UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA

Facultad de Ciencias de la Ingeniería, Administrativas y Sociales, Tecate

Presentan:
Avitia Arredondo Daniel Alejandro
Medina Torres Cristhian Alberto
Pinedo Julia Gabriela

Grupo:
152

“META 3.5. TRABAJO FINAL DE LABORATORIO DE I.O.”

Docente:
Velia Verónica Ferreiro Martínez

Tecate, Baja California, a 25 de mayo de 2021

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

ÍNDICE
1 CAPÍTULO I. INTRODUCCIÓN ......................................................................................... 5
1.1 ¿Qué es la Investigación de Operaciones? .....................................................................................6
1.2 Software TORA ..............................................................................................................................6
1.3 Objetivos.........................................................................................................................................7
2 CAPÍTULO II. APLICACIÓN DE LOS MÉTODOS DE SOLUCIÓN DE
PROBLEMAS: EJEMPLOS, EJERCICIOS Y TAREAS ......................................................... 8
2.1 Método Gráfico ..............................................................................................................................9
2.1.1 Presentación I .........................................................................................................................9
2.1.1.1 Ejemplo 1............................................................................................................................9
2.1.1.2 Ejemplo 2..........................................................................................................................11
2.1.1.3 Ejemplo 3..........................................................................................................................12
2.1.2 Trabajo en clase I..................................................................................................................14
2.1.2.1 Ejercicio 1.........................................................................................................................14
2.1.2.2 Ejercicio 2.........................................................................................................................16
2.1.2.3 Ejercicio 3.........................................................................................................................17
2.1.2.4 Ejercicio 4.........................................................................................................................19
2.1.2.5 Ejercicio 5.........................................................................................................................20
2.1.3 Tarea I...................................................................................................................................22
2.1.3.1 Ejercicio 1.........................................................................................................................23
2.1.3.2 Ejercicio 2.........................................................................................................................24
2.2 Método Simplex ...........................................................................................................................26
2.2.1 Presentación II ......................................................................................................................26
2.2.1.1 Ejemplo 1..........................................................................................................................26
2.2.1.2 Ejemplo 2..........................................................................................................................28
2.2.2 Trabajo en clase II ................................................................................................................30
2.2.2.1 Ejercicio 1.........................................................................................................................30
2.2.2.2 Ejercicio 2.........................................................................................................................32
2.2.2.3 Ejercicio 3.........................................................................................................................35
2.2.3 Tarea II .................................................................................................................................36
2.2.3.1 Ejercicio 1.........................................................................................................................36
2.2.3.2 Ejercicio 2.........................................................................................................................38

TRABAJO FINAL DE LABORATORIO DE I.O. I

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

2.2.3.3 Ejercicio 3.........................................................................................................................41

2.3 Método de la M Grande ................................................................................................................43
2.3.1 Presentación III .....................................................................................................................44
2.3.1.1 Ejemplo 1..........................................................................................................................44
2.3.1.2 Ejemplo 2..........................................................................................................................46
2.3.2 Trabajo en clase III ...............................................................................................................48
2.3.2.1 Ejercicio 1.........................................................................................................................48
2.3.2.2 Ejercicio 2.........................................................................................................................50
2.3.3 Tarea III ................................................................................................................................52
2.3.3.1 Ejercicio 1.........................................................................................................................52
2.3.3.2 Ejercicio 2.........................................................................................................................55
2.4 Método Doble Fase.......................................................................................................................57
2.4.1 Presentación IV ....................................................................................................................57
2.4.1.1 Ejemplo 1..........................................................................................................................58
2.4.1.2 Ejemplo 2..........................................................................................................................60
2.4.2 Trabajo en clase IV ...............................................................................................................62
2.4.2.1 Ejercicio 1.........................................................................................................................63
2.4.2.2 Ejercicio 2.........................................................................................................................65
2.4.3 Tarea IV ................................................................................................................................67
2.4.3.1 Ejercicio 1.........................................................................................................................67
2.4.3.2 Ejercicio 2.........................................................................................................................70
3 CAPÍTULO III. CONCLUSIONES .................................................................................... 73
3.1 Conclusión 1. Avitia Arredondo...................................................................................................74
3.2 Conclusión 2. Medina Torres .......................................................................................................74
3.3 Conclusión 3. Pinedo ....................................................................................................................74
4 REFERENCIAS .................................................................................................................... 76

TRABAJO FINAL DE LABORATORIO DE I.O. II

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

1 CAPÍTULO I. INTRODUCCIÓN

TRABAJO FINAL DE LABORATORIO DE I.O. 5

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

1.1 ¿Qué es la Investigación de Operaciones?

Dado que el presente documento expone diversos ejercicios relacionados con la Investigación de
Operaciones (también mencionada como ‘IO’), es preciso definirla:
“La IO es la aplicación, por grupos interdisciplinarios, del método científico a problemas
relacionados con el control de las organizaciones o sistemas (hombre-máquina) a fin de que se
produzcan soluciones que mejor sirvan a los objetivos de toda la organización”. (Churchman,
Ackoff, & Arnoff, 1957)
El surgimiento de la Investigación de Operaciones ha beneficiado a numerosas organizaciones en
todo el mundo. Esta disciplina se relaciona con las diversas problemáticas que surgen en la
coordinación de actividades en una organización mediante un enfoque similar al aplicado en áreas
científicas. (Hillier & Lieberman, 2010) La perspectiva organizacional de la IO le permite el
perseguir objetivos con congruencia al buscar la mejor solución – o solución óptima – para la
problemática en cuestión. Además, el enfoque en equipo le ha permitido la implementación de
modelos matemáticos. En general, las fases para desarrollar estos procesos sistemáticos son las
siguientes:
• Definición del problema de interés y recolección de datos relevantes.
• Formulación de un modelo matemático que represente el problema.
• Desarrollo de un procedimiento basado en computadora para derivar una solución para el
problema a partir del modelo.
• Prueba del modelo.
• Preparación para la aplicación del modelo.
• Implementación.
El surgimiento de computadores cada vez más avanzados ha conducido a la implementación de
paquetes de software que ejecuten los algoritmos previamente planteados por el equipo y
desarrollen su solución automáticamente. El programa que se desarrollará a continuación será
“TORA”.

1.2 Software TORA

El software TORA es un programa de optimización, principalmente está basado en Windows. Es

una excelente herramienta para resolver diversos modelos y aplicaciones de la IO. Este programa
fue incluido por el profesor de ingeniería industrial, Hamdy A. Taha en su libro “Investigación de
Operaciones (1971)”. La interfaz de esta aplicación es muy sencilla, por lo que puede utilizarse en
procesadores de 32 y 64 bits.
Mediante la aplicación TORA se pueden resolver diversos problemas de programación lineal
utilizando diferentes métodos de resolución, por ejemplo, método gráfico, simplex, doble fase, etc.

TRABAJO FINAL DE LABORATORIO DE I.O. 6

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Al utilizar el software, el Ingeniero desarrollará diferentes habilidades en la implementación de

aplicaciones especializadas en resolver modelos PL en la Investigación de Operaciones.
Como se menciona al inicio de la sección, este documento relaciona estrechamente a la IO con el
software de optimización TORA; al resolver diferentes ejercicios por método gráfico, simplex
original, M grande y doble fase. Dichos métodos se estudiaron durante el curso de Investigación
de Operaciones, 2021-1. El presente trabajo concluye los diversos modelos matemáticos
desarrollados en el transcurso de la materia al aplicar los diversos métodos de solución con un
programa de resolución de modelos de Programación Lineal.

1.3 Objetivos

✓ Presentar el trabajo final del curso de Investigación de Operaciones.

✓ Aplicar un programa de optimización para la resolución de modelos matemáticos.
✓ Implementar el software TORA en la comprobación de ejercicios previamente realizados
mediante tablas y gráficas.

TRABAJO FINAL DE LABORATORIO DE I.O. 7

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

2 CAPÍTULO II. APLICACIÓN DE

LOS MÉTODOS DE SOLUCIÓN
DE PROBLEMAS: EJEMPLOS,
EJERCICIOS Y TAREAS

TRABAJO FINAL DE LABORATORIO DE I.O. 8

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

2.1 Método Gráfico

El conjunto solución de un sistema de desigualdades es un conjunto convexo. Un conjunto de

puntos S es un conjunto convexo si el segmento rectilíneo que une cualquier par de puntos de S se
encuentra completamente en S. Vectorialmente, todo punto perteneciente a una recta del conjunto
S puede ser relacionado como una combinación convexa de dos puntos.
Al punto que está en el conjunto convexo se le denomina punto extremo. La función objetivo es
tangente a este punto.
Este tipo de solución generalmente se emplea para resolver casos de dos variables, ya que resulta
bastante difícil dibujar planos de tres variables, e imposible hacerlo para cuatro o más variables.

2.1.1 Presentación I

A continuación se muestran los ejemplos analizados en la presentación I: Método Gráfico; cuyas

soluciones se llevaron a cabo mediante el software TORA.

2.1.1.1 Ejemplo 1

Problema: “Fábrica de muebles Dico”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Max Z = 5𝑋1 + 5𝑋2
s.a.
1) 12𝑋1 + 8𝑋2 ≤ 96
𝟐) 6𝑋1 + 12𝑋2 ≤ 72
𝟑) 𝑋1 ≥ 2
𝑋1 𝑦 𝑋2 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 1)

TRABAJO FINAL DE LABORATORIO DE I.O. 9

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Fig. 1 Captura de pantalla de los datos de inicio.

Posteriormente, se trazó la gráfica correspondiente mediante la función “Solve

Problem/Graphical”. (fig. 2)

Fig. 2 Área factible de solución.

Comprobando con la ecuación de la función objetivo…

TRABAJO FINAL DE LABORATORIO DE I.O. 10

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Max Z = 5𝑋1 + 5𝑋2

45 = 5(6) + 5(3) → 45 = 45

CONCLUSIÓN: Para maximizar utilidades, es necesario producir 6 camas y 3 restiradores.

2.1.1.2 Ejemplo 2

Problema: “Compañía Lily-Lady”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Max Z = 8𝑋1 + 6𝑋2
s.a.
1) 10𝑋1 + 5𝑋2 ≤ 40
𝟐) 6𝑋1 + 7𝑋2 ≤ 32
𝑋1 𝑦 𝑋2 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 3)

Fig. 3 Captura de pantalla de datos de inicio.

Posteriormente, se trazó la gráfica correspondiente mediante la función “Solve

Problem/Graphical”. (fig. 4)

TRABAJO FINAL DE LABORATORIO DE I.O. 11

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Fig. 4 Área factible de solución.

Comprobando con la ecuación de la función objetivo…

Max Z = 8𝑋1 + 6𝑋2
36 = 8(3) + 6(2) → 36 = 36

CONCLUSIÓN: Para maximizar utilidades es necesario producir 3 juguetes clásicos por cada dos
juguetes de moda.

2.1.1.3 Ejemplo 3

Problema: “Compañía PET”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Min Z = 5𝑋1 + 8𝑋2
s.a.

TRABAJO FINAL DE LABORATORIO DE I.O. 12

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

1) 4𝑋1 + 10𝑋2 ≥ 40
𝟐) 10𝑋1 + 5𝑋2 ≥ 50
𝟑) 7𝑋1 + 7𝑋2 ≥ 49
𝑋1 𝑦 𝑋2 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 5)

Fig. 5 Captura de pantalla de datos de inicio.

Posteriormente, se trazó la gráfica correspondiente mediante la función “Solve

Problem/Graphical”. (fig. 6)

TRABAJO FINAL DE LABORATORIO DE I.O. 13

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Fig. 6 Área factible de solución.

Comprobando con la ecuación de la función objetivo…

Min Z = 5𝑋1 + 8𝑋2
41 = 5(5) + 8(2) → 41 = 41

CONCLUSIÓN: Para minimizar costos es necesario producir 5 unidades de alimento R por 2

unidades de alimento S.

2.1.2 Trabajo en clase I

A continuación se presentan las soluciones hechas en TORA de los ejercicios (5) realizados en
clase I, referentes al Método Gráfico.

2.1.2.1 Ejercicio 1

TRABAJO FINAL DE LABORATORIO DE I.O. 14

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Problema: “Minas Universal”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Min Z = 20𝑋1 + 21𝑋2 + 18𝑋3
s.a.
1) 4𝑋1 + 6𝑋2 + 𝑋3 ≥ 54
𝟐) 4𝑋1 + 4𝑋2 + 6𝑋3 ≥ 65
𝟑) 𝑋1 ≤ 7
𝟒) 𝑋2 ≤ 7
𝟓) 𝑋3 ≤ 7
𝑋1 , 𝑋2 𝑦 𝑋3 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 7)

Fig. 7 Captura de pantalla de datos de inicio.

Para resolver el problema gráficamente, se obtuvo lo siguiente (fig. 8):

Fig. 8 El programa no permite la solución gráfica del problema.

TRABAJO FINAL DE LABORATORIO DE I.O. 15

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

CONCLUSIÓN: No es posible aplicar el método grafico al modelo matemático, debido a que una
regla para este es que solo debe tener como máximo 2 variables y en este problema se conocen 3
variables de holgura.

2.1.2.2 Ejercicio 2

Problema: “Modelo matemático 1”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Max Z = 3𝑋1 + 9𝑋2
s.a.
1) 𝑋1 + 4𝑋2 ≤ 8
𝟐) 𝑋1 + 2𝑋2 ≤ 4
𝑋1 𝑦 𝑋2 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 9)

Fig. 9 Tabla de valores.

Posteriormente, se trazó la gráfica correspondiente mediante la función “Solve

Problem/Graphical”. (fig. 10)

TRABAJO FINAL DE LABORATORIO DE I.O. 16

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Fig. 10 Área factible de solución.

Comprobando con la ecuación de la función objetivo…

Max Z = 3𝑋1 + 9𝑋2
18 = 3(0) + 9(2) → 18 = 18

CONCLUSIÓN: Para maximizar utilidades, la empresa debe producir únicamente lo asignado a

la variable X2. Es decir, que X2 sería igual a 2 y X1 sería 0.

2.1.2.3 Ejercicio 3

Problema: “Modelo matemático 2”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Max Z = 50𝑋1 + 20𝑋2
s.a.
1) 2𝑋1 + 4𝑋2 ≤ 400

TRABAJO FINAL DE LABORATORIO DE I.O. 17

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

𝟐) 100𝑋1 + 50𝑋2 ≤ 8000

𝟑) 𝑋1 ≤ 60
𝑋1 𝑦 𝑋2 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 11)

Fig. 11 Tabla inicial con cada uno de los valores.

Posteriormente, se trazó la gráfica correspondiente mediante la función “Solve

Problem/Graphical”. (fig. 12)

Fig. 12 Solución óptima.

TRABAJO FINAL DE LABORATORIO DE I.O. 18

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Comprobando con la ecuación de la función objetivo…

Max Z = 50𝑋1 + 20𝑋2
3800 = 50(60) + 20(40) → 3800 = 3800

CONCLUSIÓN: Para maximizar utilidades, la empresa debe producir 60X1 por cada 40X2. Es
decir, se debe obtener una cantidad de 60 productos asignados a la variable X1 por cada 40
productos asignados a la variable X2.

2.1.2.4 Ejercicio 4

Problema: “Modelo matemático 3”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Max Z = 24𝑋1 + 28𝑋2
s.a.
1) 5𝑋1 + 4𝑋2 ≤ 2000
𝟐) 𝑋1 ≥ 80
𝟑) 𝑋1 + 𝑋2 ≥ 300
𝟒) 𝑋2 ≥ 100
𝑋1 𝑦 𝑋2 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 13)

Fig. 13 Tabla inicial.

TRABAJO FINAL DE LABORATORIO DE I.O. 19

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Posteriormente, se trazó la gráfica correspondiente mediante la función “Solve

Problem/Graphical”. (fig. 14)

Fig. 14 Área factible de solución.

Comprobando con la ecuación de la función objetivo…

Max Z = 24𝑋1 + 28𝑋2
13120 = 24(80) + 28(400) → 13120 = 13120

CONCLUSIÓN: Para maximizar utilidades, la empresa tiene la obligación de producir 80

productos asignados a X1 (80X1) por cada 400 productos asignados a X2 (X2).

2.1.2.5 Ejercicio 5

Problema: “Compañía Crisco”.

• Modelo matemático:

TRABAJO FINAL DE LABORATORIO DE I.O. 20

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Min Z = 4𝑋1 + 6𝑋2

s.a.
1) 5𝑋1 + 8𝑋2 = 100000
𝟐) 10𝑋1 + 5𝑋2 = 178000
𝑋1 𝑦 𝑋2 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. Para lograr encontrar los valores de X1 y X2, se realizó un ajuste a
las restricciones, dividiéndolas entre 1000. (fig. 15)

Fig. 15 Tabla inicial.

Posteriormente, se trazó la gráfica correspondiente mediante la función “Solve

Problem/Graphical”. (fig. 16)

TRABAJO FINAL DE LABORATORIO DE I.O. 21

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Fig. 16 Área factible de solución.

Comprobando con la ecuación de la función objetivo…

Min Z = 4𝑋1 + 6𝑋2
79.20 ∗ 1000 = 4(16.80 ∗ 1000) + 6(2 ∗ 1000)
79200 = 4(16800) + 6(2000) → 79200 = 79200

CONCLUSIÓN: Para minimizar el desperdicio, la compañía Crisco deberá realizar 16,800 cortes
de tipo A y 2,000 cortes de tipo B.

2.1.3 Tarea I

A continuación se exponen los 2 ejercicios del Método Gráfico, realizados como tarea I; cuyas
soluciones, además, se hallaron mediante TORA.

TRABAJO FINAL DE LABORATORIO DE I.O. 22

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

2.1.3.1 Ejercicio 1

Problema: “Modelo matemático 1”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Min Z = 15𝑋1 + 20𝑋2
s.a.
1) 𝑋1 + 2𝑋2 ≥ 10
𝟐) 𝑋1 + 𝑋2 ≥ 6
𝟑) 2𝑋1 − 3𝑋2 ≤ 6
𝑋1 𝑦 𝑋2 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 17)

Fig. 17 Tabla de inicio.

Posteriormente, se trazó la gráfica correspondiente mediante la función “Solve

Problem/Graphical”. (fig. 18)

TRABAJO FINAL DE LABORATORIO DE I.O. 23

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Fig. 18 Área de solución óptima.

Comprobando con la ecuación de la función objetivo…

Min Z = 15𝑋1 + 20𝑋2
110 = 15(2) + 20(4) → 110 = 110

CONCLUSIÓN: Se necesita de una variable X1 = 2 y X2 = 4 para minimizar los recursos.

2.1.3.2 Ejercicio 2

Problema: “Modelo matemático 2”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Min Z = 3𝑋1 + 2𝑋2
s.a.
1) 𝑋1 + 2𝑋2 ≤ 10
𝟐) 2𝑋1 + 3𝑋2 = 6

TRABAJO FINAL DE LABORATORIO DE I.O. 24

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

𝟑) 2𝑋1 + 𝑋2 ≥ 8
𝑋1 𝑦 𝑋2 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 19)

Fig. 19 Tabla inicial.

Posteriormente, se trazó la gráfica correspondiente mediante la función “Solve

Problem/Graphical”. (fig. 20)

Fig. 20 No hay área factible de solución.

TRABAJO FINAL DE LABORATORIO DE I.O. 25

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Posteriormente, como se puede apreciar, la función no tiene un área factible por lo que este ejercicio
no se puede realizar.
CONCLUSIÓN: No hay solución.

2.2 Método Simplex

El método Simplex es un procedimiento iterativo que permite mejorar la solución de la función

objetivo en cada paso. El proceso concluye cuando no es posible continuar mejorando dicho valor,
es decir, se ha alcanzado la solución óptima (el mayor o menor valor posible, según el caso para el
que se satisfacen todas las restricciones.
La forma tabular del método simplex registra sólo la información esencial, a saber: 1) los
coeficientes de las variables, 2) las constantes del lado derecho de las ecuaciones y 3) la variable
básica que aparece en cada ecuación. A cada una de las tablas se les denomina iteraciones y, según
lo requiera el procedimiento, habrá variables básicas que salgan y entren. Además, se selecciona
un coeficiente “más negativo” o “más positivo” (según lo requiera el problema). A la columna
debajo de este coeficiente se le denomina columna pivote. Al renglón, renglón pivote; y al número
que se encuentra en ambos recuadros se le llama número pivote.

2.2.1 Presentación II

A continuación se muestran los ejemplos analizados en la presentación II: Método Simplex; cuyas
soluciones se llevaron a cabo mediante el software TORA.

2.2.1.1 Ejemplo 1

Problema: “Empresa Juguetrenes”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Max Z = 5𝑋1 + 5𝑋2
s.a.
1) 6𝑋1 + 4𝑋2 ≤ 600
𝟐) 4𝑋1 + 2𝑋2 ≤ 400
𝟑) 3𝑋1 + 5𝑋2 ≤ 480
𝑋1 𝑦 𝑋2 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

TRABAJO FINAL DE LABORATORIO DE I.O. 26

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 21)

Fig. 21 Tabla de inicio.

Posteriormente, se realizaron las múltiples tablas correspondientes mediante la función “Solve

Problem/Algebraic/Interactions/Bounded Simplex”. (figs. 22-24)

Fig. 22 Iteración 1.

En la primera tabla del método, el programa realizó las operaciones debidas para dar el paso a X1,
que será la variable que se eligió y se cambiará por sX3.

Fig. 23 Iteración 2.

TRABAJO FINAL DE LABORATORIO DE I.O. 27

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

En la segunda tabla del método, el programa realizó las operaciones debidas para dar el paso a X2,
que será la variable que se eligió y se cambiará por sX5.

Fig. 24 Tabla óptima.

En la última tabla ya no hubo números negativos en las iteraciones por lo cual hasta ahí finalizaron
las operaciones.

Comprobando con la ecuación de la función objetivo…

Max Z = 5𝑋1 + 5𝑋2
600 = 5(60) + 5(60) → 600 = 600

CONCLUSIÓN: Se necesita producir 60 muñecos y 60 carritos para maximizar utilidades.

2.2.1.2 Ejemplo 2

Problema: “Compañía General Electric”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Max Z = 5𝑋1 + 3𝑋2
s.a.
1) 5𝑋1 + 2𝑋2 ≤ 10
𝟐) 3𝑋1 + 5𝑋2 ≤ 15
𝑋1 𝑦 𝑋2 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

TRABAJO FINAL DE LABORATORIO DE I.O. 28

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 25)

Fig. 25 Tabla inicial.

Posteriormente, se realizaron las múltiples tablas correspondientes mediante la función “Solve

Problem/Algebraic/Interactions/Bounded Simplex”. (figs. 26-28)

Fig. 26 Iteración 1.

En la primera tabla del método, el programa realizó las operaciones debidas para dar el paso a X1,
que será la variable que se eligió y se cambiará por sX3.

Fig. 27 Iteración 2.

TRABAJO FINAL DE LABORATORIO DE I.O. 29

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

En la segunda tabla del método, el programa realizó las operaciones debidas para dar el paso a
X2, que será la variable que se eligió y se cambiará por sX4.

Fig. 28 Tabla óptima.

En la última tabla ya no hubo números negativos en las iteraciones por lo cual hasta ahí finalizaron
las operaciones.

Comprobando con la ecuación de la función objetivo…

Max Z = 5𝑋1 + 3𝑋2
12.37 = 5(1.05) + 5(2.37) → 12.37 = 12.37

CONCLUSIÓN: Se necesita producir 1.05 televisores tipo 1 y 2.37 televisores tipo 2 para
maximizar utilidades.

2.2.2 Trabajo en clase II

A continuación se presentan las soluciones hechas en TORA de los ejercicios (3) realizados en
clase II, referentes al Método Simplex.

2.2.2.1 Ejercicio 1

Problema: “Modelo matemático 1”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Max Z = 3𝑋1 + 9𝑋2

TRABAJO FINAL DE LABORATORIO DE I.O. 30

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

s.a.
1) 𝑋1 + 4𝑋2 ≤ 8
𝟐) 𝑋1 + 2𝑋2 ≤ 4
𝑋1 𝑦 𝑋2 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 29)

Fig. 29 Tabla inicial.

Posteriormente, se realizaron las múltiples tablas correspondientes mediante la función “Solve

Problem/Algebraic/Interactions/Bounded Simplex”. (figs. 30-32)

Fig. 30 Iteración 1.

En la primera tabla del método, el programa realizó las operaciones debidas para dar el paso a X2,
que será la variable que se eligió y se cambiará por sX3.

TRABAJO FINAL DE LABORATORIO DE I.O. 31

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Fig. 31 Iteración 2.

En la segunda tabla del método, el programa realizó las operaciones debidas para dar el paso a X1,
que será la variable que se eligió y se cambiará por sX4.

Fig. 32 Tabla óptima.

En la última tabla ya no hubo números negativos en las iteraciones por lo cual hasta ahí finalizaron
las operaciones.

Comprobando con la ecuación de la función objetivo…

Max Z = 3𝑋1 + 9𝑋2
18 = 3(0) + 9(2) → 18 = 18

CONCLUSIÓN: Se necesitan dos variables X1 = 0 y X2 = 2 para maximizar utilidades.

2.2.2.2 Ejercicio 2

TRABAJO FINAL DE LABORATORIO DE I.O. 32

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Problema: “Modelo matemático 2”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Max Z = 7𝑋1 + 8𝑋2
s.a.
1) 𝑋1 + 2𝑋2 ≤ 3
𝟐) 𝑋1 + 3𝑋2 ≤ 1
𝑋1 𝑦 𝑋2 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 33)

Fig. 33 Tabla inicial.

Posteriormente, se realizaron las múltiples tablas correspondientes mediante la función “Solve

Problem/Algebraic/Interactions/Bounded Simplex”. (figs. 34-36)

Fig. 34 Iteración 1.

TRABAJO FINAL DE LABORATORIO DE I.O. 33

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

En la primera tabla del método, el programa realizó las operaciones debidas para dar el paso a X2,
que será la variable que se eligió y se cambiará por sX4.

Fig. 35 Iteración 2.

En la segunda tabla del método, el programa realizó las operaciones debidas para dar el paso a X1,
que será la variable que se eligió y se cambiará por X2.

Fig. 36 Tabla óptima.

En la última tabla ya no hubo números negativos en las iteraciones por lo cual hasta ahí finalizaron
las operaciones.

Comprobando con la ecuación de la función objetivo…

Max Z = 7𝑋1 + 8𝑋2
7 = 7(1) + 8(0) → 7=7

CONCLUSIÓN: Para maximizar utilidades, la empresa debe producir únicamente el producto

asignado a la variable X1 (1). Es decir, se descarta el producto asignado a la variable X2 (0).

TRABAJO FINAL DE LABORATORIO DE I.O. 34

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

2.2.2.3 Ejercicio 3

Problema: “Modelo matemático 3”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Max Z = 2𝑋1 + 𝑋2
s.a.
1) 10𝑋1 + 10𝑋2 ≤ 9
𝟐) 10𝑋1 + 5𝑋2 ≤ 1
𝑋1 𝑦 𝑋2 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 37)

Fig. 37 Tablas de inicio.

Posteriormente, se realizaron las múltiples tablas correspondientes mediante la función “Solve

Problem/Algebraic/Interactions/Bounded Simplex”. (figs. 38-39)

Fig. 38 Iteración 1.

TRABAJO FINAL DE LABORATORIO DE I.O. 35

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

En la primera tabla del método, el programa realizó las operaciones debidas para dar el paso a X1,
que será la variable que se eligió y se cambiará por sX4.

Fig. 39 Tabla óptima.

En la segunda tabla ya no hubo números negativos en las iteraciones por lo cual hasta ahí finalizaron
las operaciones.

Comprobando con la ecuación de la función objetivo…

Max Z = 2𝑋1 + 𝑋2
0.20 = 2(0.10) + (0) → 0.20 = 0.20

CONCLUSIÓN: Para resolver el sistema de ecuaciones lineales (y para maximizar utilidades…)

la ruta posible es que X1 = 1/10 (0.10) cuando X2 = 0.

2.2.3 Tarea II

A continuación se exponen los 3 ejercicios del Método Simplex, realizados como tarea II; cuyas
soluciones, además, se hallaron mediante TORA.

2.2.3.1 Ejercicio 1

Problema: “Modelo matemático 1”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Max Z = 𝑋1 + 9𝑋2 + 𝑋3

TRABAJO FINAL DE LABORATORIO DE I.O. 36

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

s.a.
1) 𝑋1 + 2𝑋2 + 3𝑋3 ≤ 9
𝟐) 3𝑋1 + 2𝑋2 + 2𝑋3 ≤ 15
𝑋1 , 𝑋2 𝑦 𝑋3 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 40)

Fig. 40 Tabla de inicio.

Posteriormente, se realizaron las múltiples tablas correspondientes mediante la función “Solve

Problem/Algebraic/Interactions/Bounded Simplex”. (figs. 41-42)

Fig. 41 Iteración 1.

En la primera tabla se observa -en color verde- la variable que entra (en este caso, X2). Y en color
rojo, la variable saliente, sX4.

TRABAJO FINAL DE LABORATORIO DE I.O. 37

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Fig. 42 Tabla óptima.

La segunda tabla ya no contiene algún término “más negativo”, por lo que se selecciona como tabla
óptima y se recaban los datos -solución- de Z, X1 y X2, respectivamente.

Comprobando con la ecuación de la función objetivo…

Max Z = 𝑋1 + 9𝑋2 + 𝑋3
40.5 = (0) + 9(4.5) + (0) → 40.5 = 40.5

CONCLUSIÓN: Para resolver el sistema de ecuaciones se deberá tener X1 = 0, X2 = 9/2 (4.5) y

X3 = 0, para maximizar utilidades.

2.2.3.2 Ejercicio 2

Problema: “Modelo matemático 2”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Max Z = 7𝑋1 + 20𝑋2 + 14𝑋3 + 20𝑋4 + 10𝑋5 + 5𝑋6
s.a.
1) 𝑋1 + 𝑋2 ≤ 1
𝟐) 𝑋2 + 𝑋3 ≤ 1
𝟑) 𝑋3 + 𝑋4 ≤ 1
𝟒) 𝑋4 + 𝑋5 ≤ 1
𝟓) 𝑋5 + 𝑋6 ≤ 1
𝟔) 𝑋6 ≤ 1
𝑋1 , 𝑋2 , 𝑋3 , 𝑋4 , 𝑋5 𝑦 𝑋6 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

TRABAJO FINAL DE LABORATORIO DE I.O. 38

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 43)

Fig. 43 Tabla de inicio.

Posteriormente, se realizaron las múltiples tablas correspondientes mediante la función “Solve

Problem/Algebraic/Interactions/Bounded Simplex”. (figs. 44-49)

Fig. 44 Iteración 1.

En la primera tabla se observa -en color verde- la variable que entra (en este caso, X2). Y en color
rojo, la variable saliente, sX7.

Fig. 45 Iteración 2.

TRABAJO FINAL DE LABORATORIO DE I.O. 39

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

En la segunda tabla se observa -en color verde- la variable que entra (en este caso, X4). Y en color
rojo, la variable saliente, sX9.

Fig. 46 Iteración 3.

En la tercera tabla se observa -en color verde- la variable que entra (en este caso, X5). Y en color
rojo, la variable saliente, sX10.

Fig. 47 Iteración 4.

En la cuarta tabla se observa -en color verde- la variable que entra (en este caso, X6). Y en color
rojo, la variable saliente, sX11.

Fig. 48 Iteración 5. Tabla óptima.

La quinta tabla ya no contiene algún término “más negativo”, por lo que se selecciona como tabla
óptima y se recaban los datos -solución- de Z, X1 y X2, X3, X4, X5 y X6, respectivamente.

TRABAJO FINAL DE LABORATORIO DE I.O. 40

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Fig. 49 Captura de la iteración 5 (tabla óptima), donde se observan los valores solución.

Comprobando con la ecuación de la función objetivo…

Max Z = 7𝑋1 + 20𝑋2 + 14𝑋3 + 20𝑋4 + 10𝑋5 + 5𝑋6
45 = 7(0) + 20(1) + 14(0) + 20(1) + 10(0) + 5(1) → 45 = 45

CONCLUSIÓN: Para maximizar utilidades es requerido que las variables X1, X2, X3, X4, X5, X6
sean igual a 0, 1, 0, 1, 0 y 1, respectivamente; para concluir en Z = 45 unidades.

2.2.3.3 Ejercicio 3

Problema: “Modelo matemático 3”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Max Z = 6𝑋1 − 𝑋2 + 3𝑋3
s.a.
1) 7𝑋1 + 11𝑋2 + 3𝑋3 ≤ 25
𝟐) 2𝑋1 + 8𝑋2 + 6𝑋3 ≤ 30
𝟑) 6𝑋1 + 𝑋2 + 7𝑋3 ≤ 35
𝑋1 , 𝑋2 𝑦 𝑋3 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 50)

TRABAJO FINAL DE LABORATORIO DE I.O. 41

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Fig. 50 Tabla de inicio.

Posteriormente, se realizaron las múltiples tablas correspondientes mediante la función “Solve

Problem/Algebraic/Interactions/Bounded Simplex”. (figs. 51-53)

Fig. 51 Iteración 1.

En la primera tabla se observa -en color verde- la variable que entra (en este caso, X1). Y en color
rojo, la variable saliente, X4.

Fig. 52 Iteración 2.

TRABAJO FINAL DE LABORATORIO DE I.O. 42

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

En la segunda tabla se observa -en color verde- la variable que entra (en este caso, X3). Y en color
rojo, la variable saliente, X6.

Fig. 53 Iteración 3. Tabla óptima.

La tercera tabla ya no contiene algún término “más negativo”, por lo que se selecciona como tabla
óptima y se recaban los datos -solución- de Z, X1, X2, X3; respectivamente.

Comprobando con la ecuación de la función objetivo…

Max Z = 6𝑋1 − 1𝑋2 + 3𝑋3
22.74 = 6(2.26) − 1(0) + 3(3.06) → 22.74 = 22.74

CONCLUSIÓN: La empresa debe producir 70/31 (2.26) de X1 y 95/31 de X2 para maximizar

ganancias.

2.3 Método de la M Grande

Este método incorpora variables artificiales a la función objetivo, por lo que al final la función
objetivo queda en términos de M’s que representan una penalización para no afectar la igualdad;
en el caso de la maximización la penalización se resta en la función objetivo, para la minimización
se suma la penalización. Cabe destacar que el origen no pertenece a la región factible. Los pasos
del método de la M grande son los mismos del método Simplex.
El coeficiente objetivo de una variable artificial representa una penalización adecuada si:
• La variable artificial es igual a -M, en problemas de maximización.
• La variable artificial es igual a M, en problemas de minimización.

TRABAJO FINAL DE LABORATORIO DE I.O. 43

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

2.3.1 Presentación III

A continuación se muestran los ejemplos analizados en la presentación III: Método de la M Grande;

cuyas soluciones se llevaron a cabo mediante el software TORA.

2.3.1.1 Ejemplo 1

Problema: “Modelo matemático 1”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Min Z = 2𝑋1 + 4𝑋2 + 𝑋3
s.a.
1) 𝑋1 + 2𝑋2 − 𝑋3 ≤ 5
𝟐) 2𝑋1 − 𝑋2 + 2𝑋3 = 2
𝟑) −𝑋1 + 2𝑋2 + 2𝑋3 ≥ 1
𝑋1 , 𝑋2 𝑦 𝑋3 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 54)

Fig. 54 Tabla inicial.

Posteriormente, se realizaron las múltiples tablas correspondientes mediante la función “Solve

Problem/Algebraic/Interactions/M-method”. El valor otorgado para ‘M’ fue igual a 100. (figs. 55-
58)

TRABAJO FINAL DE LABORATORIO DE I.O. 44

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Fig. 55 Iteración 1.

En la primera tabla se observa -en color verde- la variable que entra (en este caso, X3). Y en color
rojo, la variable saliente, X7.

Fig. 56 Iteración 2.

En la segunda tabla se observa -en color verde- la variable que entra (en este caso, X1). Y en color
rojo, la variable saliente, X6.

Fig. 57 Iteración 3.

En la tercera tabla se observa -en color verde- la variable que entra (en este caso, X4). Y en color
rojo, la variable saliente, X1.

TRABAJO FINAL DE LABORATORIO DE I.O. 45

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Fig. 58 Iteración 4. Tabla óptima.

La cuarta tabla ya no contiene algún término “más negativo”, por lo que se selecciona como tabla
óptima y se recaban los datos -solución- de Z, X1, X2, X3; respectivamente.

Comprobando con la ecuación de la función objetivo…

Min Z = 2𝑋1 + 4𝑋2 + 𝑋3
1 = 2(0) + 4(0) + (1) → 1=1

CONCLUSIÓN: Para minimizar utilidades, se requiere de la producción de X1 = 0, X2 = 0 y X3 =

1.

2.3.1.2 Ejemplo 2

Problema: “Modelo matemático 2”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Max Z = 3𝑋1 + 7𝑋2
s.a.
1) 𝑋1 + 2𝑋2 ≤ 10
𝟐) 𝑋1 + 4𝑋2 ≥ 20
𝑋1 𝑦 𝑋2 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 59)

TRABAJO FINAL DE LABORATORIO DE I.O. 46

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Fig. 59 Tabla inicial.

Posteriormente, se realizaron las múltiples tablas correspondientes mediante la función “Solve

Problem/Algebraic/Interactions/M-method”. El valor otorgado para ‘M’ fue igual a 100. (figs. 60-
61)

Fig. 60 Iteración 1.

En la primera tabla se observa -en color verde- la variable que entra (en este caso, X2). Y en color
rojo, la variable saliente, sX4.

Fig. 61 Iteración 2. Tabla óptima.

La segunda tabla ya no contiene algún término “más negativo”, por lo que se selecciona como tabla
óptima y se recaban los datos -solución- de Z, X1, X2; respectivamente.

Comprobando con la ecuación de la función objetivo…

TRABAJO FINAL DE LABORATORIO DE I.O. 47

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Max Z = 3𝑋1 + 7𝑋2

35 = 3(0) + 7(5) → 35 = 35

CONCLUSIÓN: Para maximizar utilidades, se requiere de la producción de X1 = 0 y X2 = 5.

2.3.2 Trabajo en clase III

A continuación se presentan las soluciones hechas en TORA de los ejercicios (2) realizados en
clase III, referentes al Método de la M Grande.

2.3.2.1 Ejercicio 1

Problema: “Modelo matemático 1”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Min Z = −3𝑋1 + 5𝑋2
s.a.
1) 𝑋1 ≤ 4
𝟐) 𝑋2 ≤ 6
𝟑) 3𝑋1 + 2𝑋2 ≥ 18
𝑋1 𝑦 𝑋2 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 62)

TRABAJO FINAL DE LABORATORIO DE I.O. 48

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Fig. 62 Tabla de inicio.

Posteriormente, se realizaron las múltiples tablas correspondientes mediante la función “Solve

Problem/Algebraic/Interactions/M-method”. El valor otorgado para ‘M’ fue igual a 100. (figs. 63-
65)

Fig. 63 Iteración 1.

En la primera tabla del método, el programa realizó las operaciones debidas para dar el paso a X1,
que será la variable que se eligió y se cambiará por sX4.

Fig. 64 Iteración 2.

TRABAJO FINAL DE LABORATORIO DE I.O. 49

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

En la segunda tabla del método, el programa realizó las operaciones debidas para dar el paso de a
X2, que será la variable que se eligió y se cambiará por RX6.

Fig. 65 Iteración 3. Tabla óptima.

En la última tabla ya no hubo números negativos en las iteraciones X1 y X2 por lo cual hasta ahí
finalizaron las operaciones.

Comprobando con la ecuación de la función objetivo…

Min Z = −3𝑋1 + 5𝑋2
3 = −3(4) + 5(3) → 3=3

CONCLUSIÓN: se necesitan dos variables X1 = 4 y X2 = 3 para minimizar utilidades.

2.3.2.2 Ejercicio 2

Problema: “Modelo matemático 2”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Max Z = 3𝑋1 + 4𝑋2
s.a.
1) 𝑋1 ≤ 6
𝟐) 𝑋2 ≥ 4
𝟑) 𝑋1 + 𝑋2 ≤ 9
𝑋1 𝑦 𝑋2 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

TRABAJO FINAL DE LABORATORIO DE I.O. 50

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 66)

Fig. 66 Tabla inicial.

Posteriormente, se realizaron las múltiples tablas correspondientes mediante la función “Solve

Problem/Algebraic/Interactions/M-method”. El valor otorgado para ‘M’ fue igual a 100. (figs. 67-
69)

Fig. 67 Iteración 1.

En la primera tabla del método, el programa realizó las operaciones debidas para dar el paso a X2,
que será la variable que se eligió y se cambiará por RX5.

Fig. 68 Iteración 2.

TRABAJO FINAL DE LABORATORIO DE I.O. 51

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

En la segunda tabla del método, el programa realizó las operaciones debidas para dar el paso a SX3,
que será la variable que se eligió y se cambiará por sX6.

Fig. 69 Iteración 3. Tabla óptima.

En la última tabla ya no hubo números negativos en las iteraciones X1 y X2 por lo cual hasta ahí
finalizaron las operaciones.

Comprobando con la ecuación de la función objetivo…

Max Z = 3𝑋1 + 4𝑋2
36 = 3(0) + 4(9) → 36 = 36

CONCLUSIÓN: Para maximizar utilidades, se requiere que la variable X1 = 0 y X2 = 9.

2.3.3 Tarea III

A continuación se exponen los 2 ejercicios del Método de la M Grande, realizados como tarea III;
cuyas soluciones, además, se hallaron mediante TORA.

2.3.3.1 Ejercicio 1

Problema: “Modelo matemático 1”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Min Z = 4𝑋1 + 𝑋2
s.a.
1) 3𝑋1 + 𝑋2 = 3

TRABAJO FINAL DE LABORATORIO DE I.O. 52

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

𝟐) 4𝑋1 + 3𝑋2 ≥ 6
𝟑) 𝑋1 + 𝑋2 ≤ 3
𝑋1 𝑦 𝑋2 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 70)

Fig. 70 Tabla de inicio.

Posteriormente, se realizaron las múltiples tablas correspondientes mediante la función “Solve

Problem/Algebraic/Interactions/M-method”. El valor otorgado para ‘M’ fue igual a 100. (figs. 71-
74)

Fig. 71 Iteración 1.

En la primera tabla del método, el programa realizó las operaciones debidas para dar el paso a X1,
que será la variable que se eligió y se cambiará por RX4.

TRABAJO FINAL DE LABORATORIO DE I.O. 53

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Fig. 72 Iteración 2.

En la segunda tabla del método, el programa realizó las operaciones debidas para dar el paso a X2,
que será la variable que se eligió y se cambiará por RX5.

Fig. 73 Iteración 3.

En la tercera tabla del método, el programa realizó las operaciones debidas para dar el paso a SX3,
que será la variable que se eligió y se cambiará por X1.

Fig. 74 Iteración 4. Tabla óptima.

En la última tabla ya no hubo números negativos en las interacciones X1 y X2 por lo cual hasta ahí
finalizan las operaciones.

TRABAJO FINAL DE LABORATORIO DE I.O. 54

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Comprobando con la ecuación de la función objetivo…

Min Z = 4𝑋1 + 𝑋2
3 = 4(0) + (3) → 3=3

CONCLUSIÓN: Se necesitan dos variables, X1=0 y X2=3 para minimizar utilidades.

2.3.3.2 Ejercicio 2

Problema: “Modelo matemático 2”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Max Z = 4𝑋1 + 𝑋2
s.a.
1) 2𝑋1 + 𝑋2 ≥ 8
𝟐) 3𝑋2 ≤ 30
𝟑) 𝑋1 = 10
𝑋1 𝑦 𝑋2 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 75)

Fig. 75 Tabla inicial.

Posteriormente, se realizaron las múltiples tablas correspondientes mediante la función “Solve

Problem/Algebraic/Interactions/M-method”. El valor otorgado para ‘M’ fue igual a 100. (figs. 76-
79)

TRABAJO FINAL DE LABORATORIO DE I.O. 55

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Fig. 76 Iteración 1.

En la primera tabla del método, el programa realizó las operaciones debidas para dar el paso a X1,
que será la variable que se eligió y se cambiará por RX4.

Fig. 77 Iteración 2.

En la segunda tabla del método, el programa realizó las operaciones debidas para dar el paso a SX3,
que será la variable que se eligió y se cambiará por RX6.

Fig. 78 Iteración 3.

En la tercera tabla del método, el programa realizó las operaciones debidas para dar el paso a X2,
que será la variable que se eligió y se cambiará por sX5.

TRABAJO FINAL DE LABORATORIO DE I.O. 56

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Fig. 79 Iteración 4. Tabla óptima.

Comprobando con la ecuación de la función objetivo…

Max Z = 4𝑋1 + 𝑋2
50 = 4(10) + (10) → 50 = 50

CONCLUSIÓN: Para maximizar utilidades, se requiere que X1 = 10 y X2 = 10; para obtener 50

unidades.

2.4 Método Doble Fase

Esta estrategia se aplica cuando luego de llevar un modelo de programación lineal a su forma
estándar no se dispone de una solución básica factible inicial. Como su nombre lo dice, se divide
en dos fases, las cuales son las siguientes:
• Fase 1. Se considera un problema auxiliar que resulta de agregar tantas variables auxiliares
a las restricciones del problema de modo que se obtenga una solución básica factible. Luego
se debe resolver utilizando el método Simplex un problema que considera como función
objetivo la suma de las variables auxiliares. Si el valor óptimo alcanzado al finalizar esta
fase es cero, se realiza la fase 2. En caso contrario, no existe solución factible.
• Fase 2. Se resuelve a través del Método Simplex el problema original a partir de la solución
básica factible inicial hallada en la fase 1.

2.4.1 Presentación IV

A continuación se muestran los ejemplos analizados en la presentación IV: Método Doble Fase;
cuyas soluciones se llevaron a cabo mediante el software TORA.

TRABAJO FINAL DE LABORATORIO DE I.O. 57

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

2.4.1.1 Ejemplo 1

Problema: “Modelo matemático 1”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Min Z = 2𝑋1 + 4𝑋2 + 𝑋3
s.a.
1) 𝑋1 + 2𝑋2 − 𝑋3 ≤ 5
𝟐) 2𝑋1 − 𝑋2 + 2𝑋3 = 2
𝟑) −𝑋1 + 2𝑋2 + 2𝑋3 ≥ 1
𝑋1 , 𝑋2 𝑦 𝑋3 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 80)

Fig. 80 Tabla inicial.

Posteriormente, se realizaron las múltiples tablas correspondientes mediante la función “Solve

Problem/Algebraic/Interactions/Two- phase method”. (figs. 81- 85)

TRABAJO FINAL DE LABORATORIO DE I.O. 58

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Fig. 81 Fase 1, iteración 1.

En la primera tabla del método, el programa realizó las operaciones debidas para dar el paso a X3,
que será la variable que se eligió y se cambiará por RX7.

Fig. 82 Fase 1, iteración 2.

En la segunda tabla del método, el programa realizó las operaciones debidas para dar el paso a X1,
que será la variable que se eligió y se cambiará por RX6.

Fig. 83 Fase 1, iteración 3.

En la tercera tabla del método, todos los valores llegan a ser cero, por lo que se pasa a la segunda
fase.

TRABAJO FINAL DE LABORATORIO DE I.O. 59

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Fig. 84 Fase 2, iteración 4.

En la cuarta tabla del método, el programa realizó las operaciones debidas para dar el paso a SX4,
que será la variable que se eligió y se cambiará por X1.

Fig. 85 Fase 2, iteración 5. Tabla óptima.

En la última tabla el programa dio por terminada la segunda fase.

Comprobando con la ecuación de la función objetivo…

Min Z = 2𝑋1 + 4𝑋2 + 𝑋3
1 = 2(0) + 4(0) + (1) → 1=1

CONCLUSIÓN: Se necesitan dos variables X1 = 0 y X2 = 3 para minimizar utilidades.

2.4.1.2 Ejemplo 2

Problema: “Modelo matemático 2”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Max Z = 3𝑋1 + 7𝑋2

TRABAJO FINAL DE LABORATORIO DE I.O. 60

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

s.a.
1)𝑋1 + 2𝑋2 ≤ 10
𝟐)𝑋1 + 4𝑋2 ≥ 20
𝑋1 𝑦 𝑋2 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 86)

Fig. 86 Tabla inicial.

Posteriormente, se realizaron las múltiples tablas correspondientes mediante la función “Solve

Problem/Algebraic/Interactions/Two- phase method”. (figs. 87- 89)

Fig. 87 Fase 1, iteración 1.

En la primera tabla del método, el programa realizó las operaciones debidas para dar el paso a X2,
que será la variable que se eligió y se cambiará por sX4.

TRABAJO FINAL DE LABORATORIO DE I.O. 61

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Fig. 88 Fase 1, iteración 1.

En la segunda tabla del método, el programa realizó las operaciones debidas y dio conclusión a la
fase 1 del método.

Fig. 89 Fase 2, iteración 3. Tabla óptima.

En la última tabla el programa dio por terminada la segunda fase.

Comprobando con la ecuación de la función objetivo…

Max Z = 3𝑋1 + 7𝑋2
35 = 3(0) + 7(5) → 35 = 35

CONCLUSIÓN: se necesitan dos variables X1 = 0 y X2 = 5 para maximizar utilidades. Existía otra

solución posible, pero el programa registró que esta era la forma más rápida.

2.4.2 Trabajo en clase IV

A continuación se presentan las soluciones hechas en TORA de los ejercicios (2) realizados en
clase IV, referentes al Método Doble Fase.

TRABAJO FINAL DE LABORATORIO DE I.O. 62

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

2.4.2.1 Ejercicio 1

Problema: “Modelo matemático 1”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Min Z = −3𝑋1 + 5𝑋2
s.a.
1) 𝑋1 ≤ 4
𝟐) 𝑋2 ≤ 6
𝟑) 3𝑋1 + 2𝑋2 ≥ 18
𝑋1 𝑦 𝑋2 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 90)

Fig. 90 Tabla de inicio.

Posteriormente, se realizaron las múltiples tablas correspondientes mediante la función “Solve

Problem/Algebraic/Interactions/Two- phase method”. (figs. 91- 94)

Fig. 91 Fase 1, iteración 1.

TRABAJO FINAL DE LABORATORIO DE I.O. 63

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

En la primera tabla del método, el programa realizó las operaciones debidas para dar el paso a X1,
que será la variable que se eligió y se cambiará por sX4.

Fig. 92 Fase 1, iteración 2.

En la segunda tabla del método, el programa realizó las operaciones debidas para dar el paso a X2,
que será la variable que se eligió y se cambiará por RX6.

Fig. 93 Fase 1, iteración 3.

En la tercera tabla del método, el programa realizó las operaciones debidas y dio conclusión a la
fase 1 del método.

Fig. 94 Fase 2, iteración 4. Tabla óptima.

TRABAJO FINAL DE LABORATORIO DE I.O. 64

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

En la última tabla el programa dio por terminada la segunda fase.

Comprobando con la ecuación de la función objetivo…

Min Z = −3𝑋1 + 5𝑋2
3 = −3(4) + 5(3) → 3=3

CONCLUSIÓN: Para minimizar costos, la empresa debe producir 4 de X1 por cada 3 de X2.

2.4.2.2 Ejercicio 2

Problema: “Modelo matemático 2”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Max Z = 3𝑋1 + 4𝑋2
s.a.
1) 𝑋1 ≤ 6
𝟐) 𝑋2 ≥ 4
𝟑) 𝑋1 + 𝑋2 ≤ 9
𝑋1 𝑦 𝑋2 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 95)

Fig. 95 Tabla de inicio.

TRABAJO FINAL DE LABORATORIO DE I.O. 65

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Posteriormente, se realizaron las múltiples tablas correspondientes mediante la función “Solve

Problem/Algebraic/Interactions/Two- phase method”. (figs. 96- 99)

Fig. 96 Fase 1, iteración 1.

En la primera tabla del método, el programa realizó las operaciones debidas para dar el paso a X2,
que será la variable que se eligió y se cambiará por RX5.

Fig. 97 Fase 1, iteración 2.

En la segunda tabla del método, el programa dio conclusión a la fase 1 del método.

Fig. 98 Fase 2, iteración 3.

En la tercera tabla del método, el programa realizó las operaciones debidas para dar el paso a SX3,
que será la variable que se eligió y se cambiará por sX6.

TRABAJO FINAL DE LABORATORIO DE I.O. 66

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Fig. 99 Fase 2, iteración 4. Tabla óptima.

En la última tabla el programa dio por terminada la segunda fase.

Comprobando con la ecuación de la función objetivo…

Max Z = 3𝑋1 + 4𝑋2
36 = 3(0) + 4(9) → 36 = 36

CONCLUSIÓN: Para maximizar utilidades, se requiere que X1 = 0 y X2 = 9; lo que otorga un

resultado de 36 unidades.

2.4.3 Tarea IV

A continuación se exponen los 2 ejercicios del Método Doble Fase, realizados como tarea IV; cuyas
soluciones, además, se hallaron mediante TORA.

2.4.3.1 Ejercicio 1

Problema: “Modelo matemático 1”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Min Z = 4𝑋1 + 𝑋2
s.a.
1) 3𝑋1 + 𝑋2 = 3
𝟐) 4𝑋1 + 3𝑋2 ≥ 6
𝟑) 𝑋1 + 𝑋2 ≤ 3

TRABAJO FINAL DE LABORATORIO DE I.O. 67

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

𝑋1 𝑦 𝑋2 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 100)

Fig. 100 Tabla inicial con los valores de las variables.

Posteriormente, se realizaron las múltiples tablas correspondientes mediante la función “Solve

Problem/Algebraic/Interactions/Two- phase method”. (figs. 101- 105)

Fig. 101 Fase 1, iteración 1.

En la primera tabla se observa -en color verde- la variable que entra (en este caso, X1). Y en color
rojo, la variable saliente, RX4.

Fig. 102 Fase 1, iteración 2.

TRABAJO FINAL DE LABORATORIO DE I.O. 68

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

En la segunda tabla se observa -en color verde- la variable que entra (en este caso, X2). Y en color
rojo, la variable saliente, RX5.

Fig. 103 Fase 1, iteración 3.

En la tercera tabla, los valores de las variables básicas son igualados a cero; por lo tanto, la fase 1
ha terminado y se dará continuidad a la fase 2.

Fig. 104 Fase 2, iteración 4.

En la cuarta tabla se observa -en color verde- la variable que entra (en este caso, SX3). Y en color
rojo, la variable saliente, X1.

Fig. 105 Fase 2, iteración 5. Tabla óptima.

La quinta tabla ya no contiene algún término “más positivo”, por lo que la fase 2 termina y se
denomina la tabla óptima, donde recaban los datos -solución- de Z, X1, X2; respectivamente.

TRABAJO FINAL DE LABORATORIO DE I.O. 69

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Comprobando con la ecuación de la función objetivo…

Min Z = 4𝑋1 + 𝑋2
3 = 4(0) + (3) → 3=3

CONCLUSIÓN: Para minimizar costos, se requiere que X1 = 0 y X2 = 3.

2.4.3.2 Ejercicio 2

Problema: “Modelo matemático 2”.

• Modelo matemático:
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒐𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Max Z = 4𝑋1 + 𝑋2
s.a.
1) 2𝑋1 + 𝑋2 ≥ 8
𝟐) 3𝑋2 ≤ 30
𝟑) 𝑋1 = 10
𝑋1 𝑦 𝑋2 ≥ 0, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑.

Se colocaron las variables de decisión, función objetivo y cada una de las restricciones funcionales
en la tabla de inicio, en TORA. (fig. 106)

Fig. 106 Tabla inicial, con los valores de las variables.

Posteriormente, se realizaron las múltiples tablas correspondientes mediante la función “Solve

Problem/Algebraic/Interactions/Two- phase method”. (figs. 107- 110)

TRABAJO FINAL DE LABORATORIO DE I.O. 70

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Fig. 107 Fase 1, iteración 1.

En la primera tabla se observa -en color verde- la variable que entra (en este caso, X1). Y en color
rojo, la variable saliente, RX4.

Fig. 108 Fase 1, iteración 2.

En la segunda tabla se observa -en color verde- la variable que entra (en este caso, SX3). Y en color
rojo, la variable saliente, RX6.

Fig. 109 Fase 1, iteración 3.

En la tercera tabla, los valores de las variables básicas son igualados a cero; por lo tanto, la fase 1
ha terminado y se dará continuidad a la fase 2.

TRABAJO FINAL DE LABORATORIO DE I.O. 71

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

Fig. 110 Fase 2, iteración 4.

En la cuarta tabla se observa -en color verde- la variable que entra (en este caso, X2). Y en color
rojo, la variable saliente, sX5.

Fig. 111 Fase 2, iteración 5. Tabla óptima.

La quinta tabla ya no contiene algún término “más negativo”, por lo que la fase 2 termina y se
denomina la tabla óptima, donde recaban los datos -solución- de Z, X1, X2; respectivamente.

Comprobando con la ecuación de la función objetivo…

Max Z = 4𝑋1 + 𝑋2
50 = 4(10) + (10) → 50 = 50

CONCLUSIÓN: Para maximizar utilidades, las variables X1 y X2 deben ser iguales a 10. De esta
forma, se obtiene un resultado de 50 unidades.

TRABAJO FINAL DE LABORATORIO DE I.O. 72

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

3 CAPÍTULO III. CONCLUSIONES

TRABAJO FINAL DE LABORATORIO DE I.O. 73

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

3.1 Conclusión 1. Avitia Arredondo

Con la realización de los diversos problemas que se se nos pidió realizar, podemos dar por
concluido de que cualquier problema de investigación de operaciones se puede realizar con el
debido método debido que se pueda resolver de forma más fácil o precisa al igual de que usando
programas que nos ayudan a resolverlos como es el caso de tora es mucho más fácil de resolverlos,
con esto podemos darnos una idea de cómo funcionan esta investigación en problemas que se
presentan en la vida real.

3.2 Conclusión 2. Medina Torres

El programa “TORA” es muy eficiente en cuanto al tiempo de solución y es capaz de solucionar

directamente o de forma iterada distintos problemas en distintos métodos ya sea gráfico, simplex
original, M grande o doble fase, pero teniendo en cuenta las reglas que se componen para cada
método. Además, los problemas asignados de los diferentes métodos fueron solucionados
satisfactoriamente con mínimas iteraciones debido a la magnitud de los modelos matemáticos y se
obtuvieron los resultados esperados para la maximización o minimización respectivamente. Así
mismo, la manipulación del programa fue intuitivo y sencillo. El trabajo fue extenso, pero en base
a ello se visualizó el comportamiento del desarrollo de los distintos problemas de acuerdo a su
función objetivo y sus restricciones en cuanto a magnitud.

3.3 Conclusión 3. Pinedo

Se concluye que mediante la utilización del software TORA, es posible encontrar con rapidez cada
una de las posibles soluciones a los diversos modelos matemáticos realizados con anterioridad. Por
ejemplo, una de las diversas ventajas puede ser aplicable al método gráfico, ya que
automáticamente se encuentra el punto extremo y el área factible de solución. Cuando se sigue este
procedimiento a mano, se requiere de precisión en el trazado de los diferentes ejes, una escala
adecuada si se manejan cantidades grandes, una buena localización de cada uno de los puntos
previamente despejados y, además, que esos despejes realizados sean totalmente correctos.
De igual forma, para los tres métodos restantes es bastante útil, pues al realizar las iteraciones
automáticamente y seleccionar los valores óptimos, se facilita el trabajo que previamente se
realizaba mediante muchas más tablas, lo que ahorra tiempo.
Definitivamente, el curso de Investigación de Operaciones es fundamental para el futuro Ingeniero
en formación. Mediante el planteamiento y resolución de problemáticas de logística, manufactura
y optimización de recursos en empresas o simplemente el tratamiento de modelos matemáticos de

TRABAJO FINAL DE LABORATORIO DE I.O. 74

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

programación lineal; se desarrollan diversas habilidades de análisis lógico-matemático y de trabajo

en equipo.
Además, la utilización de un programa de optimización es fundamental para la observación,
comprobación y conclusión de los planteamientos previamente realizados. Por lo que los objetivos
descritos en la sección 1.3 del presente documento se llevaron a cabo satisfactoriamente, ya que el
proyecto realizado como cierre de la materia de I.O. se trabajó en conjunto durante casi tres
semanas hasta ser finalizado un 21 de mayo, se comprobó cada uno de los ejercicios hechos a mano
de los diferentes métodos analizados y se implementó el software TORA para dicha tarea.

TRABAJO FINAL DE LABORATORIO DE I.O. 75

 UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
Facultad de Ciencias de la Ingeniería, Administrativas y Sociales

4 REFERENCIAS
1) Churchman, C., Ackoff, R., & Arnoff, E. (1957). Introduction to operations research
(traducido). Nueva York, Estados Unidos: Wiley. pp. 3-8.
2) De la Cruz, V., Hernández, M., & Rodriguez, C. (2016). Métodos de Programación Lineal.
Recuperado en: Mayo 2021, de Optimización I: https://sites.google.com/view/opti-mpl/
3) GEO Tutoriales. (2015, julio 26). ¿Cómo resolver gráficamente un modelo de
programación lineal con TORA? Recuperado en: Mayo 2021, de Gestión de Operaciones:
https://www.gestiondeoperaciones.net/
4) Gomollón, F. (1996). Ejercicios de Investigación de Operaciones. Madrid, España: ESIC
EDITORIAL. pp. 20-24.
5) González, A. (2003). Manual práctico de investigación de operaciones I 3a. Ed.
Barranquilla, Colombia: Ediciones Uninorte. pp. 13-17.
6) Hillier, F., & Lieberman, G. (2010). Introducción a la investigación de operaciones. D.F.,
México: McGraw Hill. pp. 1-7, 81-86, 256.
7) Izquierdo, D., & Ruiz, J. (2010). Teoría del Método Simplex. Recuperado en: Mayo 2021,
de PHP Simplex: http://www.phpsimplex.com/
8) Marco Teórico. (2018). 1.4. Método de la M. Recuperado en: Mayo 2021, de Marco
Teórico: https://www.marcoteorico.com/
9) Operaciones, I. d. (2012). Método Simplex de 2 Fases. Recuperado en: Mayo 2021, de
Investigación de Operaciones: Aplicaciones de la Investigación Operativa en la Gestión de
Empresas.
10) Salazar, B. (2019, junio 10). Programación lineal en Tora. Recuperado en: Mayo 2021, de
Ingeniería Industrial Online: https://www.ingenieriaindustrialonline.com/

TRABAJO FINAL DE LABORATORIO DE I.O. 76