ESCUELA SUPEROR DE FORMACION MAESTROS

‘’U.A. FILADELFIA’’

PROGRAMACIÓN
LINEAL AVANZADA

Integrantes:
Chirinos Yujra Diego Armando
Pajarito Chipana Florentino
Kalamani Huaygua Ana
Mamani Alanoca Eddy
Quispe Churqui Juan Carlos

GESTIÓN 2021

1
ÍNDICE Página
RESUMEN………………………………………………………………………….3

INTRODUCCIÓN…………………………………………………………….…….4

1. ¿JUANQUIS?............................................................................................
2. Método del Simplex Revisado…………………………………………….......
3. Dualidad en Programación Lineal Avanzada…………..……………….….
4. Diferencia entre lenguaje máquina y lenguaje ensamblador……………...
5. Programación Lineal Paramétrica………………………………………....…
6. Ejemplo aplicativo………………………………………………………………
7. Conclusión……………………………………………………………………….

2
 RESUMEN

El presente trabajo se hace a partir de la necesidad de reunir información

necesarios para Profundizar y hacer conocer sobre los métodos aplicados en
programación lineal. El mismo constituye por lo tanto un material de apoyo a la
Unidad de Formación - Programación Lineal.

Con la elaboración de este material se intenta reunir los elementos esenciales que
precisamos conocer como futuros maestros. De Igual forma se explica el uso de
nuevas técnicas.

Finalmente se incentiva la creatividad del estudiante en formación demostrando la

aplicabilidad de programación lineal avanzado en la vida cotidiana dando
ejemplos aplicativos con el ánimo de expandir los conocimientos sobre los
mismos.

3
 INTRODUCCIÓN

El presente trabajo, con un enfoque de aprendizaje, se apoyará en uno de los

logros más revolucionarios en la historia de la programación lineal. Este trabajo
puede constituir un material de apoyo a la Unidad de formación – Programación
Lineal.

El problema de la resolución de un sistema lineal de inecuaciones se remonta, al

menos, a Joseph Fourier, después de quien nace el método de eliminación de
Fourier-Motzkin. La programación lineal se plantea como un modelo matemático
desarrollado durante la Segunda Guerra Mundial para planificar los gastos y los
retornos, a fin de reducir los costos al ejército y aumentar las pérdidas del
enemigo. Se mantuvo en secreto hasta 1947. En la posguerra, muchas industrias
lo usaron en su planificación diaria. Los fundadores de la técnica son George
Dantzig, quien publicó el algoritmo simplex, en 1947, John von Neumann, que
desarrolló la teoría de la dualidad en el mismo año, y Leonid Kantoróvich, un
matemático ruso, que utiliza técnicas similares en la economía antes de Dantzig y
ganó el premio Nobel en economía en 1975. En 1979, otro matemático ruso,
Leonid Khachiyan, diseñó el
llamado Algoritmo del elipsoide, a través del cual demostró que el problema de lap
rogramación lineal es resoluble de manera eficiente, es decir, en
tiempopolinomial.2 Más tarde, en 1984, Narendra Karmarkar introduce un nuevo
método del punto interior para resolver problemas de programación lineal, lo que
constituiría un enorme avance en los principios teóricos y prácticos en el área.

4
1. ¿SU PARTE DE JUANQUIS?

5
2. Método del Simplex Revisado

El método revisado o método del simplex con multiplicadores: Es un método que conserva
las mismas características que el método simplex:

1) Las variables de decisión tienen que ser mayor a cero

2) Las restricciones tienen que tener la forma ≤

La diferencia entre el método simplex normal y el revisado es que la mayoría de los

números que aparecen en la tabla del método normal no se usan realmente en las
iteraciones, por lo cual en el método revisado solo se calculan los valores necesarios para
encontrar la solución óptima a través de matrices.

Sin embargo, este método requiere muchas operaciones de matrices y eja de estar tan
estructurado como el método simplex, por lo cual es muy posible confundirse durante las
interacciones.

Max Z = Cx

Ax = b

X >= 0

Dónde:

“C” es una vector de n filas cuyos elementos son todos los valores de la función objetivo.

“X” que es un vector de n columnas cuyos valores son todas las variables de x que
aparecen en la función objetivo

“A” es una matriz que representa a todos los coeficientes que se encuentran del lado
izquierdo de las igualdades, incluyendo a las variables de holgura. 

“b” es un vector que tiene todas las equivalencias de las igualdades en el lado izquierdo,

por lo cual el número de columnas de A y  son iguales.

Pasos a seguir:

6
  Interacción # X B ,C B , B−1
⋕

 Prueba de optimalidad : Verificar que la solución planteada sea optima (de cada

variable no básica) z j −c j=C B B−1 P i−Ci

 Prueba de factibilidad: Saber cual variable es la que sale de las variables básicas.

XB
θ=min
{ a Xi
∨a Xi > 0
}
MODELO FORMA MATRICIAL

Maximizar o minimizar Maximizar o minimizar

Z=c 1 x 1 +c 2 x 2 +… … c n x n x1

Sujeto a
a 11 x 1 +a12 x 2 +a 1n x 1 n=b1
()
Z=( c 1 c2 c 3 ) x 2
x3

Sujeto a
a m 1 x 1+ am 2 x2 +a mn x mn=b 1
a 11 a12 a1 n x 1
xi ≥ 0
( ⋮ ⋮ ⋮ x2 = 1
am 1 a m 2 am 3 x 3
b
)( ) ( )
b2

Maximizar o minimizar

Z=CX
AX=b

Ejemplo

FORMA ESTÁNDAR
Maximizar

Maximizar
Z=5 x1 + 4 x 2

Sujeto a : Z=5 x1 + 4 x 2+ 0 s1 +0 s2 +0 s3 +0 s 4

6 x 2+ 4 x 2 ≤ 24 Sujeto a :

x 1+ 2 x 2 ≤ 6
6 x 1+ 4 x 2 +s 1=24
−x 1+ x2 ≤1
x 1+ 2 x 2 +s 2=6
x2 ≤ 2 7−x
1 + x2 + s3 =1

x + s =2
 FORMA ESTÁNDAR FORMA MATRICIAL:
Maximizar Maximizar
Z=5 x1 + 4 x 2+ 0 s1 +0 s2 +0 s3 +0 s 4 x1

()
x2
Sujeto a : s
Z=( 5 4 0 0 0 0 ) 1
s2
6 x 1+ 4 x 2 +s 1=24
s3
x 1+ 2 x 2 +s 2=6 s4
−x 1+ x2 + s3 =1 Sujeto a :
x 2+ s 4=2
x1

()
6 4 10 x2 24
x 1 ; x 2 ; s1 ; s 2 ; s 3 ; s4 ≥ 0
( ) ()
1 200
−1 1 0 0
0 1 01
s1
s2
s3
s4
= 6
1
2

s1
s

()
X B= 2 C B=( 0 0 0 0 ) B−1=?
s3
s4

1000

( )
B=( Ps 1 P s 2 Ps3 P s 4 ) = 0 1 0 0
0010
0001

1000
B = 0100
−1
0010
0001
( )
1 0 0 0 24 24
X B=B−1 b=¿
0 1
( )( ) ( )
0
0010 1
0001 2
0 6 = 6
1
2

8
 Prueba de optimalidad (variables no básicas)

¿Cuáles son mis variables no básicos? x 1 ; x 2

¿
¿

Prueba de factibilidad (variable entrante)

XB
θ=min
{ a Xi
∨a Xi > 0
}
1000 6 6
α x 1=B−1 Px 1=¿
0 1 0 0
( )( ) ( )
1 = 1
0 0 1 0 −1 −1
0001 0 0

θ=min {246 61 10 20 }=min {4 6 0 0}

6
¿Cuál es la variable que sale?………… s1=
1
−1
0
()
¿Cuál es la variable que entra?............. x 1=min { 4 6 0 0}

ITERACIÓN…………..1

x1

()
s
X B= 2 C B=( 5 0 0 0 ) hallar de nuevo nuestra matriz inversa B−1=¿
s3
s4

Calculando la matriz inversa

()
α x 1= 1
−1
0 9

θ=min { 4 6 0 0 }
 Calculando la matriz B−1siguiente

B−1 −1
siguiente =ℇ Banterior

1 /6 0 0 0 1000 1/6 0 0 0
B−1
siguiente
( )( ) ( )
−1 /6 1 0 0
1 /6 0 1 0
0 /6 0 0 1
0 1 0 0 =ℇ B−1
0010
0001
anterior
−1/6 1 0 0
1/6 0 1 0
0/6 0 0 1

x1 1 /6 0 0 0
s
s3
s4
() ( )
X B= 2 C B=( 5 0 0 0 ) B−1 = −1 /6 1 0 0
1 /6 0 1 0
0 /6 0 0 1

1 /6 0 0 0 24 4

( )( ) ( )
X B=B−1 b= −1 /6 1 0 0 6 = 2
1 /6 0 1 0 1
0 /6 0 0 1 2
5
2

()
Z=C B X B =( 5 0 0 0 ) 2 =¿ 20
Prueba de optimalidad (variables
5
2
no básicas)

¿Cuáles son mis variables no básicos? x 1 ; x 2

( z x2 −c x 2 ; z s 1 −c s 2 )=C B B−1 Pi −Ci

1/6 0 0 0 4 1
( z x2 −c x 2 ; z s 1 −c s 1) =( 5 0 0 0 )

Prueba de factibilidad (variable entrante)

( )( )
−1/6 100
1/6 0 1 0
0/6 0 0 1
2
5
2
0 −( 4
0
0
0 )=(−2/3 5/6 )

XB
θ=min
{ a Xi
∨a Xi> 0
}
1/6 0 0 0 4 2/3
α x 2=B−1 Px 2=¿
−1
( )( ) ( )
/6 1 0 0
1/6 0 1 0
0 /6 0 0 1
2 = 4 /3
1
1
5/3
1
10
 2/3
¿Cuál es la variable que sale?………… s2=
4/3
5 /3
1
()
¿Cuál es la variable que entra?............. x 2=min { 6 1.5 3 2 }

ITERACIÓN…………..2

x1
x

()
X B= 2 C B=( 5 4 0 0 ) hallar de nuevo nuestra matriz inversa B−1 =¿
s3
s4

Calculando la matriz inversa

2 /3
x2

()
α = 4 /3
5 /3
1

θ=min { 6 1.5 3 2 }

−2 /3

()
4/3
1 1 −1/2 0 0

−5 /3
4/3
−1
( )
ε = 4 / 3 ℇ= 0 3/4 0 0
0 −5/4 1 0
0 −3/4 0 1

4/3

Calculando la matriz B−1siguiente

B−1 −1
siguiente =ℇ Banterior

11
1 −1/2 0 0 1/6 0 0 0 1 /4 −1 /2 0 0
0 3 /4 0 0 −1/6 1 0 0 =ℇ B−1 −1/8 3/ 4 0 0
B−1
 1/4 −1/2 0 0 24 3
X B=B b= −1/8
−1 3
(
/4 0 0
3 /8 −5/4 1 0 1
1 /8 −3/4 0 1 2
6 = 3/2
5/2
1/5
)( ) ( )
3

5/2
1/5
()
Z=C B X B =( 5 4 0 0 ) 3/2 =21

Prueba de optimalidad (variables no básicas)

¿Cuáles son mis variables no básicos? x 1 ; x 2

( z s 1 −c s 1 ; z s 2 −c s 2 )=C B B−1 Pi −Ci

1 /4 −1 /2 0 0 1 0
( z s 1 −c s 1 ; z s 2
(
−c s 2 )=( 5 4 0 0 ) −1/8 3/4 0 0
3/8 −5/4 1 0
1/8 −3/4 0 1
)( )
0
0
0
1 −( 0 0 )= (3 /4 1/2 )
0
0

La solución es óptima…..?
R.- Sí, si lo es.

¿Cuál es la solución?
Z=¿21
X 1 =3

3
X2=
2
12
X 3 =0
3. MÉTODO DE LAS DOS FASES

En muchas ocasiones nos encontraremos con modelos donde el conjunto de

soluciones factibles no consideran al origen como una de ellas, por lo cual será
imposible utilizar el método simplex.

Región factible donde el origen no forma parte del conjunto de soluciones

13
Para este tipo de casos se han creado muchas metodologías que buscan resolver
este tipo de problemáticas buscando la solución a través de diversos procesos.
Una de estas alternativas es el método de las dos fases, el cual, como su nombre
lo indica, trabaja por medio de 2 fases o procedimientos, con el objetivo de
encontrar primeramente una solución factible inicial y después pasar a resolver el
modelo a través del método simplex. Para utilizar este método se deber tener el
modelo en su forma ampliada, las variables de decisión deben de ser reales y
mayores a cero.

Las fases del método se describen a continuación:

Fase 1 (Se busca la primera Solución básica factible):

Consideramos un modelo de programación lineal que se encuentra en su forma

canónica, este modelo debe de ser transformado en su forma ampliada
agregando variables artificiales en las restricciones donde el origen no es una
solución.

Ahora se cambia la función objetivo por una función de minimización donde las
variables de decisión son las variables artificiales, pero tomamos el conjunto de
restricciones de la función original.

Procedemos a resolver el modelo que tenemos planteado hasta que se de uno de

los siguientes casos: las variables artificiales salen de la base o la función objetivo
obtiene el valor de cero. Si no ocurre ninguno, entonces el modelo no tiene
solución

Fase 2 (Resolvemos el modelo con la nueva solución encontrada):

Eliminamos las variables artificiales de las restricciones, pero conservamos los

cambios que se dieron durante la fase 1.

Regresamos a la función objetivo original y resolvemos el modelo con los cambios

que se dieron en las restricciones durante la fase 1.

14
En muchos libros se presenta el procedimiento para resolver el modelo como dos
tablas diferentes, una para la función objetivo original y otra para la cambiada,
pero en estos ejercicios se presentan como una sola tabla donde se hacen
operaciones con las dos funciones objetivo al mismo tiempo.

4. DUALIDAD EN PROGRAMACION LINEAL AVANZADA

Asociado a cada problema lineal existe otro problema de programación lineal denominado
problema dual (PD), que posee importantes propiedades y relaciones notables con
respecto al problema lineal original, problema que para diferencia del dual se denomina
entonces como problema primal (PP).

Las relaciones las podemos enumerar:

a. El problema dual tiene tantas variables como restricciones tiene el programa primal.
b. El problema dual tiene tantas restricciones como variables tiene el programa primal
c. Los coeficientes de la función objetivo del problema dual son los términos
independientes de las restricciones o RHS del programa primal.
d. Los términos independientes de las restricciones del dual son los coeficientes de la
función objetivo del problema primal.
e. La matriz de coeficientes técnicos del problema dual es la traspuesta de la matriz
técnica del problema primal.
f. El sentido de las desigualdades de las restricciones del problema dual y el signo de
las variables del mismo problema, dependen de la forma de que tenga el signo de las
variables del problema primal y del sentido de las restricciones del mismo problema.
(Ver tabla de TUCKER)
g. Si el programa primal es un problema de maximización, el programa dual es un
problema de minimización.
h. El problema dual de un problema dual es el programa primal original.

15
Entonces podemos decir que el problema dual usa exactamente los mismos parámetros
que el problema primal, pero en diferentes lugares.

Para recalcar esta comparación, observamos ahora estos mismos problemas en la

notación matricial, Donde c y y son vectores fila y b y x son vectores columna.

PROBLEMA PRIMAL PROBLEMA DUAL

Maximizar: Z=cx ,
Minimizar: W = yb ,
Ax ≤ b
Sujeta a yA ≥c
x ≥0 Sujeto a
y≥0

Importancia de la teoría de Dualidad:

Permite resolver problemas lineales donde el número de restricciones es mayor que el

número de variables.

Gracias a los teoremas que expondremos a continuación la solución de unos de los

problemas (primal o dual) nos proporciona de forma automática la solución del otro
programa.

¿Qué significado tiene su solución?

La dualidad permite realizar importantes interpretaciones económicas de los problemas de

programación lineal.

¿La solución del dual se puede obtener desde el primal?

La dualidad permite generar métodos como el método dual del simplex de gran
importancia en el análisis de pos optimización y en la programación lineal paramétrica.

Tabla primal-dual:

El modelo dual de un problema de programación lineal consiste en una instancia

alternativa de modelamiento que nos permite rescatar la información del problema original
conociendo como modelo primal. Es suficiente con resolver uno de ellos primal o dual,
para poder obtener la solución óptima y valor óptimo del problema equivalente primal o
dual según sea el caso.

MÁXIMO MÍNIMO

16
 ≤ Si
= No
Si ≥
No =

Ejemplo 1:
PROBLEMA PRIMAL PROBLEMA DUAL

Maximizar: Z=3 x+6 y +2 z Minimizar: W =2 m+10 n

3 x +4 y + z ≤2 3 m+ n=3
Sujeta a x +2 y +3 z=10 4 m+ 2n ≥ 6
Sujeto a
y≥0 m+3 n=2
m≥ 0

Ejemplo 2:
Obtener el dual del:
PROBLEMA PRIMAL PROBLEMA DUAL

Maximizar: Z=3 x+2 y

Minimizar: W =4 m+n ± 7 p
x−4 y =4
3 x−2 y ≤1 m+3 n+5 p ≥3
Sujeta a
5 x−8 y ≤−7 Sujeto a −4 m−2 n−8 p=2
x≥0 n , p ≥0

Ejemplo 3: aplicación de problema primal y dual:

1. Una fábrica produce televisores y computadoras.

2. Los que necesitan pasar en la sección de montaje y acabado que cuentan con 120
y 180 horas disponibles.
3. Las computadoras necesitan de 3 horas en ambas secciones.
4. Los televisores necesitan 3 horas en montaje y 6 horas en acabado.
5. La fábrica obtiene un beneficio de Bs. 300 por fabricar computadoras y Bs. 400 por
televisores.
6. ¿Qué cantidad de cada producto se deberá fabricar para maximizar la ganancia?

17
 televisores “X” computadoras “Y” Disponibilidad
Montaje 3 3 120
Acabado 6 3 180

PROBLEMA PRIMAL PROBLEMA DUAL

Maximizar: Z=400 x +300 y

Minimizar: W =120 m+180 n
3 x +3 y ≤ 120
6 x +3 y ≤ 180 3 m+6 n ≥ 400
Sujeta a
x≥0 Sujeto a 3 m+3 n ≥ 300
y≥0 m ,n , ≥ 0

Resolver por método simplex por tablas el problema dual:

En ecuación el problema dual:
3 m+ 6 n+ s1=400
Sujeto a 3 m+3 n+ s2=300
m ,n , p ≥ 0

Variables de
Variables de decisión Valores
Base holgura
Solución
m n S1 S2
S1 3 6 -1 0 400 400/6=66.667
S2 3 3 0 -1 300 300/3=100
Z -120 -180 0 0 0
A la fila de pivote horizontal multiplicar por 1/6 para el valor principal de pivote se
convierta en 1

Variables de
Variables de decisión Valores
Base holgura
Solución
m n S1 S2
200/
S1 1/2 1 -1/6 0
3
S2 3 3 0 -1 300 -3R1+R2
Z -120 -180 0 0 0 180R1+R3

Operaciones auxiliares:
Para el R2 Para el R3
-3(1/2)+3=3/2 180(1/2)-120=-30
-3(1)+3=0 180(1)-180=0
-3(-1/6)+0=1/2 180(-1/6)-0=-30
-3(0)-1=-1 180(0)+0=0

18
 -3(200/3)+300=100 180(200/3)+0=12000
Tenemos el siguiente cuadro realizando algunas operaciones básicas de la
aritmética.

Variables de
Variables de decisión Valores
Base holgura
Solución
m n S1 S2
S1 1/2 1 -1/6 0 200/3 (200/3)/(1/2)=133.333
S2 3/2 0 1/2 -1 100 100/(3/2)=66.66667
Z -30 0 -30 0 12000
Multiplicar 2/3 para el valor principal del pivote se convierta en 1

Variables de
Variables de decisión Valores
Base holgura
Solución
m n S1 S2
S1 1/2 1 -1/6 0 200/3 -1/2*R2+R1
S2 1 0 1/3 -2/3 200/3
Z -30 0 -30 0 12000 30* R2+R3
Operaciones auxiliares:
Para el R1 Para el R3
-1/2(1)+1/2=0 30(1)-30=0
-1/2(0)+1=1 30(0)+0=0
-1/2(1/3)-1/6=-1/3 30(1/3)-30=-20
-1/2(-2/3)+0=1/3 30(-2/3)+0=-20
-1/2(200/3)+200/3=100/3 30(200/3)+12000=14000

Por ultimo tenemos la tabla final.

Variables de
Variables de decisión Valores
Base holgura
Solución
m n S1 S2
S1 0 1 -1/3 1/3 100/3
S2 1 0 1/3 -2/3 200/3
Z 0 0 -20 -20 14000

Por lo tanto: m=200/3; n=100/3; W=14000

Análisis económico del problema primal:

Para maximizar el máximo ganancia la fábrica debe fabricar 20 televisores y 20

computadoras y así obteniendo de cada unidad una ganancia de 400 bs por unidad de
televisores y 300 bs por unidad de computadoras así obteniendo una ganancia de
14000bs en general.

Ejemplo 4:
PROBLEMA PRIMAL PROBLEMA DUAL

19
 Maximizar: Z=40 x +60 y
Minimizar: W =2000 m+1000 n
3 x+ 2 y ≤ 2000
3 m+n ≥ 40
Sujeta a x +2 y ≤ 1000
Sujeto a 2 m+ 2n ≥ 60
x , y≥0
m, n ≥ 0

5. PROGRAMACIÓN LINEAL PARAMÉTRICA

Se refiere al estudio sistemático de los cambios de la solución óptima, cuando

cambia el valor de muchos parámetros al mismo tiempo dentro de un intervalo.

Dentro de una función objetivo se le va incluir un tipo de parámetro que es lo que

le da la diferencia a los demás ejercicios que hemos visto anteriormente de
maximización y minimización de la función objetivo.

Existen dos tipos de programación paramétrica:

1. programación paramétrica de los coeficientes en una función objetivo

2. la programación paramétrica de los segundos miembros de las
restricciones.

La variación de los coeficientes de costos consiste en analizar los coeficientes

C de la función objetivo de la siguiente manera:

Max=( C+(tC) ) x
Sujeto a : Ax=b
b≥0

Sea Z=C1 x 1+C 2 x 2 una funcion objetivo que representa

con el parametrot= ( t 1 , t 2 ) de forma que la función objetivo parametrizada es :

Z=( C 1−t 1 ) x 1+ ( C2 +2 t 2 ) x 2

Esta función objetivo se tiene como caso particular de la anterior en que C=(−1,2)
Ejemplo:

20
Función objetivo : Max=¿
Sujeto a las siguientes restricciones:
5 x 1+20 x 2 ≤ 400

10 x 1+15 x 2 ≤ 450

x1 , x2 ≥ 0

−∞< γ <∞
Para el problema original, cuando γ =0 , la solución óptima es
x 1=14 , x 2=14 y Z=2200 $ , se necesita considerar lo que pasa ahora cuando γ se
aumenta y se disminuye.

Solución:

CB VB B x1 x2 s1 s2
80 x2 14 0 1 2/25 −1/25
45 x1 24 1 0 −3/25 4 /25
0 Z 2200+38 0 0 ¿ (100+3)/25

−100
La solución actual permanecerá óptima para ≤ γ ≤ 25
3
Se observa que:
γ =25 , Z=70 x1 +105 x 2 , lo cuales paralela a10 x 1 +15 x 2=450

100 35 140
γ= , Z= x 1+ x ,la cual es paralela a 5 x1 +20 x 2=400
3 3 3 2
100 2800
γ= ambos puntos ( 24,14 ) y ( 0,20 ) son soluciones óptimascon Z= $
3 3

CONCLUSION

21
Con la realización de este trabajo, se logra reunir información esencial y dar
conocer lo que es programación lineal avanzada y ya teniendo conocido todos
estos conceptos podemos aplicarlos en el campo educativo.

22