Anlisis de sensibilidad

El anlisis de sensibilidad es un trmino financiero, muy utilizado en las empresas para

tomar decisiones de inversin, que consiste en calcular los nuevos flujos de caja y
el VAN (en un proyecto, en un negocio, etc.), al cambiar una variable (la inversin inicial, la
duracin, los ingresos, la tasa de crecimiento de los ingresos, los costes, etc.) De este
modo teniendo los nuevos flujos de caja y el nuevo VAN podremos calcular y mejorar
nuestras estimaciones sobre el proyecto que vamos a comenzar en el caso de que esas
variables cambiasen o existiesen errores de apreciacin por nuestra parte en los datos
iniciales.
Para hacer el anlisis de sensibilidad tenemos que comparar el VAN antiguo con el VAN
nuevo y nos dar un valor que al multiplicarlo por cien nos da el porcentaje de cambio. La
frmula a utilizar es la siguiente: (VANnVANe)/VANe. Donde VANn es el nuevo VAN
obtenido y VANe es el VAN que tenamos antes de realizar el cambio en la variable
2014

Anlisis
de
Postoptimal

Sensibilidad

El anlisis de sensibilidad o postoptimal para los modelos de Programacin Lineal, tiene por
objetivoidentificar el impacto que resulta en los resultados del problema original luego de determinadas
variaciones en los parmetros, variables o restricciones del modelo, sin que esto pase por resolver el problema
nuevamente.
Es decir, ya sea si resolvemos nuestro modelo grficamente o utilizando el Mtodo Simplex, lo que se busca es que estas
variaciones o sensibilidad hagan uso de la solucin y valor ptimo actual, sin tener la necesidad de resolver para cada variacin
un nuevo problema. En especial nos concentraremos en el anlisis de sensibilidad o postoptimal que hace uso de la tabla final
del Mtodo Simplex.
TEORA
Siguiendo la notacin utilizada en la seccin dedicada al Mtodo Simplex en nuestro sitio, ste opera para modelos de
Programacin Lineal en un formato estndar.
Min

cTx

s.a

Ax
x >= 0

Donde la tabla final del Mtodo mantiene la siguiente estructura:

Donde:
I: Matriz Identidad
0: Costos reducidos asociados a las variables bsicas
B: Matriz de variables bsicas
D: Matriz de variables no bsicas
b: Lado derecho
Cb: Coeficientes en la funcin objetivo asociados a las variables bsicas
Cd: Coeficientes en la funcin objetivo asociados a las variables no bsicas
1. Cambio en el "lado derecho" de las restricciones: Lo que se busca identificar si las actuales variables bsicas se
mantienen luego de la modificacin de uno o ms parmetros asociados al "lado derecho" del modelo. Si calculamos:

y se cumple
con el nuevo

, Las mismas variables bsicas lo son tambin de la nueva solucin ptima, calculada

. Si lo anterior no se cumple, se puede aplicar el Mtodo Simplex Dual.

EJEMPLO: Sin resolver nuevamente el problema, se desea saber si las actuales variables bsicas ptimas del problema
tambin lo son del mismo problema, donde los lados derechos corresponde al vector b=(20,30). (Observacin: X4 y X5 son
variables de holgura de la restriccin 1 y 2 respectivamente)
Max

2x1

sa:

+
x1

7x2

+
x1

3x2
+

+
4x2

3x3

4x3
-

<=
x3

30
<= 10

x1,x2,x3 >= 0

X1

X2

X3

X4

X5

-1

-1

20

-1

10

20

Para analizar este escenario debemos calcular el vector de variables bsicas y verificar si todos sus componentes son positivos
definidos. Ntese que para esto necesitamosla matriz B inversa, la cual fcilmente podemos rescatar identificando los
parametros asociados a X4 y X5 (variables de holgura de la restriccin 1 y 2 respectivamente) en la tabla final del Mtodo
Simplex:

Luego, dado que al menos uno de los coeficientes del nuevo lado derecho tiene un valor negativo, cambia la actual base
ptima. Cabe destacar que ante esta situacin 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 funcin objetivo.

X1

X2

X3

X4

X5

-1

-1

-10

-1

30

60

Posteriormente, se continua iterando haciendo uso del Mtodo Simplex Dual. (Ver referencia a la derecha).
2. Inclusin 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 solucin bsica es ptima para el nuevo problema, calculamos el costo reducido
de la nueva variable como:

donde k es el ndice de la nueva variable y Ak su respectiva columna en la matriz de

coeficientes. Si se cumple que rk>=0 se conserva la actual solucin ptima. 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 5unidades de los recursos asociados a cada restriccin. Sin resolver nuevamente el problema, Conviene elaborar el
producto?
Max

9x1

sa:

12x2

4x1

3x2

<=

180

2x1

3x2

<=

150

4x1

2x2

<=

160

x1,x2 >= 0

X1

X2

X3

X4

X5

1/2

-1/2

15

-1/3

2/3

40

-4/3

2/3

20

1/2

7/2

615

Se debe evaluar rk y determinar si este es >=0.

En este ejemplo rk=1>=0, por lo cual no conviene la incorporacin de esta nueva variable al modelo, es decir, aun cundo
sea incorporada no obtendremos un valor ptimo que supere el actual V(P)=615. De todas formas mostraremos como se
incluye en la tabla final del Simplex esta modificacin de modo que el lector pueda entender su incorporacin cuando es
necesario:

X1

X2

X3

X4

X5

XNew

1/2

-1/2

15

-1/3

2/3

40

-4/3

2/3

20

1/2

7/2

615

Si el costo reducido de esta nueva variable hubiese sido cero, entonces el nuevo escenario tendra infinitas soluciones.
3. Cambio en los Coeficientes Funcin Objetivo: Se busca identificar qu ocurre con la actual solucin ptima del
escenario base si se cambian uno o varios de los coeficientes que definen la funcin objetivo. La solucin ptima actual tambin
lo ser para el nuevo escenario siempre que los nuevos costos reducidos sean mayores o iguales a cero (notar que tambin
cambia el valor de la funcin objetivo en la actual solucin ptima). 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 solucin bsica.
EJEMPLO: Sin resolver nuevamente el problema, se desea saber que sucede si se modifica los parmetros de la funcin
objetivo, quedando stos de la siguiente forma: Z = x1 + 5x2 - 2x3. (X4 y X5 son las variables de holgura de la restriccin 1
y 2 respectivamente).
Max

2x1

sa:

+
x1
x1

x1,x2,x3 >= 0

+
+

7x2
3x2
4x2

3x3

4x3

<=

30

x3

<=

10

X1

X2

X3

X4

X5

-1

-1

20

-1

10

20

Debido a que los cambios en los parmetros de la funcin objetivo se producen en ms de una variable consideraremos la
siguiente frmula:

Debido a que al menos uno de los costos reducidos de las variables no bsicas se ha vuelto negativo, entonces cambia la actual
solucin y valor ptimo del problema. Para incorporar esta modificacin en la tabla final del Mtodo Simplex se actualiza los
costos reducidos asociados a las variables no bsicas, adems del valor ptimo, quedando como sigue:

X1

X2

X3

X4

X5

-1

-1

20

-1

10

-1

10

4. Inclusin de una nueva restriccin: Para saber si la actual solucin y valor ptimo se mantendr luego de incorporar una
nueva restriccin al problema se debe evaluar la solucin actual y verificar si satisface la nueva restriccin. En caso afirmativo,
la actual solucin tambin lo ser del problema con la nueva restriccin, en caso contrario se incorpora la nueva restriccin 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 restriccin de la
forma:3x1 + 2x2 + 3x3 <= 25. (Observacin: Considerar mismo modelo y tabla final del ejemplo anterior)
Se evalua la solucin actual en la restriccin: 3*(10) + 2*(0) + 3*(0) <= 25. No cumple. Por tanto se incorpora esta nueva
restriccin como fila a la tabla final del Simplex. Adicionalmente, se agrega X6 como variable de holgura asociada a esta nueva
restriccin:

X1

X2

X3

X4

X5

X6

-1

-1

20

-1

10

25

20

Una alternativa para encontrar el ptimo a travs de esta tabla es formar la identidad (debemos hacer cero el parmetro
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

-1

-1

20

-1

10

-10

-3

-5

20

Finalmente obtenemos X4, X1 y X6 como variables bsicas. Producto de la transformacin un lado derecho queda negativo y en
este caso podemos continuar adelante utilizando el Mtodo Simplex Dual.

Sensibilidad
El Analisis de Sensibilidad se relaciona con la cuantificacion de los efectos
en la solucion optima de cambios en los parametros del modelo
matematico.
Cuando escribimos un modelo, damos por aceptado que los valores de los
parametros se conocen con certidumbre; pero en la realidad no siempre se cumple
que los valores sean verdicos, 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 funcion objetivo. As mismo las demoras en los
envos de los proveedores, las huelgas, los deterioros no previstos y otros factores
imponderables generaran cambios en la disponibilidad de los recursos.

CCIR / Matematicas () Programacion Lineal: Sensibilidad euresti@itesm.mx 2 / 19Sensibilidad

Los cambios en el modelo matematico, que pueden cuantificarse a veces
sin necesidad de volver a resolver el modelo, se relacionan con:
Cambios en los coeficientes de las variables de decision en la funcion
objetivo (Ganancias por unidad de variable de decision) o
Cambios en los lados derechos de las restricciones que definen el
modelo. (Cantidad de recursos disponibles)
Los efectos de cambios en los coeficientes dentro de la matriz A son muy difciles
de cuantificar, y por tanto en estos casos se aconseja correr de nuevo el modelo
con los cambios. En primera instancia veremos cuando solo un coeficiente cambia;
despues veremos cuando varios coeficientes cambian simultaneame

3.3. Anlisis de sensibilidad.

El modelo de programacin lineal es esttico y por tal motivo puede resultar
inoperante con el transcurso del tiempo. Es decir, los cambios que ocurren en
cualquier economa dan lugar a que precios, costos, recursos disponibles o
requeridos ya no se puedan considerar para otro tiempo. Estos parmetros por
lo general, son valores estimados obtenidos sin la deseable precisin debido a
las dificultades normales para conseguir registros confiables.
Una solucin es ptima slo en lo que se refiere al modelo especfico que se
usa para representar el problema real estudiado, pero no puede ser confiable
hasta verificar un buen comportamiento al hacer cambios en sus parmetros.
El anlisis de sensibilidad tiene el propsito de investigar el efecto sobre la
solucin ptima entregada por el mtodo simplex, con los cambios a los
valores originales.
En tal caso, la PL tiene el recurso de revisar la "solucin ptima" de un
problema para ajustarla a lo que se juzga vlido por los responsables de la
decisin, o bien en respuesta a cambios (slo discretos, pues los cambios
continuos forman parte de la programacin paramtrica, no incluida aqu) del
entorno econmico; por tal motivo a este anlisis tambin se le llama de
posoptimalidad.

En general se pueden presentar cambios que no afecten la optimalidad de la

solucin ya obtenida, pero tambin puede ocurrir que se pierda esa condicin.
Por tal motivo es importante identificar los parmetros sensibles, que al
cambiar de valor, se pierde el ptimo. En este caso, es posible calcular el
intervalo de valores permitido en que no se pierde el ptimo. Tambin se
puede determinar el intervalo de valores para conservar factibilidad (valores
no negativos de variables).
3.3.1. Estructura matricial de la tabla simplex.

Para el anlisis de sensibilidad se requiere saber la composicin matricial de la

tabla simplex y las relaciones vectoriales implicadas. La localizacin de estos
vectores y matrices en la tabla, forman la estructura matricial que se presenta
enseguida, con la recomendacin de revisar los ejemplos que no son prototipo
de casos. Estos tienen el propsito exclusivo de ejercitar el uso de las frmulas
y la operacin de matrices, lo cual se requiere en el anlisis de sensibilidad.
Entonces se inicia este conocimiento presentando la composicin de la tabla:

Figura 3-6. Composicin matricial de la tabla simplex y las relaciones

vectoriales implicadas.
En donde:
A es la matriz de coeficientes tecnolgicos conforme las restricciones.
b es un vector columna de trminos independientes conforme a las
restricciones.
C es un vector rengln de coeficientes, conforme a la funcin objetivo.
CB es un vector rengln de coeficientes de variables de funcin objetivo,
conforme transpuesto, se ubiquen en la columna de base (bsicas) en tabla
simplex.

Y es un vector rengln de variables duales (precios sombra) los que se

localizan como coeficientes en variables de holgura y/o artificiales del rengln
Z.
XB es un vector columna con valores de variables bsicas en la columna
solucin.
B-1 es la inversa de una matriz B, formada de columnas de coeficientes
de restricciones, conforme a variables bsicas (columna de base) en tabla
simplex.
Ejemplo 3-3. Aplica frmulas matriciales simplex y calcula el modelo
original (MAXCAN1).
Dada la siguiente tabla simplex ptima incompleta:
a) complete la tabla; b) determine el modelo de programacin lineal que la
origin:

Figura 3-7. Tabla simplex ptima incompleta del ejemplo MAXCAN3.

a) Complete la tabla:
Observe que los coeficientes faltantes en la tabla simplex de ejemplo,
corresponden a las columnas de variables bsicas, las que como tales,
deben formarse como vector unitario requerido en la matriz de base I.
La ubicacin de la variable bsica H1 est dada, as se puede empezar
situando el #1 en el cruce de este rengln y la columna H1, con ceros en
el resto. Otra posicin dada es el #1, en columna de la variable X1, que
se puede llenar con ceros en el resto de la misma, colocando a X1 en la
base, en mismo rengln del #1. La columna de X2 est vaca y desde
luego, le corresponde el vector unitario que completa la matriz I,
necesaria en toda tabla simplex, para el caso de orden m=3; as se
coloca a X2 en el nico lugar libre de la base, coincidiendo este rengln
y cruce con columna X2 se sita el #1 y se llena con ceros el resto de la
columna. Para el rengln y columna Z de la tabla, es preciso recordar la
forma de la ecuacin objetivo y la ausencia de la variable Z en
restricciones, para colocar sus coeficientes, que completan la tabla aqu
mostrada:

Figura 3-8. Tabla simplex ptima completa del ejemplo

MAXCAN1.
b) Determine el modelo de programacin lineal que origin la tabla simplex
ptima del ejemplo MAXCAN1:
El modelo a determinar debe ser con el objetivo de mximo, pues en el
rengln Z de la tabla ptima no hay coeficientes negativos. Adems,
debe tener tres restricciones de tipo <=, ya que la base es de orden 3 y
no hay informacin de variables artificiales; lo cual significa que H1,
H2, H3, son holguras de dichas restricciones y X1, X2, tienen que ser
variables de decisin. Utilizando las frmulas dadas en la estructura de
la tabla simplex, el inicio es opcional, ya sea con restricciones o bien
con la funcin objetivo; de cualquier manera es necesario identificar en
tabla simplex los vectores y matriz de las frmulas como se muestra
enseguida:

Figura 3-9. Identificacin de matrices y vectores en tabla ptima

del ejemplo MAXCAN1.
CB = ( CH1 C2 C1 ) = ( 0, 5, 3 ) Suponiendo que primero se desea
determinar restricciones, con la frmula siguiente slo hace falta
despejar al vector columna b de trminos independientes de
restricciones, pues XB y B-1se conocen:

Al despejar b, se observa que hay necesidad de calcular B como matriz

inversa de B-1 que ya est localizada en la tabla simplex dada, como
sigue:

Figura 3-10. Clculo de la matriz B inversa de B-1 en ejemplo

MAXCAN1.
Sustituyendo a B y XB en frmula b= BXB, se determina el vector b de
recursos:

Figura 3-11. Clculo del vector b de recursos en ejemplo

MAXCAN1.
Para los coeficientes de restricciones de la matriz A, en la frmula A* =
B-1 A A = B A*, se sustituye B y A*, y se determina la matriz A de
coeficientes:

Figura 3-12. Clculo de la matriz A de coeficientes en ejemplo

MAXCAN1.
C = Coeficientes de la funcin objetivo: Z j - C j = CB B-1 A - C = Y
A - C.

En esta frmula slo hace falta sustituir vectores y matriz, despejando

C:

Entonces el modelo de PL buscado es:

Ejemplo 3-4. Aplica frmulas matriciales simplex y calcula el modelo

original (MINCANEST).
Considere la siguiente tabla simplex ptima incompleta; en donde S1 y S2 son
variables de supervit .

Figura 3-13. Tabla simplex ptima incompleta del ejemplo

MINCANEST.
a) Complete la tabla.Analizando la informacin de la tabla simplex ptima, el modelo de PL
a determinar debe tener el objetivo de mnimo, pues en el rengln Z no
hay coeficientes positivos; con dos restricciones del tipo >=, por las
siguientes razones: S1 y S2 son supervit, usadas para pasar a = las
restricciones >=, adems las variables artificiales W1 y W2, son
necesarias para formar la matriz I si se usan supervit. Slo hay dos
renglones para la base que deben ocupar, las variables de decisin X 1 y
X2, pues existe el #1 como seal de vector columna unitario en X2, el
cual debe arreglarse con ceros en los lugares restantes. La variable
X1 ocupa el otro lugar en la base y se arregla como el vector columna

que completa la matriz de base I, pues no hay otra columna que pueda
cumplir los requisitos para matriz unitaria.
Clculo del valor ptimo de la funcin Z.- Se puede proceder con
este clculo, hasta determinar el modelo de PL original, pero se puede
adelantar utilizando las mismas relaciones matriciales ya mostradas. La
funcin objetivo dual es Yo = bT Y; eliminando M, se conoce Y = (Y1,
Y2) = (3/2, 5/4) conocidos como precios sombra (coeficientes en Z para
W1 y W2). An no se calcula el vector columna b, el cual aparece
en:X B = B-1 b b = B XB
El vector XB=(4,1)T es dato en tabla, slo falta obtener la matriz B
desde B-1:

Yo = bT Y = ( 6, 8 )T ( 3/2, 5/4 )= 19. Entonces: dual Yo = 19 =

Zo primal, por la propiedad de dualidad fuerte. Verifique inversas: B1
B = B B-1 = I

La tabla simplex ptima completa se presenta a continuacin:

Figura 3-14. Tabla simplex ptima completa del ejemplo

MINCANEST.
b) Determine el modelo de PL que la origin.El modelo de programacin lineal a determinar debe tener el objetivo
de mnimo, pues el rengln Z de la tabla simplex ya completada, no
tiene coeficientes positivos. La base tiene dos renglones debido a
restricciones de tipo >=, porque slo hay variables de supervit y
artificiales. Las variables X1, X2, X3, son de decisin, pues las restantes
tienen asignacin.
A = Coeficientes de restricciones:

Clculo de C = Coeficientes de la funcin objetivo:

Entonces el modelo de PL pedido es:

Ahora se ejemplifican algunos de los posibles cambios discretos al modelo de

programacin lineal para mostrar el anlisis de sensibilidad, empezando por: