La Programacin Lineal es un procedimiento o algoritmo matemtico mediante el cual se resuelve un problema indeterminado, formulado a travs de ecuaciones lineales, optimizando

la funcin objetivo, tambin lineal. Consiste en optimizar (minimizar o maximizar) una funcin lineal, denominada funcin objetivo, de tal forma que las variables de dicha funcin estn sujetas a una serie de restricciones que expresamos mediante un sistema de inecuaciones lineales.

Historia de la programacin lineal

El problema de la resolucin de un sistema lineal de inecuaciones se remonta, al menos, a Joseph Fourier, despus de quien nace el mtodo de eliminacin de Fourier-Motzkin. La programacin lineal se plantea como un modelo matemtico desarrollado durante la Segunda Guerra Mundial para planificar los gastos y los retornos, a fin de reducir los costos al ejrcito y aumentar las prdidas del enemigo. Se mantuvo en secreto hasta 1947. En la posguerra, muchas industrias lo usaron en su planificacin diaria. Los fundadores de la tcnica son George Dantzig, quien public el algoritmo simplex, en 1947, John von Neumann, que desarroll la teora de la dualidad en el mismo ao, y Leonid Kantorvich, un matemtico ruso, que utiliza tcnicas similares en la economa antes de Dantzig y gan el premio Nobel en economa en 1975. En 1979, otro matemtico ruso, Leonid Khachiyan, dise el llamado Algoritmo del elipsoide, a travs del cual demostr que el problema de la programacin lineal es resoluble de manera eficiente, es decir, en tiempo polinomial.2 Ms tarde, en 1984, Narendra Karmarkar introduce un nuevo mtodo del punto interior para resolver problemas de programacin lineal, lo que constituira un enorme avance en los principios tericos y prcticos en el rea. El ejemplo original de Dantzig de la bsqueda de la mejor asignacin de 70 personas a 70 puestos de trabajo es un ejemplo de la utilidad de la programacin lineal. La potencia de computacin necesaria para examinar todas las permutaciones a fin de seleccionar la mejor asignacin es inmensa (factorial de 70, 70!) ; el nmero de posibles configuraciones excede al nmero de partculas en el universo. Sin embargo, toma slo un momento encontrar la solucin ptima mediante el planteamiento del problema como una programacin lineal y la aplicacin del algoritmo simplex. La teora de la programacin lineal reduce drsticamente el nmero de posibles soluciones ptimas que deben ser revisadas.

Variables
Las variables son nmeros reales mayores o iguales a cero.

En caso que se requiera que el valor resultante de las variables sea un nmero entero, el procedimiento de resolucin se denomina Programacin entera.

Restricciones
Las restricciones pueden ser de la forma:

Donde:

A = valor conocido a ser respetado estrictamente; B = valor conocido que debe ser respetado o puede ser superado; C = valor conocido que no debe ser superado; j = nmero de la ecuacin, variable de 1 a M (nmero total de restricciones); a; b; y, c = coeficientes tcnicos conocidos; X = Incgnitas, de 1 a N; i = nmero de la incgnita, variable de 1 a N.

En general no hay restricciones en cuanto a los valores de N y M. Puede ser N = M; N > M; , N < M. Sin embargo si las restricciones del Tipo 1 son N, el problema puede ser determinado, y puede no tener sentido una optimizacin. Los tres tipos de restricciones pueden darse simultneamente en el mismo problema.

Funcin Objetivo
La funcin objetivo puede ser:

Programacin entera
En algunos casos se requiere que la solucin ptima se componga de valores enteros para algunas de las variables. La resolucin de este problema se obtiene analizando las posibles alternativas de valores enteros de esas variables en un entorno alrededor de la solucin obtenida considerando las variables reales. Muchas veces la solucin del programa lineal truncado esta lejos de ser el ptimo entero, por lo que se hace necesario usar algn algoritmo para hallar esta solucin de forma exacta. El ms famoso es el mtodo de 'Ramificar y Acotar' o Branch and Bound por su nombre en ingls. El mtodo de Ramificar y Acotar parte de la adicin de nuevas restricciones para cada variable de decisin (acotar) que al ser evaluado independientemente (ramificar) lleva al ptimo entero.

Aplicaciones
La programacin lineal constituye un importante campo de la optimizacin por varias razones, muchos problemas prcticos de la investigacin de operaciones pueden plantearse como problemas de programacin lineal. Algunos casos especiales de programacin lineal, tales como los problemas de flujo de redes y problemas de flujo de mercancas se consideraron en el desarrollo de las matemticas lo suficientemente importantes como para generar por si mismos mucha investigacin sobre algoritmos especializados en su solucin. Una serie de algoritmos diseados para resolver otros tipos de problemas de optimizacin constituyen casos particulares de la ms amplia tcnica de la programacin lineal. Histricamente, las ideas de programacin lineal han inspirado muchos de los conceptos centrales de la teora de optimizacin tales como la dualidad, la descomposicin y la importancia de la convexidad y sus generalizaciones. Del mismo modo, la programacin lineal es muy usada en la microeconoma y la administracin de empresas, ya sea para aumentar al mximo los ingresos o reducir al mnimo los costos de un sistema de produccin. Algunos ejemplos son la mezcla de alimentos, la gestin de inventarios, la cartera y la gestin de las finanzas, la asignacin de recursos humanos y recursos de mquinas, la planificacin de campaas de publicidad, etc. Otros son:

Optimizacin de la combinacin de cifras comerciales en una red lineal de distribucin de agua. Aprovechamiento ptimo de los recursos de una cuenca hidrogrfica, para un ao con afluencias caracterizadas por corresponder a una determinada frecuencia.

Soporte para toma de decisin en tiempo real, para operacin de un sistema de obras hidrulicas; Solucin de problemas de transporte. Ejemplo

ste es un caso curioso, con solo 6 variables (un caso real de problema de transporte puede tener fcilmente ms de 1.000 variables) en el cual se aprecia la utilidad de este procedimiento de clculo. Existen tres minas de carbn cuya produccin diaria es:

La mina "a" produce 40 toneladas de carbn por da; La mina "b" otras 40 t/da; y, La Mina "c" produce 20 t/da.

En la zona hay dos centrales termoelctricas que consumen:

La central "d" consume 40 t/da de carbn; y, La central "e" consume 60 t/da

Los costos de mercado, de transporte por tonelada son:

De "a" a "d" = 2 monedas De "a" a "e" = 11 monedas De "b" a "d" = 12 monedas De "b" a "e" = 24 monedas De "c" a "d" = 13 monedas De "c" a "e" = 18 monedas

Si se preguntase a los pobladores de la zona cmo organizar el transporte, tal vez la mayora opinara que debe aprovecharse el precio ofrecido por el transportista que va de "a" a "d", porque es ms conveniente que los otros, debido a que es el de ms bajo precio. En este caso, el costo total del transporte es:

Transporte de 40 t de "a" a "d" = 80 monedas Transporte de 20 t de "c" a "e" = 360 monedas Transporte de 40 t de "b" a "e" = 960 monedas Total 1.400 monedas.

Sin embargo, formulando el problema para ser resuelto por la programacin lineal se tienen las siguientes ecuaciones:

Un ejemplo de produccin en una planta de generacin de energa

Mxima emisin de xido de azufre: 3000 partes por milln (PPM) Mxima emisin de partculas (humo): 12 kilogramos/hora (kg/h)

El carbn se traslada a la planta por ferrocarril y se descarga en depsitos cercanos a la misma. De aqu se lleva con una cinta transportadora a la unidad pulverizadora, en donde se pulveriza y alimenta directamente a la cmara de combustin, a la velocidad conveniente. El calor producido en la cmara de combustin se emplea para crear vapor que impulse las turbinas.

Se emplean dos tipos de carbn: tipo A, que es un carbn duro y de quema limpia con un-bajo contenido en azufre (bastante caro); y tipo 8, que es un carbn barato, relativamente suave, que produce humo y tiene un alto contenido en azufre, tal y como se puede observar en fa tabla 2. 1. El valor trmico en trminos de vapor producido es mayor para el carbn A que para el carbn 3, siendo de 24000 y 20000 Ib por ton respectivamente. Como el carbn A es duro, la unidad pulverizadora puede manejar a lo sumo 16 ton de carbn A por hora; sin embargo puede pulverizar hasta 24 Ion de carbn B por hora. El sistema de carga de La cinta transportadora tiene una capacidad de 20 ton por hora y es independiente del tipo de carbn. Uno de los muchos interrogantes que la gerencia puede plantearse es el siguiente: dados los lmites de emisin de los agentes contaminantes y los tipos disponibles de carbn, Cul es la mxima produccin posible de electricidad de la planta? La respuesta permitir a la gerencia determinar el margen de seguridad disponible para cubrir las demandas punta de energa. Tabla 2.1. Emisin de agentes contaminantes
Oxido de azufre en gases Carbn combustible Partculas (emsin/ton)

1800PPM

0.5 Kg/ton

38OOPPM

1 .0 Kg/ton

Elementos bsicos El modelo de Programacin Lineal est formado por tes elementos bsicos: a) Variables de decisin que tratamos de determinar, b) Objetivo (meta) que tratamos de optimizar y c) Restricciones que necesitamos satisfacer. a) Variables A corto plazo, las instalaciones de la planta son fijas. El nico aspecto del problema que es controlable y que puede utilizarse para modificar la produccin de la planta es la cantidad de cada tipo de carbn que se queme. Entonces, las variables de decisin del problema son: X1 = La cantidad de carbn A utilizada por hora (ton/h) X2 = La cantidad de carbn B utilizada por hora (ton/h) En programacin lineal a menudo se hace referencia a los aspectos controlables de un problema de decisin como actividades. Por lo tanto, las variables X1 y X2 representan los niveles de actividad de la quema de carbn A y carbn B, respectivamente. HIPTESIS 1 DE PROGRAMACIN LINEAL: DIVISISILIDAD: Todas las variables pueden asumir cualquier valor real. Si las variables solo tienen sentido en el caso de tomar valores discretos pero tomar un valor real elevado (superior a 10) en la solucin ptima, es aceptable considerarlas como continuas y redondear su valor

Muchas actividades en el mundo real pueden variar de forma continua, es decir son divisibles infinitamente. Por ejemplo, la cantidad de carbn quemado por hora puede ajustarse a cualquier valor dentro de unos lmites razonables. Sin embargo, hay actividades reales que slo pueden tomar valores enteros, por ejemplo el nmero de viajes de carbn necesarios para trasladar cierta carga de un lugar a otro o el nmero de equipos informticos que debe adquirir una empresa. Si la actividad real no es divisible de forma infinita; pero el nivel normal de actividad es un nmero grande, las condiciones de divisibilidad pueden servir como una aproximacin conveniente. En general, esto significa que el valor de la solucin es de decenas o mayor. Los valores fraccionarios tan slo se redondean al entero ms cercano. Por el contrario, si el nivel normal de actividad es relativamente pequeo, digamos menor que 10, se necesita recurrir a la programacin entera. HIPTESIS 2 DE PROGRAMACIN LINEAL: CONDICIONES DE NO NEGATIVIDAD: Todas las variables son no negativas

Esta hiptesis refleja la naturaleza de la mayora de as actividades del mundo real; donde rara vez tiene sentido, dentro de un contexto econmico o de ingeniera, hablar de niveles negativos de actividad. Sin embargo, esta consideracin no significa una prdida de generalidad. Cualquier nmero (positivo, cero o negativo) puede expresarse como la diferencia algebraica de dos nmeros no negativos. Si una actividad puede ocurrir tanto en niveles negativos como positivos (por ejemplo, comprar o vender bonos), se introducen dos variables para esta actividad, X+ para niveles no negativos, y X- para niveles no positivos. Su diferencia X = X + X- representa el nivel real de la actividad. Mediante este artificio tanto X+ como X- estn restringidas a ser no negativas y son las llamadas variables irrestrictas o libres. De hecho, el software de optimizacin suele permitir al usuario definir directamente este tipo de variables como libres e interpretando que su rango de variacin est entre menos y ms infinito. b) Funcin objetivo El objetivo de la gerencia consiste en maximizar la produccin de electricidad de la planta. Ya que la electricidad se produce mediante vapor y existe una relacin directa entre la produccin de vapor y la de electricidad, el maximizar a produccin de vapor es equivalente a maximizar la produccin de electricidad. Por lo tanto, puede replantearse el objetivo de la gerencia como "encontrar la combinacin de combustibles que maximice a produccin de vapor". Cunto vapor se produce para cualquier cantidad arbitraria de carbn utilizada? Una forma simple y sistemtica de determinarlo se muestra en la tabla 2.2. Tabla 2.2 Construccin de la Funcin objetivo

Vamos a expresar la cantidad de vapor producido en miles de libras. Por lo tanto, el carbn A produce 24 unidades y el carbn B, 20 unidades de vapor por toneladas de combustible. Entonces, la cantidad de vapor producida por hora es:

(1) 24 X1 + 20 X2 - Z

El primer miembro de (1) se denomina funcin objetivo y Z es el valor de la funcin objetivo. Los coeficientes de las variables se denominan coeficientes de la funcin objetivo. El problema exige determinar los valores de X1 y X2 que maximicen el valor de Z. En la figura 2.1 se observa que (1) es una familia de rectas paralelas y que para cada valor que demos a Z tendremos una recta, cuyos puntos representan las posibles combinaciones de X1 y X2 que proporcionan la misma cantidad de vapor y en definitiva de energa. Por este motivo, se conocen como lneas de isoproduccion (isobeneficio o isocoste, en el caso de que la funcin objetivo fuera beneficio o costo respectivamente). Tambin podemos observar que la funcin objetiva es lineal. HITPOTESIS 3 DE PROGRAMACION LINEAL: LINEALIDAD: Todas las relaciones entre variables son lineales En programacin lineal esto implica:

Proporcionalidad de las contribuciones. La contribucin individual de cada variable es estrictamente proporcional a su valor; y el factor de proporcionalidad es constante para toda la gama de valores que la variable puede asumir. Actividad de las contribuciones. La contribucin total de las variables es igual a la suma de las contribuciones individuales, sea cual sea el valor de las variables.

Figura 2.1. Funcin objetivo

Una relacin tal corno Z= 5X1 + 3 X1 + 2 X2 o Z = 24 X1 + 20 X2 para X1 < = 5 y 10 + 22 X1 + 20 X2 para X1 > 5 violara la condicin de proporcionalidad; mientras que Z = 24 X1 para X2 = 0, 20 X2 para X1 =0 y 22 X1 18 X2 para X1 > O y X2> O violarla la actividad. La hiptesis 3 implica beneficios constantes a escala e impide economas y deseconomas de escala. En la prctica esta condicin posiblemente no se cumpla con exactitud; en particular para valores muy pequeos o muy grandes de actividad. Sin embargo, si se cumple en forma aproximada dentro del intervalo normal de los valores de solucin, es posible emplear el modelo de programacin lineal como una buena aproximacin. Esta consideracin tambin excluye el problema de los costes fijos cuando se presentan para valores positivos de la actividad, pero no para niveles cero. Adems de las condiciones de no negatividad, los niveles de actividad deben de cumplir ciertas restricciones que pueden ser de naturaleza fsica, econmica o legal. c) Restricciones C1. Restriccin de la emisin de partculas La cantidad mxima de emisin de humo por hora en una planta est limitada a 12 kg. De acuerdo con la tabla 2.I, cada tonelada de carbn A produce 0.5 kg de humo y cada tonelada de carbn B produce 1 kg de humo. Si la planta quema X1 ton de carbn A y X2 de B2 la cantidad de humo total emitida a partir de ambos tipos de carbn es igual a su suma, que no puede exceder de 12 kg/h.

(2) 0.5X1 + X2 <=12

Los coeficientes de las variables en las restricciones se denominan coeficientes tcnicos y al segundo miembro de la desigualdad o trmino independiente se conoce como coeficiente del segundo miembro o parmetro del lado derecho de la restriccin (en el software RHS -RightHand Side). C2 Restriccin de las instalaciones de carga.

El sistema de cinta transportadora que traslada el carbn de los depsitos al pulverizador tiene una capacidad de 20 ton/h. Por lo tanto, la restriccin de carga seria:

(3) X1+X2<=2

C3 Restriccin de la capacidad del pulverizador La capacidad del pulverizador es de 16 ton/h para el carbn A o de 24 ton/h para el carbn B. En otras palabras, tarda 1116 h en pulverizar una tonelada de carbn A y 1124 h en pulverizar una tonelada de carbn B. Si la solucin exige una combinacin de ambos tipos de carbn, el tiempo que se tardar en pulverizar una mezcla de X1 ton de A y X2 de B es (1/16) X1 + (1/24)X2. Son admisibles slo aquellas combinaciones de X1 y X2 que requieran cuando ms 1h. Por lo tanto la restriccin del pulverizador es:

Obsrvese la forma en que se ha superado la dificultad presentada por las diferentes tasas mximas. Estas tasas se han traducido a tiempos necesarios por tonelada y expresan la restriccin en trminos de tiempo en vez de capacidad. C4 Restriccin de la emisin de xido de azufre La emisin mxima de xido de azufre no debe exceder de 3000 PPM en ningn momento. Dado que los dos tipos de carbn se queman en forma simultnea, se considera que la combinacin de X1 tan de carbn A, y X2 ton de carbn B por hora, alimenta a la cmara de combustin corno una mezcla homognea. El X1/(X1 + X2) de la mezcla es carbn A con una tasa de emisin de xido de azufre de 1800 PPM y X2(X1 + X2) de dicha mezcla es carbn B, con una tasa de emisin de 3800 PPM. La tasa de emisin de la mezcla es igual al promedio ponderado de las tasas individuales de emisin; en el que sirven como ponderaciones las fracciones utilizadas de cada carbn. Este promedio ponderado no puede exceder de 3000 PPM:

Multiplicando a ambos lados de la desigualdad por (X1 + X2) y reordenando trminos, se obtiene la restriccin: (5) 1200X1 -300 X2 >=0 En la figura 2.2 se han representado las cuatro restricciones. Formacin general de un programa lineal En resumen, el modelo matemtico que hemos formulado para representar el problema anterior es el siguiente:

Determinar los valores de las variables: X1 >= O y X2 >= O Que optimicen, maximicen en este caso (en otros puede ser minimizar) la funcin objetiva:

Max 24X1 + 20X2

Y verifiquen las restricciones

0.5 X1 + X2 <= 12 (humo) X1 +X2 <=20 (carga) 1.5 X1 + X2 <= 24 (pulverizador) 1200 X1 - 800 X2 >= O (azufre)

El planteamiento general de un programa lineal es el siguiente: Determinar los valares de as variables decisin .XJ >= O; para, j = 1,2,..n que optimicen (maximicen o minimicen a funcin objetivo:

Donde: n es el nmero de variables,

m es el nmero de restricciones y stas pueden ser igualdades o desigualdades del tipo <= o >=. Los Cj, aj y bj son los parmetros del modelo. HIPTESIS 4 DE PROGRAMACIN LNEAL: CERTIDUMBRE Se asume que todos los parmetros del modelo cj aj y bj son constantes conocidas. Regin factible, solucin grfica y variables holgura Para que una solucin sea admisible la combinacin de niveles de actividad debe satisfacer en forma simultnea todas las restricciones, incluyendo las condiciones de no negatividad. A tal solucin se le denomina solucin factible para el problema. El conjunto de todas las soluciones factibles forma la regin factible o conjunto de soluciones posibles. Obsrvese en la figura 2.2 que el conjunto de soluciones posibles no depende de la funcin objetivo. sta es una interesante propiedad de la mayora de los modelos de Investigacin Operativa y tiene importantes consecuencias sobre el mtodo de resolucin y las propiedades de la solucin ptima. Si la frontera de una restriccin no tiene puntos en comn con la regin factible, entonces esta restriccin es redundante y puede eliminarse en consideraciones posteriores, ya que nunca limitar los valores de las variables. Existe alguna restriccin redundante en nuestro problema?. En la prctica, cuando un problema tiene cientos de restricciones y cientos de variables rara vez es posible identificar si una restriccin es redundante o no. Por fortuna, el algoritmo de resolucin conocido como mtodo simplex funciona eficientemente, aunque el planteamiento contenga restricciones redundantes. Como el objetivo es maximizar fa produccin de vapor de la planta, tendremos que determinar la recta ms alta que contenga al menos una solucin posible. Dicha recta es la que corresponde a Z = 408 y los niveles de actividad de las variables en la solucin ptima son de X1 = 12 y X2 = 6 como puede observarse en la figura 2.3. Una combinacin de 12 toneladas de carbn A y 6 toneladas de carbn B por hora maximiza la produccin de vapor de la planta dentro de las restricciones fsicas y legales impuestas a las variables. Desde el punto de vista intuitivo, parece obvio que la solucin ptima siempre ocurrir en fa frontera de la regin factible, ya sea en un punto extremo o en un lado del polgono. Como se ver en el anlisis de sensibilidad, es la pendiente de la funcin objetivo la que determina en qu parte de la frontera estar situada la solucin ptima. Si el problema exigiera la minimizacin de la funcin objetivo en que forma cambiara el procedimiento grfico para encontrar la solucin ptima? Por ejemplo, se desea determinar la solucin de coste mnimo para obtener una produccin de vapor de, al menos, 216 unidades por hora y que el coste por tonelada es de 24 $ para el carbn A y de 15 para el B. Plantea y resuelve este, problema de forma grfica. En sntesis, podemos afirmar que una solucin ptima es una solucin factible con el mejor valor de la funcin objetivo. El mejor valor o el valor ms favorable de la funcin objetivo ser el ms grande en los problemas de maximizacin o el ms pequeo en los problemas de minimizacin.

No todos los problemas de programacin lineal tienen finales felices. Por una parte, puede ocurrir que las restricciones sean inconsistentes en el sentido de que no exista ninguna solucin factible. Y por otra, la regin factible puede estar abierta en alguna direccin de manera que la funcin objetivo pueda incrementarse de forma indefinida y no exista solucin finita (la solucin es no acotada). Estos casos son poco frecuentes en la prctica. A menudo, tales soluciones son el resultado de errores o de representaciones incorrectas en la formulacin matemtica. Por tanto, al resolver un programa lineal podemos encontrarnos con cuatro casos:

Solucin nica. soluciones alternativas (infinitas soluciones). En un modelo con dos variables ocurre siempre que la funcin objetivo corta al conjunto factible en un lado del polgono, para el mejor valor de la misma. En la prctica veremos temas posteriores cmo es un caso mucho ms frecuente de lo que a priori pudiramos pensar. No hay solucin, porque ninguna combinacin de variables cumple todas las restricciones. Solucin no acotada.

Para cualquier solucin factible, la diferencia entre el valor que toma la restriccin y el coeficiente del segundo miembro se denomina holgura (para desigualdades<=) o exceso (para desigualdades >=). A menudo, resulta conveniente mostrar de manera explcita esta diferencia, introduciendo una variable adicional en cada restriccin. A estas variables se les denomina variables de holgura o de exceso. Por conveniencia, se suele utilizar el trmino de variables de holgura para ambas. Tales variables estn sujetas a las mismas consideraciones de divisibilidad y no negatividad que las variables decisin. Entonces cada restriccin se convierte en una igualdad. Introduciendo las variables de holgura en nuestro ejemplo:

Las variables de holgura pueden interpretaba a menudo como recursos no utilizados o capacidad no utilizada para una solucin dada. Por ejemplo, x3 es la cantidad de capacidad no utilizada de emisin de humo, y x4 la cantidad no utilizada de capacidad de carga. Cul es la interpretacin correspondiente a x5? Debido a la forma en que se obtuvo la restriccin del azufre no existe una interpretacin simple para x6. Comprueba que x3 y x5 son cero en nuestro ejemplo, mientras que x4 = 2 y x6 = 9600. Anlisis de sensibilidad de los segundos miembros de las restricciones Ahora vemos qu ocurre con la solucin ptima cuando varia al segundo miembro de una restriccin. Vamos a suponer que la gerencia est considerando la instalacin de un equipo que puede reducir el humo en un 20%. Esto permitira cumplir con las normas legales con una emisin no controlada de humo a partir de la cmara de combustin de hasta 15 Kg/h. Figura 2.4. Funcin objetivo alternativa

Consideraremos en primer lugar que la emisin mxima permitida de humo se increment de 12 a 13 kg/h, permaneciendo iguales todos los otros coeficientes. Esto provoca un cambio paralelo hacia arriba en la restriccin de humo. En la figura 2-5, puede verse como se agranda la regin factible. En la nueva regin factible Z = 408 ya no es el valor ptimo de la funcin objetivo, sino que su mejor valor se encuentra en el punto D. Por tanto, la solucin ptima cambia de A a D. Est cambio ocurre debido a que la restriccin de humo se cumple estrictamente en la solucin ptima del problema original. Ahora los nuevos niveles de actividad de las variables son X1 = 11 y X2 = 7.5. Esta disminucin en X1 provoca una reduccin en menos de 24 unidades en la produccin de vapor, mientras que el incremento de X2 aumenta la produccin en 30 unidades. El incremento es de 6. Entonces el nuevo valor mximo de la funcin objetivo ser de z = 408 + 6 = 414. La mejora en el valor ptimo de la funcin objetivo debido a un incremento unitario en el segundo miembro de una restriccin se denomina coste de oportunidad o precio sombra de la restriccin. En este caso, el coste de oportunidad de la restriccin de humo es 6. Qu sucedera si la emisin mxima de humo fuera de 14,15, 16 y 17 kg/h? En la figura 2.5 se puede observar cmo el rea de la regin factible se agranda por cada cambio hasta un mximo de 16. Comprueba que por cada cambio la funcin objetivo aumenta en 6. Para un incremento superior a 16 la restriccin de humo se vuelve redundante. Ahora la solucin ptima estar restringida por las restricciones del pulverizador y del azufre, as como por la de carga. Por lo tanto, el coste de oportunidad de esta restriccin es cero para valores mayores de 16.

La pregunta original requera determinar el incremento en la produccin de vapor para un cambio en el nivel permitido de humo de 12 a 15 kg/h. Este ser de 3 x 6 = 18 unidades de vapor/h. Cul es el costo de oportunidad de una restriccin que no se verifique estrictamente en la solucin ptima? Resulta claro que si una parte del recurso no se utiliza, esto es si la variable de holgura es positiva, las cantidades adicionales de ese recurso no tienen valor. Slo aumentaran la cantidad de holgura. Por lo tanto, el precio sombra de tal restriccin es cero. Determina los precios sombra de las restricciones restantes. Observar la interesante relacin entre el coste de oportunidad de una restriccin y la variable de holgura asociada a la misma. Cuando un recurso se utiliza completamente su coste .de oportunidad es, por lo general, positivo (no negativo para ser ms exactos) y su variable de holgura cero, mientras que cuando la variable de holgura es positiva el precio sombra es cero. Los precios sombra proporcionan a la gerencia una valiosa informacin acerca de los beneficios que se pueden obtener al suavizar las restricciones. Si estos beneficios superan al coste que provoca suavizar una restriccin dada, entonces tales cambios son atractivos. Figura 2.5. Anlisis de sensibilidad de los segundos miembros de las restricciones