3. DUALIDAD.

3.1. Introducción.

3.2. Ejemplo.

3.3. Problema dual.

3.4. Teoremas de dualidad.

3.5. Solución dual óptima en la tabla.

3.6. Método simplex dual.

Método de la restricción artificial.

3.7. Algoritmo simplex dual.

1
3.1. Introducción.

MODELO PRIMAL ←→ MODELO DUAL

Algunas razones por las que conviene tener en cuenta

la dualidad:

1. Resolver el más conveniente de los modelos para

dar la solución para ambos.

2. Interpretación económica del problema.

3. Algoritmo simplex dual.

2
3.2. Ejemplo.
PRODUCTOS UNIDADES
RECURSOS 1 2 3 4 DE RECURSOS
A 2 3 1.5 4 300
B 2 4 3 1 500
C 5 1 2 2 250
BENEFICIO 4 3 6 2

Problema primal.
xj : unidades de producto j, j = 1, . . . , 4.
max z = 4x1 + 3x2 + 6x3 + 2x4
sujeto a
2x1 + 3x2 + 1.5x3 + 4x4 ≤ 300
2x1 + 4x2 + 3x3 + x4 ≤ 500
5x1 + x2 + 2x3 + 2x4 ≤ 250
xj ≥ 0 j = 1, . . . , 4
Problema dual.
yj : cantidad a pagar por unidad de rec. j, j = A, B, C.
min G = 300y1 + 500y2 + 250y3
sujeto a
2y1 + 2y2 + 5y3 ≥ 4
3y1 + 4y2 + y3 ≥ 3
1.5y1 + 3y2 + 2y3 ≥ 6
4y1 + y2 + 2y3 ≥ 2
y1 , y 2 , y 3 ≥ 0

3
3.3. Problema dual.

Definición 1 (Forma simétrica de maximización) Un

modelo lineal está escrito en forma simétrica de maxi-
mización si

• El objetivo es maximizar.

• Todas las restricciones son del tipo ≤.

• Todas las variables son no negativas.

Definición 2 (Forma simétrica de minimización) Un

modelo lineal está escrito en forma simétrica de mini-
mización si

• El objetivo es minimizar.

• Las restricciones son del tipo ≥.

• Las variables son no negativas.

4
3.3.1. Relación primal dual en forma simétrica.

PRIMAL DUAL
max z = cT x min G = bT y
sujeto a sujeto a
Ax ≤ b ←→ AT y ≥ c
x≥0 y≥0

Modelo primal ↔ Modelo dual

A es m × n ↔ AT es n × m
b: vector de recursos ↔ bT : vector de costes
cT : vector de costes ↔ c: vector de recursos
Número de restricciones = Número de variables
Número de variables = Número de restricciones

5
3.3.2. Dualidad: el caso general.

RELACIÓN PRIMAL-DUAL
max ⇐⇒ min
restricción i ≤ ⇐⇒ variable i ≥ 0
restricción i = ⇐⇒ variable i no restringida
restricción i ≥ ⇐⇒ variable i ≤ 0
variable i ≥ 0 ⇐⇒ restricción i ≥
variable i no restringida ⇐⇒ restricción i =
variable i ≤ 0 ⇐⇒ restricción i ≤

3.4. Teoremas de dualidad

Los siguientes teoremas establecen las relaciones entre

el problema primal, el dual y sus soluciones. En todas
ellas se utiliza la forma primal-dual simétrica.

Teorema 1 El dual del dual es el primal.

Teorema 2 (Dualidad débil) Sean x e y soluciones

factibles para los problemas primal y dual respectiva-
mente. Se verifica
z = cT x ≤ bT y = G

6
Corolario 1 Si las soluciones factibles x∗ e y∗ verifican
cT x∗ = bT y∗ , entonces x∗ e y∗ son soluciones óptimas
para el primal y el dual respectivamente.

Corolario 2 Si el problema primal es factible y no aco-

tado, el dual no tiene solución.

Corolario 3 Si el problema dual es factible y no aco-

tado, el primal es infactible.

Teorema 3 (Principio fundamental de la dualidad)

Si existe una solución óptima x∗ para el problema primal,
entonces existe una solución óptima y∗ para el problema
dual. De la misma forma, si existe una solución óptima
y∗ para el problema dual, entonces existe una solución
óptima x∗ para el problema primal. En ambos casos,
z ∗ = c T x∗ = b T y ∗ = G ∗

Teorema 4 Si B es base óptima para el problema pri-

mal, entonces y∗T = cTB B−1 es una solución óptima del
dual.

7
3.5. Solución dual óptima en la tabla.

y∗T = cTB B−1 es la solución óptima del modelo dual.

• Si el modelo está en forma canónica y b ≥ 0, la

tabla óptima es la siguiente

x1 x2 . . . x n xn+1 xn+2 . . . xn+m

cTB B−1 A − cT cTB B−1 cTB xB

cB B B−1A B−1 xB

• Si hay variables artificiales en la base

cTB B−1I − cTI = cTB B−1 − cTI

Sumando cTI se obtiene y∗T = cTB B−1 .

8
Ejemplo 1.
Dados los siguientes modelos primal-dual simétricos:

max z = 3x1 + x2 − 2x3 min G = 5y1 + 4y2

sujeto a sujeto a
x1 + 2x2 + x3 ≤ 5 → y1 + 2y2 ≥ 3
2x1 − x2 + 3x3 ≤ 4 2y1 − y2 ≥ 1
x1 , x 2 , x 3 ≥ 0 y1 + 3y2 ≥ −2
y1 , y 2 ≥ 0

Tabla inicial.

x1 x2 x3 x4 x5
−3 −1 2 0 0 0
a4 1 2 1 1 0 5
a5 2 −1 3 0 1 4

Tabla óptima.

x1 x2 x3 x4 x5
0 0 6 1 1 9
a2 0 1 − 15 2
5
− 15 6
5
7 1 2 13
a1 1 0 5 5 5 5

Solución óptima del dual: y∗T = cTB B−1 = (1, 1)

9
Ejemplo 2.

Dado el siguiente modelo lineal y su dual

min z = x1 + 2x2 max G = 12y1 + 6y2 + 4y3

sujeto a sujeto a
4x1 + 3x2 ≤ 12 4y1 + y2 + 2y3 ≤ 1
x1 + 3x2 ≥ 6 → 3y1 + 3y2 + y3 ≤ 2
2x1 + x2 ≥ 4 y1 ≤ 0, y2 , y3 ≥ 0
x1 , x 2 ≥ 0

Forma estándar para el modelo primal.

max (−z) = −x1 − 2x2 − M w1 − M w2
sujeto a

4x1 + 3x2 +x3 = 12

x1 + 3x2 −x4 +w1 =6
2x1 + x2 −x5 +w2 = 4

x1 , . . . , w 2 ≥ 0

10
Solución.

x1 x2 x3 x4 x5 w1 w2
-3M+1 -4M+2 0 M M 0 0 -10M
a3 4 3 1 0 0 0 0 12
aw1 1 3 0 -1 0 1 0 6
aw2 2 1 0 0 -1 0 1 4
− 53 M + 1
3
0 0 − 31 M + 2
3
M 4
3
M − 2
3
0 -2M-4
a3 3 0 1 1 0 -1 0 6
1
a2 3
1 0 − 31 0 1
3
0 2
5 1
aw2 3
0 0 3
-1 − 31 1 2
3 1 3 1
0 0 0 5 5
M− 5
M− 5
− 22
5
2 9
a3 0 0 1 5 5
− 25 − 95 12
5
a2 0 1 0 − 25 1
5
2
5
− 15 8
5
1
a1 1 0 0 5
− 35 − 15 3
5
6
5

• Solución óptima del primal:

6 8 22 22
x∗1 = , x∗2 = , −z ∗ = − ⇒ z∗ =
5 5 5 5

• Solución óptima del dual:

3 1 3 1
(0, M − , M − ) + (0, −M, −M ) = (0, − , − )
5 5 5 5
Por tanto, y1∗ = 0, y2∗ = 35 , y3∗ = 1
5

11
3.6. Método simplex dual. Método de la restricción
artificial.
Dado el modelo lineal en forma canónica,
max z = cT x
sujeto a
Ax ≤ b
x≥0

sumando variables de holgura se tiene el modelo

max z = cT x
sujeto a
Ax + Ixh = b
x, xh ≥ 0

Se elige como primera base B=I.

Se pueden dar dos casos:

• Si en la primera tabla ∀aj ∈ A zj − cj ≥ 0 → hay

factibilidad dual.

• En caso contrario, se puede conseguir la factibilidad

dual añadiendo al modelo la restricción artificial
X
xj ≤ M, J = {j : zj − cj < 0}
j∈J

12
3.7. Algoritmo simplex dual. (Objetivo maximizar)

1. Construir la tabla inicial.

2. – Si ∀aj ∈ A zj − cj ≥ 0, ir al paso 3.
– Si ∃aj ∈ A zj − cj < 0, añadir la restricción
artificial al modelo y construir la tabla del nuevo
modelo. Entra en la base el vector ak
zk − ck = min{zj − cj /zj − cj < 0}
j

y sale el vector de holgura de la restricción arti-

ficial. Haciendo operaciones de pivote, la nueva
tabla tiene factibilidad dual. Ir al paso 3.

3. – Si no hay restricción artificial.

∗ Si xBi ≥ 0 ∀i, solución óptima. Parar.
∗ Si ∃xBi < 0, ir al paso 4.
– Si hay restricción artificial.
∗ Si xBi ≥ 0 ∀i y la variable de holgura de la
restricción artificial está en la base con valor
positivo, solución óptima. Parar.
∗ Si xBi ≥ 0 ∀i y la variable de holgura de la
restricción artificial no está en la base o vale
cero, primal no acotado y dual infactible.
Parar.
∗ Si ∃xBi < 0, ir al paso 4.

13
4. Criterio de salida. Sale el vector ar
xBr = min{xBi/xBi < 0}
i

Fila r → fila pivote.

Criterio de entrada. Entra el vector ak
zk − c k zj − c j
= max{ /yrj < 0}
yrk j yrj

yrk es el pivote. Columna k → columna pivote.

– Si no existe yrj negativo, primal infactible y
dual no acotado. Parar.
– Si no, ir al paso 5.

5. Calcular una nueva tabla haciendo operaciones de

pivote. Ir al paso 3.

14
Ejemplo 1.
min z = 3x1 + 2x2 max (−z) = −3x1 − 2x2
sujeto a sujeto a
x1 + 2x2 ≥ 3 −x1 − 2x2 ≤ −3
−2x1 + x2 ≥ 2 → 2x1 − x2 ≤ −2
x1 + 4x2 ≥ 7 −x1 − 4x2 ≤ −7
x1 , x 2 ≥ 0 x 1 , x2 ≥ 0

Iteraciones del algoritmo simplex dual.

x1 x2 x3 x4 x5
3 2 0 0 0 0
0 a3 −1 −2 1 0 0 −3
0 a4 2 −1 0 1 0 −2
0 a5 −1 -4 0 0 1 −7
5 1
2
0 0 0 2
− 72
0 a3 − 12 0 1 0 − 21 1
2
9
0 a4 4
0 0 1 − 14 − 14
1
−2 a2 4
1 0 0 − 41 7
4
7 0 0 2 0 −4
0 a3 −4 0 1 −2 0 1
0 a5 −7 0 0 −4 1 1
−2 a2 −2 1 0 −1 0 2

Solución óptima del primal:

x∗1 = 0, x∗2 = 2, −z ∗ = −4 → z ∗ = 4.
Solución óptima del dual:
y1∗ = 0, y2∗ = 2, y3∗ = 0 → G∗ = 4.
15
Ejemplo 2.

max z = −4x1 + 5x2 max z = −4x1 + 5x2

sujeto a sujeto a
2x1 + 2x2 ≥ 4 −2x1 − 2x2 + x3 = −4
x1 − x 2 ≥ 3 −x1 + x2 + x4 = −3
x1 , x 2 ≥ 0 x2 + x5 = M
x1 , . . . , x 5 ≥ 0

Iteraciones del algoritmo simplex dual.

x1 x2 x3 x4 x5
4 −5 0 0 0 0
0 a3 −2 −2 1 0 0 −4 −2
0 a4 −1 1 0 1 0 −3 1
0 a5 0 1 0 0 1 M
4 0 0 0 5 5M
0 a3 −2 0 1 0 2 −4 + 2M 2
0 a4 -1 0 0 1 −1 −3 − M
5 a2 0 1 0 0 1 M 0
0 0 0 4 1 M − 12
0 a3 0 0 1 −2 4 4M + 2
−4 a1 1 0 0 −1 1 3+M
5 a2 0 1 0 0 1 M

Primal no acotado. Dual infactible.

16