4.

ANÁLISIS DE SENSIBILIDAD

4.1 INTRODUCCIÓN
Toda solución a un problema de toma de decisiones se basa en determinados parámetros que se
presumen como fijos. En un ambiente real los datos utilizados en el modelo a menudo tienen que
estimarse y por lo tanto están sujetos a inexactitudes, o bien pueden cambiar con el tiempo
debido a la dinámica del negocio.
Una solución óptima sólo es óptima respecto al modelo específico que se está usando para
representar al problema real y, tal solución, se transforma en una guía confiable para la acción
únicamente después de que se ha verificado que se comporta con igual propiedad para otras
representaciones razonables del problema.
El análisis de sensibilidad o análisis post-óptimo es un conjunto de actividades que sirven
para estudiar y determinar qué tan sensible es la solución a los cambios en las hipótesis. Tales
cambios comprenden:
 Cambios en los coeficientes de la función objetivo.
 Cambios en los términos independientes de las restricciones.
 Cambios en los coeficientes tecnológicos.
 Agregado de una nueva variable.
 Agregado de una nueva restricción.
Es importante destacar que el análisis de sensibilidad supone que los coeficientes varían
sólo uno a la vez manteniendo los restantes parámetros tal cual se plantearon en la forma
original.

4.2 CAMBIOS EN LOS COEFICIENTES DE LA FUNCIÓN OBJETIVO

Consideremos el Ejemplo 1-1.
Max z  20x 1  45x 2 (maximizar contribución marginal)
s. a
x 1  2 x 2  40 (restricción debida a la disponibilidad diaria de horas de mano de obra)
3x 1  1,5x 2  75 (restricción debida a la disponibilidad diaria de kg de arcilla)
x 2  15 (restricción debida a la máxima demanda diaria de cántaros)
x1 ; x 2  0
en donde
x 1 : producción diaria de vasijas (en unidades)
x 2 : producción diaria de cántaros (en unidades)
¿Cómo se verá afectada la solución óptima si se producen cambios en los coeficientes de la
función económica? Concretamente, ¿dentro de qué rango puede variar la contribución marginal
de las vasijas de modo que el plan de producción diario no se vea afectado?

73
Capítulo 4

La resolución gráfica de la Figura 4-1 nos muestra que mientras la pendiente del funcional
oscile entre la pendiente de la restricción debida a las hora s de mano de obra y la correspondiente
a la demanda máxima de cántaros, el plan diar io de producción se mantendrá óptimo.
Ma
te r i

n
aP
r im
a

Luego,
pendiente del funcional  c1 /c 2  4/9 
 1 c
pendiente de la restricción de mano de obra  1 / 2      1  0  0  c1  22,5
 2 45
pendiente de la restricción de demanda  0 
por lo tanto, mientras la contribución marginal de las vasijas varíe entre $0 y $22,5 el plan de
producción actual seguirá siendo óptimo.Lógicamente el valor de z* dependerá del valor que
asuma c1.
Un análisis similar para la contribución marginal de los cántaros nos permitirá concluir que
ésta puede oscilar entre $40 e infinito, sin alterar el punto de óptimo.
Veamos ahora cómo generalizar este estudio cuando se dispone de la solución óptima de un
modelo de programación lineal resuelto por el método Simplex. En el Ejemplo 1-1 dicha
solución está dada por la tabla siguiente.
Tabla de Óptimo
20 45 0 0 0 xi/yij
ci Ai A1 A2 A3 A4 A5 xi (yij>0)
20 A1 1 0 1 0 –2 10
0 A4 0 0 –3 1 9/2 45/2
45 A2 0 1 0 0 1 15
zj 20 45 20 0 5
z = 875
cj – zj 0 0 –20 0 –5

Para una solución óptima tenemos un sistema de desigualdades c j  z j  0  Aj (caso de

maximización). Sea Δc k la cantidad en la cual varía ck
a) Si x k es una variable no básica el único efecto que se produce es el cambio del valor
c k  z k correspondiente a la columna Ak . Luego, para que la tabla siga siendo la tabla
de óptimo,
 c k  c k  z k  0  c k  (c k  z k )

74 Norma Torrent
 Análisis de Sensibilidad

 Si Δc k  (c k  z k ) la solución actual seguirá siendo óptima. El valor de la función

objetivo no cambia puesto que x k  0.
b) Si x k es una variable básica el cambio Δc k en c k afecta a todos los valores c j  z j no
básicos. De esta forma, para que la tabla siga siendo óptima,
cj  c y
iI B
i ij  0 j  I N

 
 c j   c i y ij  c k y kj   0 j  I N  c k y kj  c j  z jj  I N

 iI 
 B 
 si y kj  0, c k  (c j  z j ) / y kj  si y kj  0, c k  (c j  z j ) / y kj

 por lo tanto,
cj  zj cj  zj
 max y kj 0  c k  min y kj 0
y kj y kj

 Con Δc k restringida mediante estos límites la base permanece óptima, el punto de

óptimo no varía y el nuevo valor de z * estará dado por z *  z actual  Δc k x k .
En base a la tabla de óptimo anterior tenemos que
cj  zj cj  zj
max y1 j 0  c1  min y1 j 0
y1 j y1 j

 20 5
 c1   0  c1  22,5
1 2
coincidente con el análisis gráfico efectuado. Análogamente
cj  zj cj  zj
max y 2 j 0  c 2  min y 2 j 0
y2j y2j

5
 c 2    40  c 2  
1
Notemos que en el ejemplo presentado las variables no básicas en la solución óptima son
variables de holgura, no teniendo por tanto mayor sentido estudiar las variaciones en sus
coeficientes económicos.

4.3 CAMBIOS EN LOS TÉRMINOS INDEPENDIENTES DE LAS RESTRICCIONES

El análisis gráfico de la Figura 4-1 también nos permitirá determinar si un cambio en el término
independiente de una restricción hará que la base actual ya no sea la óptima. Por ejemplo ¿para
qué valores de b1, la base actual se mantiene óptima?
El término independiente correspondiente a la disponibilidad de horas de mano de obra es
igual a 40 y cualquier cambio en él equivale a desplazarse paralelamente a la restricción hasta
lograr que la misma se satisfaga.
El punto de óptimo Q3 es aquel para el cual las

75
Capítulo 4

restricciones horas de mano de obra y demanda son activas u obligatorias y puede

expresarse, en términos de las variables concretas y las variables de holgura, como Q3 = (10; 15;
0; 22,5; 0).
En el gráfico observamos que si b1 cambia, la nueva solución óptima seguirá teniendo como
variables básicas a x1, x2 y x4 sólo si se encuentra en la intersección de las rectas horas de mano
de obra y demanda (siempre que esta intersección pertenezca al conjunto de soluciones
factibles). Así, b1 puede incrementarse hasta que esta línea de restricción pase por el punto de
corte de las rectas de materia prima y demanda (punto (17,5; 15) en la figura), y puede disminuir
hasta tocar el punto Q4. Es decir, para 30  b1  47,5 la base (A1, A2, A4) se mantendrá óptima.
Evidentemente el valor de la nueva solución óptima dependerá del valor asumido por b1.
Si b1 < 30 el punto de óptimo estará en la intersección de la recta de mano de obra y el eje
de las ordenadas, por lo que la nueva base será (A2, A4, A5). Para b1 > 47,5 el óptimo se
encontrará en el cruce de las rectas de materia prima y demanda siendo (A1, A2, A3) la
correspondiente base.
Razonando en forma análoga tendremos que para 52,5  b2  + o para 10  b3  20 la base
actual permanecerá óptima.
Dada una solución óptima obtenida mediante el método Simplex tenemos
1 1
que, B* x*B  b  x*B  B* b. Si Δbk es la cantidad en la cual varía bk , x*B nueva  B* bnuevo y
cada componente de x*B nueva estará dada por x*i actual  rik Δbk con i  I B , siendo rik el i-ésimo
elemento en la k-ésima columna de B–1. Luego, para que el cambio en bk mantenga la base
óptima debe resultar
x *i actual  rik b k  0  i  I B

 si rik  0, b k   x *i actual / rik  si rik  0, b k   x *i actual / rik

por lo tanto,
 x *i actual  x *i actual
max rik 0  Δb k  min rik 0
rik rik
Con Δbk restringida mediante los límites anteriores la base se mantendrá óptima, la nuevos
valores de las variables básicas estarán dados por x*i actual  rik Δbk y el valor de la función
objetivo será z  z actual  c r
iI B
i ik Δbk .

En nuestro ejemplo la información de la tabla de óptimo nos permite concluir que:

 10  45 / 2
 b1   30  b1  47,5
1 3
 45 / 2
 b 2    52,5  b 2  
1
  45 / 2  15   10
max  ;   b 3   10  b 3  20
 9/2 1  2

4.4 CAMBIOS EN LOS COEFICIENTES TECNOLÓGICOS

Una variación en un coeficiente tecnológico asociado a una variable básica de la solución óptima
puede afectar a toda la tabla, causa por la cual la actual solución puede resultar inadmisible, no
76 Norma Torrent
 Análisis de Sensibilidad

óptima o no básica. Excepto en algunos casos especiales los citados problemas hacen que sea
dificultoso determinar sistemáticamente el efecto de tales cambios sobre el óptimo, s iendo
recomendable en estas circunstancias volver a resolver el problema.
Nos limitaremos entonces al estudio de variaciones en los coeficientes tecnológicos no
básicos.
Para una solución óptima c j  z j  0  Aj (caso de maximización). Frente un cambio en los
coeficientes tecnológicos de la variable no básica xk, bastará con analizar el correspondiente
c k  z k . Sea Ak' el nuevo vector de coeficientes, tendremos

B 1A 'k  Yk'

c B Yk'  z 'k

Luego, si c k  z 'k  0 la solución actual seguirá siendo óptima. Si c k  z 'k  0 , xk ingresa a

la base y se continúa iterando en la manera habitual.

4.5 AGREGADO DE UNA NUEVA VARIABLE

Una vez resuelto el problema puede ser de interés conocer el efecto que produciría la
introducción de una nueva variable de decisión.
Si consideramos que la nueva variable estaba en el modelo original con todos sus
coeficientes tecnológicos iguales a cero y que la misma es no básica en la solución final, el
estudio es idéntico al presentado en el caso anterior.
En efecto si x Nueva se incorpora al modelo con coeficientes tecnológicos dados por el vector
ANueva y coeficiente económico c Nueva , el cálculo de c Nueva  z Nueva  c Nueva  c B YNueva nos
permitirá concluir si la solución actual sigue siendo óptima o no.

4.6 AGREGADO DE UNA NUEVA RESTRICCIÓN

Una nueva restricción puede afectar la factibilidad de la solución óptima corriente sólo si es
activa. Consecuentemente el primer paso es chequear si dicha solución satisface la restricción . Si
esto ocurre la solución óptima actual permanece invariable, caso contrario la nueva restricción
debe incorporarse al sistema.
Volviendo al Ejemplo 1-1 supongamos que el encargado del taller de alfarería sabe que en
temporada baja de turismo la demanda diaria de vasijas no excede nunca las 8 unidades, lo cual
se traduce a x1  8. Un rápido análisis sobre el gráfico de la Figura 1-4 nos revela que la
solución actual es inadmisible y que en el nuevo punto de óptimo x1*  8, x 2*  15 y z *  835.
A los efectos de evitar resolver nuevamente el problema cuando se emplea el Simplex,
introduciremos la nueva restricción en la tabla de óptimo como se muestra a continuación.
20 45 0 0 0 0 xi/yij
ci Ai A1 A2 A3 A4 A5 A6 xi (yij>0)
20 A1 1 0 1 0 –2 0 10
0 A4 0 0 –3 1 9/2 0 45/2
45 A2 0 1 0 0 1 0 15
0 A6 1 0 0 0 0 1 8
zj
cj – zj

77
Capítulo 4

Por supuesto que la tabla anterior ya no es una tabla Simplex dado que A1 , A4 y A2 son
vectores básicos y sus correspondientes coeficientes en la restricción adicional deben s er nulos.
Realizando operaciones elementales sobre el cuerpo central de la tabla obtenemos :

20 45 0 0 0 0 xi/yij
ci Ai A1 A2 A3 A4 A5 A6 xi (yij>0)
20 A1 1 0 1 0 –2 0 10
0 A4 0 0 –3 1 9/2 0 45/2
45 A2 0 1 0 0 1 0 15
0 A6 0 0 –1 0 2 1 –2
zj 20 45 20 0 5 0
cj – zj 0 0 –20 0 –5 0
Como puede apreciarse se verifica la condición de optimización pero la solución actual es
no factible. En estos casos para obtener el nuevo óptimo se emplea la tabla precedente como
tabla de inicio para la aplicación del método Dual Simplex que estudiaremos en el próximo
capítulo.

Ejemplo 4-1 Análisis de sensibilidad

En su pequeño taller Agnes confecciona dos modelos de jeans: Oxford y clásico. Para ello cuenta
con dos costureras: Luisa y Thelma. Luisa está dispuesta a trabajar hasta 40 horas por semana a
$5 por hora. La disponibilidad máxima de Thelma es de 50 horas por semana y se le pagan $6
por hora.
Cada jeans Oxford se vende a $25 y requiere: $5 de materia prima, 1 hora de trabajo de
Luisa y 2 horas de trabajo de Thelma. El precio de venta de cada jeans clásico es de $22 y sus
requerimientos son: $4 de materia prima, 2 horas de trabajo de Luisa y 1 hora de trabajo de
Thelma.
Agnes pretende encontrar un plan de producción que maximice su contribuci ón marginal.
a) Plantee el correspondiente programa lineal y obtenga la tabla de óptimo del Simplex sin
pasar por las tablas anteriores.
b) Analice para qué valores del precio de venta de los jeans Oxford se mantiene el plan de
producción hallado en el punto a).
c) Si Luisa estuviese dispuesta a trabajar hasta 60 horas por semana ¿cuál sería el plan de
producción y su correspondiente contribución?
d) Agnes está considerando la posibilidad de incorporar un nuevo modelo de jeans que
insumiría, por unidad, $3 de materia prima, 2 horas de Luisa y 2 horas de Thelma. ¿Cuál
debería ser el precio de venta para que resultara conveniente su confección?
a)
Max z  3x 1  2x 2 x2
s.a
z=
3

x 1  2 x 2  40
x 1+
2x 2

2 x 1  x 2  50 20 ÓPTIMO
=z 0

x1 , x 2  0
x j : unidades semanales del modelo j; 0 25 40 x1
j = 1 (Oxford), 2 (clásico)

78 Norma Torrent
 El gráfico indica que la solución se encuentra en la intersección de las rectas
x1  2x 2  40 y 2x1  x 2  50, resolviendo el sistema tenemos x1*  20 y x 2*  10, por lo tanto
z *  80. Llevando el programa a su forma estándar resulta inmediato que x3*  0 y x4*  0.
Para obtener la correspondiente tabla de óptimo calculamos la inversa de la base.
1
1  1 2   1 / 3 2 / 3
A1 , A 2     
 2 1  2 / 3  1 / 3
Luego,
3 2 0 0
ci Ai A1 A2 A3 A4 xi
3 A1 1 0 –1/3 2/3 20
2 A2 0 1 2/3 –1/3 10
zj 3 2 1/3 4/3
z = 80
cj – zj 0 0 –1/3 –4/3
b) Variación en c1
c1 corresponde a una variable básica, entonces
cj  zj cj  zj
max y1 j 0  c1  min y1 j 0
y1 j y1 j
 4/3  1/ 3
 c1   2  c1  1  1  c1  4
2/3  1/ 3
Observemos que hubiésemos obtenido idéntico resultado basándonos en el análisis gráfico.
En efecto, mientras la pendiente del funcional oscile entre la pendiente de la restricción debida a
las horas disponibles de Thelma y la correspondiente a las horas disponibles de Luisa, el plan
semanal de producción se mantendrá óptimo. Es decir,  2  c1 / 2  1 / 2  1  c1  4 . El
precio de venta de los jeans Oxford podrá oscilar entonces entre $23 y $26 y el valor de z*
dependerá del valor que asuma c1.
c) Variación en b1
 x *i actual  x *i actual
max
ri1 0  Δb 1  min rik 0
ri1 ri1
–1
donde ri1 el i-ésimo elemento en la columna 1de B .
 10  20
 b1   15  b1  60  25  b1  100
2/3  1/ 3
Para 25  b1  100 la base actual se mantiene óptima. Si b1 = 60 la nueva solución es

  1 / 3 2 / 3  40  20   x 1  (1 / 3)20   40 / 3 
x *B  B 1b Nueva    

 2 / 3  1 / 3  50   x 2  (2 / 3)20   70 / 3 
x1*  13,33, x 2*  23,33, x3*  0, x4*  0 y z *  86,66.
A igual conclusión hubiéramos arribado analizando el gráfico. Si b1 cambia, la nueva
solución óptima seguirá teniendo como variables básicas a x1 y x2 sólo si se encuentra en la
intersección de las rectas correspondientes a la carga horaria de ambas costureras (siempre que
esta intersección pertenezca al conjunto de soluciones posibles). Así, b1 puede incrementarse
hasta que esta línea de restricción pase por el punto (0; 50), y puede disminuir hasta que la
misma toque el punto (25; 0). De esta forma, para 25  b1  100 la base (A1, A2) se mantendrá
óptima y solución óptima dependerá del valor asumido por b1 (en este caso b1 = 60).
Ahora bien, dado que el nuevo plan de producción debe estar en términos valores enteros,
* * * *
redondeando obtenemos x1  14, x 2  22, x3  2(horas ociosas de Luisa), x4  0 y z *  86.
79
Capítulo 4

* * * *
Otras posibilidades hubiesen sido (x1  14, x 2  23), (x1  13, x 2  24) sin embargo tales
puntos no satisfacen las restricciones (no pertenecen a la región factible). 18
d) Agregado de una nueva variable
Para que el nuevo modelo tenga posibilidad de integrar la base óptima (c Nuevo  z Nuevo )
debe ser no negativo. Luego
  1 / 3 2 / 3  2   2 / 3   2 / 3
y iNuevo  B 1A Nuevo        z Nuevo  c i y iNuevo  3, 2    10 / 3
 2 / 3  1 / 3  2   2 / 3   2 / 3
c Nuevo  z Nuevo  0  c Nuevo  10 / 3
c Nuevo  Pr ecio Venta  Costo Materia Prima  Costo Costureras  Pr ecio Venta  25
en consecuencia el precio de venta del nuevo modelo deberá ser mayor o igual a $28,33.

4.7 LOS VALORES IMPLÍCITOS

Cada restricción de un programa lineal tiene un valor asociado, denominado valor implícito o
precio dual, que indica la variación que sufriría el valor óptimo de la función económica, si se
incrementara en una unidad el término independiente de la restricción, manteniendo fijos los
restantes términos independientes y suponiendo que dicho cambio mantiene la base óptima.
1
Sabemos que z *  c B x*B  c B B * b es decir, z* es función lineal de b. Luego,
z * 1
 c B B* . En particular, el valor implícito de la i-ésima restricción será
b
z *
bi
 1
 1
  1
 c B B* i siendo c B B* i el i-ésimo elemento de c B B* .

El resultado precedente nos dice que los valores implícitos de cada restricción son los
valores zj de la tabla de óptimo correspondientes a las columnas de la base inicial identidad.19
Para entender la importancia y características de este conce pto trabajaremos sobre algunos
ejemplos.
Analicemos nuevamente el Ejemplo 1-1.
Max z  20x 1  45x 2 (maximizar contribución marginal)
s. a
x 1  2 x 2  40 (restricción debida a la disponibilidad de horas de mano de obra)
3x 1  1,5x 2  75 (restricción debida a la disponibilidad de materia prima)
x 2  15 (restricción debida a la demanda máxima de cántaros)
x1 ; x 2  0
Tabla de Óptimo
20 45 0 0 0 xi/yij
ci Ai A1 A2 A3 A4 A5 xi (yij>0)
20 A1 1 0 1 0 –2 10
0 A4 0 0 –3 1 9/2 45/2
45 A2 0 1 0 0 1 15
zj 20 45 20 0 5
z = 875
cj – zj 0 0 –20 0 –5

18
Véase apartado 1.9 en Capítulo 1.
19
Véase Cómo identificar B-1 en una tabla Simplex, apartado 3.3 en Capítulo 3.
80 Norma Torrent
 Análisis de Sensibilidad

Si denominando con u *i ; i  1, 2, ..., m a los valores implícitos correspondientes a las m

restricciones de un programa lineal, conforme a la tabla anterior tendremos
z * z * z *
que: u1*   z 3  20 , u *2   z 4  0 y u *3   z5  5 .
b1 b2 b3
Las horas disponibles de mano de obra son un recurso escaso (están utilizadas a pleno,
x3  0 ), u1*  20 nos revela que disponer de una hora adicional de este recurso hará que z* se
*

incremente en $20.20
Observemos además que en el óptimo el costo reducido de x3 es
z *
 (c 3  z 3 )*  0  z *3   z *3  20 por lo que si incrementamos x3 en una unidad z*
x3
disminuirá en $20. Asimismo, pretender incrementar x3 equivale a restarle capacidad al recurso
b1 ya que, en la situación actual, el hecho que x3 asuma un valor positivo significa reducir a
40  x3 las horas diarias de mano de obra destinadas a las actividades x1 y x 2 . De esta forma
cualquier incremento en x3 equivale a un decremento en b1 . Luego
z * z *
u1*    z *3  20 .
b1 x3
Cuando el término independiente de una restricción de  representa la cantidad disponible
de un determinado recurso, el valor implícito se denomina también precio sombra, costo
marginal o costo de oportunidad del recurso asociado a la restricción (ya que existe la
oportunidad de mejorar el valor de z* al aumentar la disponibilidad del recurso).
Los costos de oportunidad se utilizan frecuentemente para saber cuál es la cantidad máxima
que estaríamos dispuestos a pagar por una unidad adicional de un determinado recurso.
Concretamente, en nuestro ejemplo, ¿cuánto estaríamos dispuestos a pagar por una hora
adicional de mano de obra?
Dado que el costo marginal de dicho recurso es $20, podríamos pagar hasta $20, por encima
de su valor actual. Lógicamente en el límite el aumento de z será nulo.
Pero cuidado, si deseamos incrementar la cantidad de horas de mano de obra lo primero que
debemos hacer es realizar el análisis de sensibilidad para saber si dicho incremento pertenece al
intervalo de variación permitida. Si esto ocurre el precio sombra mantendrá su valor, en caso
contrario puede cambiar.
Mediante un razonamiento análogo podremos concluir que un incremento en b2 no variará el
valor actual de z (la materia prima es un recurso ocioso, x*4  22,5 ).
En cuanto a la tercera restricción, u*3  5 nos dice que un incremento de una unidad en la
demanda máxima de cántaros producirá una mejora de $5 en el funcional. En este caso, a
diferencia de los anteriores, la restricción no se debe a los recursos disponibles sino a un
requisito o requerimiento a satisfacer. El valor implícito, en vez de costo marginal (o de
oportunidad) asociado a la restricción, se denomina entonces valor marginal asociado al
requerimiento.
Vayamos ahora el Ejemplo 3-2.

20
En este caso el valor implícito puede interpretarse también como el beneficio que deja de percibir la organización
por no disponer de una unidad más del recurso correspondiente.

81
Capítulo 4

Min w  0,32x 1  0,7x 2  1,2x 3 (minimizar costo)

s. a
0,38x 1  0,001x 2  0,002 x 3  0,8 (restrición debida al requerimiento mínimo de calcio)
0,09x 2  0,5x 3  22 (restrición debida al requerimiento mínimo de proteínas)
x1 , x 2 , x 3  0
Tabla de Óptimo
0,32 0,7 1,2 0 0
ci Ai A1 A2 A3 A4 A5 xi xi/yij
0,32 A1 1 0,0015 0 –2,63 0,011 1,874
1,2 A3 0 0,18 1 0 –2 44
zj 0,32 0,216 1,2 –0,84 –2,4
w =53,4
cj – zj 0 0,484 0 0,84 2,4
En base a la tabla y teniendo en cuenta el efecto espejo, los valores implícitos son los
respectivos zj correspondientes a las variables de exceso, multiplicados por –1.21 El valor
z *
marginal u1*    z 4  0,84 nos muestra que al incrementar en una unidad (1kg) el
b1
requerimiento mínimo de calcio (manteniendo fijo el requisito mínimo de proteínas y
suponiendo que dicho cambio mantiene la base óptima), el valor actual de w sufrirá un aumento
de $0,84 (es decir w empeorará). En forma similar, por cada kg adicional de proteínas w se
z *
incrementará en $2,4 ( u *2    z 5  2,4 ).
b2
Por último veamos el Ejemplo 1-13.
Max z  30 x 1  40 x 2
s. a
x1  x2 7
x 1  2x 2  4
x1 5
x1 ; x 2  0
Tabla de Óptimo
30 40 0 0 –M –M xi/yij
ci Ai A1 A2 A3 A4 A5 A6 xi (yij>0)
0 A3 0 0 1 –1/2 1/2 –3/2 3/2
30 A1 1 0 0 0 0 1 5
40 A2 0 1 0 1/2 –1/2 1/2 1/2
zj 30 40 0 20 –20 50
z = 170
cj – zj 0 0 0 –20 20–M –50–M

Para este problema u1*  z 3  0 revela que al incrementar en una unidad el término
independiente de la primera restricción, el valor del funcional no experimentará variación alguna
mientras que, si adicionamos una unidad a b2 el valor de z disminuirá en 20 unidades
( u *2   z 4  20 ).

21
Véase Efecto espejo, apartado 3-5 en Capítulo 3.

82 Norma Torrent
 Análisis de Sensibilidad

En cuanto al valor implícito de la tercera restricción, al no producirse el efecto esp ejo, a

menos que conservemos en las sucesivas iteraciones la información del vector correspondiente a
la respectiva variable artificial, no sabremos cuál es. La tabla de óptimo del Ejemplo 3 -2 nos
z *
indica que dicho valor es u *3   z 6  50 , por lo que un aumento de una unidad en el
b3
término independiente de esta restricción provocará un incremento de 50 unidades en z.
Es importante resaltar que todo lo dicho hasta aquí es válido sólo si el incremento en el
término independiente bajo análisis, mantiene la base actual óptima.
Los ejemplos precedentes nos permiten visualizar que el signo de un valor implícito
depende de:
 La condición de optimización.
 El tipo de restricción.
La condición de optimización garantiza que estamos en el óptimo si c j  z j  0  Aj, en
problemas de maximización, o si c j  z j  0  Aj, en aquellos de minimización.
El tipo de restricción (, ≥, =) evidencia la necesidad o no de incorporar holguras y/o
excesos para expresar el programa en su forma estándar.
Por lo tanto, teniendo en cuenta que los valores implícitos de cada restricción son los zj de la
tabla de óptimo correspondientes a las columnas de la base inicial identidad podemos concluir
que:
En problemas de maximización una restricción de  tendrá un valor implícito  0, en
consecuencia ante un incremento unitario en el término independiente, z no decrecerá
(mantendrá el valor actual o mejorará).
En efecto, la restricción de  tendrá una holgura asociada cuyo zj en la tabla de óptimo es el
valor implícito correspondiente a la restricción. Además, el cj de la holgura es nulo y puesto que
estamos en el óptimo, c j  z j  0. Resulta inmediato entonces que zj debe ser  0.
Razonando en forma análoga,
En problemas de maximización una restricción de  tendrá un valor implícito  0, en
consecuencia ante un incremento unitario en el término independiente, z no crecerá (mantendrá
el valor actual o empeorará).

En problemas de minimización una restricción de  tendrá un valor implícito  0, en

consecuencia ante un incremento unitario en el término independiente, w no crecerá (mantendrá
el valor actual o mejorará).

En problemas de minimización una restricción de  tendrá un valor implícito  0, en

consecuencia ante un incremento unitario en el término independ iente, w no decrecerá
(mantendrá el valor actual o empeorará).
Cuando una restricción del programa lineal original es una ecuación, el valor implícito
puede ser positivo, negativo, o nulo. Si bien este caso lo analizaremos en detalle en el próximo
capítulo, el siguiente ejemplo gráfico lo pondrá en evidencia.
Sean tres programas lineales de maximización cuyas funciones objetivo se detallan a
continuación.

83
Capítulo 4

Problema I: Max z = x1 + x2
Problema II: Max z = 2x1 + x2
Problema III: Max z = x1 + 3x2
Los tres programas tienen la misma región factible dada por:
x1  x 2  4
x1 1
x1 , x 2  0
Calcularemos el óptimo de cada uno de ellos y examinaremos el efecto en z* al incrementar
en una unidad el término independiente de la segunda restricción.

z=2
z=2
z=
z=

x 1+
x 1+
x
x1

1+
+x

x 2=
x 2=
x2
2=

=z

z0
z0
z0

x1*  1; x2*  3; z*  4 x1*  2; x2*  2; z*  4 x1*  1; x2*  3; z*  5 x1*  2; x2*  2; z*  6

Como puede observarse, para el

Problema I el valor implícito
correspondiente a la restricción de igualdad
z=x z=x
1 +3x
2 =z
0
1 +3x
2 =z
0
es nulo. Para el Problema II este valor es
igual a 1, mientras que la restricción de
igualdad tiene un valor implícito igual a –2
en el Problema III.
x1*  1; x2*  3; z*  10 x1*  2; x2*  2; z*  8

Finalmente cabe acotar que si una solución óptima es degenerada una variación en bi puede
causar que la base actual no se factible ( z * / bi puede no ser derivable en algunos puntos) en
cuyo caso los valores implícitos dejan de ser válidos.

4.8 LOS COSTOS REDUCIDOS

En el óptimo, los costos reducidos brindan información sobre los cambios que pueden sufrir los
cj de las variables no básicas. En efecto, para cualquier variable no básica su costo reducido
indica la cantidad en la cual hay que mejorar el coeficie nte económico de dicha variable de modo
que ésta tenga oportunidad de integrar una nueva solución óptima. (Si la solución óptima actual
es degenerada puede ocurrir que la variable integre la nueva solución óptima con valor nulo).

4.9 USO DE LOS RESULTADOS DE SENSIBILIDAD PARA CAMBIOS MÚLTIPLES

Los intervalos de sensibilidad calculados según lo expuesto en los apartados 4.2 y 4.3 se basan
en el supuesto de “sólo un cambio a la vez”. Expondremos a continuación las denominadas
reglas 100%.

84 Norma Torrent
 Análisis de Sensibilidad

Tales reglas nos permitirán saber qué sucede si más de un coeficiente económico, o un
término independiente, varían dentro de sus respectivos intervalos de sensibilidad.22

REGLA 100% PARA CAMBIOS MÚLTIPLES EN LOS c j

Si queremos determinar los incrementos permisibles simultáneos de más de un coeficiente
económico los pasos a seguir son:
1. Para cada coeficiente afectado calcula mos su variación (diferencia entre el nuevo valor y el
valor actual). Si c k es el coeficiente original de la función objetivo correspondiente a x k ,
denominaremos con c k al cambio en c k .
2. Para cada variable x k , definimos la razón rk en la forma siguiente.
 Si c k  0, rk  c k /I k
 Si c k  0, rk  c k /Dk
 con
 I k : máximo incremento permitido en c k que mantiene la base actual óptima (obtenido del
correspondiente intervalo se sensibilidad).
 Dk : máximo decremento permitido en c k que mantiene la base actual óptima (obtenido del
correspondiente intervalo se sensibilidad).
 Si c k no cambia, rk  0 . De esta manera rk mide la razón del cambio actual en c k ,
respecto del máximo cambio permitido en c k que mantendrá la base óptima.
3. Efectuamos la sumatoria de los rk con k = 1, 2, ..., n y multiplicamos por 100 para obtener
el cambio porcentual total.
 Si el resultado obtenido no excede el 100%, entonces la solución sigue siendo óptima (el
valor de la función objetivo cambiará de acuerdo a los coeficientes afectados) .
n
Cabe destacar que la condición r
k 1
k  1 es una condición suficiente (no necesaria), ya que

si se viola, la solución puede cambiar o puede seguir siendo óptima.

Supongamos entonces que queremos saber qué sucede con la solución óptima del Ejemplo
1-1 si, simultáneamente, se produce un aumento de $2 en la contribución marginal de las vasijas
y una disminución de $3 en la de los cántaros.
Conforme a los resultados del análisis de sensibilidad efectuado en la sección 4.2 sabemos
que para  20  Δc1  2,5 (manteniendo fijo c 2 ) el punto de óptimo actual no sufrirá alteración
alguna, ocurriendo lo mismo para  5  Δc 2   (manteniendo fijo c1 ). Luego,
r1  2/2,5 y r2  3/  5  r1  r2  1,40

puesto que 140% > 100% no podemos asegurar que x* siga siendo el óptimo.
Observemos que si cambiara un solo coeficiente de la función objetivo x* seguirá siendo el
óptimo si rk  1 (o equivalentemente rk  100% ). La regla 100% es una generalización de esta
idea.

22
El lector interesado en la demostración de las regles 100% puede consultar Bradley, S., A. Hax y T. Magnanti,
Applied Mathematical Programming, MA: Addison-Wesley Publishing Company, 1977.
85
Capítulo 4

En nuestro ejemplo, 2,5 y + son los máximos incrementos permitidos para c1 y c 2 ,

respectivamente, basados en el análisis de sensibilidad. La expresión,
c1 c 2
 1 (a)
2,5  
indica que siempre que c1 y c 2 aumenten en c1 y c 2 , respectivamente, mientras esta
desigualdad continúe, x* permanece sin cambios. Aplicando la regla a las tres restantes
combinaciones posibles de cambio en c1 y c 2 , obtenemos
c1 c 2
 1 (b)
 20  5
c1 c 2
 1 (c)
2,5  5
c1 c 2
 1 (d)
 20  
La figura siguiente ilustra la región de sensibilidad para los c ambios simultáneos en c1 y c 2
como resultado de la aplicación de la regla.

Desde el punto de vista geométrico, el conjunto convexo (en este caso no acotado) de la
figura es sólo un subconjunto de una región de sensibilidad más amplia para los cambios
posibles en ambos coeficientes económicos (cambios fuera de los intervalos de sensibilidad
calculados en 4-2 y 4-3). Por lo tanto, permanecer dentro de la región sombreada en la figura es
sólo una condición suficiente (no necesaria) para que x* siga siendo el óptimo.
Pueden obtenerse resultados similares para cambios simultáneos de los términos
independientes.

REGLA 100% PARA CAMBIOS MÚLTIPLES EN b

Si los cambios afectan solamente a los términos independientes de las restricciones (a algunos o
a todos), los pasos a seguir son:
1. Para cada coeficiente afectado calculamos su variación (diferencia entre el nuevo valor y el
valor actual). Si bk es el término independiente correspondiente a la restricción k,
denominaremos con bk al cambio en bk .
2. Para cada bk , definimos la razón rk en la forma siguiente.
 Si bk  0, rk  bk /I k

86 Norma Torrent
 Análisis de Sensibilidad

 Si bk  0, rk  bk /Dk

 con
 I k : máximo incremento permitido en bk que mantiene la base actual óptima (obtenido del
correspondiente intervalo se sensibilidad).
 Dk : máximo decremento permitido en bk que mantiene la base actual óptima (obtenido del
correspondiente intervalo se sensibilidad).
 Si bk no cambia, rk  0 . De esta manera rk mide la razón del cambio actual en bk ,
respecto del máximo cambio permitido en bk que mantendrá la base óptima.
3. Efectuamos la sumatoria de los rk con k = 1, 2, ..., m y multiplicamos por 100 para obtener
el cambio porcentual total.
 Si el resultado obtenido no excede el 100%, entonces la base actual sigue siendo óptima y
valores implícitos permanecen sin cambios. El nuevo valor de la función objetivo es la suma
de los cambios individuales debidos a cada restricción afectada, multiplicados por los
m
correspondientes valores implícitos. La condición r
k 1
k  1 es una condición suficiente (no

necesaria), ya que si se viola, los precios sombra pueden cambiar o seguir iguales.
Veamos el efecto que provoca en el Ejemplo 1-1 disponer, simultáneamente, de 46 horas de
mano de obra y 85kg de arcilla, por día.
Los resultados de la sección 4.3 nos muestran que para  10  Δb1  7,5 (manteniendo fijo
b2 ) y para  22,5  Δb2   (manteniendo fijo b1 ), la base actual seguirá siendo óptima. De
esta forma,
r1  6/7,5 y r2  10 /    r1  r2  0,8  0  0,8
80% < 100%, en consecuencia los cambios mantienen la base óptima. Dado que el costo
marginal de b1 es igual $20 y el de b2 igual a $0, el incremento en z estará dado por 620 +
100 =120 es decir el nuevo z * será igual a 875 + 120 = 925. Los valores de las variables
1
básicas pueden calcularse mediante B* bnuevo .
Por último es conveniente aclarar que si bien las reglas del 100% pueden extenderse a
programas lineales de cualquier magnitud, a medida que aumenta la dimensión del problema la
región de sensibilidad se reduce y los resultados obtenidos no son tan útiles para la gestión. En
tales casos el análisis paramétrico que veremos a continuación es la herramienta adecuada.

4.10 ANÁLISIS PARAMÉTRICO

Hasta aquí hemos visto cómo examinar cambios discretos en los distintos coeficientes de un
programa lineal. En efecto, mediante el análisis de sensibilidad podemos responder preguntas del
tipo ¿qué sucede si…?, siempre y cuando tales cambios mantengan la base actual óptima.
Otro punto de vista para el análisis post-óptimo es hacer variar uno o más parámetros en
forma continua sobre algún intervalo, o algunos intervalos, para ver cómo varía la solución
óptima. Este estudio recibe el nombre de programación lineal paramétrica.
Llevaremos a cabo el análisis únicamente en relación con los dos casos más usuales: los
coeficientes económicos y los términos independientes, siendo posible un análisis paramétrico en
relación con otros coeficientes del modelo.

87
Capítulo 4

ANÁLISIS PARAMÉTRICO EN LOS COEFICIENTES ECONÓMICOS

Volviendo al Ejemplo 1-1 nuestro propósito es ahora estudiar el comportamiento de la solución
óptima cuando c 2 varía entre 0 y .
Podemos expresar a c 2 como función de un cierto parámetro λ , por ejemplo
c 2  c 2 (  )  c 2  c 2 λ. 23 Luego el procedimiento consistirá en:
1. Obtener la tabla de óptimo para λ  0 .
2. Calcular el intervalo de variación de λ que mantiene óptima la tabla precedente. Los
extremos de este intervalo determinan los valores de λ para los cuales cambia la
solución.
3. Obtener las nuevas tablas para cada uno de los extremos del intervalo anterior.
4. Repetir los pasos 2. y 3. hasta cubrir los límites objeto del estudio.
En el ejemplo c 2  45  c 2 (  )  45(1  λ). Pretender estudiar cómo cambia la solución
óptima cuando 0  c 2 (  )   es equivalente a analizar qué pasa con la misma cuando
 1     . Para λ  0 la tabla de óptimo es
20 45 0 0 0 xi/yij
ci Ai A1 A2 A3 A4 A5 xi (yij>0)
20 A1 1 0 1 0 –2 10
0 A4 0 0 –3 1 9/2 45/2
45 A2 0 1 0 0 1 15
zj 20 45 20 0 5
z = 875
cj – zj 0 0 –20 0 –5

Expresando a c 2 en función de λ ,
20 45(1+) 0 0 0 xi/yij
ci Ai A1 A2 A3 A4 A5 xi (yij>0)
20 A1 1 0 1 0 –2 10
0 A4 0 0 –3 1 9/2 45/2
45(1+) A2 0 1 0 0 1 15
zj 20 45(1+) 20 0 5+45
z = 875+675
cj – zj 0 0 –20 0 –5–45

Mientras  5  45 λ  0  λ  1 / 9 esta tabla se mantendrá óptima. Es decir para

λ  1/9  c 2  40 , x1*  10; x 2*  15; x3*  0; x4*  22,5; x5*  0; z *  200  15c 2 .
Si λ  1 / 9 debe entrar A5 y sale A4 (naturalmente si λ  1 / 9 habrá una solución básica
óptima alternativa).
20 45(1+) 0 0 0 xi/yij
ci Ai A1 A2 A3 A4 A5 xi (yij>0)
20 A1 1 0 –1/3 4/9 0 20
0 A5 0 0 –2/3 2/9 1 5
45(1+) A2 0 1 2/3 –2/9 0 10
zj 20 45(1+) 70/3+30 –10/9–10 0
z = 850+450
cj – zj 0 0 –70/3–30 10/9+10 0

23
Limitaremos nuestro análisis al estudio de variaciones lineales. Si las variaciones son no lineales seguimos
estando frente a un problema de programación lineal pero el análisis se torna bastante complicado.

88 Norma Torrent
 Análisis de Sensibilidad

Si c3  z 3  0 (  70/3  30λ  0  λ  7/9 ) y c4 - z 4  0 (  10/9  10λ  0  λ  1/9 )

esta tabla es la de óptimo, lo cual se traduce a, para  7/9  λ  1/9,
* * * * *
x1  20; x 2  10; x3  0; x4  0; x5  5; z *  400  10c 2 .
Evidentemente si λ  7/9 ingresa A3 y sale A2 (para λ  7/9 habrá una solución básica
óptima alternativa)
20 45(1+) 0 0 0 xi/yij
ci Ai A1 A2 A3 A4 A5 xi (yij>0)
20 A1 1 1/2 0 1/3 0 25
0 A5 0 1 0 0 1 15
0 A3 0 3/2 1 –1/3 0 15
zj 20 10 0 20/3 0
z = 500
cj – zj 0 35+45 0 –20/3 0
* * * * *
Por lo tanto para 35  45 λ  0  λ  7/9, x1  25; x 2  0; x3  15; x4  0; x5  15 y
z *  500 .
Puesto que hemos cubierto el intervalo de variación objeto de nuestro estudio
(  1     ) damos por concluido el análisis.
El siguiente cuadro, de gran valor para la toma de decisiones, y el gráfico adjunto resumen
los resultados obtenidos.

Un análisis similar para c1 arrojaría los siguientes resultados.

Como expresáramos al comienzo de esta sección, la programación lineal paramétrica nos

permite además investigar el efecto sobre la solución óptima cuando varía más de un coeficiente
de la función objetivo en un cierto intervalo. Generalizando el estudio anterior de modo que
contemple la variación de uno o más coeficientes tendremos que, considerando que el efecto de
los cambios en c está dado por la siguiente función
c()  c1 (1  u 1)  c 2 (1  u 2 )  ...  c n (1  u n ) con u 1 , u 2 , ..., u n constantes conocidas
utilizando el método Simplex podemos resolver el problema dándole a λ un valor perteneciente
a su intervalo de variación. Obtenido el óptimo comienza entonces el análisis paramétrico.

89
Capítulo 4

Puesto que c j  c j  u j λ , es posible representar, para cualquier base, los términos

c j  z j como una función lineal de λ en la forma c j  z j  m j λ  h j , donde m j y h j son
constantes resultantes del cálculo anterior.
Sabemos que las variaciones en c sólo afectan a los c j  z j , por lo tanto la solución antes
obtenida seguirá siendo óptima si c j  z j  m j λ  h j  0 j , de esta forma

 si m j  0,   h j / m j  si m j  0,   h j / m j

Luego el intervalo de variación de λ para el cual la solución se mantiene óptima va a estar

dado por
-hj -hj
max m j 0    min m j 0
mj mj

- hj
Para λ  max m j 0 la nueva solución se obtendrá introduciendo el vector para el cual
mj
- hj - hj
resulte c j  z j  max m j 0 . En forma similar para λ  min m j 0 ingresará a la base el vector
mj mj
- hj
cuyo c j  z j  min m j 0 .
mj

Ejemplo 4-2 Análisis paramétrico en los coeficientes económicos

Resolveremos el siguiente programa lineal paramétrico para –   +.
Max z  (1  3)x 1  (2  )x 2
s. a
x1  x 2  4
2x 1  x 2  6
x2,x2 0
Para  = 0 la correspondiente tabla de óptimo es
1 2 0 0 xi/yij
ci Ai A1 A2 A3 A4 xi (yij>0)
2 A2 1 1 1 0 4
0 A4 1 0 –1 1 2
zj 2 2 2 0
z=8
cj – zj –1 0 –2 0

Sustituyendo c1 por 1 + 3 y c 2 por 2 +  , se tiene

Tabla 4-1
1+3 2+ 0 0 xi/yij
ci Ai A1 A2 A3 A4 xi (yij>0)
2+ A2 1 1 1 0 4
0 A4 1 0 –1 1 2
zj 2+ 2+ 2+ 0
z = 8+4
cj – zj –1+2 0 –2– 0

90 Norma Torrent
 Análisis de Sensibilidad

Si c1  z 1  0 (  1  2λ  0  λ  1/2 ) y c3 - z 3  0 (  2  λ  0  λ  2 ) esta tabla

es la de óptimo, lo cual se traduce a, para  2  λ  1/2,
* * * *
x1  0; x 2  4; x3  0; x4  2; z *  8  4 .
Si λ  1/2 ingresa A1 y sale A4 .
Tabla 4-2
1+3 2+ 0 0 xi/yij
ci Ai A1 A2 A3 A4 xi (yij>0)
2+ A2 0 1 2 –1 2
1+3 A1 1 0 –1 1 2
zj 1+3 2+ 3– –1+2
z = 6+8
cj – zj 0 0 –3+ 1–2

En base a esta tabla, para  3  λ  0  λ  3 y 1  2λ  0  λ  1/2 la solución óptima está

* * * *
dada por x1  2; x 2  2; x3  0; x4  0; z *  6  8 .. Ahora, si λ  3 los vectores entrante y
saliente son A3 y A2 , respectivamente.
Tabla 4-3
1+3 2+ 0 0 xi/yij
ci Ai A1 A2 A3 A4 xi (yij>0)
0 A3 0 1/2 1 –1/2 1
1+3 A1 1 1/2 0 1/2 3
zj 1+3 1/2+(3/2) 0 1/2+(3/2)
z = 3+9
cj – zj 0 3/2–(1/2) 0 –1/2–(3/2)
* * * *
La Tabla 4-3 nos indica que para λ  3 resulta x1  3; x 2  0; x3  1; x4  0; z *  3  9 .
Nos resta estudiar entonces qué suceda para λ  2. Volviendo a la Tabla 4-1 vemos que si
λ  2 ingresa A3 y sale A2 , obteniéndose
Tabla 4-4
1+3 2+ 0 0 xi/yij
ci Ai A1 A2 A3 A4 xi (yij>0)
0 A3 1 1 1 0 4
0 A4 2 1 0 1 6
zj 0 0 0 0
z=0
cj – zj 1+3 2+ 0 0
* * *
Conforme a esta tabla si λ  2 la solución óptima será x1  0; x 2  0; x3  4;
x4*  6; z *  0.
Dado que contamos con las sucesivas soluciones óptimas para    λ   damos por
finalizado el análisis. A continuación se resumen los resultados obtenidos.

91
Capítulo 4

ANÁLISIS PARAMÉTRICO EN LOS TÉRMINOS INDEPENDIENTES

Vamos a estudiar ahora el comportamiento de la solución óptima cuando en el Ejemplo 1 -1,
b1 varía entre 0 y .
En base al análisis gráfico efectuado en el apartado 4-3 sabemos que:
 Para 0  b1  30 la base óptima es (A2 , A4 , A5 ).
 Para 30  b1  47,5 la base óptima es (A1 , A2 , A4 ).
 Para b1  47,5 la base óptima es (A1 , A2 , A3 ).
 (notemos que en los extremos de tales intervalos la solución será degenerada)
Si expresamos a b1 como función lineal de un parámetro λ , por ejemplo b1 (  )  40  λ ,
 Para  entre –10 y 7,5 ( para 30  b1  47,5 ), x*B  (A1 , A4 , A2 ) 1 (40   , 75, 15)T .
Dado que
 1 0  2
 A1 , A 4 , A 2  1
   3 1 9/2 
 0 0 1
 
 resulta x1*  10   , x*2  15, x*4  22,5  3 y z *  875  20 .
 Observemos que para   0 la solución óptima es x*  (10; 15; 0; 22,5; 0)T y
z *  875. Luego, aplicando las fórmulas del punto 4-3 para  entre –10 y 7,5 los
nuevos valores de las variables básicas (coincidentes con los recién calculados) están
dados por x*i actual  ri1  y z *  z actual  
ci rik . Además en la sección 4-7 vimos
iI B

que mientras 30  b1  47,5 el costo marginal de cada hora de mano de obra es de $20.
Lógicamente este costo marginal refleja cómo cambia z * en función de b1 .
 Para  entre –40 y –10 ( 0  b1  30 ), x*B  (A2 , A4 , A5 ) 1 (40   , 75, 15)T . En este
caso.
 1/2 0 0 
 A 2 , A 4 , A 5  1
   3/4 1 0 
  1 / 2 0 1
 
 luego, x*2  20  0,5 , x*4  45  0,75 , x*5  5  0,5 y z *  900  22,5 .
 Por ejemplo, para   20 , x*  (0; 10; 0; 60; 5)T y z *  450. El costo marginal de
b1 es ahora $22,5.
 Para    ( b1  47,5 ) un análisis similar a los anteriores nos indicará que
x1*  17,5 , x*2  15 y z *  1.025 , en tanto que x*3  7,5  . Notemos que al ser x*3
una variable básica el costo marginal de b1 es nulo.
El siguiente cuadro resume los resultados obtenidos.

92 Norma Torrent
 Análisis de Sensibilidad

-10 7,5
b1 30 47,5 z
x1 0 10+ 17,5 1.025
x2 20+0,5 15 15
x3 0 0 - 675
x4 45-0,75 22,5-3 0
x5 -5-0,5 0 0
z 900+22,5 875+20 1.025 0 30 47,5 b1

Evidentemente cuando la dimensión del problema aumenta la imposibilidad de contar con

una solución gráfica dificulta el estudio precedente. En el capítulo próximo veremos que todo
programa lineal tiene un programa dual asociado y que ambos programas poseen ciertas
relaciones. Tales relaciones nos permitirán realizar el análisis paramétrico de los términos
independientes mediante la parametrización de los coeficientes económicos del problema dual.

93