Programación Lineal para la Ingeniería Técnica

Volver al bloque 3

12.1. EL MODELO DUAL

A todo programa lineal, llamado problema primal, le corresponde otro que se

denomina problema dual. Las relaciones existentes entre ambos problemas son las
siguientes:

• El dual tiene tantas variables como restricciones existen en el primal.

• El dual tiene tantas restricciones como variables tiene el primal.

• Los coeficientes de la función objetivo del primal son los términos

independientes de las restricciones del dual.

• Los términos independientes de las restricciones del primal son los

coeficientes en la función objetivo del dual.

• La matriz de coeficientes de las restricciones del dual es igual a la

traspuesta de la del primal.

Se pueden distinguir dos tipos de problemas duales:

1. Duales simétricos: para primales que incluyan restricciones de

desigualdad.

2. Duales asimétricos: para primales en forma estándar, es decir, con

restricciones de igualdad.

Otro tipo de relaciones entre los problemas primal y dual son las siguientes:

77
Programación Lineal para la Ingeniería Técnica

• Para duales simétricos el sentido de desigualdad de las restricciones del

dual es inverso al de las del primal; mientras que para asimétricos, las
restricciones del dual son de sentido menor o igual en caso de que el
problema primal sea de minimización, y de mayor o igual en caso de
maximización. Además, las variables del dual, variables duales, no están
sujetas a la condición de no negatividad.

• El problema dual de uno de minimización es de maximización y

viceversa.

• El dual del programa dual es el primal.

Según estas afirmaciones, el problema dual queda unívocamente determinado por

su primal. Si x1 , K , xn son las variables primales, y1 , K , y m las correspondientes
variables duales, el planteamiento del problema dual es:

1. Duales simétricos:

Primal: max f ( X ) = c1 x1 + K + c n xn
s.a.: a11 x1 + K + a1 n xn ≤ b1

a m1 x1 + K + amn xn ≤ bm
xi ≥ 0, i = 1, K , n

Dual: min g (Y ) = b1 y1 + K + bm ym
s.a.: a11 y1 + K + am1 ym ≥ c1

a1n y1 + K + amn ym ≥ cn
yi ≥ 0, i = 1, K , m

Se pueden resumir primal y dual en un cuadro como el que sigue, donde el primal
se lee verticalmente y el dual de forma horizontal:

78
 Programación Lineal para la Ingeniería Técnica

PROGRAMAS PRIMAL (MAX.)

a11 a12 K a1 n x1 ≥ 0 ≤ b1
DUAL (MIN.) M M M M M M M

a m1 am 2 K amn xn ≥ 0 ≤ bm
y1 ≥ 0 y2 ≥ 0 K ym ≥ 0 variables
≥ ≥ K ≥ relación
c1 c2 K cn constantes

2. Duales asimétricos:

a) Primal: max f ( X ) = c1 x1 + K + c n xn
s.a.: a11 x1 + K + a1 n xn = b1

a m 1 x1 + K + a mn xn = bm
xi ≥ 0, i = 1, K , n

Dual: min g (Y ) = b1 y1 + K + bm ym
s.a.: a11 y1 + K + am1 ym ≥ c1

a1n y1 + K + amn ym ≥ cn
y i , i = 1, K , m , no restringidas en signo

b) Primal: min f ( X ) = c1 x1 + K + c n xn
s.a.: a11 x1 + K + a1 n xn = b1

a m 1 x1 + K + a mn xn = bm
xi ≥ 0, i = 1, K , n

Dual: max g (Y ) = b1 y1 + K + bm ym
s.a.: a11 y1 + K + am 1 y m ≤ c1

a1 n y1 + K + a mn y m ≤ c n
y i , i = 1, K , m , no restringidas en signo

79
Programación Lineal para la Ingeniería Técnica

La tabla anterior queda ahora de la siguiente forma:

PROGRAMAS PRIMAL MAX. (MIN.)

a11 a12 K a1 n x1 ≥ 0 = b1
DUAL MIN. M M M M M M M
(MAX.) a m1 am 2 K amn xn ≥ 0 = bm
y1 y2 K ym variables
≥ (≤ ) ≥ (≤ ) K ≥ (≤ ) relación
c1 c2 K cn constantes

Nota:

Sin distinguir en el caso de duales simétricos o asimétricos, podemos formular una

tabla general, que reúne las relaciones entre el problema primal y dual, sea cual sea
su formulación:

Problema de Problema de
minimización maximización
≥ 0 ≤

VARIABLES ≤ 0 ≥ RESTRICCIONES
no restringidas =
≥ ≥ 0
RESTRICCIONES ≤ ≤ 0 VARIABLES
= no restringidas

La ventaja de esta tabla es que se puede leer de derecha a izquierda o viceversa,

según el problema primal sea de maximización o minimización, respectivamente.
Además, en el problema primal pueden darse diferentes combinaciones en cuanto
al sentido de sus desigualdades o al signo de sus variables.

80
 Programación Lineal para la Ingeniería Técnica

Ejemplos:

Volver a 1. Primal: max 2 x1 + x2

problema
primal s.a.: x1 + 5 x2 ≤ 10
x1 + 3x2 ≤ 6
2 x1 + 2 x 2 ≤ 8
x1 , x2 ≥ 0

Como el primal es de maximización, el dual será de minimización, por lo

que leemos la última tabla de derecha a izquierda. Esto nos dice que por ser
todas las restricciones de menor o igual, las variables duales serán de signo
no negativo; además por ser las variables primales no negativas, todas las
restricciones duales serán de mayor o igual. El problema dual quedará por
lo tanto como:

Volver a Dual min 10 y1 + 6 y 2 + 8 y3

problema
dual s.a.: y1 + y2 + 2 y3 ≥ 2
5 y1 + 3 y 2 + 2 y3 ≥ 1
y1 , y 2 , y3 ≥ 0

2. Primal min 5 x1 + 2 x2 + x3
s.a.: 2 x1 + 3x 2 + x3 ≥ 20
6 x1 + 8x 2 + 5 x3 ≥ 30
7 x1 + x2 + 3x3 ≥ 40
x1 + 2 x 2 + 4 x3 ≥ 50
x1 , x2 , x3 ≥ 0

En este caso, leemos la tabla de izquierda a derecha, resultando el dual:

Dual max 20 y1 + 30 y2 + 40 y3 + 50 y 4
s.a.: 2 y1 + 6 y 2 + 7 y3 + y 4 ≤ 5
3 y1 + 8 y 2 + y3 + 2 y 4 ≤ 2
y1 + 5 y 2 + 3 y 3 + 4 y4 ≤ 1
y1 , y 2 , y3 , y 4 ≥ 0

81
Programación Lineal para la Ingeniería Técnica

3. Primal min x1 + 3x 2 − 2 x3
s.a.: 4 x1 + 8x 2 + 6 x3 = 25
7 x1 + 5 x2 + 9 x3 = 30
x1 , x2 , x3 ≥ 0

Ahora, aunque como en el ejemplo anterior hay que leer la tabla de

izquierda a derecha, la formación del dual será ligeramente diferente a la de
dicho ejemplo.

Dual max 25 y1 + 30 y2
s.a.: 4 y1 + 7 y 2 ≤ 1
8 y1 + 5 y 2 ≤ 3
6 y1 + 9 y2 ≤ − 2
y1 , y2 no restringidas en signo

4. Primal max 3x1 + x 2

s.a.: x1 + x2 = 7
2 x1 + 3x 2 = 8
x1 , x2 ≥ 0

Al igual que el ejemplo 1, leemos la tabla de derecha a izquierda, resultando:

Dual min 7 y1 + 8 y2
s.a.: y1 + 2 y 2 ≥ 3
y1 + 3 y 2 ≥ 1
y1 , y2 no restringidas en signo

Nota:

La forma del dual asimétrico (ejemplos 3 y 4) está determinada exclusivamente por

la forma del dual simétrico. Si pasamos a forma estándar el problema con
restricciones de desigualdad y calculamos el dual, que sería dual asimétrico, el
problema que se obtiene es el mismo que le correspondería al primal como dual
simétrico. Por ejemplo:

82
 Programación Lineal para la Ingeniería Técnica

max f ( X ) = c1 x1 + K + c n xn
s.a.: a11 x1 + K + a1 n xn ≤ b1

a m1 x1 + K + amn xn ≤ bm
xi ≥ 0, i = 1, K , n

Si pasamos a forma estándar:

max f ( X ) = c1 x1 + K + cn xn + 0 xnH+ 1 + K + 0 x nH+ m

s.a.: a11 x1 + K + a1n xn + x nH+ 1 = b1

a m1 x1 + K + amn xn + xnH+ m = bm
xi ≥ 0, i = 1, K , n , xnH+ j ≥ 0, j = 1, K , m

El correspondiente dual asimétrico de este último problema primal es:

min g (Y ) = b1 y1 + K + bm ym
s.a.: a11 y1 + K + am1 ym ≥ c1

a1n y1 + K + amn ym ≥ cn
y1 ≥ 0

ym ≥ 0

Es el mismo que el dual simétrico que le correspondería al problema sin

transformar en su formulación estándar.

Una vez visto que los duales simétricos pueden convertirse en asimétricos
utilizando variables de holgura, vamos a enunciar un teorema de dualidad válido
para ambos.

83
 Programación Lineal para la Ingeniería Técnica

Teorema:

Sea P un problema de Programación Lineal cuya región de factibilidad es F, y sea

D su problema dual de región de factibilidad G. Entonces:

i) Si X ∈ F , Y ∈ G , se cumple que f ( X ) ≤ g (Y ) .

ii) Si para algún X ∈ F y algún Y ∈ G se verifica que f ( X ) = g (Y ) ,

entonces X es solución óptima de P, Y es solución óptima de D.

iii) Si uno de los problemas P ó D tienen una solución óptima X * ó Y * , el

otro también la tiene, verificándose además que f (X * ) = g (Y * ) .

iv) Si f está acotada superiormente en F ≠ ∅ , ó g está acotada

inferiormente en G ≠ ∅ , entonces ambos problemas P y D tienen
solución óptima.

Consecuencias del teorema:

1. Si el primal tiene solución finita, entonces el dual también la tiene y ambas

coinciden.
2. Si el primal tiene solución no acotada, el dual no tiene solución.
3. Si el primal no tiene solución, entonces ó el dual no tiene solución ó tiene
solución no acotada.

El dual del dual:

Volver al
Dual del Dual Consideremos ahora como primal al dual, ¿cuál es su dual?.

min g (Y ) = b1 y1 + K + bm ym
s.a.: a11 y1 + K + am1 ym ≥ c1

a1n y1 + K + amn ym ≥ cn
yi ≥ 0, i = 1, K , m

84
 Programación Lineal para la Ingeniería Técnica

Introducimos variables de holgura:

min g (Y ) = b1 y1 + K + bm y m + 0 y mH+ 1 + K + 0 ymH + n

s.a.: a11 y1 + K + am 1 ym − y mH + 1 = c1

a1n y1 + K + amn ym − y mH+ n = cn

yi ≥ 0, i = 1, K , m , ymH+ j ≥ 0, j = 1, K , n

Su dual sería:

max f ( X ) = c1 x1 + K + c n xn
s.a.: a11 x1 + K + a1 n xn ≤ b1

a m1 x1 + K + amn xn ≤ bm
− x1 ≤ 0

− xn ≤ 0

Las últimas n restricciones son las de no negatividad, y el problema que se obtiene

es el primal. Luego el dual del dual es el primal.

12.2. RELACIONES PRIMAL-DUAL

Con la solución del primal, se obtiene con el Simplex implícitamente la del dual.
Veámoslo:

Sea el primal en forma estándar: max Z = CX

s.a.: AX = b
X ≥ 0

Escribimos A = (B/N), con B la submatriz formada por las columnas

correspondientes a las variables básicas, y N lo mismo para las no básicas o libres.
Entonces:

85
 Programación Lineal para la Ingeniería Técnica

max Z = CB X B + CN X N
s.a.: BX B + NX N = b
X B, X N ≥ 0

La solución de este problema consiste en hacer que el vector no básico X N sea cero,
y resolver el vector básico en términos de la base B, es decir:

BX B + NX N = b ⇒ BX B = b ⇒ X B = B − 1b

y la función objetivo será:

Z = CB X B + CN X N = C B X B = CB B − 1 b

Ahora bien, la función objetivo dual es g (Y ) = bT Y = Y T b , y en el óptimo el valor de

la función objetivo primal coincide con el valor óptimo de la función objetivo dual,
esto es, Z (X * ) = g (Y * ) . Por lo tanto:

Z ( X * ) = g (Y * ) ⇒ CB* (B* ) b = (Y * ) b ⇒ CB* (B* ) = (Y * )

−1 T −1 T

En los casos particulares que estudiaremos, este valor no hace falta calcularlo
explícitamente si hemos resuelto el primal aplicando el algoritmo del Simplex,
puesto que en la última tabla:

Variables originales Variables de holgura

Valor de las
Volver a Variables básicas variables
Primal-Dual básicas B−1A B−1
XB
X B = B − 1b
C − CB B − 1 A − CBB−1
Solución óptima primal
Solución óptima dual
opuesta en signo

86
 Programación Lineal para la Ingeniería Técnica

Ejemplo:

max 4 x1 + 3 x2 max 4 x1 + 3 x2
Paso a
forma s.a.: 2 x1 + 3 x2 ≤ 18 s.a.: 2 x1 + 3x 2 + x3H = 18
estándar 4 x1 + 2 x 2 ≤ 10 4 x1 + 2 x2 + x 4H = 10
x1 , x2 ≥ 0 x1 , x2 , x3H , x4H ≥ 0

Introduciendo las variables de holgura. La última tabla es:

x1 x2 x3H x 4H
x3H 3 -4 0 1 -3/2
x2 5 2 1 0 1/2
-2 0 0 -3/2

Y * =  0, 
3
Solución óptima dual:
 2
Soluciones
óptimas Solución óptima primal: X = (0,5)
*

Función objetivo primal y dual óptimas: f (X * ) = g (Y * ) = 15

El dual sería:

min 18 y1 + 10 y2 max − 18 y1 − 10 y2 − My5A − My6A

s.a.: 2 y1 + 4 y 2 ≥ 4 s.a.: 2 y1 + 4 y 2 − y3H + y5A = 4
3 y1 + 2 y2 ≥ 3 3 y1 + 2 y 2 − y4H + y6A = 3
y1 , y 2 ≥ 0 y1 , y 2 , y3H , y 4H , y5A , y6A ≥ 0

Se puede comprobar con el Simplex que da la misma solución, pero el proceso es

más largo por la introducción de variables de holgura y artificiales, de ahí el interés
Sobre el de la relación entre dual y primal (entre otras razones).
Dual

Interesará pasar al dual cuando su resolución sea más fácil que la del primal. Así,
podemos resolver el dual por el Simplex y deducir, sin ningún cálculo

87
 Programación Lineal para la Ingeniería Técnica

suplementario, la solución óptima del primal. Este caso se presentará cuando el

primal incluya restricciones de mayor o igual para las cuales es preciso introducir
variables de holgura y artificiales.

Ejemplo:

min 5 x1 + 6 x2 max − 5 x1 − 6 x2 − Mx5A − Mx6A

Paso a s.a.: 5 x1 + 2 x2 ≥ 20 s.a.: 5 x1 + 2 x2 − x3H + x5A = 20
forma
estándar 3x1 + 8 x2 ≥ 24 3x1 + 8x 2 − x4H + x6A = 24
x1 , x2 ≥ 0 x1 , x2 , x3H , x 4H , x5A , x6A ≥ 0

Si calculamos su dual:

max 20 y1 + 24 y2 max 20 y1 + 24 y2
Cálculo s.a.: 5 y1 + 3 y2 ≤ 5 s.a.: 5 y1 + 3 y2 + y3H = 5
del Dual
2 y1 + 8 y2 ≤ 6 2 y1 + 8 y 2 + y4H = 6
y1 , y 2 ≥ 0 y1 , y 2 , y 3H , y4H ≥ 0

Se ve que es más fácil aplicar el Simplex al estándar del dual que al del primal.

La última tabla es:

y1 y2 y3H y4H
y1 11/17 1 0 ----- -----
y2 10/17 0 1 ----- -----
0 0 -56/17 -30/17

Lo que realmente nos interesa es el valor de los costes en la tabla final, por eso
dejamos sin rellenar huecos en esa tabla que no aportan nada a la solución que
buscamos. Así:

Soluciones
Y * =  ,  , X * =  ,  ,
460
f (X * ) = g (Y * ) =
óptimas 11 10 56 30
 17 17   17 17  17

88
 Programación Lineal para la Ingeniería Técnica

12.3. MÉTODO DUAL DEL SIMPLEX

Supongamos el problema de la dieta (mezcla de alimentos más barata,

satisfaciendo unos valores nutritivos necesarios):

min c1 x1 + K + cn xn
s.a.: a11 x1 + K + a1 n xn ≥ b1

a m1 x1 + K + amn xn ≥ bm
xi ≥ 0, i = 1, K , n

Aquí, x j representa la cantidad del alimento j a precio c j y con una composición

a ij de un cierto elemento nutritivo N i del cual hay un requerimiento de al menos
bi unidades.

Una posible interpretación del dual sería: supongamos que una empresa se plantea
la posibilidad de fabricar un concentrado de cada uno de los elementos nutritivos
que se requieren para la correcta alimentación, de modo que propondría que se
ingirieran los concentrados directamente en lugar de los alimentos que contienen
los elementos nutritivos, de modo que se satisfacieran las necesidades
nutricionales igualmente.

El problema que se plantearía la compañía consistiría en encontrar los precios

unitarios y1 , K , y m para cada nutriente de forma que maximizara su beneficio, pero
teniendo en cuenta que al mismo tiempo este procedimiento debería ser
competitivo con el usual en el que se aportan directamente los alimentos. Así, se
debe maximizar b1 y1 + K + bm y m .

Esta competitividad significa que la suma de los precios totales de los elementos
nutritivos en las cantidades que intervienen en cada alimento deberá ser menor o a
lo sumo igual que el precio o coste de este alimento. Así, para el alimento j-ésimo
de coste c j , deberá verificarse a1 j y1 + K + amj ym ≤ c j .

89
 Programación Lineal para la Ingeniería Técnica

Por último, el precio de cada unidad de nutriente yi debe ser positivo. Con todo
esto, planteamos el dual:

max b1 y1 + K + bm y m
s.a.: a11 y1 + K + am1 ym ≤ c1

a1n y1 + K + amn ym ≤ cn
yi ≥ 0, i = 1, K , m

Podemos deducir fácilmente del estudio desarrollado en los apartados anteriores

una de las aplicaciones inmediatas de la teoría de la dualidad: la resolución de
problemas lineales con más restricciones que variables. Puesto que parte de la
dificultad y el número de iteraciones del Simplex dependen del número de
restricciones, resolveremos el primal si m < n, y el dual si m > n.

Otra aplicación de la dualidad es la resolución de problemas lineales utilizando

el Algoritmo Dual del Simplex, que consiste básicamente en aplicar el Simplex al
problema dual, pero efectuando los cálculos sobre el primal. Lo explicamos a
continuación.

Para comenzar con el Simplex, si no es posible obtener una solución factible, se

añaden tantas variables artificiales como sea necesario. El Método Dual del
Simplex hace innecesario el empleo de dichas variables artificiales, pero necesita
para comenzar a iterar una condición llamada de factibilidad dual, es decir, que
todos los costes marginales c j sean negativos o nulos (en caso de máximo). Por
tanto, no siempre se podrá aplicar.
Volver a
Método Dual Algoritmo.
del Simplex

Paso 1: Partimos de una tabla en la que c j = c j − z j ≤ 0 .

Paso 2: Si X B (solución básica) es tal que X B ≥ 0 , estamos en la solución óptima.

PARAR.

90
 Programación Lineal para la Ingeniería Técnica

En otro caso, elegimos para que salga de la base la variable xi , cuya

coordenada ( X B )i es la más negativa.

Paso 3: Si todos los elementos a ij de la fila correspondiente a la variable que sale

de la base son positivos o nulos, entonces el problema no tiene solución o
tiene solución óptima no acotada.

Si al menos algún aij < 0 , calculamos:

 c j  ck
min  ∋ aij < 0 =
 aij
j = 1, , n
K
 aik

Si corresponde a la columna k-esima, entra en la base x k .

Paso 4: Pivotamos sobre aik , efectuando las operaciones precisas para que la
columna k tenga un 1 en el lugar i-ésimo y ceros en el resto.

Volver al paso 2.

Nótese que los problemas “ideales” para resolver mediante este algoritmo son
aquellos de minimización que incluyen restricciones del tipo mayor o igual, y
cuyas desigualdades contienen coeficientes positivos. Así, el problema de la dieta
es un candidato para aplicarle este procedimiento.

Ejemplo:

min 3x1 + 4 x2 + 5 x3 max − 3 x1 − 4 x2 − 5x3

s.a.: x1 + 2 x2 + 3x3 ≥ 5 s.a.: − x1 − 2 x2 − 3x3 ≤ − 5
2 x1 + 2 x2 + x3 ≥ 6 − 2 x1 − 2 x2 − x3 ≤ − 6
x1 , x2 , x3 ≥ 0 x1 , x2 , x3 ≥ 0

Introducimos las correspondientes variables de holgura para obtener la

formulación estándar:

91
Programación Lineal para la Ingeniería Técnica

max − 3 x1 − 4 x2 − 5x3
s.a.: − x1 − 2 x2 − 3x3 + x 4H = − 5
− 2 x1 − 2 x2 − x3 + x5H = − 6
x1 , x2 , x3 , x 4H , x5H ≥ 0

La tabla inicial con la que comenzar a iterar, siguiendo los pasos del Algoritmo
Dual del Simplex, es la siguiente:

x1 x2 x3 x 4H x5H
paso 2 x 4H -5 -1 -2 -3 1 0
x5H -6 -2 -2 -1 0 1
-3 -4 -5 0 0
paso 3

Puesto que c j ≤ 0, ∀ j , sale de la base la variable cuya coordenada ( X B )i es la más

negativa, en este caso x5 = − 6 , y aplicamos el criterio de entrada, calculando:

− 3 − 4 − 5 3
min  , ,  =
 − 2 − 2 − 1 2

Así pues, entra en la base la variable x1 , siendo el elemento pivote a 21 = − 2 .

Con todo esto, la siguiente tabla quedará como sigue:

x1 x2 x3 x 4H x5H
x 4H -2 0 -1 -5/2 1 -1/2
paso 2 x1 3 1 1 1/2 0 -1/2
0 -1 -7/2 0 -3/2
paso 3

92
 Programación Lineal para la Ingeniería Técnica

Seguimos teniendo que c j ≤ 0, ∀ j , y ahora la variable básica con valor más

negativo es x4H = − 2 (la única), por tanto es la que abandona la base.

Aplicamos el criterio de entrada calculando:

− 1 − 7 2 − 3 2
min  , ,  =1
− 1 − 5 2 − 1 2

que corresponde a la variable x2 , que entra en la base, siendo el elemento pivote el

elemento a12 = − 1 .

Con todo esto, la siguiente tabla quedará como sigue:

x1 x2 x3 x 4H x5H
x2 2 0 1 5/2 -1 1/2
x1 1 1 0 -2 1 -1
0 0 -1 -1 -1
paso 2

Todas las variables básicas son positivas, por lo que el algoritmo termina con la
solución óptima:

x1* = 1 , x2* = 2 , x3* = 0 , Z * = 11

Ejemplo:

min Z = 2 x1 + x 2 max − Z = − 2 x1 − x2
s.a.: 3x1 + x 2 ≥ 3 s.a.: H
− 3 x1 − x2 + x3 = − 3
4 x1 + 3x 2 ≥ 6 − 4 x1 − 3 x2 + x4H = − 6
H
x1 + 2 x2 ≥ 3 − x1 − 2 x 2 + x5 = − 3

x1 , x2 ≥ 0 x1 , x2 , x3H , x 4H , x5H ≥ 0

93
 Programación Lineal para la Ingeniería Técnica

Una vez que hemos cambiando de signo, e introducido las correspondientes

variables de holgura, la primera tabla será:

x1 x2 x3H x 4H x5H

paso 2 x3H -3 -3 -1 1 0 0
H
x4 -6 -4 -3 0 1 0
H
x5 -3 -1 -2 0 0 1
-2 -1 0 0 0
paso 3

paso 4

x1 x2 x3H x 4H x5H
paso 2
x3H -1 -5/3 0 1 -1/3 0
x2 2 4/3 1 0 -1/3 0
x5H 1 5/3 0 0 -2/3 1
-2/3 0 0 -1/3 0
paso 3

paso 4
x1 x2 x3H x 4H x5H
x1 3/5 1 0 -3/5 1/5 0
x2 6/5 0 1 4/5 -3/5 0
x5H 0 0 0 1 -1 1
0 0 -2/5 -1/5 0

paso 2

Todas las variables básicas son positivas, por tanto el algoritmo concluye con la
solución óptima:

x1* = 3 5 , x2* = 6 5 , Z * = 12 5

Ir al bloque 5

94