JORGE EDUARDO CALPA OLIVA, M.Sc.

INVESTIGACIÓN DE OPERACIONES I
Los Módulos de clase son una publicación de la Dirección de Investigaciones y Desarrollo Tecnológico
de la Universidad Autónoma de Occidente. Este material presenta contenidos parciales y/o material de
apoyo de cursos dictados en la institución.

JORGE EDUARDO CALPA OLIVA, M.Sc.

Docente Programa Ingeniería Industrial
Investigación de Operaciones I
jcalpa@uao.edu.co

Gestión Editorial
Programa Editorial
programaeditorial@uao.edu.co

Diagramación
Juan Manuel Escobar Velasco
juanuel22@hotmail.com

2008 Universidad Autónoma de Occidente

Km. 2 vía a Jamundí, A.A. 2790 Cali, Valle del Cauca Colombia
www.uao.edu.co

El contenido de esta publicación no compromete el pensamiento de la Institución,

es responsabilidad absoluta de sus autores.

Sección de Publicaciones e Impresiones

Impreso en Colombia
Printed in Colombia
 TABLA DE CONTENIDO

Pág.

2.1. GENERALIDADES 5

2.2. EJEMPLO PROTOTIPO 5

2.2.1. Definición del problema 6
2.2.2. Identificación de las variables 6
2.2.3. Modelo formulado 6

2.3. ENFOQUE GRÁFICO DE SOLUCIÓN 7

2.3.1. Representar una región o área factible 7
2.3.2. Calcular el valor máxim o o m ínimo de la función objetivo en la
región factible 10
2.3.2.1 Teorema fundamental de la Programación Lineal 10
2.3.3. Análisis gráfico 11
2.3.4. Interpretación de la solución óptima 13
2.3.5. Método analítico 14
2.3.6. Ejercicio de aplicación 16

2.4. MODELOS LINEALES CON SOLUCIONES ESPECIALES

EN EL ENFOQUE GRÁFICO 16
2.4.1. Solución óptima única 16
2.4.2. Modelos lineales infactibles 16
2.4.3. Modelos lineales ilimitados – región no acotada 18
2.4.4. Modelos lineales degenerados – restricciones redundantes 20
2.4.5. Modelos lineales con óptimos alternativos 21

2.5 ANÁLISIS DE SENSIBILIDAD PARA EL ENFOQUE 22

GRÁFICO
2.5.1. Definición de análisis de sensibilidad 23
2.5.2. Análisis de sensibilidad para los coeficientes de la 24
función objetivo
2.5.3. Análisis de sensibilidad para el lado derecho de las 27
restricciones

BIBLIOGRAFÍA 36
 LISTA DE GRÁFICAS

Pág.

Gráfica 1. Representación de recta de restricción 9

Gráfica 2. Región o área factible 10

Gráfica 3. Representación lineal de función objetivo 12

Gráfica 4. Solución óptima análisis gráfico 13

Gráfica 5. Solución óptima método analítico 15

Gráfica 6. Modelos lineales infactibles 18

Gráfica 7. Modelos lineales ilimitados 19

Gráfica 8. Modelos lineales degenerados 20

Gráfica 9. Modelos lineales con óptim os alternativos 22

Gráfica 10. Sensibilidad coeficientes función objetivo 25

Gráfica 11. Sensibilidad coeficientes función objetivo 26

Gráfica 12. Solución óptima sin cam bio en el lado derecho 29

restricción 2
Gráfica 13. Solución óptima con cambio en el lado derecho 30
restricción 2
Gráfica 14. Cambio suficientemente mayor en restricción 2 31

Gráfica 15. Precio som bra restricción 2 34

 2.1 GENERALIDADES

La primera fase para emprender la solución a un problema de Programación Lineal es

formular y obtener el modelo. Considerada esta etapa la más importante del proceso de
aplicación, en la cual se necesita definir claramente el problema y conceptualizar de una
manera correcta el problema que presente el sistema sobre el cual se pretende realizar la
aplicación. La etapa siguiente en el proceso es alcanzar la solución del modelo.

Desde el momento en que George Dantzig desarrolla el método simplex para obtener la
solución a un modelo de programación lineal, éste método ha sido considerado el único
método útil y aplicable a la gran mayoría de problemas de programación lineal. Sin
embargo para poder alcanzar una fuerte comprensión del método simplex se hace
necesario estudiar inicialmente dos métodos complementarios de solución, el enfoque
gráfico ó método de solución gráfica y el método algebraico ó método de enumeración de
soluciones básicas.

Para presentar el enfoque de solución gráfico para un modelo de programación lineal, se

utilizará un ejemplo prototipo que simula la toma de decisiones que manifiesta la
administración de una pequeña empresa. Este problema empresarial será utilizado para
presentar el proceso completo de programación lineal, formulación, solución con enfoque
gráfico, método de enumeración de soluciones básicas, método simplex y teoría de
dualidad.

2.2. EJEMPLO PROTOTIPO

Una empresa de confecciones produce dos tipos de uniformes escolares, cuyas

referencias son UNIF1 y UNIF2. La planta donde se fabrican los uniformes opera 40 horas
a la semana y emplea a cinco trabajadores de tiempo completo y a dos de tiempo parcial,
quienes trabajan 15 horas a la semana. Estas personas operan las siete máquinas, entre
máquinas de cocer y fileteadoras las cuales se utilizan para fabricar cada uniforme. Los
productos salen del departamento de confección para ser empacados en el departamento
de empaque, el cual emplea a seis trabajadores de tiempo completo y a uno de tiempo
parcial quien trabaja 10 horas a la semana.

La empresa tiene una provisión casi ilimitada de materia prima que necesita para producir
los dos tipos de uniformes. Sin embargo puede vender cualquier cantidad de UNIF1, pero
la demanda del producto más solicitado, UNIF2, esta limitada a lo más a 120 unidades por
semana.

El departamento de contabilidad estima un margen de utilidad de $300 por unidad de

UNIF1 y de $500 por unidad de UNIF2.

05
Se consulta al analista de procesos para recoger la información sobre el tiempo utilizado
en los departamentos de confección y empaque. El departamento de procesos presenta la
información que se detalla en la siguiente tabla:

HORAS POR UNIDAD DE

UNIF1 UNIF2

Confección 2 1
Empaque 1 2

La empresa desea conocer el plan óptimo de producción para la próxima semana1

Aplicando los criterios para la construcción y formulación de un modelo de programación

lineal, la situación de la pequeña empresa se plantearía de la siguiente forma:

2.1.1. DEFINICIÓN DEL PROBLEMA

La empresa desea conocer cual es el número de uniformes escolares a fabricar en la
semana, de tal manera que se maximicen las utilidades totales.

2.2.2. IDENTIFICACIÓN DE LAS VARIABLES

X1 = unidades de uniformes tipo 1, UNIF1, a producir en la semana.
X2 = unidades de uniformes tipo 2, UNIF2, a producir en la semana.

2.2.3. MODELO FORMULADO

El modelo a solucionar es: Maximizar UT = 300 X1 + 500 X2 [Utilidad Total], Sujeto a:

(R1) 2X1 + X2 = 230 [Horas] Departamento de Confección

(R2) X1 + 2X2 = 250 [Horas] Departamento de Empaque
(R3) X2 = 120 [Unidades] Uniformes escolares UNIF2
(R4) X1 D 0 Restricción de no negatividad
(R5) X2 D 0 Restricción de no negatividad

1
Adaptado de MATHUR, Kamlesh y SOLOW, D., Investigación de Operaciones: el Arte de la Toma de
Decisiones, Prentice-Hall Hispanoamericana S.A., México, 1996.

06
Observe que el modelo prototipo formulado tiene solamente dos variables de decisión,
UNIF1 y UNIF2, las cuales para facilitar la explicación se denotaran como X1 y X2
respectivamente. Al poseer el modelo sólo dos variables de decisión, se puede usar un
procedimiento gráfico para resolverlo, representando el modelo en un plano cartesiano X y
Y.

2.3. ENFOQUE GRÁFICO DE SOLUCIÓN

Para obtener la solución al modelo utilizando el enfoque gráfico, se emplean los siguientes
procedimientos:
? Representar una región o área factible.
? Calcular el valor máximo o mínimo de la función objetivo en la región factible.

2.3.1. REPRESENTAR UNA REGIÓN O ÁREA FACTIBLE

Se considera una región factible o área factible, como aquella región o plano en el cual las
variables de decisión de un modelo lineal satisfacen simultáneamente todas las
restricciones. Región que forma un polígono convexo cerrado en el plano, o un poliedro
cerrado convexo en el espacio. Entonces, para obtener la región factible se concentra el
análisis sobre las restricciones del modelo, examinando cada una de ellas para graficarlas
sobre el plano cartesiano. La grafica de todas las restricciones representadas por rectas
forman una intersección, la región factible es aquella área donde todos los pares
ordenados (X1, X2) que pertenecen a ella cumplen con todas las restricciones del modelo.

Cada restricción permite ciertos valores de (X1, X2) que satisfacen las desigualdades. Los
valores que satisfacen la desigualdad y pertenecen al área factible se conocen como
valores factibles o soluciones factibles (valores para las variables de decisión que
satisfacen simultáneamente todas las restricciones). Los valores que no satisfacen alguna
de las restricciones se consideran valores infactibles. Se puede notar que la intersección
de las restricciones al formar la región factible permite un conjunto de infinitas parejas (X1,
X2) las cuales satisfacen todas las restricciones. Este conjunto de parejas se reconocen
como soluciones factibles y en conjunto forman el área factible.

Para hallar la región factible se utilizan los ejes de coordenadas del plano cartesiano, los
cuales representarán a las variables de decisión (X1, X2), ejes donde se representan los
valores mínimos y máximos que podrían tomar las variables.

La restricción (R4) del modelo, X1 D 0, permite solo valores positivos y la restricción (R5),
X2 D 0, igualmente permite solo valores positivos, gráficamente la restricción (R4) permite
valores que están por encima del eje X1 y la restricción (R5) solamente permite valores que
estén a la derecha del eje X2, ver gráfica 1.

07
Para obtener la gráfica de la recta de restricción R1, 2X1 + X2 = 230, se procede de la
siguiente forma. Esta expresión es una desigualdad lineal cuya grafica corresponde a los
puntos ubicados en el lado izquierdo o derecho de la recta 2X1 + X2 = 230, entonces:

a) Se transforma la restricción de desigualdad en igualdad.

2X1 + X2 = 230

b) Se obtienen los interceptos con lo ejes de coordenadas para graficar la recta

correspondiente a la desigualdad.

? Cuando X1 = 0 X2 = 230
? Cuando X2 = 0 X1 = 115

Los valores que se consideran para obtener la región factible corresponden a la

desigualdad lineal 2X1 + X2 = 230 y no únicamente los valores de la ecuación 2X1 + X2 =
230, se utiliza la igualdad para poder graficar la recta de restricción. Esto permite concluir
que todos los puntos que pertenecen a la recta cumplen con la restricción, sin embargo el
objetivo de análisis para el enfoque gráfico de programación lineal es determinar un área
factible, por lo tanto se necesita conocer que lado de la recta hacia la derecha o izquierda
presenta valores que cumplan con la desigualdad lineal. Note, que cuando se grafica la
recta de restricción el plano cartesiano se divide en dos semiplanos ubicados a la derecha
e izquierda de la recta. Para reconocer cual de los semiplanos cumple con la desigualdad,
se pueden utilizar dos formas:

? Se elige cualquier punto que no se encuentre en la recta, ubicado en cualquiera de los

dos semiplanos en que fue dividido el plano cartesiano cuando se trazo la recta de
restricción. Por ejemplo, si se toma el punto X1 = 50 y X2 = 50 ubicado en el semiplano
del lado izquierdo de la recta (ver gráfica 1) y se reemplaza en la restricción R1

2(50) + (50) = 230

150 = 230

La desigualdad se cumple, por lo tanto el área que satisface la restricción R1 es la ubicada

en el semiplano del lado izquierdo de la recta, como se indica en la gráfica 1. Se marca con
flechas la dirección del semiplano que cumple con la desigualdad.

Si al reemplazar X1 y X2 la desigualdad NO se cumple, entonces, el área que satisface la

restricción estaría ubicada hacia el semiplano del lado derecho de la recta.

? Se elige como punto de referencia el origen de coordenadas, que puede estar ubicado
en uno de los dos semiplanos en que fue dividido el plano cartesiano, se verifica si
satisface o no la desigualdad representada por la restricción. Esta forma es similar a la
primera, su diferencia radica en ser más ágil cuando se reemplaza directamente los
valores de las coordenadas X1 = 0 y X2 = 0 en la desigualdad.

08
Cuando la desigualdad que se analice sea una recta que pase por el origen de
coordenadas, se hace obligatorio utilizar un punto ubicado en alguno de los semiplanos en
que se dividió el plano cartesiano.

2(0) + (0) = 230

0 = 230

Observe que la desigualdad se cumple, entonces el área que satisface la restricción R1 es

el área ubicada en el semiplano del lado izquierdo de la recta.

Se grafican todas las restricciones del modelo sobre el plano cartesiano, utilizando una de
las formas explicadas para reconocer los semiplanos que cumplen con cada una de las
restricciones. Observe que el resultado al graficarlas, es una intersección de rectas de
restricción sobre el plano cartesiano, las cuales a su vez forman diferentes segmentos de
área, uno de estos segmentos de área es el área factible, región del plano que cumple con
las características de ser un polígono convexo y simultáneamente cumplir con todas las
restricciones del modelo. Para el ejemplo el área que cumple con todas las restricciones es
el área sombreada de la figura 2.

Los infinitos puntos en los límites y aquellos que se encuentran dentro del área factible son
soluciones factibles y dan origen a diferentes valores para las variables X1 y X2, puntos que
satisfacen con todas las restricciones y por lo tanto son solución del modelo. De todas
estas infinitas soluciones, solo una es la solución óptima al modelo, aquella que produzca
el mejor valor de la función objetivo, si el objetivo del problema es de maximizar o el menor
valor de la función si el objetivo es de minimizar (ver teorema fundamental de la
programación lineal).

X2
R5

230

Punto(50,50)

R4

Punto(0,0) 115
X1
R1

Gráfica 1: Representación de recta de restricción

09
 X2
R5

230

125

120
R3

Área R4
Factible

115 250 X1

R1 R2

Gráfica 2: Región o Área Factible

2.3.2. CALCULAR EL VALOR MÁXIMO O MÍNIMO DE LA FUNCIÓN

OBJETIVO EN LA REGIÓN FACTIBLE

Para calcular el valor máximo o mínimo de la función objetivo definido como una solución
óptima, se necesita encontrar un punto factible de la región que proporcione el mayor o
menor valor en la función objetivo.

2.3.2.1. TEOREMA FUNDAMENTAL DE LA PROGRAMACIÓN LINEAL

Si un problema de Programación Lineal tiene región factible no vacía, entonces, si
realmente existe el óptimo (máximo o mínimo) de la función objetivo, este valor se
encuentra en un punto extremo (vértice) de la región factible.

Si una función alcanza el valor óptimo en dos vértices consecutivos de la región factible,
entonces alcanza también dicho valor óptimo en todos los puntos del segmento de recta
que determinan los dos vértices.

Se presentan dos métodos para alcanzar la solución óptima para un modelo de

programación lineal, un análisis gráfico y un método analítico. Estos métodos aplicados en
el ejemplo prototipo permiten comprobar intuitivamente la validez del teorema
fundamental de la programación lineal. Cuando la función alcanza el valor óptimo en dos
vértices consecutivos se reconoce como una solución con óptimos alternativos, se explica

10
en detalle en el ítem modelos lineales con soluciones especiales. Sin embargo, si sólo
existe un vértice del área que proporcione el máximo (mínimo) de la función objetivo, se
considera como solución óptima y se constituye como solución única del problema.

2.3.3. ANÁLISIS GRÁFICO

El análisis gráfico permite obtener la solución óptima directamente en la gráfica cuando ya
se ha determinado el área factible. Se elige un punto cualquiera de la región factible, este
punto es una solución factible por que cumple con todas las restricciones. Sin embargo se
necesita confirmar si es el mejor, el óptimo. Por ejemplo, el punto de coordenadas X1 = 40 y
X2 = 30, es una solución factible con el cual la empresa obtendría un valor en la función
objetivo de $ 27.000. La línea que atraviesa por el punto se indica en la gráfica 3, ésta línea
se le conoce con el nombre de línea de función objetivo, por que representa a la recta que
forma la función objetivo cuando se reemplaza en ella los valores de las variables.
También se le llama de isoutilidades (si se maximiza) o de isocosto (si se minimiza). Todos
los puntos de la recta que se encuentren dentro del área factible, son soluciones factibles
que alcanzarían el mismo valor de $27.000 en la función objetivo. Observe igualmente en
la gráfica que si se toma un punto por encima de esta recta, el valor de la función objetivo
se incrementa, el valor de las utilidades sería mayor. Por ejemplo, el punto X1 = 50 y X2 =
60, el cual representa también una solución factible, alcanzaría un nuevo valor en la
función objetivo de $ 45.000, en la gráfica la línea de función objetivo 2. (Ver gráfica 3).

En este momento surge una pregunta. ¿Cuál es el punto del área factible que genera la
mejor solución al modelo?

Para hallar la solución óptima utilizando el análisis gráfico, se dibuja la línea de función
objetivo para un punto cualquiera que se encuentre dentro del área factible como se
explico. Este punto genera un valor de función objetivo, la solución óptima se encuentra, si
al reconocer la dirección hacia donde se presenta un mejor valor de la función objetivo
(dirección definida por el criterio de maximización o minimización formulado para la
función objetivo), se trazan líneas paralelas en ese sentido, tomando como referencia la
línea de función objetivo trazada inicialmente, de tal manera que el último punto que
“toque” el área o región factible una paralela al abandonar esta región, este será el punto
óptimo, quien representara la SOLUCIÓN ÓPTIMA. Las rectas paralelas a la línea de
función objetivo del ejemplo tienen la misma pendiente (-3/5). Observe en la gráfica 4, este
último punto siempre corresponde a un punto ubicado en los vértices que forman la región
factible, como lo define el teorema fundamental de programación lineal.

11
 X2
R5

230

V2

125
V3
120
V4 R3
90

54 R4
Punto(50,60)
V5
Punto(40,30)
V1 90 115
150
250
X1

R1 R2

Línea de función Línea de función

objetivo 1 objetivo 2

Gráfica 3: Representación línea de función objetivo

Para el ejemplo prototipo los vértices que presenta el área o región factible son:

V1 = (0,0) V2 = (0,120) V3 = (10,120)

V4 = (70,90) V5 = (115,0)

Si se consideran nuevos puntos factibles que se ubiquen por encima de la línea de función
objetivo 2, el valor de la función objetivo se incrementara para cada uno de ellos por que el
objetivo del modelo es de maximización. El último punto de la región factible que toca una
de las paralelas al abandonar el área es el punto ubicado en el vértice V4 (70,90) cuando se
traza la línea de función objetivo 3 (ver gráfica 4). Este será el punto óptimo que represente
a la SOLUCIÓN ÓPTIMA para el problema de la empresa de confecciones, el cual
produce un valor en la función objetivo de $66.000. Si se deseara aumentar sólo un poco
más el valor de la función objetivo a partir de $66000, la nueva línea de función objetivo
estaría completamente por fuera del área factible. Se concluye entonces que el máximo
valor que puede alcanzar la función objetivo del modelo es de $66.000, para X1 = 70 y X2 =
90.

12
2.3.4. INTERPRETACIÓN DE LA SOLUCIÓN ÓPTIMA
X1* = 70 X2* = 90 UT* = 66.000

La solución sugiere que el plan óptimo de producción para la empresa de confecciones es

producir 70 unidades de uniformes escolares de referencia UNIF1 y 90 unidades de
uniformes con referencia UNIF2, con lo cual alcanzara una utilidad máxima de $66.000
durante la semana.

El método de análisis gráfico genera un concepto teórico fundamental para la

programación lineal, si el problema tiene solución y esta solución es única, la SOLUCIÓN
ÓPTIMA se ubicara en uno de los vértices que forme la región factible y es única por que
no existirá otro vértice que presente un valor igual o mejor en la función objetivo como lo
sugiere el teorema fundamental de la programación lineal. Algunos autores los denominan
también PUNTOS ESQUINA o PUNTOS FRONTERA a los vértices del área factible.

X2
R5

2 30

SOLUC IÓN
ÓPTIM A ÚNICA
125
120
V4 (70,90)
R3
90

54 Lín ea d e fun ción

R5
ob jetivo 3

90 115 150 250

X1

R1 R2

Lín ea d e fun ción

Lí nea d e fun ción
obj etiv o 1
ob jetivo 2

Gráfica 4: Solución Óptima Análisis Gráfico

Recuerde que el recurso limitado que tiene la empresa es el tiempo (Horas) en los
departamentos, con la solución óptima obtenida la forma de utilizar este recurso es la
siguiente:

2X1 + X2 = 230 [Horas] Depto de Confección

2(70) + 90 = 230
230 = 230

13
 X1 + 2X2 = 250 [Horas] Depto de Empaque
70 + 2+ (90) = 250
250 = 250

Se puede observar que con la solución óptima obtenida, se utiliza completamente el

recurso horas disponible en los dos departamentos. El análisis del uso de los recursos se
realiza más adelante cuando se exponga el tema de Análisis de Sensibilidad.

2.3.5. MÉTODO ANALÍTICO

El método analítico es una consecuencia directa del análisis gráfico. Por lo tanto, después
de identificar la región factible al problema, se analizan los vértices que forman la
intersección de las rectas de restricción. Cada vértice se forma por una pareja de pares
ordenados X1 y X2, que al reemplazarse en la función objetivo se obtiene el valor máximo o
mínimo de la función dependiendo del criterio utilizado para el problema maximización o
minimización.

Apoyándose en el álgebra lineal se construyen sistemas de ecuaciones para aquellas

rectas de restricción que forman cada uno de los vértices de la región factible, la solución a
cada sistema permite encontrar los valores X1 y X2 de cada punto esquina. Se puede
utilizar el método de eliminación de una incógnita el cual utiliza tres procedimientos:
eliminación de una incógnita, eliminación por adición y sustracción o el procedimiento de
eliminación por sustitución. Cualquiera de ellos permite reconocer las coordenadas de
cada uno de los vértices que forman el área factible.

Por ejemplo el vértice 3 se forma por el cruce de las restricciones R2 y R3 (Ver gráfica 5),
representado por el siguiente sistema de ecuaciones:

X1 + 2X2 = 250
X2 = 120

14
 X2
R5

230

V3 (10,12 0)

SOLUCIÓN
ÓPTIMA ÚNICA
125
120
V4 (70,9 0)
R3

V2 (0,1 20) REGIÓN O

ÁREA R5
FACTIBLE

115 250
V1 (0,0 ) X1
V5 (115,0 ) R1 R2

Gráfica 5: Solución Óptima Método Analítico

La solución al sistema permite obtener las coordenadas del vértice V3, X1 = 10 y X2 = 120

Después de encontrar las coordenadas de cada uno de los vértices del área factible, se
evalúan en la función objetivo.

VÉ RTICE – PUNTO VALOR FUNCIÓN

X1 X2
ESQUINA OBJETIVO
V1 0 0 $0
V2 0 120 $ 60.000
V3 10 120 $ 63.000
V4 70 90 $ 66.000
V5 115 0 $ 34.500

Como se puede observar el vértice V4 es el que genera el mayor valor en la función objetivo
por que el objetivo del problema es maximizar las utilidades totales, por lo tanto se
considera como la solución óptima. La interpretación es igual a la planteada con el análisis
gráfico.

15
2.3.6. EJERCICIO DE APLICACIÓN
“Harinera del Sur”, posee para la producción de harina dos molinos. El molino 1 puede
operar un máximo de 40 horas, mientras que el molino 2 puede operar como mucho 60
horas por semana. Cada hora de operación del primer molino produce 3 toneladas de
harina, cada hora del segundo molino produce 4 toneladas de harina. La empresa ha
adquirido compromisos con clientes para producir por lo menos 180 toneladas de
producto terminado. Una hora de producción del molino 1 le cuesta a la organización
$40.000 y una hora de producción del molino 2 le vale $80.000. La empresa desea
mantener los costos tan bajos como sea posible. Por razones de política interna de la
empresa, la operación en horas del molino1 no debe ser mayor a 2 veces la operación en
horas del molino 2.

Formule éste problema como un modelo de programación lineal y halle su solución

utilizando el método gráfico.

2.4. MODELOS LINEALES CON SOLUCIONES ESPECIALES EN EL

ENFOQUE GRÁFICO
Cuando se soluciona un problema de programación lineal se presentan diferentes tipos de
solución. A continuación se detalla como se identifican los tipos de solución y sus efectos
cuando se soluciona el modelo. Tipos de solución que tienen su explicación también con el
método simplex y que se realiza posteriormente.

Entre las causas más comunes para que se presenten soluciones especiales en los
modelos de programación lineal se pueden considerar: error en la formulación del
problema, equivocación al definir una restricción como = siendo realmente =, omisión al
transcribir información del modelo formulado al software.

2.4.1. SOLUCIÓN ÓPTIMA ÚNICA

Después de resolver el ejemplo prototipo utilizando el enfoque gráfico, se nota que la
solución óptima ocurrió en un punto extremo o de esquina de la región factible. Se halló
una región factible y en ella se encontró la solución óptima para el problema, existe solo un
punto X1 y X2 que son solución al modelo. Esta situación se puede considerar como una
solución única.

2.4.2. MODELOS LINEALES INFACTIBLES

Para explicar este tipo de solución se realiza una variación en el ejemplo prototipo.
Suponga que el gerente de ventas de la empresa de confecciones informa que necesita

16
firmar un contrato a largo plazo con un cliente para vender como mínimo 200 unidades de
uniformes escolares de referencia UNIF1 para cada semana. Para obtener el nuevo plan
de producción, se necesita reformular el modelo para vincular en él la información del
gerente de ventas, se hace necesario vincular una nueva restricción que represente la
nueva situación. La situación se traduce en el modelo vinculando una nueva restricción,
restricción 4 (R4) de la siguiente forma: X1 = 200. El nuevo modelo quedaría formulado de
la siguiente manera:

Maximizar UT = 300 X1 + 500 X2

Sujeto a:

(R1) 2X1 + X2 = 230

(R2) X1 + 2X2 = 250
(R3) X2 = 120
(R4) X1 D 200
(R5) X1 D 0
(R6) X2 D 0

Cuya gráfica, se presenta en la gráfica 6.

Observe que el sistema de ecuaciones NO presenta intersección para alcanzar a formar

una región factible. No es posible encontrar un área factible, no existen vértices, no es
posible aplicar el teorema fundamental de programación lineal.

Se explica otro método que se puede utilizar en el método gráfico para identificar la región
factible: Observe que al trazar las rectas de restricción en el plano cartesiano, se forman
diferentes áreas, como se comento. El método consiste en identificar TODAS las áreas y
analizar cada una de ellas aplicando el concepto del método gráfico: para ser área factible
un punto X1 y X2 que se encuentre dentro del área obligatoriamente debe cumplir con
TODAS las restricciones. Si un punto X1 y X2 no cumple con alguna de las restricciones, el
área al cual pertenece el punto no se puede considerar como área o región factible.

En la gráfica 6, se visualizan las 8 áreas posibles generadas al dibujar las rectas de

restricción del modelo.

Si se analiza cualquier área, se puede observar que ninguna de ellas cumple

simultáneamente con todas las restricciones cuando se considere un punto X1 y X2 que
pertenezca al área. Por ejemplo si se analiza la región A6, se toma un punto que
pertenezca al área y se analizan las direcciones de todas las restricciones, el punto
seleccionado no cumpliría con las restricciones R1 ni R4 (verifique todas las áreas).
Cuando existe un área que no cumpla con todas las restricciones, no es posible definir un
área factible, la intersección de las restricciones es un conjunto vacío, por lo tanto la región
factible NO existe, es imposible alcanzar una solución para el modelo. Esta situación se
considera como una Solución Infactible o Modelo Lineal Infactible, el modelo no tiene
solución. Una interpretación para la empresa de confecciones si se encontrara esta

17
situación al solucionar el modelo, sería que con los actuales recursos no podría cumplir
con el contrato del cliente para vender 200 unidades de uniformes escolares de referencia
UNIF1. Si a la empresa le interesa el contrato, necesitará adquirir recursos adicionales
para alcanzar a cumplir con la demanda de 200 unidades.

X2
R6
R4

230

A1
A2
A3
125

120 A8
R3
A4
A5
A7 R5
A6
115 200 250
X1

R1 R2
Gráfica 6: Modelos lineales infactibles

2.4.3. MODELOS LINEALES ILIMITADOS - REGIÓN NO ACOTADA

Este tipo de modelos se conoce también como modelos con “solución no acotada” y se
presentan cuando la función objetivo puede mejorarse indefinidamente, o sea, existen
valores factibles de las variables que pueden hacer del valor de la función objetivo tan
grande como se desee cuando se está maximizando y tan pequeño cuando se está
minimizado. Una o varias variables crecen o decrecen sin ninguna restricción, esto
produce valores mayores y menores en la función objetivo sin ningún limite. Suponga que
por omisión, en el modelo prototipo se invierte el signo de las desigualdades R1 y R2, el
modelo formulado y su gráfica correspondiente se presentan a continuación:

Maximizar UT = 300 X1 + 500 X2

18
 Sujeto a:

(R1) 2X1 + X2 D 230

(R2) X1 + 2X2 D 250
(R3) X2 = 120
(R4) X1 D 0
(R5) X2 D 0

X2
R5

230

125

120
R3

R4

115 250 X1
R2
R1
Gráfica 7: Modelos lineales ilimitados

Si se mueve la línea de función objetivo paralelamente a si mismo en la dirección de

mejora (maximizando o minimizando), la línea de función objetivo nunca va a tocar un
punto esquina (por que no existe) y por lo tanto jamás va a abandonar el área factible, la
región factible no tiene límite, es abierta, como lo indica la gráfica 7. Una explicación para
la empresa sería que puede alcanzar una utilidad infinita, lo cual en la práctica es
imposible.

Gráficamente se puede observar que la variable X1 no viola las restricciones, crece

indefinidamente y es la variable que aportaría un mayor valor a la función objetivo. Nótese
que no existe una solución acotada. Una causa para que se presente este tipo de solución
es haber ignorado vincular una restricción, que al ubicarla posteriormente es posible
alcanzar una solución óptica única. Por ejemplo limitar la demanda de los uniformes tipo 1
en 600, esto permitirá acotar la región y poder encontrar un área factible. Verifique esta
situación y encuentre la solución óptima.

19
2.4.4. MODELOS LINEALES DEGENERADOS - RESTRICCIONES REDUNDANTES

Este tipo de solución se presenta cuando existe una restricción en el modelo que no
participa en la intersección de las rectas de restricción para formar el área factible. A la
restricción que no hace parte del área factible se le conoce como restricción redundante,
es una restricción que no hace parte de la región factible sin embargo cumple con todos los
puntos que pertenecen al área factible. Para identificar en la aplicación del método gráfico
una solución degenerada suponga en el ejemplo prototipo que el departamento de
mercadeo de la empresa determina por un estudio de investigación de mercados que la
demanda de uniformes escolares de referencia UNIF1 para cada semana no puede ser
mayor de 150 unidades. Esta situación obliga a vincular una nueva restricción al modelo
original: X1 = 150. Observe la nueva formulación y su respectiva grafica del nuevo modelo.

Maximizar UT = 300 X1 + 500 X2

Sujeto a:

(R1) 2X1 + X2 = 230

(R2) X1 + 2X2 = 250
(R3) X2 = 120
(R4) X1 = 150
(R5) X1 D 0
(R6) X2 D 0

X2
R4
R6

230

125

120
R3

R5

115 150 250

Gráfica 8: Modelos lineales degenerados X1
El área sombreada representa a R1 la región factible, noteR2
en la gráfica 8 que la restricción 4
(R4) no participa en la intersección para obtener esta área, sin embargo cualquier punto

20
que se encuentre dentro del área factible cumple con la desigualdad representada por la
restricción 4. Esta restricción se considera redundante, se puede suponer que la
restricción “sobra” por que no afecta a la región factible. Con la restricción o sin ella, la
solución del modelo seguiría siendo la misma.

El efecto de esta situación en los modelos de programación lineal es que aumenta trabajo
en la solución bien sea manual o con software. La recomendación cuando se está
formulando el modelo es no preocuparse si se incluyen las restricciones redundantes. Si
se piensa que se necesita una restricción que sea redundante es mejor incluirla en el
modelo.

2.4.5. MODELOS LINEALES CON SOLUCIONES ÓPTIMAS ALTERNATIVAS

Este tipo de solución se conoce también como modelos con infinitas soluciones óptimas.
Se presenta cuando algunos modelos tienen más de una solución óptima, existen dos
vértices de la región factible que alcanzan el mismo valor óptimo en la función objetivo. A
cada una de las soluciones se les conoce como solución óptima alternativa. Significa que
existen diferentes valores factibles X1 y X2 que producen el mismo valor óptimo en la
función objetivo. Ocurre cuando la recta de función objetivo es paralela a uno de los lados
del área factible.

Para realizar la aplicación al ejemplo prototipo, se modifica los datos en la función objetivo,
suponga que el margen de ganancia del producto uniformes tipo 1 UNIF1, no es de $300
por unidad si no de $ 200 por unidad. De la misma forma para el producto, uniformes tipo 2
UNIF2, cuyo margen de ganancia era de $500 por unidad ahora sea de $400 por unidad.
Esto obliga a una nueva formulación del modelo, el cual se representaría de la siguiente
forma:

Maximizar UT = 200 X1 + 400 X2

Sujeto a:

(R1) 2X1 + X2 = 230

(R2) X1 + 2X2 = 250
(R3) X2 = 120
(R4) X1 D 0
(R5) X2 D 0

Una de las soluciones óptimas (verifíquela) para éste modelo sería:

X1* = 10
X2* = 120
UT* = 50.000
Al graficar este modelo en el plano cartesiano se observa cómo la recta de función objetivo
es paralela a uno de los lados de la región factible, grafica 9. Para el caso, el segmento de

21
recta CD del área factible es paralelo a la línea de función objetivo, segmento de recta que
une dos vértices del área. En este segmento de recta la línea de función objetivo toca
infinitos puntos cuando tenga la misma pendiente que la restricción 2 R2. Cada uno de
estos puntos X1 y X2 que pertenecen al segmento de recta, es solución óptima y producen
el mismo valor en la función objetivo cuando se remplacen en ella (confírmelo utilizando el
método analítico).

Las soluciones con óptimos alternativos tienen un nivel de importancia cuando se

presentan en la solución de los modelos de programación lineal. Para el analista de
investigación de operaciones y para la empresa, este tipo de solución aumenta el espectro
para la toma de decisiones, ya no se limita a una sola opción para tomar la decisión, la
solución puede presentar varias alternativas de decisión. La decisión a elegir depende de
situaciones externas al modelo e inherentes al sistema que se este modelando.

X2
R6

230

125
C
120
D R3
75

R5

115 150 250

X1

R1 R2
Gráfica 9: Modelos lineales
Líneacon óptimosobjetivo
de función alternativos

2.5. ANÁLISIS DE SENSIBILIDAD EN EL ENFOQUE GRÁFICO

Después de obtener la solución a un problema de programación lineal con 2 variables

utilizando el método gráfico, se emplea la solución para efectuar lo que teóricamente se
conoce como Análisis de Sensibilidad.
2.5.1. DEFINICIÓN DE ANÁLISIS DE SENSIBILIDAD

22
En general el análisis de sensibilidad permite dar respuesta a la pregunta “qué pasa si…”
después de formular y resolver un problema de programación lineal se efectúan cambios
en los datos o parámetros del modelo original. En el ejemplo prototipo del sistema
empresarial que se ha planteado, los datos o parámetros del modelo de programación
lineal pueden cambiar en el tiempo, debido a la propia naturaleza del sistema que se esta
analizando y a la variabilidad en la que se desenvuelven los sistemas sobre todo los
sistemas empresariales. Situaciones como la caída de los precios, la variabilidad de los
mercados, el alza o incremento de los costos de mano de obra o de la materia prima, son
situaciones que van a afectar la solución óptima del modelo. Como analista de
investigación de operaciones y responsable de la formulación del modelo, necesita
conocer que tan sensible es la solución del modelo a variaciones en alguno de los datos o
parámetros del modelo original.

El análisis de sensibilidad utilizando el método gráfico, únicamente permite dos tipos de

análisis y admite dar respuesta solamente cuando se realizan cambios en los coeficientes
de la función objetivo y cuando se realizan cambios en el lado derecho de las restricciones.
Igualmente este análisis que se va a aplicar considera el cambio en solo uno de los
parámetros, coeficientes de la función objetivo o lado derecho de las restricciones,
manteniendo todos los demás datos del modelo inalterables.

Las respuestas que se obtengan a la pregunta “qué pasa si…” se pueden usar de
diferentes maneras, por ejemplo si la solución óptima de un modelo es muy sensible a
algunos cambios en los coeficientes de la función objetivo, el analista de investigación de
operaciones puede sugerir usar el modelo para una planeación a corto plazo. Si por el
contrario, los rangos o intervalos de sensibilidad en los parámetros que se modifiquen son
amplios y los valores van a fluctuar en el tiempo, el analista puede sugerir cambiar los
datos cada vez que se desee usar el modelo.

La importancia del análisis de sensibilidad radica en el resultado que pueden presentar los
datos en el momento de formular el problema. Normalmente, para formular un modelo los
parámetros a considerar tienen que estimarse y por tanto estos datos pueden tener
inexactitudes. Antes de implementar la solución de un modelo de programación lineal en
un sistema es importante conocer que tanto se afecta la solución si la estimación de los
datos cuando se esta formulando el modelo son ligeramente inexactos.

Por ejemplo si las restricciones de un modelo de programación lineal tienen que ver con la
asignación de recursos escasos como capital, mano de obra y materias primas. El análisis
de sensibilidad ayuda a determinar si es rentable o no utilizar, adquirir o disminuir las
cantidades de estos recursos.

Específicamente para el ejemplo que se estudia, el análisis de sensibilidad permite

determinar que tan sensibles son la solución óptima (X1* = 70; X2* = 90) y el valor de la
función objetivo (UT = 66.000) con respecto a cambios en los datos o parámetros de la
función objetivo y del lado derecho de las restricciones del modelo.
2.5.2. ANÁLISIS DE SENSIBILIDAD PARA LOS COEFICIENTES DE
LA FUNCIÓN OBJETIVO

23
Suponga que el analista de investigación de operaciones con base en los pronósticos de
demanda desea conocer que sucede con la solución óptima alcanzada y el valor de la
función objetivo en el ejemplo prototipo, si se aumentan las utilidades de los uniformes
escolares UNIF1 en $150 por unidad, en otras palabras desea conocer, que sucede con la
solución óptima y el valor de la función objetivo si el coeficiente de la variable X1 cambia de
$300 a $450 por unidad.

Una manera de responder esta inquietud del analista es cambiar el coeficiente de la

variable X1 de $300 por $450 en la función objetivo y resolver nuevamente el modelo con
este nuevo valor. Sin embargo el análisis de sensibilidad permite dar respuesta a esta y
otras inquietudes del analista de investigación de operaciones o del responsable del
modelo, sin necesidad de resolverlo nuevamente.

El análisis de sensibilidad permite obtener un intervalo [LI, LS] para cada uno de los
coeficientes o parámetros a analizar, intervalo que se conoce como intervalo de
sensibilidad, en el cual se reconoce un límite inferior y un límite superior para los cuales es
posible realizar cambios en los coeficientes o parámetros sin que se afecte la solución
óptima. Esto permite al analista de investigación de operaciones disminuir el impacto
sobre el modelo que tiene la variabilidad que presentan los sistemas en el tiempo.

Un intervalo de sensibilidad [LI, LS] se interpreta como los valores máximo y mínimo que
permite un parámetro o dato del modelo de programación lineal para que la solución
óptima (para el ejemplo: X1* = 70; X2* = 90) no cambie, se mantenga. Un cambio por fuera
del intervalo, la solución óptima va a cambiar y por supuesto el valor de la función objetivo.

? Procedimiento gráfico. Se conoce ya que la solución con el método gráfico

corresponde a una solución en un punto esquina o punto frontera, para el ejemplo X1* =
70; X2* = 90, y además que la línea de función objetivo es una línea que se grafica a
partir de cualquier punto de la región factible, la cual se desplaza hacia la derecha si se
está maximizando o hacia abajo si se esta minimizando hasta tocar el último punto del
área factible, el cual siempre será un punto esquina.

En primera instancia se analiza gráficamente que le sucede a la línea de función objetivo si

se realiza el cambio de la ganancia para los uniformes escolares UNIF1. Se efectúa
entonces el análisis para el coeficiente en X1 de la función objetivo, variable X1 que
representa al producto uniformes escolares UNIF1, como se comento anteriormente.

Utilizando la solución óptima encontrada para X1 y X2 obtenemos un nuevo valor de la

función objetivo utilizando el cambio en el valor de las ganancias para UNIF1 de $300 por
$450, la nueva función objetivo sería:

Maximizar UT = 450 X1 + 500 X2

Con el cambio el valor de la nueva función objetivo sería de $76.500. Esta nueva función
objetivo se grafica (ver gráfica 10). Gráficamente se puede observar que al realizar

24
cualquier cambio en los coeficientes de las variables, se presenta un desplazamiento de la
línea de función objetivo, esta línea “se mueve”. Dependiendo del cambio en la variable,
este desplazamiento se presenta hacia una de las restricciones que cruzan al punto
óptimo. Para el ejemplo observe que al variar el valor del coeficiente de la variable X1 de
300 a 450 y graficarla nuevamente se presenta un desplazamiento hacia la recta de
restricción R1, teniendo en cuenta que el valor del cambio es mayor al valor original.

El análisis gráfico permite reconocer hacia cual de las restricciones que cruza el óptimo se
desplaza la línea de función objetivo cuando se realiza un cambio en los coeficientes. Si el
cambio que se realice al coeficiente es excesivamente grande, la nueva línea de función
objetivo que represente al cambio sobrepasara, “saltara” a la restricción hacia la dirección
donde se desplace. Por ejemplo si se aumentara las ganancias de los uniformes escolares
UNIF1 en $900 por unidad, incrementándose de $300 a $1200 por unidad, el
desplazamiento de la línea de función objetivo sería tan grande que sobrepasaría a la
restricción R1, observe la gráfica 11.

X2
R5

230

Nueva línea de función objetivo SOLUCIÓN ÓPTIMA

450X1 + 500X2 = 76.500 X1 = 70
153 X2 = 90
132

R5

115 170 220

X1
Línea de función objetivo original
300X1 + 500X2 = 66.000

R1 Desplazamiento de línea de función

objetivo

Gráfica 10: Sensibilidad coeficientes función objetivo

25
 X2
R5
25 8

23 0

SOLUCIÓN ÓPTIMA
X1 = 70
X2 = 90
1 32

R5

10 7.5 1 15 2 20
X1
Línea de función objetivo original
Nueva línea de función objetivo 300X1 + 500X2 = 66.000
1200X1 + 500X2 = 129.000

R1 Desplazamiento de línea de función

objetivo

Gráfica 11: Sensibilidad coeficientes función objetivo

Se puede concluir entonces que los cambios en los coeficientes de la función objetivo son
válidos únicamente cuando la nueva línea de función objetivo no sobrepase la recta de
restricción hacia la cual se desplace. Matemáticamente se puede interpretar esta situación
de la siguiente manera: los cambios serán válidos cuando la nueva línea de función
objetivo alcance la misma pendiente que la recta de restricción. Esta conclusión nos
permite obtener el valor límite del intervalo de sensibilidad del coeficiente a quien se le este
realizando el análisis.

Procediendo con el análisis para el coeficiente en X1 del ejemplo prototipo después de

realizar un cambio, se noto que al graficar la línea de función objetivo con el nuevo valor de
la ganancia, la línea se desplazo hacia la R1, por lo tanto para reconocer cuál es el valor
límite para el cual se puede variar la ganancia para el coeficiente se deben igualar las
pendientes de las ecuaciones de recta de la función objetivo y de la recta de restricción
hacia la cual se desplazo, el procedimiento se explica a continuación.

Como se necesita reconocer el valor límite del coeficiente que acompaña a la variable X1
utilice un nombre ficticio a este coeficiente en la función objetivo original, como por ejemplo
una letra cualquiera o en su defecto LI o LS, de la siguiente forma:

LS
LS X1 + 500 X2 = 66.000, pendiente m1 = -
500

26
La recta de restricción hacia donde se desplazo es R1
2
(R1) 2X1 + X2 = 230, pendiente m 2 = -
1

Al igualar las pendientes m1 y m2, se obtiene el valor LS = 1.000

De esta manera se ha obtenido el valor del límite superior del intervalo de sensibilidad para
el coeficiente en X1, [LI, 1000]. La interpretación del valor del límite superior 1.000 es el
siguiente: Solamente se permiten cambios para el coeficiente en X1 que no sobrepasen el
valor de 1.000, para el contexto del problema significa que el valor de las utilidades para
los uniformes escolares tipo 1 UNIF1, no pueden ser superiores a $1.000, si se desea
conservar el nivel de producción de 70 uniformes para UNIF1 y de 90 uniformes para
UNIF2 generado por la solución del modelo.

? Ejercicio de aplicación. Realice el mismo procedimiento para obtener el valor del

límite inferior para el coeficiente en X1 del ejemplo prototipo. Igualmente halle el
intervalo de sensibilidad para el coeficiente en X2. Interprete los resultados.

2.5.3. ANÁLISIS DE SENSIBILIDAD PARA EL VALOR DEL LADO

DERECHO DE LAS RESTRICCIONES
Igual que con los coeficientes de la función objetivo, el procedimiento para obtener un
análisis de sensibilidad para los datos o parámetros del lado derecho de las restricciones
se realiza en forma gráfica y simultáneamente en forma matemática.

El análisis de sensibilidad para el lado derecho en un modelo con dos variables se reduce
a analizar los cambios, el intervalo de aquellas restricciones que crucen el punto óptimo y
hallar e interpretar el valor del precio sombra, considerado este último valor como la
interpretación económica del modelo de programación lineal. Desde esta perspectiva el
análisis de sensibilidad con el método gráfico para el lado derecho de las restricciones es
limitado, por que se focaliza únicamente a la interpretación de los cambios en el lado
derecho de las restricciones que crucen el punto óptimo, lo cual no ocurre con el método
simplex, para el cual se permite el análisis para todas las restricciones del modelo. Sin
embargo el desarrollo admite comprender el proceso algebraico y su interpretación de una
manera más accesible.

El análisis gráfico en el lado derecho de las restricciones, reconoce de forma gráfica como
es el desplazamiento del punto óptimo sobre las rectas de restricción que cruzan el óptimo
cada vez que se realicen cambios en el lado derecho de una de ellas. Siempre que se
realice el análisis de sensibilidad a una de las restricciones que cruzan el óptimo, el
desplazamiento del punto óptimo se presenta sobre la o las restricciones a las cuales no
se esta realizando el análisis y que por supuesto hacen parte del cruce del punto óptimo.

27
Cuando los cambios que se realicen en el lado derecho de las restricciones sean lo
bastante grandes, el punto óptimo ya no sería la intersección entre aquellas rectas de
restricción cuando se alcanzo la solución óptima. Para cambios superiores, el punto
óptimo deja de ser la intersección entre las restricciones de la solución óptima encontrada.

Para el caso del ejemplo prototipo, cuando se realicen cambios en el lado derecho de las
restricciones que se encuentren dentro de su intervalo de sensibilidad, la solución óptima
seguirá siendo la intersección de las restricciones R1 y R2. Se puede concluir entonces
que cuando los cambios en el valor del lado derecho de la restricción permanezcan en el
intervalo de sensibilidad la solución óptima estará determinada por la intersección de las
rectas de restricción R1 y R2. El intervalo de sensibilidad en el lado derecho reconoce los
valores mínimos y máximos sobre los cuales se pueden realizar los cambios para el lado
derecho de las restricciones igual que para el caso de los coeficientes de la función
objetivo.

Después de identificar el intervalo de sensibilidad para la restricción que se este

analizando, se encuentra el valor del precio sombra, también llamado precio dual o costo
de oportunidad cuya información para el analista de investigación de operaciones es de
suma importancia pues representa el precio unitario adicional máximo que podría pagarse
por cada unidad adicional o de cambio en el nivel de los recursos representados en el lado
derecho de las restricciones. El precio sombra se obtiene graficando en la abcisa del plano
cartesiano los valores de cambio del lado derecho de la restricción a quien se le hace el
estudio y en la ordenada los valores que alcanza la función objetivo cuando se realizan los
cambios. La grafica que se obtiene es una recta, la pendiente de esta recta se define como
el precio sombra.

Para iniciar el estudio en el lado derecho de las restricciones se debe obtener el intervalo
de sensibilidad, para lograrlo se realizan cambios individuales a cada una de los lados
derechos de las restricciones que cruzan el punto óptimo, esto con el fin de cumplir el
supuesto del análisis de sensibilidad de realizar cambios individuales en los parámetros y
no afectar simultáneamente varios parámetros del modelo.

Suponga que después de obtener la solución del modelo a la empresa de confecciones, se

presenta un incremento en la demanda de los uniformes en el mercado, frente a esta
situación la gerencia debe ampliar las unidades de producción de cada uno de los
productos. Se consulta al analista de operaciones encargado del modelo sobre las
consecuencias que tendría en el modelo si se amplia el número de horas en el
departamento de empaque de la planta. Esta situación se puede responder utilizando un
análisis de sensibilidad para el lado derecho de la restricción 2 R2.

El procedimiento a seguir es encontrar en primera instancia el intervalo de sensibilidad

para la restricción R2, el cual se obtiene realizando diferentes cambios al lado derecho de
esta restricción. Va a notar que al realizar un cambio mayor o menor que el valor actual que
presenta la restricción el punto óptimo se desplaza (observe secuencia gráfica en gráficas
12 y 13), esto permite reconocer cual será el punto de intersección límite hasta donde se
puede realizar los cambios.

28
La grafica 12 presenta la situación del modelo cuando se encontró la solución óptima sin
realizar cambios en el lado derecho, el punto óptimo se encuentra en la intersección de las
restricciones 1 y 2 para el cual se alcanza el mayor valor de la función objetivo $ 66.000.

X2
R5

23 0

Solución Óptima
sin cambio en el
LD
125
120
V4 (70,90)
R3

R5

1 15 250
X1

R1 R2
Gráfica 12: Solución óptima sin cambio en el LD de R2

Como el cambio se realiza a la restricción 2, R2, la gráfica 13 presenta la situación si se

aumenta el valor de las horas del departamento de empaque en 30, pasar de 250 a 280
horas, este cambio permite incrementar el nivel de producción. Se grafica la restricción X1
+ 2X2 = 280, verifíquelo. Observe como se desplaza el punto óptimo. El desplazamiento se
realiza sobre la otra restricción que cruza el óptimo.

29
 X2
R5

2 30

Nuevo punto
óptimo
1 40

125
120

Nueva posición de R3
la restricción 2 R2'
Nueva área
factible R5

115 250 28 0
X1

R1 R2

R2'
Gráfica 13: Solución óptima con cambio en el LD de R2

Cuando se realiza un cambio lo bastante alto en el lado derecho de la restricción,

igualmente se desplaza el punto óptimo, sin embargo este nuevo punto óptimo a pesar
que sigue siendo la intersección de las restricciones R1 y R2, ya no puede ser óptimo, por
que viola el concepto de región factible. Por ejemplo observe que sucede si se aumenta el
valor de las horas del departamento de empaque en 70, pasar de 250 a 320 horas para
incrementar el nivel de producción. La gráfica 14 indica lo que sucede si se grafica la
restricción con este cambio en el lado derecho, el nuevo punto óptimo y una parte de la
nueva área factible NO cumplen con la restricción 3, R3, por lo tanto el nuevo punto NO
puede ser punto óptimo. Se concluye que la solución al modelo seguirá siendo óptima
cuando el cambio que se realice en el lado derecho de la restricción no sobrepase el
vértice de intersección entre las restricciones R1 y R3, punto W en la gráfica, este punto de
intersección será el punto límite para los cambios en el lado de la restricción. Se reconoce
cuales son las coordenadas X1 y X2 del punto límite hasta donde se pueden realizar los
cambios y se remplazan en la restricción.

Si el cambio realizado al lado derecho de la restricción es mayor al valor original formulado,

el desplazamiento de la restricción se realiza hacia la derecha de la gráfica, pero si el
cambio realizado es menor al valor original de la restricción, el desplazamiento de la recta
de restricción al que se hace el análisis se desplazaría al lado contrario. Es importante
visualizar en la gráfica el desplazamiento que presenta el punto óptimo cuando se grafica
la recta de restricción a la cual se le están realizando los cambios.

30
 X2
R5

230 Nuevo punto

Parte de nueva
óptimo
área no factible

1 60 Punto W, intersección
restricciones R1 y R3
12 5
12 0
W Nueva posición de R3
la restricción 2 R2'
Nueva área
factible R5

115 250 32 0
S X1

R1 R2

R2'
Gráfica 14: Cambio suficientemente mayor en R2

Luego de reconocer gráficamente como es el desplazamiento de la recta de restricción

cuando se realiza un cambio y reconocer el punto límite permisible para la variación del
lado derecho, se encuentran las coordenadas de ese punto de la siguiente forma:

Se construye un sistema de ecuaciones lineales con las restricciones que cruzan ese
punto límite.

2X1 + X2 = 230
X2 = 120

Al resolver el sistema de ecuaciones, se obtienen las coordenadas para el punto límite W.

Verifíquelo
X1 = 55
X2 = 120

Estas coordenadas permiten encontrar el valor del límite superior del intervalo de
sensibilidad, reemplazando las coordenadas X1 y X2 en la restricción R2, se representa el
valor del lado derecho como una variable o una letra, por ejemplo LS (límite superior) como
se indica a continuación:

31
 X1 + 2X2 = LS
X1 + 2X2 = LS
55 + 2(120) = LS
LS = 295

El valor LS, léase límite superior es igual a 295 horas

Se puede concluir: Si el punto óptimo se desplaza hacia el punto W cuando se realizan

cambios superiores o mayores al valor original, entonces la recta de restricción se
desplazaría hacia el lado contrario cuando se realicen cambios por debajo del valor
original del lado derecho de la restricción. De esta manera se puede reconocer que el
punto límite para cambios por debajo del valor original de la restricción necesariamente
debe ser el punto de intersección S entre las rectas R1 y R5 (eje de coordenada X1).
Verifique esta afirmación realizando cambios menores en el lado derecho de la restricción
2, grafique cada recta cuando realiza el cambio y observe el desplazamiento del punto
óptimo. En algún momento de los cambios el punto óptimo deja de ser óptimo por que va a
violar la restricción 5, R5, confirmando así que el punto límite es el punto S.

Las coordenadas del punto límite S son:

X1 = 115
X2 = 0

Se reemplaza estas coordenadas en la desigualdad de la restricción 2, R2 y se define LI

(límite inferior) en el lado derecho.

X1 + 2X2 = LI
X1 + 2X2 = LI
115 + 2(0) = LI

El valor del límite inferior es igual a 115

Entonces el intervalo de sensibilidad para la restricción 2, R2, quien representa al

departamento de empaque en el modelo es [115, 295] cuyas unidades representan la
disponibilidad de horas en el departamento de empaque.

Podemos concluir: Siempre que el valor del lado derecho permanezca en el intervalo [115,
295] la solución óptima estará determinada por la intersección de las restricciones R1 y
R2.

Para complementar la interpretación del análisis de sensibilidad en el lado derecho de una

restricción se halla el valor del precio sombra, valor que representa la interpretación
económica del modelo, como se comento anteriormente.

El procedimiento para obtener el precio sombra es el siguiente: Se grafican los diferentes

cambios mayores y menores al valor original de la restricción. Con el procedimiento

32
explicado, cada cambio permite obtener valores en X1 y X2 así como el valor de la función
objetivo cuando se reemplazan estos valores en las variables de la función objetivo como
se observa en la siguiente tabla:

VALOR DEL VALOR DE LA

LADO SOLUCIÓN ÓPTIMA FUNCIÓN
DERECHO OBJETIVO
115 X1 = 115 X2 = 0 34500
250 X1 = 70 X2 = 90 66000
295 X1 = 55 X2 = 120 76500

Si se grafica en un plano cartesiano los valores de la tabla, donde la abscisa represente al

valor del lado derecho y la ordenada el valor de la función objetivo, la gráfica resultante es
una recta, como se observa en la gráfica 15.

Cuando se incrementa el valor del lado derecho de la restricción 2 entre 115 y 295, el valor
de la función objetivo crece de una forma lineal. Como la relación entre el lado derecho y el
valor de la función objetivo tiene un comportamiento lineal, se puede determinar la
pendiente de la recta, pendiente que representa el valor de cambio por unidad en el valor
de la función objetivo cuando se realicen modificaciones en el lado derecho de la
restricción. El valor de cambio es el que representa la interpretación económica de un
modelo de programación lineal definido como Precio Sombra.

Si pendiente = D y = y2 - y1
D x x2 - x1

Precio Sombra = (utilidad cuando LD = 250) - ( utilidad cuando LD = 115) = 66.000 - 34.500
(valor LD = 250) - ( valor LD = 115) 250 - 115

Precio Sombra para restricción 2 R2 = 233.333

33
 Valor Función
Objetivo

76.500

66.000

34.500

1 15 2 50 2 95

Lado derecho restricción 2

Gráfica 15: Precio sombra restricción 2

La interpretación del precio sombra de la restricción 2 para la empresa de confecciones se

expresa de la siguiente forma: Por cada hora adicional de mano de obra que se utilice en el
departamento de empaque por debajo de 295 horas y por encima de 195, el valor de la
función objetivo decrece o aumenta en $233.33.

El valor del precio sombra se valida siempre y cuando los cambios que se realicen en el
lado derecho de la restricción se encuentren entre el valor mínimo y máximo del intervalo
de sensibilidad. Sin embargo, un cambio en el lado derecho que se encuentre dentro del
intervalo [195, 295] automáticamente cambia el valor de la solución óptima en X1 y X2

Este análisis permite responder a la empresa una posible toma de decisión cuando se
presente un incremento en la demanda de los uniformes si se necesitara aumentar las
horas en el departamento de empaque. Como se conoce el intervalo de sensibilidad para
la restricción que representa al departamento de empaque, [115, 295], solamente se
puede obtener respuestas para cambios ubicados dentro del intervalo, utilizando el valor
del precio sombra. Para un cambio por fuera del intervalo no es posible dar una respuesta
utilizando el precio sombra del recurso cuando se utiliza el método gráfico, el método
simplex si permite dar una respuesta para variaciones ubicadas en el intervalo o por fuera
de él. Obligatoriamente con el método gráfico se debe resolver nuevamente el modelo,
utilizando el nuevo valor del lado derecho.

Por ejemplo se puede responder la siguiente inquietud de la administración de la empresa:

¿Qué sucede si se aumenta el valor de las horas en el departamento de empaque en 20?

34
Observe que el lado derecho de la restricción 2 pasaría de 250 a 270, valor que se
encuentra dentro del intervalo, por lo tanto los valores de la solución óptima variarían, sin
embargo se puede utilizar el precio sombra para reconocer en cuanto varía el valor de la
función objetivo si se decide realizar este cambio.

Este procedimiento se reconoce de la siguiente forma:

Nuevo valor de la F.O = Incremento o decremento del LD * precio sombra + valor

actual de la función objetivo.

Nuevo valor de la F.O = 20 * 233,33 + 66.000

Nuevo valor de la F.O = 70.666,66

El analista de investigación de operaciones puede responder a la administración de la

siguiente forma: Si se aumenta el valor del tiempo disponible en el departamento de
empaque en 20 horas el valor de las utilidades se incrementa en $ 4.666,66 extendiéndose
a un valor total de $70.666,66 en la semana.

? Ejercicio de aplicación. Utilizando la misma estructura de análisis, halle el intervalo de

sensibilidad y el valor del precio sombra para la restricción 1, R1. Interprete los
resultados.

35
 BIBLIOGRAFÍA

ANDERSON, David R. Sweeney Dennis J, Métodos Cuantitativos para los negocios,

Internacional Thomson editores, México 2005.

BONINI Charles E. Hausman Warren H. Bierman, Harold, Análisis Cuantitativo para los
Negocios, Editorial Mc Graw Hill, Colombia 1999.

DAVIS, K. Roscoe. Mckeown Patrick, G, Modelos cuantitativos para la Administración,

Grupo editorial Iberoamericana, México 1996.

GOULD, F. J. Eppen, C, P. Y Schmdt, Investigación de Operaciones en la Ciencia

Administrativa, Editorial Prentice-Hall, 5a edición México 2000.

HILLIER, Frederick S. y Gerald J. Lieberman, Introducción a la Investigación de

Operaciones, 8a edición, McGraw-Hill, 2006.

MATHUR, Kamlesh y D. Solow, Investigación de Operaciones: el Arte de la Toma de

Decisiones, Prentice-Hall Hispanoamericana S.A., México, 1996.

TAHA, Hamdy A., Investigación de Operaciones: Una Introducción, séptima edición,

Prentice-Hall, México, 2004.

36