Vous êtes sur la page 1sur 20

MTODO SIMPLEX

El Mtodo Simplex es un mtodo analtico de solucin de problemas de programacin


lineal capaz de resolver modelos ms complejos que los resueltos mediante el mtodo
grfico sin restriccin en el nmero de variables.
El Mtodo Simplex es un mtodo iterativo que permite ir mejorando la solucin en cada
paso. La razn matemtica de esta mejora radica en que el mtodo consiste en caminar
del vrtice de un poliedro a un vrtice vecino de manera que aumente o disminuya (segn
el contexto de la funcin objetivo, sea maximizar o minimizar), dado que el nmero de
vrtices que presenta un poliedro solucin es finito siempre se hallar solucin.
Este mtodo fue creado en el ao de 1947 por el estadounidense George Bernard Dantzig
y el ruso Leonid Vitalievich Kantorovich, con el nimo de crear un algoritmo capaz de
solucionar problemas de m restricciones y n variables.
QUE ES UNA MATRIZ IDENTIDAD?
Una matriz puede definirse como una ordenacin rectangular de elementos, (o listado
finito de elementos), los cuales pueden ser nmeros reales o complejos, dispuestos en
forma de filas y de columnas.
La matriz idntica o identidad es una matriz cuadrada (que posee el mismo nmero tanto
de columnas como de filas) de orden n que tiene todos los elementos diagonales iguales
a uno (1) y todos los dems componentes iguales a cero (0), se denomina matriz idntica
o identidad de orden n, y se denota por:

La importancia de la teora de matrices en el Mtodo Simplex es fundamental, dado que el


algoritmo se basa en dicha teora para la resolucin de sus problemas.
OBSERVACIONES IMPORTANTES AL UTILIZAR MTODO SIMPLEX
VARIABLES DE HOLGURA Y EXCESO
El Mtodo Simplex trabaja basndose en ecuaciones y las restricciones iniciales que se
modelan mediante programacin lineal no lo son, para ello hay que convertir estas
inecuaciones en ecuaciones utilizando unas variables denominadas de holgura y exceso
relacionadas con el recurso al cual hace referencia la restriccin y que en el tabulado final
representa el "Slack o surplus" al que hacen referencia los famosos programas de
resolucin de investigacin de operaciones, estas variables adquieren un gran valor en el
anlisis de sensibilidad y juegan un rol fundamental en la creacin de la matriz identidad
base del Simplex.
Estas variables suelen estar representadas por la letra "S", se suman si la restriccin es
de signo " " y se restan si la restriccin es de signo "".
Por ejemplo:

VARIABLE ARTIFICIAL / MTODO DE LA "M"


Una variable artificial es un truco matemtico para convertir inecuaciones "" en
ecuaciones, o cuando aparecen igualdades en el problema original, la caracterstica
principal de estas variables es que no deben formar parte de la solucin, dado que no
representan recursos. El objetivo fundamental de estas variables es la formacin de la
matriz identidad.
Estas variables se representa por la letra "A", siempre se suman a las restricciones, su
coeficiente es M (por esto se le denomina Mtodo de la M grande, donde M significa un
nmero demasiado grande muy poco atractivo para la funcin objetivo), y el signo en la
funcin objetivo va en contra del sentido de la misma, es decir, en problemas de
Maximizacin su signo es menos (-) y en problemas de Minimizacin su signo es (+),
repetimos con el objetivo de que su valor en la solucin sea cero (0).
MTODO SIMPLEX PASO A PASO
EL PROBLEMA
La empresa el ARMANDO SILLAS E.I.R.L. Dedicada a la fabricacin de muebles, ha
ampliado su produccin en dos lneas ms. Por lo tanto actualmente fabrica mesas, sillas,
camas y bibliotecas. Cada mesa requiere de 2 piezas rectangulares de 8 pines, y 2 piezas
cuadradas de 4 pines. Cada silla requiere de 1 pieza rectangular de 8 pines y 2 piezas
cuadradas de 4 pines, cada cama requiere de 1 pieza rectangular de 8 pines, 1 cuadrada
de 4 pines y 2 bases trapezoidales de 2 pines y finalmente cada biblioteca requiere de 2
piezas rectangulares de 8 pines, 2 bases trapezoidales de 2 pines y 4 piezas
rectangulares de 2 pines. Cada mesa cuesta producirla $10000 y se vende en $ 30000,
cada silla cuesta producirla $ 8000 y se vende en $ 28000, cada cama cuesta producirla $

20000 y se vende en $ 40000, cada biblioteca cuesta producirla $ 40000 y se vende en $


60000. El objetivo de la fbrica es maximizar las utilidades.

PASO 1: MODELACIN MEDIANTE PROGRAMACIN LINEAL


Las variables:
X1 = Cantidad de mesas a producir (unidades)
X2 = Cantidad de sillas a producir (unidades)
X3 = Cantidad de camas a producir (unidades)
X4 = Cantidad de bibliotecas a producir (unidades)
Las restricciones:
2X1 + 1X2 + 1X3 + 2X4 24
2X1 + 2X2 + 1X3 20
2X3 + 2X4 20
4X4 16
La funcin Objetivo:
ZMAX = 20000X1 + 20000X2 + 20000X3 + 20000X4

PASO 2: CONVERTIR LAS INECUACIONES EN ECUACIONES


En este paso el objetivo es asignar a cada recurso una variable de Holgura, dado que
todas las restricciones son "".

2X1 + 1X2 + 1X3 + 2X4 + 1S1 + 0S2 + 0S3 + 0S4 = 24


2X1 + 2X2 + 1X3 + 0X4 + 0S1 + 1S2 + 0S3 + 0S4 = 20
0X1 + 0X2 + 2X3 + 2X4 + 0S1 + 0S2 + 1S3 + 0S4 = 20
0X1 + 0X2 + 0X3 + 4X4 + 0S1 + 0S2 + 0S3 + 1S4 = 16
De esta manera podemos apreciar una matriz identidad (n = 4), formado por las variables
de holgura las cuales solo tienen coeficiente 1 en su respectivo recurso, por el ejemplo la
variable de holgura "S1" solo tiene coeficiente 1 en la restriccin correspondiente a el
recurso 1.
La funcin objetivo no sufre variaciones:
ZMAX = 20000X1 + 20000X2 + 20000X3 + 20000X4
PASO 3: DEFINIR LA SOLUCIN BSICA INICIAL
El Mtodo Simplex parte de una solucin bsica inicial para realizar todas sus
iteraciones, esta solucin bsica inicial se forma con las variables de coeficiente diferente
de cero (0) en la matriz identidad.
1S1 = 24
1S2 = 20
1S3 = 20
1S4 = 16
PASO 4: DEFINIR LA TABLA SIMPLEX INICIAL

Solucin: (segundo trmino)= En esta fila se consigna el segundo trmino de la solucin,


es decir las variables, lo ms adecuado es que estas se consignen de manera ordenada,
tal cual como se escribieron en la definicin de restricciones.
Cj = La fila "Cj" hace referencia al coeficiente que tiene cada una de las variables de la fila
"solucin" en la funcin objetivo.

Variable Solucin = En esta columna se consigna la solucin bsica inicial, y a partir de


esta en cada iteracin se van incluyendo las variables que formarn parte de la solucin
final.
Cb = En esta fila se consigna el valor que tiene la variable que se encuentra a su derecha
"Variable solucin" en la funcin objetivo.
Zj = En esta fila se consigna la contribucin total, es decir la suma de los productos entre
trmino y Cb.
Cj - Zj = En esta fila se realiza la diferencia entre la fila Cj y la fila Zj, su significado es un
"Shadow price", es decir, la utilidad que se deja de recibir por cada unidad de la variable
correspondiente que no forme parte de la solucin.
Solucin inicial:

PASO 5: REALIZAR LAS ITERACIONES NECESARIAS


Este es el paso definitivo en la resolucin por medio del Mtodo Simplex, consiste en
realizar intentos mientras el modelo va de un vrtice del poliedro objetivo a otro.
El procedimiento a seguir es el siguiente:
1. Evaluar que variable entrar y cual saldr de la solucin ptima:

Maximizar
Variable que entra

La mayor de los Cj - Zj
Siendo b los
celda

Variable que sale

Minimizar

valores

solucin

correspondiente
interseccin

La menor de los Cj - Zj
bajo

y a el
a
entre b y

la Siendo b los

valor celda

valores

bajo

la

solucin

y a el

valor

la correspondiente

la

la interseccin

entre b y

la

variable que entra. La menor de variable que entra. La mayor de


los b/a.

los b/a.

2. El hecho de que una variable distinta forme parte de las variables solucin implica una
serie de cambios en el tabulado Simplex, cambios que se explicarn a continuacin.
- Lo primero es no olvidar el valor del "a" correspondiente a la variables a entrar, en este
caso el "a = 4".

- Lo siguiente es comenzar a rellenar el resto de la tabla, fila x fila, dejando en cero la


variable de entrada.

- Se repite este procedimiento con las dos filas restantes, ahora se harn los clculos
correspondientes en el resto de las celdas.

De esta manera se culmina la primera iteracin, este paso se repetir cuantas veces sea
necesario y solo se dar por terminado el mtodo segn los siguientes criterios.
Maximizar

Minimizar

Solucin ptima Cuando todos los Cj - Zj sean 0

Cuando todos los Cj - Zj sean 0

- Continuamos con las iteraciones para lo cual tenemos que repetir los pasos anteriores.
ITERACION NUMERO 2
a.- Evaluar que varible entra y variable sale de la solucin
Cj
20000 20000 20000 20000
Variable Solucin
X3
Cv s
X1
X2
X4
Solucin
(b)
(a)
S1
0
16
2
1
1
0
S2
0
20
2
2
1
0
S3
0
12
0
0
2
0
X4
20000
4
0
0
0
1
Zj
80000
0
0
0
20000
Cj - Zj
20000 20000 20000
0

S1

S2

S3

S4

1
0
0
0
0
0

0
1
0
0
0
0

0
0
1
0
0
0

-0,5
0
-0,5
0,25
5000
-5000

b/a
16
20
6

b. Ingresa variable de entrada en la variable de solucin y la fila divide por el coeficiente de la variable
Cj
20000 20000 20000 20000
Variable Solucin
Cv s
X1
X2
X3
X4
Solucin
(b)
S1
0
S2
0
X3
20000
6
0
0
1
0
X4
20000
4
0
0
0
1
Zj
Cj - Zj

S1

S2

S3

S4

0
0

0
0

0,5
0

-0,25
0,25

b/a

c. Se llena el resto de la matriz, haciendo cero la variable de entrada en el resto de las filas existentes
Lo anterior se logra restndole a las filas de las variables de solucin restantes obtenida en el paso
anterior la fila entrante.
Cj
20000 20000 20000 20000
Variable Solucin
Cv s
X1
X2
X3
X4
Solucin
(b)
S1
0
10
2
1
0
0
S2
0
14
2
2
0
0
X3
20000
6
0
0
1
0
X4
20000
4
0
0
0
1
Zj
Cj - Zj

S1

S2

S3

S4

1
0
0
0

0
1
0
0

-0,5
-0,5
0,5
0

-0,25
0,25
-0,25
0,25

b/a

d. Se completa Zj y Cj-Zj
Cj
20000 20000 20000 20000
Variable Solucin
Cv s
X1
X2
X3
X4
Solucin
(b)
S1
0
10
2
1
0
0
S2
0
14
2
2
0
0
X3
20000
6
0
0
1
0
X4
20000
4
0
0
0
1
Zj
200000
0
0
20000 20000
Cj - Zj
20000 20000
0
0

S1

S2

S3

S4

1
0
0
0
0
0

0
1
0
0
0
0

-0,5
-0,5
0,5
0
10000
-10000

-0,25
0,25
-0,25
0,25
0
0

b/a

e. Se optimiz
Maximizar
Solucin ptima Cuando todos los Cj - Zj sean 0

Minimizar
Cuando todos los Cj - Zj sean 0

Si la respuesta es NO se vuelve a realizar las actividades de la (a) a la (e)


Cuantas veces sea necesario
ITERACION NUMERO 3
a.- Evaluar que varible entra y variable sale de la solucin
Cj
20000 20000 20000 20000
Variable Solucin
X2
Cv s
X1
X3
X4
Solucin
(b)
(a)
S1
0
10
2
1
0
0
S
0
14
2
2
0
0
2
X3
20000
6
0
0
1
0
X4
20000
4
0
0
0
1
Zj
200000
0
0
20000 20000
Cj - Zj
20000 20000
0
0

S1

S2

S3

S4

1
0
0
0
0
0

0
1
0
0
0
0

-0,5
-0,5
0,5
0
10000
-10000

-0,25
0,25
-0,25
0,25
0
0

b/a
10
7
-

b. Ingresa variable de entrada en la variable de solucin y la fila divide por el coeficiente de la variable
Cj
20000 20000 20000 20000
Variable Solucin
Cv s
X1
X2
X3
X4
Solucin
(b)
S1
0
X2
20000
7
1
1
0
0
X3
20000
6
0
0
1
0
X4
20000
4
0
0
0
1
Zj
Cj - Zj

S1

S2

S3

S4

0
0
0

0,5
0
0

-0,25
0,5
0

0,125
-0,25
0,25

b/a

c.
Cj
20000 20000 20000 20000
Variable Solucin
Cv s
X1
X2
X3
X4
Solucin
(b)
S1
0
3
1
0
0
0
X2
20000
7
1
1
0
0
X
20000
6
0
0
1
0
3
X4
20000
4
0
0
0
1
Zj
Cj - Zj

S1

S2

S3

S4

1
0
0
0

-0,5
0,5
0
0

S1

S2

S3

S4

1
0
0
0
0
0

-0,5
0,5
0
0
10000
-10000

-0,25
-0,25
0,5
0
5000
-5000

-0,375
0,125
-0,25
0,25
2500
-2500

b/a

-0,25 -0,375
-0,25 0,125
0,5 -0,25
0
0,25

d.
Cj
20000 20000 20000 20000
Variable Solucin
Cv s
X1
X2
X3
X4
Solucin
(b)
S1
0
3
1
0
0
0
X2
20000
7
1
1
0
0
X
20000
6
0
0
1
0
3
X4
20000
4
0
0
0
1
Zj
340000 20000 20000 20000 20000
Cj - Zj
0
0
0
0

b/a

e. Se optimiz
Si
ZMAX

OJO

Resultados
340000
X1

S1

X2
X3
X4

7
6
4

S2
S3
S4

0
0
0

No es solucin nica

Cj
20000 20000 20000 20000
Variable Solucin
Cv s
X1
X2
X3
X4
Solucin
(b)
S1
0
3
1
0
0
0
X2
20000
7
1
1
0
0
X3
20000
6
0
0
1
0
X4
20000
4
0
0
0
1
Zj
340000 20000 20000 20000 20000
Cj - Zj
0
0
0
0

S1

S2

S3

S4

1
0
0
0
0
0

-0,5
0,5
0
0
10000
-10000

-0,25
-0,25
0,5
0
5000
-5000

-0,375
0,125
-0,25
0,25
2500
-2500

b/a

Hagamos una iteracin ms


ITERACION NUMERO 4
a.
Cj
20000 20000 20000 20000
Variable Solucin X1
Cv s
X2
X3
X4
Solucin
(b)
(a)
S1
0
3
1
0
0
0
X2
20000
7
1
1
0
0
X3
20000
6
0
0
1
0
X4
20000
4
0
0
0
1
Zj
340000 20000 20000 20000 20000
Cj - Zj
0
0
0
0

S1

S2

S3

S4

1
0
0
0
0
0

-0,5
0,5
0
0
10000
-10000

-0,25
-0,25
0,5
0
5000
-5000

-0,375
0,125
-0,25
0,25
2500
-2500

S1

S2

S3

S4

1
0
0
0

-0,5
0,5
0
0

S1

S2

S3

S4

1
-1
0
0

-0,5
1
0
0

S1

S2

S3

S4

b/a
3
7
-

b.

Cv s
20000
20000
20000
20000

Cj
20000 20000 20000 20000
Variable Solucin
X1
X2
X3
X4
Solucin
(b)
X1
3
1
0
0
0
X2
7
1
1
0
0
X3
6
0
0
1
0
X4
4
0
0
0
1
Zj
Cj - Zj

b/a

-0,25 -0,375
-0,25 0,125
0,5 -0,25
0
0,25

c.

Cv s
20000
20000
20000
20000

Cj
20000 20000 20000 20000
Variable Solucin
X1
X2
X3
X4
Solucin
(b)
X1
3
1
0
0
0
X2
4
0
1
0
0
X3
6
0
0
1
0
X4
4
0
0
0
1
Zj
Cj - Zj

b/a

-0,25 -0,375
0
0,5
0,5 -0,25
0
0,25

d.

Cv s
20000
20000
20000
20000

Cj
20000 20000 20000 20000
Variable Solucin
X1
X2
X3
X4
Solucin
(b)
X1
3
1
0
0
0
X2
4
0
1
0
0
X3
6
0
0
1
0
X4
4
0
0
0
1
Zj
340000 20000 20000 20000 20000
Cj - Zj
0
0
0
0

1
-1
0
0
0
0

-0,5 -0,25 -0,375


1
0
0,5
0
0,5 -0,25
0
0
0,25
10000 5000 2500
-10000 -5000 -2500

b/a

e. Se optimiz
Si
ZMAX

Resultados
340000
X1

S1

X2
X3
X4

4
6
4

S2
S3
S4

0
0
0

PROBLEMAS DE MINIMIZACIN CON EL MTODO SIMPLEX


Para resolver problemas de minimizacin mediante el algoritmo simplex existen dos
procedimientos que se emplean con regularidad.
- El primero, que a mi juicio es el ms recomendable se basa en un artificio aplicable al
algoritmo fundamentado en la lgica matemtica que dicta que "para cualquier funcin
f(x), todo punto que minimice a f(x) maximizar tambin a - f(x)". Por lo tanto el
procedimiento a aplicar es multiplicar por el factor negativo (-1) a toda la funcin objetivo.

a continuacin se resuelve el algoritmo como un problema de maximizacin.


- El segundo procedimiento, el cual pretende conservar la minimizacin consiste en
aplicar los criterios de decisin que hemos esbozado con anterioridad, en los casos de la
variable que entra, que sale y el caso en el que la solucin ptima es encontrada. Aqu
recordamos los procedimientos segn el criterio dado el caso "minimizar".
Minimizar
Variable que entra

La menor de los (Cj - Zj)

Siendo "b" los valores bajo la celda solucin


Variable que sale

y "a" el valor correspondiente a la interseccin


entre "b" y la variable que entra. La ms
positiva de los "b/a".

Solucin ptima

Cuando todos los (Cj - Zj) sean 0.

DUALIDAD EN PROGRAMACIN LINEAL

Cada uno de los problemas abordados hasta el momento se consideran


problemas primales dado que tienen una relacin directa con la necesidad del
planteamiento, y sus resultados responden a la formulacin del problema original; sin
embargo cada vez que se plantea y resuelve un problema lineal, existe otro problema
nsitamente planteado y que puede ser resuelto, es el considerado problema dual, el cual
tiene unas importantes relaciones y propiedades respecto al problema primal que pueden
ser de gran beneficio para la toma de decisiones.
Relaciones entre problemas primales y duales

El nmero de variables que presenta el problema dual se ve determinado por el


nmero de restricciones que presenta el problema primal.
El nmero de restricciones que presenta el problema dual se ve determinado por
el nmero de variables que presenta el problema primal.
Los coeficientes de la funcin objetivo en el problema dual corresponden a los
trminos independientes de las restricciones (RHS), que se ubican del otro lado de
las variables.
Los trminos independientes de las restricciones (RHS) en el problema dual
corresponden a los coeficientes de la funcin objetivo en el problema primal.
La matriz que determina los coeficientes tcnicos de cada variable en cada
restriccin corresponde a la transpuesta de la matriz de coeficientes tcnicos del
problema primal.

El sentido de las igualdades y desigualdades se comporta segn la tabla de TUCKER,


presentada a continuacin.

Tabla de TUCKER

IMPORTANCIA DE LA DUALIDAD EN PROGRAMACIN LINEAL


La resolucin de los problemas duales respecto a los primales se justifica dada la facilidad
que se presenta dados problemas donde el nmero de restricciones supere al nmero de
variables. Adems de tener gran aplicacin en el anlisis econmico del problema.
Otra de las ventajas que presenta es que dado a que el nmero de restricciones y
variables entre problema dual y primal es inverso, se pueden resolver grficamente
problemas que presenten dos restricciones sin importar el nmero de variables.
RESOLUCIN DEL PROBLEMA DUAL, PASO A PASO
El siguiente problema a resolver es hasta el momento el modelo ms completo de los
resueltos en los mdulos anteriores, dado que trataremos de resolver un problema primal
y su dual mediante Mtodo Simplex utilizando variables de holgura, exceso y artificiales;
adems resolveremos el primal utilizando Simplex maximizando y el dual minimizando.
Dado el siguiente modelo primal,
ZMAX = 40X1 + 18X2
16X1 + 2X2 700
6X1 + 3X2 612
X1 80
X2 120

Cuya respuesta es
X1 = 28,75
X2 = 120
S1 = 79.5
S3 = 51.25
Funcin objetivo = 3310

Procedemos a resolver el problema dual


PASO 1: Definimos el problema dual

Este paso se lleva a cabo teniendo en cuenta las relaciones que se expusieron en la
definicin de la dualidad. Ahora las variables en el dual las representaremos por "" y
corresponden a cada restriccin.
El modelo queda de la siguiente forma:
ZMIN = 7001 + 6122 + 803 + 1204
161 + 62 + 3 40
21 + 32 + 4 18
1;4 0
Ahora preparamos el modelo para ser resuelto mediante Mtodo Simplex, utilizaremos el
procedimiento en el cual la funcin objetivo es multiplicada por (-1) y resolveremos el
modelo mediante maximizacin.
ZMIN = 7001 + 6122 + 803 + 1204
Lo que es igual
(-Z)MAX = -7001 - 6122 - 803 - 1204
Ahora dado que los signos de las inecuaciones son mayor o igual procedemos a volverlas
ecuaciones agregando variables de exceso, recordemos que en este caso las variables
de exceso se restan del lado izquierdo de la igualdad, por ende.

161 + 62 + 3 + 04 - 1S1 + 0S2 = 40


211 + 32 + 03 + 4 + 0S1 - 1S2 = 18
1;4 0
Recordemos que el Mtodo Simplex solo es posible por la formacin de la matriz
identidad, sin embargo en una matriz identidad no pueden ir coeficientes negativos, el
cual es el caso, por ende recurriremos al artificio denominado "Mtodo de la M grande"
utilizando variables artificiales, las cuales siempre se suman.
161 + 62 + 3 + 04 - 1S1 + 0S2 + 1A1 + 0A2 40
211 + 32 + 03 + 4 + 0S1 - 1S2 + 0A1 + 1A2 18
1; 4 0
Ahora si observamos la matriz identidad formada por las variables artificiales, nuestra
funcin objetivo es la siguiente (vara dada la incorporacin de las nuevas variables).
(-Z)MAX = -7001 - 6122 - 803 - 1204 + 0S1 + 0S2 - MA1 - MA2
Recordemos que el coeficiente de las variables de holgura y exceso es 0, adems que los
coeficientes de las variables artificiales es M, donde M corresponde a un nmero grande
poco atractivo cuyo signo en la funcin objetivo depende del criterio de la misma, dado
que la funcin es maximizar el signo es negativo. Dado que utilizaremos el Mtodo
Simplex y no un software para la resolucin del modelo es necesario que M adquiera
valor, en este caso ser "-10000" un nmero bastante grande en el problema.
Las iteraciones que utiliza el Mtodo Simplex son las siguientes:

Podemos observar que todos los Cj - Zj son menores o iguales a 0, por ende hemos
llegado a la solucin ptima del problema, sin embargo recordemos que la funcin
objetivo fue alterada en su signo al principio, por ende se hace necesario regresarle su
signo original a Zj y a la fila Cj - Zj.
(-Z)max = -3310 *
Zmax = 3310

(-1)

Podemos cotejar con la funcin objetivo del modelo primal y encontraremos que hallamos
el mismo resultado.
Ahora se hace necesario interpretar los resultados de la tabla dual respecto al modelo
primal, y esta interpretacin se realiza siguiendo los siguientes principios.

La interpretacin del tabulado final del modelo dual es la siguiente:

TEOREMAS DE LA DUALIDAD EN PROGRAMACIN LINEAL


1. Si el modelo primal o dual tiene solucin ptima finita entonces su respectivo dual
o primal tendrn solucin ptima finita.
2. Si el modelo primal o dual tiene solucin ptima no acotada, entonces su
respectivo dual o primal no tendrn solucin, ser un modelo infactible.
3. Si el modelo primal o dual no tiene solucin entonces su respectivo dual o primal
no tendrn solucin.
4. Sea "A" un modelo primal cuyo modelo dual es "B", el modelo dual de "B" es igual
a "A", es decir "El modelo dual de un dual es un modelo primal".

Vous aimerez peut-être aussi