Información de la Función Objetivo: Decision Variable (Variable de Decisión): Son las variables

que se han definido en la formulación del problema en este caso representan al producto X1 =
mesas y X2= sillas

. Solution Value (Valor de la solución): Cantidad de mesas y sillas a fabricar, el problema se

resuelve y nos indica que para obtener la mejor solución en términos de la utilidad, se
necesitan fabricar 16 sillas y no fabricar mesas

. Unit Cost or Profit (costo por unidad, Utilidad por unidad): Cantidad de pesos que vamos a
ganar por cada mesa y por cada silla ($10 y $8 respectivamente

. Total Contribution (contribución total): Es la cantidad en pesos que resulta al multiplicar la

utilidad de cada producto por la cantidad que se va a fabricar, ejemplo al fabricar 16 sillas y
multiplicarlo por $/silla 8, la contribución es de $128.0000, así al sumar la contribución por
concepto de las mesas nos arroja $0.0000, esto resulta de hacer la operación de ($/mesa10) X
(0mesas)= $0.0000, finalmente la suma de 128.0000+0.0000 = $128.0000, esto es lo que se
conoce como el valor Objetive Function Max. Reduced Cost (Costo reducido): esto nos indica el
dinero que hemos dejado de ganar por cada unidad no fabricada. En este caso debemos de
aumentar a más de $6.0000 la utilidad de la mesa para que sea atractiva la fabricación de
mesas.

Basis Status (estado de la base): Indica si la variable es básica o no básica, en este ejemplo la
variable X1 (mesas) resulta ser no básica, esto es que no forma parte de la solución óptima, la
variable X2 (sillas) es una variable básica, ya que forma parte de la solución. Allowed Min cj
(rango mínimo del cj): esta es la mínima utilidad que puedo obtener sin que la base actual
cambie. (-M). Allowed Max cj (rango mínimo del cj): esta es la máxima utilidad que puedo
obtener sin que la base actual cambie. (16.0000) .Los valores que aparecen son para el
producto Mesa. Interpretación de las Restricciones:

Constraint (Restricción): Son las restricciones que forman parte del problema. Se tienen dos
restricciones (C1 y C2) la restricción de la madera y la de horas hombre

. Left hand side (valor al lado izquierdo): esto nos indica el consumo de recurso, de 30.000 m 2
de madera se consumieron 24.000 m2 . - 108 –

Direction (dirección): es la dirección de la restricción (<=,>= o =)

Rigth hand side (valor lado derecho): es el recurso disponible actualmente 30 m2 Slack or
Surplus (holguras): nos indican un faltante o bien un sobrante Shadow Price (precio sombra):
nos indica la solución Dual, esto es que el 2.6667 indica que cada hra-hombre se debe ofrecer
como mínimo en $/hr 2.6667.

Allowed Min RHS (rango mínimo del bj): esta es la mínima cantidad de recurso que se debe de
mantener sin que la base actual cambie. (0 hrs-hombre) Allowed Max RHS (rango mínimo del
bj): esta es la máxima cantidad de recurso que se debe de mantener sin que la base actual
cambie (60.0000 hrs-H) Ejemplo de Aplicación:

Modelo de Producción Supongamos que Variables y parámetros. Son incógnitas (o

decisiones) que deben determinarse resolviendo el modelo o problema en cuestión mientras
que los parámetros ya conocidos que relacionan a las variables de decisión con las
restricciones con la función objetivo, pueden ser determinísticos o probabilísticos.
Restricciones. Son las limitaciones tecnológicas del sistema las cuales pueden aparecer de
forma implícita o explícita y éstas a su vez restringen a las variables de decisión a un rango de
valores factibles.

Función objetivo.

La función objetivo define la medida del sistema como una función matemática de las
variables de decisión, por lo que la solución óptima será aquella que produzca el mayor valor
de la función objetivo sujeta a las restricciones. Entonces el problema tiene la
estructuratenemos el siguiente modelo: MAX Z =

An´alisis de sensibilidad

Despues de resolver el problema, usamos el comando Range del men´u LINGO para generar
un informe de rangos para el modelo activo. Tal informe muestra en qu´e rango se puede: •

Cambiar un coeficiente en la funci´on objetivo sin que cambien los valores ´optimos de las
variables de decisi´on.

• Cambiar el valor de un recurso o disponibilidad (coeficiente del lado derecho de una

restricci´on) sin causar cambios en los valores ´optimos de los precios duales o de los costos
reducidos (sin que cambien las variables b´asicas, es decir la soluci´on siga siendo factible,
aunque si pueden cambiar sus valores). Si aparece el mensaje de

6.1.1. FUNCIÓN OBJETIVO. Es la formula que expresa lo que se desea

optimizar. Normalmente se trata de funciones maximización de utilidad o ganancias o de
minimización de costos. Cabe anotar que un modelo solo puede tener una función objetivo.
6.1.2. VARIABLES Estas expresan las cantidades que se tienen bajo control y para las cuales
buscamos los mejores valores que generen el mejor valor de la función objetivo, lo cual es la
función de la optimización. 6.1.3. RESTRICCIONES Son los limites que tienen las variables del
modelo, tales como materias primas, presupuesto, tiempo, entre otras. Estos limites se deben
expresar en formulas en función de las variables principales. Un aspecto importante es que el
editor de LINGO está monitoreando

A. Demanda Corresponde a la cantidad de unidades requeridas en un período

determinado. En general, la complejidad de los modelos de inventario depende del
comportamiento de la demanda, es decir, si la demanda es determinística o probabilística.
Además, dentro de ambas categorías, la demanda puede variar o no en el tiempo, es decir,
puede ser dinámica o constante (estática). Para poder determinar y clasificar de manera
adecuada el comportamiento de demanda, es necesario disponer de información confiable.
Dicho lo anterior, TAHA (2012) clasifica el patrón de la demanda en cuatro tipos:
Determinístico, el cual, puede ser estático o dinámico; y Probabilístico, donde, puede ser
estacionario a lo largo del tiempo o no. Además, señala que la primera categoría
(Determinístico y estático) es la más fácil de analizar pero que es menos probable que ocurra
en la práctica, y la cuarta (probab

Sensibilidad El An´alisis de Sensibilidad se relaciona con la cuantificaci´on de los efectos en la

soluci´on ´optima de cambios en los par´ametros del modelo matem´atico. Cuando escribimos
un modelo, damos por aceptado que los valores de los par´ametros se conocen con
certidumbre; pero en la realidad no siempre se cumple que los valores sean ver´ıdicos, ya que
por ejemplo las variaciones en los costos de los materiales, en la mano de obra o en el precio
de un producto, ocasionan cambios en los coeficientes de la funci´on objetivo. As´ı mismo las
demoras en los env´ıos de los proveedores, las huelgas, los deterioros no previstos y otros
factores imponderables generar´an cambios en la disponibilidad de los recursos

El primer paso para la resolución de un problema de programación lineal consiste en

la identificación de los elementos básicos de un modelo matemático, estos son:

❖ Función Objetivo ❖ Variables ❖ Restricciones El siguiente paso consiste en la

determinación de los mismos, para lo cual proponemos seguir la siguiente metodología: ❖ LA
FUNCIÓN OBJETIVO La función objetivo tiene una estrecha relación con la pregunta general
que se desea responder. Si en un modelo resultasen distintas preguntas, la función objetivo se
relacionaría con la pregunta del nivel superior, es decir, la pregunta fundamental. Así por
ejemplo, si en una situación se desean minimizar los costos, es muy probable que la pregunta
de mayor nivel sea la que se relacione con aumentar la utilidad en lugar de un interrogante
que busque hallar la manera de disminuir los costos. 8

❖ LAS VARIABLES DE DECISIÓN Similar a la relación que existe entre objetivos específicos y
objetivo general, se comportan las variables de decisión respecto a la función objetivo, puesto
que estas se identifican partiendo de una serie de preguntas derivadas de la pregunta
fundamental. Las variables de decisión, son en teoría, factores controlables del sistema que se
está modelando, y como tal, estas pueden tomar diversos valores posibles, de los cuales se
precisa conocer su valor óptimo, que contribuya con la consecución del objetivo de la función
general del problema. 9 ❖

LAS RESTRICCIONES Cuando hablamos de las restricciones en un problema de programación

lineal, nos referimos a todo aquello que limita la libertad de los valores que pueden tomar las
variables de decisión. La mejor manera de hallarlas consiste en pensar en un caso hipotético
en el que decidiéramos darle un valor infinito a nuestras variables de decisión, por ejemplo,
¿qué pasaría si en un problema que precisa maximizar sus utilidades en un sistema de
producción de calzado decidiéramos producir una cantidad infinita de zapatos? Seguramente
ahora nos surgirían múltiples interrogantes, como por ejemplo: • ¿Con cuánta materia prima
cuento para producirlos? • ¿Con cuánta mano de obra cuento para fabricarlos? • ¿Pueden las
instalaciones de mi empresa albergar tal cantidad de producto? • ¿Podría mi fuerza de
mercadeo vender todos los zapatos? • ¿Puedo financiar tal empresa? Pues bueno, entonces
habríamos descubierto que nuestro sistema presenta una serie de limitantes, tanto físicas,
como de contexto, de tal manera que los valores que en un momento dado podrían tomar
nuestras variables de decisión se encuentran condicionados por una serie de restricciones.

Caso 1: Diseño de la red de suministro. • Consideremos que se tienen un conjunto de

plantas y de clientes dispersos dentro de una región geográfica. Cada cliente requiere de
diferentes productos que son manufacturados en cada una de las plantas. Un conjunto de
almacenes debe ser localizado dentro de la red de distribución. • El costo de localizar un
almacén incluye el costo de transporte por unidad del almacén al cliente pero también el
costo de transporte de las fábricas a los centros de distribución. Además, se incurre en un
costo fijo por operar o abrir el almacén El análisis de sensibilidad es la técnica
que determina cómo diferentes valores de una variable independiente
impactan en una variable dependiente bajo un conjunto de supuestos.
Estudia cómo la incertidumbre en el resultado de un modelo o sistema
matemático puede asignarse a diferentes fuentes en sus variables de
entrada.

Esta técnica se usa dentro de límites específicos que dependen de una o

más variables de entrada, tal como el efecto que tienen los cambios en
las tasas de interés (variable independiente) en los precios de los bonos
(variable dependiente).

El análisis de sensibilidad, dado un cierto rango de variables, es una forma

de predecir el resultado de una decisión. Es conocido también como
análisis de simulación o «qué pasa si». Al crear un conjunto dado de
variables, un analista puede determinar cómo los cambios en una variable
afectan el resultado.

Una práctica relacionada es el análisis de incertidumbre, que se centra

más en la cuantificación y propagación de la incertidumbre. Idealmente,
la incertidumbre y el análisis de sensibilidad se deben ejecutar en
conjunto.

¿Para qué sirve?

Una de las aplicaciones clave del análisis de sensibilidad es en el uso de
modelos por parte de los gerentes y responsables en la toma de
decisiones. Se puede utilizar todo el contenido necesario para el modelo
de decisión mediante la aplicación repetida del análisis de sensibilidad.

Ayuda a los analistas de decisión a comprender las incertidumbres, los

pros y los contras, con las limitaciones y el alcance de un modelo de
decisión.
 Análisis de Sensibilidad
El análisis de sensibilidad busca determinar los efectos que se producen en la solución óptima
al realizar cambios en cualquiera de los parámetros del modelo de programación lineal planteado
inicialmente. Entre los cambios que se investigan están: los cambios en los coeficientes de
las variables en la función objetivo tanto para variables básicas como para las variables
no básicas, cambios en los recursos disponibles de las restricciones, variación de los
coeficientes de utilización en las restricciones e introducción de una nueva restricción.

El objetivo principal del análisis de sensibilidad es identificar el intervalo permisible de variación

en los cuales las variables o parámetros pueden fluctuar sin que cambie la solución optima. Sin
embargo, así mismo se identifica aquellos parámetros sensibles, es decir, los parámetros cuyos
valores no pueden cambiar sin que cambie la solución óptima. Los investigadores de
operaciones tienden a prestar bastante atención a aquellos parámetros con holguras reducidas
en cuanto a los cambios que pueden presentar, de forma que se vigile su comportamiento para
realizar los ajustes adecuados según corresponda y evitar que estas fluctuaciones pueden
desembocar en una solución no factible.

A modo general, cuando se realiza un análisis de sensibilidad a una solución óptima se debe
verificar cada parámetro de forma individual, dígase los coeficientes de la función objetivo y los
limites de cada una de las restricciones. En ese sentido se plantea el siguiente procedimiento:

1. Revisión del modelo: se realizan los cambios que se desean investigar en el

modelo.
2. Revisión de la tabla final Símplex: se aplica el criterio adecuado para determinar
los cambios que resultan en la tabla final Símplex.
3. Conversión a la forma apropiada de eliminación Gauss: se convierta la tabla en
la forma apropiada para identificar y evaluar la solución básica actual, para lo cual se
aplica la metodología de eliminación Gauss si es necesario.
4. Prueba de factibilidad: se prueba la factibilidad de esta solución mediante
la verificación de que todas las variables básicas de la columna del lado derecho aun
tengan valores no negativos.
5. Prueba de optimalidad: se verifica si esta solución es optima y factible, mediante
la comprobación de que todos lo coeficientes de las variables
no básicas del reglón Z permanecen no negativos.
6. Reoptimización: si esta solución no pasa una de las pruebas indicadas en los
puntos 4 y 5 anteriores, se procede a buscar la nueva solución optima a partir de la tabla
actual como tabla Símplex inicial,