Vous êtes sur la page 1sur 22

caratula

Introducción
El presente trabajo está orientado a desarrollar el tema de análisis de la
sensibilidad, cuando nos vemos envueltos en la evaluación de diversas
problemáticas de inversión, tenemos en cuenta muchas estadísticas y
probabilidades, ya que no se puede determinar qué es lo que puede ocurrir en
el futuro y cómo será el movimiento de las variables en su entorno. Es ahí
donde uno se ve en la necesidad de aplicar diferentes escenarios y métodos
con los cuales se podrá estar preparado durante la ejecución del presente
trabajo y a su vez será explicado en una profunda exposición.
Una forma de visualizar el comportamiento de estos escenarios, es a través de
ejercicios de simulación apoyados por un software especializado, que nos
permitirá ver el comportamiento de las variables en cuestión.
Si bien es cierto estas herramientas nos permiten tener una visión más cercana
de lo que pudiera ocurrir, pero no se solucionara el problema. Pero, obteniendo
si, algunas soluciones establecidas.
En el área de la Economía, la modelización es una de las más importantes; de
hecho, como economistas, necesitaremos construir modelos para resolver
problemas de la vida real. El objetivo de este será reproducir la realidad de la
forma más fiel posible, tratando de entender cómo se comporta el mundo real y
obteniendo las respuestas que pueden esperarse de determinadas acciones.
Para este desarrollo la selección del modelo adecuado para reproducir la
realidad es una etapa imprescindible para obtener una solución satisfactoria a
un problema real.
ANÁLISIS DE SENSIBILIDAD

El análisis de sensibilidad trata de evaluar cómo afectaría al resultado óptimo


una variación realizada sobre las condiciones del problema que estemos
considerando. Concretamente, se analiza qué cambios sufrirá la solución
óptima (valor de las variables) y el valor óptimo de la función objetivo cuando
varía uno de los coeficientes en la función objetivo o cuando se modifica un
recurso de una restricción (lado derecho ó segundo miembro de la
desigualdad).
Puede aplicarse a la valoración de inversiones con dos objetivos
fundamentales:

-Para determinar la efectuabilidad de una inversión


-Para establecer un determinado orden de preferencia (jerarquización) entre
varias Inversiones.

En cualquiera de los dos casos es posible utilizarlo con cualquiera de los


métodos de valoración de inversiones aunque, por su importancia, se analiza
para el VAN y para la TIR.

ANÁLISIS DE SENSIBILIDAD Y SUS POSIBLES ESCENARIOS


La base para la aplicación de este método es poder identificar los posibles
escenarios de una inversión, estos se clasifican de la siguiente manera:

 Escenario pesimista: El peor panorama para una inversión, donde el


resultado final de un proyecto es un rotundo fracaso.
 Escenarios probables: Como su nombre lo indica, sería el resultado
más probable que se suponga para el análisis de una inversión, es un
escenario objetivo y está basado en la mayor información posible. Es
decir, es una mirada objetiva de la situación.
 Escenario optimista: Siempre está la posibilidad de que se logre más
de lo esperado, cuando el escenario es optimista, motiva a los
inversionistas a que corran el riesgo. Así, pueden darse cuenta que en
dos inversiones donde se estarían dispuestos a invertir una misma
cantidad, el grado de riego y las utilidades pueden ser realmente
diferentes; por esto estas inversiones deben analizarse por su nivel de
incertidumbre, pero también por la posible ganancia que puedan
representar, pues entre más riesgo, generalmente, hay mayores
ganancias.
IMPORTANCIA

La importancia del análisis de sensibilidad se manifiesta en el hecho de que los


valores de las variables que se han utilizado para llevar a cabo la evaluación
del proyecto pueden tener desviaciones con efectos de consideración en la
medición de sus resultados.

PRECAUCIONES AL HACER UN ANÁLISIS DE SENSIBILIDAD

 Reconocer que el cambio en el resultado depende de cómo se haya


construido el modelo y de los valores iniciales de las variables por
analizar.
 Que los cambios en las variables deben ser iguales para todas de
manera que se puedan comparar los resultados.
 Reconocer la posibilidad de que las relaciones entre las variables y los
resultados no sean lineales.
 Al analizar la sensibilidad de las variables hay que hacerlo de una en
una si se desea determinar cuáles de las variables son las más críticas.

¿PARA QUÉ SIRVE?


 Identificar las variables más críticas.
 Identificar dónde se debe dedicar más esfuerzos tanto en el proceso de
planeación como en el de control y seguimiento de una decisión.
 Identificar las variables que deben ser incluidas en la creación de
escenarios.

Análisis de sensibilidad 108


3.6.1 Análisis de sensibilidad gráfica 108 ya esta
3.6.2 Análisis de sensibilidad algebraica. Cambios
en el lado derecho 114 ya esta
3.6.3 Análisis de sensibilidad algebraica.
Función objetivo 123 ya esta
3.6.4 Análisis de sensibilidad con Tora, Solver,
y AMPL 1 me falta
ANÁLISIS DE SENSIBILIDAD (MÉTODO GRÁFICO)

El Análisis de Sensibilidad en Programación Lineal permite analizar el impacto en los resultados del
modelo (solución óptima y valor óptimo) en aquellos casos donde uno o varios parámetros sufren
modificaciones en relación a sus valores originales, sin la necesidad de resolver nuevamente el
problema (sin reoptimizar). En dicho contexto en el siguiente artículo presentamos un ejemplo de
dicho análisis para un problema de optimización lineal que considera 2 variables de decisión.

Ejemplo de Análisis de Sensibilidad (Método Gráfico)


Un productor tabaquero posee 85 hectáreas (ha) de terreno para plantar dos variedades de tabacos
Virginia y Procesado. La variedad Virginia tiene un ingreso de 9.600 USD/ha y necesita 3 horas/ha de
uso de maquinaria y 80 horas/ha de mano de obra. Además, el Estado limita su explotación a 30 ha
como máximo. La variedad Procesado tiene un ingreso de 7.500 USD/ha y utiliza 2 horas/ha de uso
de maquinaria y 60 horas/ha de mano de obra. La cooperativa local le ha asignado un máximo de
190 horas de uso de maquinaria y solo se dispone de 5.420 horas de mano de obra a 12 USD/hora.

Formule y resuelva gráficamente un modelo de Programación Lineal que permita determinar cuánto
se debe plantar de cada variedad de tabaco de manera de maximizar la utilidad total.
En primer lugar definimos el modelo de optimización para este problema. Esto consiste en identificar
las variables de decisión, función objetivo y restricciones. Detalle de este procedimiento aplicado a
problemas de 2 variables puede ser consultado en el artículo Programación Lineal (Método Gráfico).
Variables de Decisión:
 X1 = Número de Ha a plantar de la variedad Virginia
 X2 = Número de Ha a plantar de la variedad Procesado
Función Objetivo:
Maximizar (9.600 – 960)X1 + (7.500 – 720)X2 = 8.640X1 + 6.780X2
Restricciones:
1. X1 ≤ 30
2. X1 + X2 ≤ 85
3. 3X1 + 2X2 ≤ 190
4. 80X1 + 60X2 ≤ 5.420
5. X1, X2 ≥ 0
Una representación gráfica del problema para el productor de tabaco se puede realizar a través del
software Geogebra:
Sabemos según el Teorema Fundamental de la Programación Lineal que en caso de existir solución
óptima ésta se encontrará en un vértice o en un tramo en la frontera del dominio de soluciones
factibles (en el ejemplo área achurada en color verde). Adicionalmente podemos apreciar que no es
tan evidente que el vértice C reporte una mayor utilidad en la función objetivo que el vértice D, por
lo cual, inspeccionaremos ambos puntos.
En el caso del vértice C éste se encuentra en la intersección de las restricciones 2 y 4. La coordenada
respectiva se obtiene al resolver el siguiente sistema de ecuaciones:

X1 + X2 = 85
80X1 + 60X2 = 5.420
De donde X1=16 y X2=69, lo cual reporta un valor en la función objetivo
de V(P)=8.640*(16)+6.780(69)=606.060.
Análogamente en el caso del vértice D las restricciones activas son 3 y 4:
3X1 + 2X2 = 190
80X1 + 60X2 = 5.420
Luego de resolver el sistema lineal anterior se obtiene X1=28 y X2=53, lo cual reporta un valor en la
función objetivo de V(P)=8.640*(28)+6.780(53)=601.260.
En consecuencia la solución óptima del problema es X1=16 y X2=69, con valor
óptimo V(P)=8.640*(16)+6.780(69)=606.060.
Una vez resuelto el escenario original a continuación se presentan algunos análisis adicionales que
representan por separado modificaciones en los coeficientes de la función objetivo y
restricciones del problema.

Intervalo Variación Coeficiente Función Objetivo

Determine cuánto podría variar la utilidad por hectárea del tabaco Virginia,
manteniendo constante la utilidad por hectárea del tabaco procesado, de forma que la
actual solución óptima no cambie. Para este caso determine el intervalo de variación de
la utilidad total.

Sea en términos generales la función objetivo Z=C1X1+C2X2, donde inicialmente en el


ejemplo C1=8.640 y C2=6.780. La pendiente de las curvas de nivel de la función objetivo
es -C1/C2. De este modo se conserva la actual solución óptima (vértice C) en la medida
que:

En este caso la utilidad por hectárea del tabaco Virginia puede variar entre 6.780
USD y 9.040 USD, de tal forma que el actual nivel de producción (solución óptima) sería
el mismo. Lo anterior permite concluir que el intervalo de variación para la utilidad total
será .

Precio Sombra (Método Gráfico)

Si se pudiese contratar más mano de obra disponible en el mercado, ¿Cuántas horas de


mano de obra en total estaría dispuesto a utilizar? ¿Cuál sería el aporte adicional de
esas horas extras que utilizaría en términos monetarios? Responda lo anterior
utilizando el concepto de Precio Sombra.
Para calcular gráficamente el precio sombra necesitamos identificar la máxima y mínima
variación para el lado derecho de la restricción de mano de obra que permita garantizar
que se conserva la actual base óptima (restricciones activas originales). En este sentido
en el caso de aumentar el lado derecho de dicha restricción la solución óptima podrá
ser encontrada manteniendo las restricciones activas (e incorporando una adicional)
hasta la coordenada (20,65) que es donde se interceptan la segunda y tercera
restricción. En el caso de disminuir la disponibilidad de horas en mano de obra se
mantiene la base óptima hasta el vértice B cuya coordenada es (0,85). De esta forma se
obtiene el precio sombra de la siguiente forma:

En consecuencia, el lado derecho de la restricción 4 (disponibilidad de mano de obra)


puede variar entre [5.100, 5.500] y se conservan las actuales restricciones activas.
Adicionalmente dado que en el óptimo actual se utilizan 5.420 horas de mano de obra
se deben contratar 80 horas adicionales (de modo de alcanzar las 5.500 horas). Luego,
la variación de 80 horas adicionales implicaría un aumento en la utilidad total
de 80*USD93=7.440USD.
ANÁLISIS DE SENSIBILIDAD ALGEBRAICA.
CAMBIOS EN EL LADO DERECHO

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.

¿Qué es?
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 2 201

Para analizar este escenario debemos calcular el vector de variables básicas y


verificar si todos sus componentes son positivos definidos. Nótese que para esto
necesitamosla matriz B inversa, la cual fácilmente podemos rescatar identificando los
parametros 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, 2y 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 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 0 1 15
1/2

-
0 1 2/3 0 0 40
1/3

-
0 0 2/3 1 1 20
4/3

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.
ANÁLISIS DE SENSIBILIDAD O POST-ÓPTIMO

El análisis de sensibilidad o análisis post-óptimo trata de evaluar cómo afectaría al resultado


óptimo una variación realizada sobre las condiciones del problema que estemos considerando.
Concretamente, se analiza qué cambios sufrirá la solución óptima (valor de las variables) y el
valor óptimo de la función objetivo cuando varía uno de los coeficientes en la función objetivo
o cuando se modifica un recurso de una restricción (lado derecho o segundo miembro de la
desigualdad).

A modo de resumen, recordemos algunas ideas básicas:

 Generalmente, pequeños cambios en un coeficiente de una variable en la función


objetivo no van a provocar un cambio en la solución óptima (es necesario variar
significativamente la pendiente de la función objetivo), pero sí van a afectar al valor
óptimo de la función objetivo (a no ser que el valor de la variable cuyo coeficiente se
esté modificando sea nulo en el óptimo actual).
 Generalmente, cualquier cambio realizado en el lado derecho de una restricción sin
holgura en el óptimo (holgura nula) va a provocar un cambio en la solución óptima y,
por tanto, en el valor óptimo de la función objetivo. En cambio, si la restricción que
modificamos tiene holgura distinta de cero, es posible que la solución óptima no se vea
afectada ni, por tanto, tampoco el valor óptimo de la función objetivo (a no ser que nos
agotemos dicha la holgura).
 Recuerda: todo lo que suponga “hacer más restrictivas” las condiciones del problema
(es decir, reducir el lado derecho de una restricción de “≤” o aumentar el de una
restricción de “≥”) va a hacer que el valor óptimo de la función objetivo empeore o se
mantenga igual. Por el contrario, todo lo que suponga “hacer menos restrictivas” las
condiciones del problema tendrá como resultado “agrandar” la región factible y, por
tanto, significará una mejora en el valor óptimo de la función objetivo, o que al menos
éste no varíe.

Información contenida en las ventanas de resultados del Solver de Excel


El complemento Solver de Excel permite realizar el análisis de sensibilidad del resultado de un
problema de Programación Lineal. La información del análisis post-óptimo se presenta en dos
hojas nuevas que se generan tras pedir el análisis a Solver: el Informe de respuestas y el Informe
de sensibilidad. El primero muestra la información sobre la solución óptima del problema y, el
segundo, presenta los datos relacionados con el análisis de sensibilidad propiamente dicho.

Veamos el siguiente ejemplo para un problema de producción:

Una empresa fabrica 4 clases de productos: sofás de 3 plazas, sofás de 2 plazas, sillones de
alta calidad y sillones de media calidad. El beneficio obtenido al vender cada uno de estos
cuatro productos es de 500, 400, 250 y 200 UPV-DEIOAC Investigación Operativa - ETSII Página
2 de 7 euros por unidad, respectivamente. Estos cuatro productos se fabrican en 3 talleres; el
primer taller se encarga del montaje de la estructura del sofá o del sillón, el segundo de ellos
se encarga del acolchado de los sofás o sillones, y por último el taller 3 se encarga de
tapizarlos. El tiempo en horas que tarda en fabricarse un producto en un taller se muestra en
la siguiente tabla:

Cada taller tiene un número de trabajadores, cada uno de los cuales trabaja 8 horas al día. El
taller 1 cuenta con 20 personas, el taller 2 con 25 personas y el taller 3 con 10 personas. Con
este planteamiento, determinar el número de unidades de cada tipo que deben fabricarse para
maximizar el beneficio obtenido al venderlos.

Se trata de un problema de programación lineal con 4 variables de decisión. Si el modelo


matemático lo pasamos a una hoja Excel para su resolución, tenemos lo siguiente:

En las celdas B2:E2 hemos situado las 4 variables de decisión del problema (nº de unidades a
fabricar de cada producto). En la fila B3:E3 tenemos los coeficientes de la función objetivo a
maximizar (beneficios unitarios) y en las filas B4:E4; B5:E5; B6:E6 los coeficientes técnicos
correspondientes a las tres restricciones (horas máximas de trabajo disponibles en cada taller).
En las celdas F4;F5;F6 tenemos el cálculo del consumo de recursos en horas de trabajo para cada
taller (lado derecho de cada restricción) y en G4;G5;G6 tenemos en recurso disponible en horas
de trabajo para cada taller (lado izquierdo de cada restricción), todo ello para la solución óptima
actual. Por último, en la celda F3 se nuestra el valor de la función objetivo para la solución
óptima. Si al resolver el problema con el complemento Solver solicitamos los informes del
análisis post-óptimo se generan las dos nuevas hojas de Excel siguientes:

En el Informe de respuestas de Solver encontramos la siguiente información relevante:

 La casilla Valor final de la sección Celda objetivo nos informa de cuál es el


máximo/mínimo valor que puede alcanzar la función objetivo, cumpliéndose todas las
restricciones; es decir, nos proporciona el valor óptimo de la función objetivo.
 La columna Valor final de la sección Celdas de Variables nos indica qué valor han de
tomar las variables para alcanzar dicho valor óptimo; es decir, esta columna nos
proporciona una solución óptima al problema (si la hay). También se le llama a veces
“punto óptimo” o, simplemente, “óptimo”.
 En la columna Valor de la celda de la sección Restricciones encontramos qué valor toma
el lado izquierdo de cada restricción, cuando nos encontramos en el óptimo.
 La columna Demora de la sección Restricciones representa la holgura de cada restricción
en el óptimo actual (diferencia entre el valor del lado izquierdo y el derecho cuando las
variables toman el valor indicado en la sección Celdas de Variables).

Dada una restricción de “≤”, normalmente la holgura puede interpretarse como cantidad de
recurso no utilizada o sobrante. Dada una restricción de “≥”, su holgura puede interpretarse
habitualmente como el exceso generado o proporcionado sobre el mínimo exigido.

Una restricción con holgura cero (o “sin holgura”) se cumple con igualdad (el lado izquierdo y el
derecho son iguales), y se dice entonces que es una restricción activa (o también limitativa).
Sobre todo si se trata de una restricción de “≤”, se suele decir que dicha restricción (recurso,
departamento, servicio, etc.) es un “cuello de botella” del sistema o del proceso. Una restricción
de holgura es una restricción que tiene holgura distinta de cero. Por tanto, según lo anterior, las
restricciones de holgura NO se cumplen con igualdad. Una restricción de holgura no tiene por
qué ser redundante. El hecho de que una restricción sea redundante o no, en general, no se
puede deducir a partir de la información dada por Solver.

o En Solver, una restricción cuello de botella viene identificada en la columna Estado de


la sección Restricciones con el valor Vinculante; en cambio, a una restricción de holgura
se le asigna en la columna Estado el valor No vinculante.

En el Informe de Sensibilidad (Confidencialidad) se encuentra la siguiente información:

• La columna Final Valor de la sección Celdas de Variables recoge la solución óptima (véase
también en el Informe de respuesta).

• La columna Reducido Coste de la sección Celdas de Variables contiene para cada variable que
tome el valor cero en la solución óptima su coste reducido, es decir, la variación (aumento si es
positivo o disminución si es negativo) que se produciría en la función objetivo por cada unidad
de dicha variable que introdujéramos en la solución del problema partiendo de la solución
óptima.

Así, en problemas de maximización, los costes reducidos de las variables mostrados por Solver
en la solución óptima serán menores o iguales a cero; alternativamente, si es de minimización,
los costes reducidos que presente Solver en el óptimo serán mayores o iguales a cero.

De modo equivalente, el coste reducido de una variable en Solver, tomado en valor absoluto,
puede interpretarse también como la cantidad en que debería mejorar como mínimo (aumentar
si estamos maximizando, o disminuir si estamos minimizando) el coeficiente de dicha variable
en la función objetivo para que esa variable pudiera aparecer en la solución óptima del problema
con un valor distinto de cero, es decir, para que dicha actividad fuese “competitiva”.

Se puede dar el caso de una variable que tome el valor cero en la solución óptima (su valor en
la columna Final Valor de la sección Celdas de Variables es cero) y cuyo coste reducido sea
también cero. Según la interpretación del coste reducido que acabamos de exponer, NO sería
necesario ningún cambio en la función objetivo (ni en todo el modelo) para que existiera una
solución óptima en la que dicha variable tomase un valor distinto de cero. En otras palabras,
estamos ante un caso de soluciones óptimas alternativas (Solver nos está informando que hay
otro “vértice” o “punto extremo” que también sería solución óptima del mismo problema, en el
cual, esa variable que ahora presenta valor cero y coste reducido cero, tomaría un valor distinto
de cero).

• La columna Objetivo Coeficiente de la sección Celdas de Variables muestra el coeficiente cj de


cada variable en la función objetivo.

• Las dos columnas tituladas Permisible Aumentar y Permisible reducir de la sección Celdas de
Variables permiten calcular los rangos o intervalos para los coeficientes de la función objetivo.
En estas dos columnas encontramos, para cada variable o actividad, el incremento y disminución
máximos que puede experimentar su correspondiente coeficiente de la función objetivo, sin que
ello afecte a la solución óptima.

Notad que el hecho de que la solución óptima no varíe no implica necesariamente que la función
objetivo siga valiendo lo mismo. Al contrario, como ya se ha señalado anteriormente, si estamos
modificando un coeficiente de la función objetivo, aunque la solución óptima siga siendo la
misma, el valor óptimo de la función objetivo variará (a no ser que la variable cuyo coeficiente
se está alterando sea cero).

• La columna Final Valor de la sección Restricciones muestra, de nuevo, el valor que toma el lado
izquierdo de cada restricción cuando las variables toman su valor óptimo.

• La columna Restricción Lado Derecho de la sección Restricciones muestra el valor del lado
derecho de cada restricción.

Notad que la holgura de cada restricción (véase más arriba) puede calcularse como la diferencia
(en valor absoluto) entre las columnas Restricción lado derecho y Valor igual contenidas en la
sección Restricciones del presente Informe de sensibilidad.

• La columna Sombra Precio de la sección Restricciones nos indica el valor del coste de
oportunidad o precio sombra de cada restricción, que permite saber cómo afectaría al valor
óptimo de la función objetivo un cambio en el lado derecho de dicha restricción. Concretamente,
el coste de oportunidad de una restricción en Excel se debe interpretar como la variación
(aumento si es positivo, disminución si es negativo) producida en el valor óptimo de la función
objetivo, por cada unidad que se incremente el lado derecho de dicha restricción. Como es
lógico, si disminuimos el lado derecho de una restricción en lugar de incrementarlo, la
interpretación es la inversa.

En consecuencia, si el valor del coste de oportunidad para una restricción es cero, significa que
pequeños cambios en su lado derecho NO afectan al valor óptimo de la función objetivo ni, por
tanto, a la solución óptima. Esto sucede siempre que se trate de una restricción de holgura, y
también, en algún caso, en restricciones sin holgura.

En el caso de restricciones de “≤” en problemas de maximizar, el precio sombra representa el


precio máximo que estaríamos dispuestos a “pagar” para aumentar en una unidad el lado
derecho de esa restricción (ya que es justo lo que conseguiríamos incrementar el valor de la
función objetivo) o, alternativamente, también se puede decir que representa el precio mínimo
al que estaríamos dispuestos a “alquilar/vender” una unidad del recurso que representa dicha
restricción.

Notad que el coste de oportunidad nos indica cómo va a verse afectado el valor óptimo de la
función objetivo al modificar una restricción. Aunque NO se diga nada de la solución óptima, si
cambia el valor de la función objetivo (y no hemos modificado ninguno de sus coeficientes)
obviamente es porque cambia la solución. Por tanto, es siempre incorrecto decir que “cambia
el valor óptimo de la función objetivo pero NO cambia la solución óptima”, cuando estamos
realizando el análisis de sensibilidad respecto de los lados derechos de las restricciones.

El coste de oportunidad de una restricción no permanece constante, para cualquiera que sea la
cantidad incrementada o reducida del lado derecho de dicha restricción. La información
contenida en las columnas Permisible Aumentar y Permisible Reducir de la sección Restricciones
(véase a continuación) nos dirá dentro de qué márgenes se mantiene constante el coste de
oportunidad.

• Las dos columnas encabezadas como Permisible Aumentar y Permisible Reducir de la sección
Restricciones permiten calcular los rangos o intervalos para los lados derechos de las
restricciones. En estas dos columnas encontramos, para cada restricción, el incremento y la
disminución máximos que puede experimentar su lado derecho (Restricción lado derecho) sin
que varíe el coste de oportunidad.

En otras palabras, el coste de oportunidad de una restricción, columna de Sombra Precio, sólo
es válido mientras la variación que apliquemos sobre el lado derecho de dicha restricción no
supere el intervalo delimitado por las columnas Permisible Aumentar y Permisible Reducir de la
sección Restricciones.

Notad que lo que se mantiene constante si nos movemos dentro de estos rangos es el coste de
oportunidad. Como se ha remarcado al hablar de la columna Sombra Precio, la solución óptima,
en general, variará (aunque no sabemos exactamente cuánto, sin realizar cálculos adicionales).
Por tanto, es incorrecto afirmar, en general, que dentro del intervalo la solución óptima no varía
(cuando estamos hablando del intervalo de variación para el lado derecho de una restricción).

Si un recurso (un lado derecho de una restricción) se mueve dentro de los rangos indicados por
estas columnas Permisible Aumentar y Permisible Reducir, además del coste de oportunidad
también se mantiene constante y válida la base de la solución, es decir, las variables que son
básicas y no básicas de la solución. Al modificar el lado derecho de una restricción, es posible
que se modifique la solución óptima.

Sin embargo, si permanecemos dentro de rango, se puede afirmar que las variables básicas en
la solución actual lo seguirán siendo en la nueva solución óptima. En general, eso significa que
las variables que valen cero seguirán valiendo cero y las que toman un valor distinto de cero
seguirán tomándolo, salvo soluciones degeneradas, es decir, soluciones en que alguna variable
básica toma el valor cero). Dicho de otro modo, se mantendrán las variables que forman parte
de la solución óptima aunque no tiene porqué mantenerse su valor; gráficamente, se mantienen
las componentes (variables) del punto óptimo (vértice) pero no sus coordenadas (valor).
Bibliografía:

http://www.gestiondeoperaciones.net/programacion_lineal/analisis-de-sensibilidad-en-
programacion-lineal-utilizando-la-tabla-final-del-metodo-simplex/

http://www.angelfire.com/ak6/invo_escom2/clase3.pdf

http://www.investigaciondeoperaciones.net/analisis_de_sensibilidad.html

grecia:

https://www.abcfinanzas.com/administracion-financiera/que-es-un-analisis-de-sensibilidad

https://www.gestiondeoperaciones.net/programacion_lineal/analisis-de-sensibilidad-metodo-
grafico/

file:///C:/Users/greci/Downloads/168396789-Analisis-de-sensibilidad.pdf