Introduccin a la programacin lineal

1.-Introduccin
La programacin lineal se aplica a modelos de optimizacin en los que las funciones
objetivo y restricciones son estrictamente lineales. La tcnica se aplica en una amplia
variedad de casos, en los campos de agricultura, industria, transporte, economa, salud,
ciencias sociales y de la conducta, y militar.. Debido a su gran eficiencia de clculo, la
programacin lineal forma la columna vertebral de los algoritmos de solucin para otros
modelos de investigacin de operaciones, como las programaciones entera, estocstica y
no lineal.
Un problema general de investigacin de operaciones es:
Optimizar z= c1x1 +c2x2 + + cnxn
Ecuaciones de restriccin
Sujeta a :

a11x1 + a12x2 + + a1nxn b1

a21x1 + a22x2 + + a2nxn b2
am1x1 + am2x2 + +amnxn bm
xi 0 para i=1,2 , , n
Matricialmente

x1

x 2 , b
...

xn

opt z cx
s/a
Ax b
x0

b1

b2
, c c1 , c2 ,..., cn A

...

bm

a 1n
a 2n
...

a 11
a 21
...

a12
a 22
...

...
...
...

a m1

a m2

... a mn

Los valores de x que satisfacen Ax b se dicen factibles, si adems es mximo (mnimo) se

denomina solucin ptima

Problemas equivalentes
Regla 1
Maximizar cx es equivalente a minimizar cx
Minimizar cx es equivalente a maximizar cx
Ejemplo min z= 10 x1 - 4 x2
Es equivalente a max - z= -10x1 + 4x2
Regla 2
La desigualdad Ax b es equivalente a Ax - b
Y la desigualdad Ax b es equivalente a Ax - b
Ejemplo
x1 + 2x2 - 2x3 200
es equivalente a
-x1 - 2x2 + 2x3 - 200
y

Es equivalente a

20 x1 - 3x2 + x3 - 100
-20 x1+ 3x2 - x3 100

Regla 3
Toda igualdad puede descomponerse como la interseccin de dos desigualdades
Ax=b Ax b y Ax b
Ejemplo
x1 - 3x2 =5
Es equivalente a x1 - 3x2 5
y
x1 - 3x2 5
Regla 4
Toda desigualdad Ax b , puede convertirse en igualdad mediante la adicin de un
vector de holgura (slack), no negativo.
Ejemplo :
10 x1 -5 x2 8
11 x1 + 3 x2 9
Es equivalente a
10 x1 - 5 x2 + x3
= 8
11 x1 + 3 x2 +
x4 = 9
x 3 0
Donde el vector de holgura es
x 4 0
Toda desigualdad de la forma Ax b, puede convertirse en igualdad mediante la resta
de un vector llamado superfluo (surplus), no negativo.
Ejemplo
12 x1 -8 x2 1 8
10 x1 + 3 x2 6
12 x1 -8 x2 - x3
10 x1 + 3 x2 -

x4

=18
= 6

x 3 0
Donde el vector superfluo es
x 4 0
Regla 5
Una variable no restringida, o sea aquella que puede tomar toda clase de valores,
positivos, cero y negativos, puede escribirse como la diferencia de dos variables no
negativas.

Ejemplo
Sea x1 una variable no restringida, entonces x1=x2-x3
Donde x20 , x30. As si x2 > x3, entonces x1 > 0, si x2=x3 entonces x1=0, si x2< x3,
entonces x1 <0
Resolucin de problemas bsicos

Ejemplo 1

Max z=6x1+8x2
s/a
6x1+4x224
x1+2x26
-2x1+2x22
x22
x1,x2 0
1.1 SOLUCIN GRFICA
X2

L1

(2,2)

(3,1.5)
(1,2)

L3

L4

(0,1
)
L2

(0,0)

X1

(4,0)
Z=22

Z=30

Z=32

Fig1.1 Solucin grfica

L1: x2=6-(3/2)x1,
L2: x2=3-x1/2,
L3: , x2=1+x1
L4: x2=2
Si calculamos vrtice a vrtice
En (0,0) la funcin objetivo vale 0,
En (4,0) la funcin objetivo vale 24
En (2,2) la funcin objetivo vale 28
En (1,2) la funcin objetivo vale 22
En (0,1) la funcin vale 8
En (3,1.5) la funcin objetivo vale 30 ptimo despus es no factible
El ptimo se encuentra en los vrtices (y en ocasiones tambin en una arista si tienen
igual valor en los nodos extremos), por lo que al recorrerlos se obtiene el ptimo, esto
puede verse fcilmente en la grfica de un problema de dos variables, pero graficar un
modelo con ms de dos variables ya no es tan fcil
Existe mucho software para la resolucin de un problema de programacin lineal,
utilizaremos Solver de Excel, LINDO y QSB.

El mtodo SIMPLEX; que veremos ms adelante, es un algoritmo iterativo que permite

ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir
mejorando ms dicha solucin.
,
Para este problema, recorre los vrtices en el sentido que indica la figura

Fig1.2 Solucin grfica y recorrido

Recorrido, vrtice, valor

(0,0)
Z=0

(0,1)
8

1.2 SOLUCIN CON SOLVER

(1,2) (2,2) (3,1.5)

22 28

30

Fig 1.3 Cambio en las variables y solucin final

Otra organizacin de los datos del modelo y ms clara es:

Solucin

1.3 SOLUCIN CON LINDO,

Modelo

Resultado
LP OPTIMUM FOUND AT STEP

OBJECTIVE FUNCTION VALUE

1)

30.00000

VARIABLE
VALUE
X1
3.000000
X2
1.500000

REDUCED COST
0.000000
0.000000

ROW SLACK OR SURPLUS DUAL PRICES

2)
0.000000
0.500000
3)
0.000000
3.000000
4)
4.000000
0.000000
5)
0.500000
0.000000
NO. ITERATIONS=

RANGES IN WHICH THE BASIS IS UNCHANGED:

OBJ COEFFICIENT RANGES
VARIABLE
CURRENT
ALLOWABLE
ALLOWABLE
COEF
INCREASE
DECREASE
X1
6.000000
6.000000
2.000000
X2
8.000000
4.000000
4.000000
RIGHTHAND SIDE RANGES
ROW
CURRENT
ALLOWABLE
ALLOWABLE
RHS
INCREASE
DECREASE
2
24.000000
12.000000
4.000000
3
6.000000
0.666667
2.000000
4
1.000000
INFINITY
4.000000
5
2.000000
INFINITY
0.500000
1.4 SOLUCIN CON QSB

La solucin (tabla final), es: x1=3 x2=1.5 mximo, z=30

Se presentan algunas tablas de la iteracin

X1=2, x2=2, z=28

X1=3 x2=1.5 z=30

Ejemplo2 problema de Reddy Mikks (pgina 12 de libro de Taha)

Enunciado
Reddy Mikks produce pinturas para interiores y exteriores, M1 y M2. La tabla siguiente
proporciona
los datos bsicos del problema.
Ton de materia prima de
Pinturas para
P inturas para
Disponibilidad diaria
exteriores
interiores
mxima (ton)
Materia prima, M1
6
4
24
Materia prima,M2
1
2
6
Utilidad por ton (miles de $)
5
4
Una encuesta de mercado indica que la demanda diaria de pintura para interiores no
puede ser mayor que 1 tonelada ms que la de pintura para exteriores. Tambin, que la
demanda mxima diaria de pintura para interiores es de 2 toneladas.
Reddy Mikks desea determinar la mezcla ptima (la mejor) de productos para exteriores
y para interiores que maximice la utilidad diaria total.
Para el problema de Reddy Mikks, se necesita determinar las cantidades a producir de
pinturas para exteriores e interiores. As, las variables del modelo se definen como
sigue:
x1 = Toneladas producidas diariamente, de pintura para exteriores
x2 = Toneladas producidas diariamente, de pintura para interiores
Para formar la funcin objetivo, la empresa desea aumentar sus utilidades todo lo
posible. Si z representa la utilidad diaria total (en miles de dlares), el objetivo de la
empresa se expresa as:
Maximizar z = 5x1 + 4x2
A continuacin se definen las restricciones que limitan el uso de las materias primas y la
demanda. Las restricciones en materias primas se expresan verbalmente como sigue:
Segn los datos del problema,
Uso de la materia prima M1, por da = 6x1 + 4x2 toneladas
Uso de la materia prima M2, por da = 1x1 + 2x2 toneladas
Ya que la disponibilidad de las materias primas M1 y M2 se limita a 24 y 6 toneladas,
respectivamente
A continuacin se definen las restricciones que limitan el uso de las materias primas y la
demanda. Las restricciones en materias primas se expresan verbalmente como sigue:
Segn los datos del problema,
Uso de la materia prima M1, por da = 6x1 + 4x2 toneladas
Uso de la materia prima M2, por da = 1x1 + 2x2 toneladas
Ya que la disponibilidad de las materias primas M1 y M2 se limita a 24 y 6 toneladas,
respectivamente
6x1 + 4x2 24
x1 + 2x2 6
La primera restriccin de la demanda indica que la diferencia entre la produccin diaria
de pinturas para interiores x1 y exteriores x2 , no debe ser mayor que 1 tonelada, y eso
se traduce en
-x1 + x2 1
La segunda restriccin de la demanda estipula que la demanda mxima diaria de
pintura para interiores se limita a 2 toneladas, y eso se traduce como .
x2 2
Una restriccin implcita es que las variables y no pueden

asumir valores negativos. Las restricciones de no negatividad x1 0, x20 , expresan

ese requisito.
El modelo de Reddy Mikks completo es
Maximizar z = 5x1 + 4x2
Sujeto a
6x1 + 4x2 24
x1 + 2x2 6
-x1 + x2 1
x2 2
x1, x2 0
Ejercicio resolver el problema en forma grfica, con solver y Lindo.
Ejemplo 3: Solucin de un modelo de minimizacin (Taha)
Problema de la dieta
En Granjas Modelo se usa diariamente un mnimo de 800 libras (lb) de un alimento
especial, que es una mezcla de maz y soya, con las composiciones siguientes:
lb por lb de alimento
Alimento
Protenas
Fibras
Costo ($/lb)
Maz
0.09
0.02
0.30
Soya
0.60
0.06
0.90
Las necesidades dietticas del alimento especial son un mnimo de 30% de protenas y
un mximo de 5% de fibras. Granjas Modelo desea determinar las proporciones de
alimento que produzcan un costo diario mnimo.
Como la mezcla de alimentos consiste en maz y soya, las variables de decisin del
modelo se definen como sigue:
x1 = lb de maz en la mezcla diaria
x2 = lb de soya en la mezcla diaria
La funcin objetivo trata de minimizar el costo (en dlares) diario total de la mezcla de
alimentos, y en consecuencia se expresa como sigue:
minimizar z = 0.3x1 + 0.9x2
Las restricciones del modelo reflejan la cantidad diaria necesaria y los requerimientos
dietticos. Como Granjas Modelo necesita un mnimo de 800 lb diarias de alimento, la
restriccin
correspondiente se puede expresar como sigue:
x1 + x2 800
En cuanto a la restriccin diettica de necesidades de protena, la cantidad de protena
que
contienen x1 lb de maz y x2 lb de soya es (0.09x1 + 0.6x2) lb. Esta cantidad debe ser
cuando
menos igual al 30% de la mezcla total de alimentos, (x1 + x2) lb; esto es
0.09x1 + 0.6x2 0.3(x1 + x2)
De manera similar, la restriccin de la fibra se define como
0.02x1 + 0.06x2 0.05(x1 + x2)
las restricciones se simplifican agrupando todos los trminos en x1 y x2 y pasndolos al
lado izquierdo de cada desigualdad, para que slo quede una constante en el lado
derecho.
As, el modelo completo viene a ser

Minimizar z = 0.3x1 + 0.9x2

x1 + x2 800
0.21x1 - 0.30x2 0
0.03x1 - 0.01x2 0
x1 , x2 0
Resulvalo grficamente, por Solver y por Lindo

Vertices (200,600) y (470.5882, 329.4117)

Observe que si fuera de mximo sera no acotado.

LP OPTIMUM FOUND AT STEP

OBJECTIVE FUNCTION VALUE

1)

437.6471

VARIABLE
VALUE
X1
470.588226
X2
329.411774

REDUCED COST
0.000000
0.000000

ROW SLACK OR SURPLUS DUAL PRICES

2)
0.000000
-0.547059
3)
0.000000
1.176471
4)
10.823529
0.000000
NO. ITERATIONS=
Con Solver de Excel

Si la funcin objetivo cambia a 0.8x1+0.8x2

Se tiene
x1

x2
200

r1
600

r2
800

r3
-138

min
0

640

Ambos vrtices (200,600) y (470.5882, 329.4117) son ptimos, en realidad hay infinitos
ptimos (toda la recta)

Problema de programacin (horarios de autobuses)

La ciudad de Progreso estudia la factibilidad de un sistema de autobuses para
transportacin masiva que reduzca el transporte urbano en auto particular y en
consecuencia alivie el problema del esmog. El estudio busca determinar la cantidad
mnima de autobuses que satisfaga las necesidades de transporte. Despus de reunir la
informacin necesaria, el ingeniero de trnsito observa que la cantidad mnima de
autobuses vara con la hora del da, y que la cantidad necesaria de vehculos se puede
aproximar con valores constantes durante intervalos consecutivos de 4 horas. La figura
muestra la cantidad de autobuses en funcin de la hora del da lo que resume las
determinaciones del ingeniero. Para hacer el mantenimiento diario a cada autobs, ste
puede trabajar 8 horas sucesivas diariamente.

Modelo
Determinar la cantidad de autobuses en funcionamiento durante cada turno (variables)
que satisfaga la demanda mnima (restricciones) y minimice al mismo tiempo la
cantidad de autobuses en operacin (objetivo).
Sabemos que cada autobs debe trabajar durante 8 horas, pero no sabemos cundo debe
comenzar un turno.
Si seguimos un horario normal de tres turnos (8:01 A.M. a 4:00 P.M., 4:01 P.M. a 12:00
media noche, y 12:01 A.M. a 8:00 A.M.) y suponemos que x1, x2 y x3 sean las
cantidades de autobuses que inician en el primero, segundo y tercer turno, podremos
ver, en la parte superior de la figura que x1 10, x2 12 y x3 8. La cantidad mnima
correspondiente de autobuses diarios es x1 + x2 + x3 = 10 + 12 + 8 =30.
Esta solucin slo es aceptable si los turnos deben coincidir con el horario normal de
tres turnos. Sin embargo, sera mejor dejar que el proceso de optimizacin elija la
mejor hora de inicio de un turno. Una forma razonable de hacerlo es dejar que un
turno pueda comenzar cada 4 horas. La parte inferior de la figura muestra este concepto,
y se ven turnos traslapados que pueden comenzar a las 12:01 A.M., 4:01 A.M., 8:01
A.M., 12:01 P.M., 4:01 P.M. y 8:01 P.M.; cada turno abarca 8 horas consecutivas.
Entonces se pueden definir las variables como sigue:
x1 _ cantidad de autobuses que comienzan a las 12:01 A.M.
x2 _ cantidad de autobuses que comienzan a las 4:01 A.M.
x3 _ cantidad de autobuses que comienzan a las 8:01 A.M.
x4 _ cantidad de autobuses que comienzan a las 12:01 P.M.
x5 _ cantidad de autobuses que comienzan a las 4:01 P.M.
x6 _ cantidad de autobuses que comienzan a las 8:01 P.M.
El modelo matemtico se escribe en la siguiente forma:
Minimizar z =x1 + x2 + x3 + x4 + x5 + x6
sujeta a

x1 + x6 4 (12:01 A.M. - 4:00 A.M.)

x1 + x2 8 (4:01 A.M. - 8:00 A.M.)
x2 + x3 10 (8:01 A.M. - 12:00 medio da)
x3 + x4 7 (12:01 P.M. - 4:00 P.M.)
x4 + x5 12 (4:01 P.M. - 8:00 P.M.)
x5 + x6 4 (8:01 P.M. - 12:00 P.M.)
xj 0, j = 1, 2, , 6
El resultado que muestra la figura siguiente indica que se necesitan 26 autobuses para
satisfacer la demanda.

.
1)

26.00000

VARIABLE
VALUE
X1
0.000000
X2
8.000000
X3
2.000000
X4
12.000000
X5
0.000000
X6
4.000000

REDUCED COST
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000

ROW SLACK OR SURPLUS DUAL PRICES

2)
0.000000
-1.000000
3)
0.000000
0.000000
4)
0.000000
-1.000000
5)
7.000000
0.000000
6)
0.000000
-1.000000
7)
0.000000
0.000000
NO. ITERATIONS=

RANGES IN WHICH THE BASIS IS UNCHANGED:

OBJ COEFFICIENT RANGES
VARIABLE
CURRENT
ALLOWABLE
ALLOWABLE
COEF
INCREASE
DECREASE

X1
X2
X3
X4
X5
X6
ROW
2
3
4
5
6
7

1.000000
1.000000
1.000000
1.000000
1.000000
1.000000

0.000000
0.000000
0.000000
0.000000
INFINITY
0.000000

0.000000
0.000000
0.000000
1.000000
0.000000
0.000000

RIGHTHAND SIDE RANGES

CURRENT
ALLOWABLE
ALLOWABLE
RHS
INCREASE
DECREASE
4.000000
8.000000
0.000000
8.000000
2.000000
8.000000
10.000000
INFINITY
2.000000
7.000000
7.000000
INFINITY
12.000000
INFINITY
7.000000
4.000000
0.000000
4.000000

ANLISIS GRFICO DE SENSIBILIDAD

Un modelo de programacin lineal es una foto instantnea de una situacin real en la
que los parmetros del modelo (coeficientes de la funcin objetivo y de las
restricciones) asumen valores estticos. Para aumentar la aplicacin de la programacin
lineal en la prctica, se necesita agregar una dimensin dinmica que investigue el
impacto que tiene hacer cambios en los parmetros del modelo (coeficientes de la
funcin objetivo y de las restricciones) sobre la solucin ptima. Aeste proceso se le
llama anlisis de sensibilidad, porque estudia la sensibilidad de la solucin ptima
respecto a los cambios que se hagan en el modelo.
En esta seccin se investigarn dos casos de anlisis de sensibilidad basados en la
solucin grfica de la programacin lineal: 1) cambios en los coeficientes de la funcin
objetivo y 2) cambios en el lado derecho de las restricciones. Aunque la presentacin es

elemental y su alcance es limitado, proporciona perspectivas fundamentales del

desarrollo del anlisis de sensibilidad, ms adelante estudiaremos este tpico en
profundidad.
Cambios en los coeficientes de la funcin objetivo
La funcin objetivo en general en un problema de programacin lineal con dos variables
se puede escribir como sigue:
Maximizar o minimizar z = c1x1 + c2x2
Los cambios de los coeficientes c1 y c2 harn cambiar la pendiente de z y en
consecuencia, posiblemente, el nodo o vrtice . Hay un intervalo de variacin, tanto
para c1 como para c2, dentro del cual el ptimo del momento permanece sin cambio. En
forma especfica nos interesa determinar el intervalo de optimalidad de la relacin
donde se mantenga sin cambio la solucin ptima del momento. En el siguiente ejemplo
se ilustra el procedimiento.
Ejemplo para problema 1, (original)
Restriccin 1 6x1 + 4x2 = 24
Restriccin 2
x1 + 2x2 = 6
Columnas
6
4
1
2
Z=6x1 + 8x2
Si c1=60 (4/6) (c1/6) (2) 4 c1 12
Si c2=80 (1/2) (c1/8) (6/4) 4 c1 12
Comprobarlo con LINDO y QSB

Ejemplo
En el modelo de Reddy Mikks , la solucin ptima en C proporciona el valor mximo
de z = 5x1 + 4x2. Si se cambia la solucin objetivo a z = c1x1 + c2x2, la solucin en C

permanecer ptima mientras la pendiente de z quede entre las pendientes de las dos
lneas que se cruzan en C, que son 6x1 + 4x2 = 24 (materia prima, M1) y
x1 + 2x2 = 6 (materia prima, M2). Esta relacin se puede expresar algebraicamente
como
Si
o

si

c1 0
c2 0

4 c2 2

6
c1 1
1
c1 6

2 c2 4

En la primera condicin, c1 0 significa que la recta de la funcin objetivo no puede

ser horizontal. De igual modo, en la segunda condicin c2 0 significa que z no puede
ser vertical.
Como se puede ver en la figura siguiente el intervalo de optimalidad en este modelo
(definido por las dos rectas que se cruzan en C) no permite que la funcin objetivo
z = c1x1 + c2x2 sea una lnea horizontal o vertical. El resultado es que se aplica a este
ejemplo cada una de las dos condiciones dadas. Para los casos en los que c1 y c2 pueden
asumir valores cero, el intervalo de (c1/c2) y (c2/c1)) debe dividirse en dos conjuntos,
en los que los denominadores no puedan ser cero.
Lo que indican las condiciones (c1/c2) y (c2/c1) para y es que mientras que esas
relaciones estn dentro de los lmites especificados, la solucin ptima permanece sin
cambio en C. Obsrvese que si sucede que z = c1x1 + c2x2 coincide con x1 + 2x2 = 6,
pueden presentarse ptimos alternativos en cualquier lugar del segmento de recta CD.
De igual manera, si coincide con 6x1 + 4x2 = 24, todos los puntos del segmento de recta
BC son ptimos alternativos. Sin embargo, esta observacin no cambia el hecho que C
siga siendo ptimo en ambos casos.
Se pueden usar las condiciones dadas para determinar el intervalo ptimo para uno de
los coeficientes cuando el otro permanece con su valor original, en z = 5x1 + 4x2. As,
dado c2 = 4, el intervalo ptimo asociado para c1 se determina a partir de la condicin
(1/2) (c1/c2) (6/4) sustituyendo c2 = 4, da 2 c1 6 . En forma parecida, dado
c1 = 5, la condicin dar como resultado (10/3) c2 10 .

Cambio en disponibilidad de recursos

En los modelos de programacin lineal, las restricciones representan el uso de recursos
limitados, ya sea en forma directa o indirecta. En este caso, se puede imaginar que el
lado derecho representa lmites de disponibilidad de los recursos. En esta seccin se
investigar la sensibilidad de la solucin ptima a cambios en la cantidad de los
recursos disponibles.
Ejemplo
Para el modelo de Reddy Mikks, se muestra que el ptimo actual est en C, y es la
interseccin de las rectas asociadas con las materias primas M1 y M2. Cuando cambia la
disponibilidad de M1 (aumenta o disminuye respecto a su valor actual de 24 toneladas),
y si M2 = 6 toneladas, la solucin ptima en el punto C se deslizar a lo largo del
segmento de recta DG. Todo cambio en M1 fuera del intervalo de este segmento har
que el punto C (la interseccin de las rectas relacionadas con M1 y M2) no sea factible.
Por esta razn se dice que los puntos extremos D = (2, 2) y G = (6, 0) limitan al
intervalo de factibilidad de M1. As
Cantidad de M1 en D = 6x1 + 4x2 = 6 * 2 + 4 * 2 = 20 toneladas
Cantidad de M1 en G = 6x1 + 4x2 = 6 + 6 + 4 * 0 = 36 toneladas
En consecuencia, si M2 = 6, el intervalo de factibilidad para M1 es
20 M1 36
Este resultado indica que M1 puede bajar hasta 4 toneladas o aumentar hasta 12
toneladas y seguir garantizando que el punto de la solucin ptima seguir siendo la
interseccin de las

Rectas asociadas con M1 y M2. En realidad si M2=6, la solucin general asociada se

obtiene en funcin de M1, como sigue_
x1 = (1/4) M1-3
x2=-(1/8)M1+(9/2)
20 M1 36

a continuacin veamos la materia prima M2. La figura siguiente muestra que el

intervalo de factibilidad para M2 ( si M1 es 24 toneladas) est limitado por los extremos
B y H, siendo B=(4,0) y H= (8/3, 2), donde el punto H se define por la interseccin de
las rectas ED y BC. As
Cantidad de M2 en B=x1+2x2=4+2*0=4 toneladas
Cantidad de M2 en h=(8/3) + 2*2=(20/3) toneladas
Entonces mientras M1=24 el intervalo de factibilidad de M2 es

4M2(20/3)
De nuevo se puede verificar que si M1=4
x1 = - (1/2) M2-6
x2=(3/4)M1- 3
4 M2 (20/3)

Valor por unidad de un recurso

La figura siguiente muestra que se puede concebir a un modelo de programacin lineal
como uno de entrada y salida, o de datos y resultados, en el que los recursos limitados
representan los datos y el valor de la solucin objetivo representa el resultado. Una
consecuencia til de este modelo es determinar cmo los cambios en sus datos
(recursos) pueden influir sobre su resultado (el valor objetivo). Esa medida se puede
obtener como subproducto de los clculos del intervalo de factibilidad que se
describieron anteriormente. En forma especfica, se trata de determinar el valor por
unidad de un recurso, que se define como la tasa de cambio en el valor de la funcin
objetivo debido a cambios en la cantidad disponible de un recurso.
Si yi representa el valor de cada unidad del recurso i, la frmula correspondiente para
calcular esta medida es
Yi= Cambio en el valor de z correspondiente al intervalo factible del recurso i
Intervalo factible del recurso i
Para ilustrar esta nueva medida usaremos el modelo de Reddy Mikks

.La figura del cambio de M2, el intervalo factible para M1 es 20 M1 36 y est

definido por los puntos D y G. Por consiguiente
Y1= (cambio en z de D a G) /(cambio en M1 de D a G
Como D=(2,2) y G=(6,0) entonces

Z en D = 5*2 + 4*2 = 18 (miles de dlares)

Z en G = 5*6 + 4*0 = 30 (miles de dlares)
Entonces y1=(30-18)/(36-20) =0.75 ( miles de dlares por tonelada)
El resultado indica que un cambio de 1 tonelada en M1, en el intervalo 20 M136,
har cambiar el valor ptimo en z=$750.
A continuacin consideraremos la materia prima M2. Su intervalo de factibilidad es
4 M2 (20/3) y est limitado por los puntos de la figura anterior. Entonces
Y1=(cambio en z de B a H) / (cambio de M2 de B a H)
Donde
z en B = 5x1+4x2=5*4+4*0 = 20 (miles de dlares)
z en H = 5*(8/3) + 4*2= (64/3) (miles de dlares)
En consecuencia
y2 =((64/3)-20) / ((20/3) -4)= 0.5 ( miles de dlares por tonelada)
En este caso el resultado indica que un aumento o disminucin de una tonelada de M1,
en el intervalo 4 M1 (20/3) aumenta o disminuye la utilidad en $500.