j

w
1
600 360 0 0
w
j
x
k
b
i
y
1
y
2
y
3
y
4
y
5
w
1
y
1
13 1 13/20 0 1/20 -3/20
360 y
3
4 0 1/5
1
-1/10 1/20
z
j
7680 w
1
72 + 13w
1
/20 360 w
1
/20 - 36 18 3w1/20
w
j
-z
j
0 528 - 13w
1
/20 0 36 - w
1
/20 3w1/20 - 18
2) Como en la ultima tabla dual los resultados de wj-zj deben ser 0. Se
deduce:
* 0
20
w * 13
528
1
w
1
812.31
33
* 0
20
w
36
1
w
1
720
* 0 18
20
w * 3
1
w
1
120
3) Interceptamos los intervalos y obtenemos el rango de sensibilidad del
recurso 1 (Tapiz)
120 b1 720
Sensibilidad para el coeficiente w
3
de la variable y
3
bsica (recurso b3)
1) Se coloca w
3
en vez del valor 360 de la columna w
j,
y se procede ha
hallar el z
j
y el wj - z
j
.
w
j

48
0
600 w
3
0 0
w
j
x
k
b
i
y
1
y
2
y
3
y
4
y
5
480 y
1
13 1 13/20 0 1/20 -3/20
w
3
y
3
4 0 1/5
1
-1/10 1/20
z
j
7680 48
0
312 + w
3
/5
w
3
24 - w
3
/10 w
3
/20 - 72
w
j
-z
j
0 288 - w
3
/5 0 w
3
/10 - 24 72 w3/20
2) Como en la ultima tabla dual los resultados de wj-zj deben ser 0. Se
deduce:
* 0
5
w
- 288
3
w
3
1440
34
* 0 24
10
w
3
w
3
240
* 0
20
w
72
3
w
3
1440
3) Interceptamos los intervalos y obtenemos el rango de sensibilidad del
recurso 3 (hilo)
240 b
3
1440
Sensibilidad para el coeficiente w
2
de la variable y
2
no bsica (recurso
b2)
1) Se coloca w
2
en vez del valor 600 de la fila w
j,
y se procede ha hallar el
z
j
y el w
j
- z
j
.
w
j

48
0
w
2
360 0 0
w
j
x
k
b
i
y
1
y
2
y
3
y
4
y
5
480 y
1
13 1 13/20 0 1/20 -3/20
360 y
3
4 0 1/5
1
-1/10 1/20
z
j
7680 48
0
384 360 -12 -54
w
j
-z
j
0 w
2
- 384 0 12 54
2) Como en la ultima tabla dual los resultados de wj-zj deben ser 0. Se
deduce:
35
* 0 384 w
2
w
2
384
Como no hay lmite superior se deduce que cualquier valor superior
no afecta la solucin ptima.
El rango de sensibilidad del recurso 2 (madera) es:
360 b
2

2.5. Formulacin de preguntas entorno al problema (2)
1) Cual es la solucin optima de produccin para el problema planteado?
De la ltima tabla simplex tenemos:
* x
1
= 12
* x
2
=

54
* x
3
= 0
* x
4
= 216
* x
5
= 0
* z = 7680
Y los rangos de sensibilidad para los coeficientes de la funcin objetivo y
para las restricciones son:
60 c
1
360
33,4 c
2
200
- c
3
13
- c
4
20
- c
5
4
120 b
1
720
360 b
2

240 b
3
1440
Quiere decir que para obtener un beneficio mximo de S/. 7680 se debe
producir 12 muebles del modelo A y 54 muebles del modelo B utilizando
36
todo de los recursos tapiz e hilo, pero quedando 216 m
2
de madera sin
utilizar
2) Supongamos que se produce un cambio favorable en el precio de venta
del mueble del modelo A y la utilidad sube a S/. 150. Altera este
cambio de precio, el programa de produccin ptimo original?.
La utilidad que da al vender un mueble del modelo A es S/. 100
Como en nuestra funcin objetivo el S/. 100 representa el c
1
. Y su rango de
sensibilidad es:
60 c
1
360
Quiere decir que cualquier valor que este dentro de este rango, no va a
alterar el programa ptimo de produccin. Por lo tanto si sube la utilidad a
S/.150 no va alterar el programa ptimo de produccin.
Pero si se incremente la Utilidad total de S/.7680 a S/. 8280
3) Suponiendo que se presenten problemas en el suministro de madera lo
que origina que solo se disponga de 500
La madera es recurso b
2
del problema, y su rango es
360 b
2

Se entiende de esto que cualquier aumento de madera, no va afectar la
produccin, esto se debe a que la madera no es un recurso limitante, mas
bien el tapiz y el hilo si lo son.
Como 500 cae dentro del rango de b
2
. Quiere decir que no afecta la base
optima, adems en la solucin del problema, el recurso b
2
(madera) tiene un
sobrante de 216 m
2
,
quiere decir que cualquier aumento de este recurso no va
afectar en la solucin optima de produccin ni en la utilidad total.
4) Suponiendo que se adquiere material extra de hilo, subiendo la
disponibilidad de hilo a 480 m. Cual sera el nuevo programa optimo de
produccin?
El rango de sensibilidad del recurso hilo es
240 b
3
1440
37
Un aumento de del recurso hilo a 480 m queda expresado en el siguiente
grafico.
Como cae dentro del rango de b
3
quiere decir que no se va a modificar la
base ptima, pero la solucin optima de produccin varia a x
1
=24 y x
2
=48,
dando una utilidad total de S/.8160.
Se justifica el punto D como punto optimo, ya que el recurso tambin
limitante es el tapiz, lo que quiere decir que si quisiramos llegar al punto C
tendramos que aumentar nuestro recurso tapiz.
38
Conclusiones
- La investigacin de operaciones es un campo muy amplio, pero con la
programacin lineal, nos va ayudar a plasmar los problemas cuantitativos del
mundo real en modelos matemticos. Nos va permitir hacer un anlisis en base
a la solucin ptima y en base a esta, tomar decisiones.
- El anlisis de sensibilidad nos permite ver que tan sensibles o que tanto pueden
variar los datos del problema sin que se altere la base optima. De alguna manera
convierte la solucin esttica del programa lineal en un instrumento dinmico que
evala las condiciones cambiantes del mundo real, adquiriendo as mayor utilidad
como instrumento para la toma de decisiones.
39
Bibliografa
- Jorge Alvarez A. Programacin Lineal. Analisis de Sensibilidad. Pag. 243 260.
2 Edicion 1995
- Paginas visitadas:
http://uvirtual.ean.edu.co/%7Eoperati1/con_02e.htm
http://www.itson.mx/dii/elagarda/apagina2001/htms/mis%20materias.htm
40