Professional Documents
Culture Documents
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.
Gestión Editorial
Programa Editorial
programaeditorial@uao.edu.co
Diagramación
Juan Manuel Escobar Velasco
juanuel22@hotmail.com
Impreso en Colombia
Printed in Colombia
TABLA DE CONTENIDO
Pág.
2.1. GENERALIDADES 5
BIBLIOGRAFÍA 36
LISTA DE GRÁFICAS
Pág.
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.
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.
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:
UNIF1 UNIF2
Confección 2 1
Empaque 1 2
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.
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.
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:
? Cuando X1 = 0 X2 = 230
? Cuando X2 = 0 X1 = 115
150 = 230
? 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.
0 = 230
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
09
X2
R5
230
125
120
R3
Área R4
Factible
115 250 X1
R1 R2
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.
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.
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.
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
Para el ejemplo prototipo los vértices que presenta el área o región factible son:
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
X2
R5
2 30
SOLUC IÓN
ÓPTIM A ÚNICA
125
120
V4 (70,90)
R3
90
R1 R2
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:
13
X1 + 2X2 = 250 [Horas] Depto de Empaque
70 + 2+ (90) = 250
250 = 250
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
115 250
V1 (0,0 ) X1
V5 (115,0 ) R1 R2
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.
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.
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.
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:
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.
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
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:
18
Sujeto a:
X2
R5
230
125
120
R3
R4
115 250 X1
R2
R1
Gráfica 7: Modelos lineales ilimitados
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.
X2
R4
R6
230
125
120
R3
R5
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.
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:
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).
X2
R6
230
125
C
120
D R3
75
R5
R1 R2
Gráfica 9: Modelos lineales
Líneacon óptimosobjetivo
de función alternativos
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.
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.
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.
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.
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
R5
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
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.
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
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.
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.
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.
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
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
30
X2
R5
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
Se construye un sistema de ecuaciones lineales con las restricciones que cruzan ese
punto límite.
2X1 + X2 = 230
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
X1 = 115
X2 = 0
X1 + 2X2 = LI
X1 + 2X2 = LI
115 + 2(0) = LI
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.
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:
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
33
Valor Función
Objetivo
76.500
66.000
34.500
1 15 2 50 2 95
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.
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.
35
BIBLIOGRAFÍA
BONINI Charles E. Hausman Warren H. Bierman, Harold, Análisis Cuantitativo para los
Negocios, Editorial Mc Graw Hill, Colombia 1999.
36