“AÑO DE LA LUCHA CONTRA LA CORRUPCIÓN E

IMPUNIDAD”

UNIVERSIDAD NACIONAL DE PIURA

FACULTAD DE INGENIERIA INDUSTRIAL
ESCUELA PROFESIONAL DE INGENIERIA INDUSTRIAL

TRABAJO DE INVESTIGACIÓN DE OPERACIONES

ALUMNOS:
LOPEZ CORONADO NELSON
MOGOLLON NIMA JERSON
RAMIREZ ZAPATA DAYANARA
REYES CHUNA LUIS ENRIQUE
VILLALTA CHAVEZ JOSEP ADERLID
CURSO:
INVESTIGACIÓN DE OPERACIONES I
DOCENTE:
JULIO CÉSAR JIMÉNEZ CHAVESTA
TEMA:
PROGRAMACIÓN LINEAL
CICLO:
V
FECHA DE PRESENTACIÓN:
20/06/2019
UNIVERSIDAD NACIONAL DE PIURA
FACULTAD DE INGENIERIA INDUSTRIAL

INTRODUCCIÓN

El presente trabajo forma parte de los objetivos y contenidos de aprendizaje

del curso de investigación de operaciones , que pretende desarrollar la
habiliades para la utilización del método de solución de programación lineal
y el método de mínimos cuadrados , y lo haremos desarrollando un ejercicio
donde hay aplicación de estos dos metodos.
La programación lineal puede ser aplicada como un procedimiento para
resolver problemas de regresión lineal en los mismos casos en los que se usa
el método de los mínimos cuadrados, es una técnica estadística que busca
establecer la relación entre dos o más variables y así construir un modelo que
sea óptimo y permita hacer predicciones.
UNIVERSIDAD NACIONAL DE PIURA
FACULTAD DE INGENIERIA INDUSTRIAL

PROBLEMA
Ajuste de una línea recta a datos empíricos (Regresión). En una clase de mecanografía de
10 semanas para principiantes, la velocidad promedio por estudiante (en palabras por
minuto) en función de la cantidad de semanas de clase se da en la siguiente tabla:
Semana,x 1 2 3 4 5 6 7 8 9 10
Palabras por minuto y 5 9 15 19 21 24 26 30 31 35
Determine los coeficientes a y b en la relación de línea recta, ŷ = 𝑎𝑥 + 𝑏 ,que mejor se
ajuste a los datos proporcionados. (Sugerencia: Minimice la suma del valor absoluto de
las desviaciones entre la ŷ teórica y la y empírica. Min|w|equivale a min z sujeta a 𝑧 ≥
𝑤 y 𝑧 ≥ −𝑤, 𝑧 ≥ 0.Por otra parte, min |equivale a min (Z+ y z- ) sujeta a 𝑊 = 𝑍+ −𝑍-
con Z+, z-≥ 0
OBJETIVO PRINCIPAL:
 Minimizar el error que existe entre el valor de palabras por minuto obtenidas de
la muestra y del valor obtenido teóricamente mediante el ajuste.
OBJETIVOS SECUNDARIOS:
 Calcular los valores de a y b de la ecuación de la recta de regresión lineal
utilizando modelos de programación lineal.
 Comparar los resultados obtenidos con el procedimiento de programación lineal
y con el procedimiento de ajuste de recta con los mínimos cuadrados,
UNIVERSIDAD NACIONAL DE PIURA
FACULTAD DE INGENIERIA INDUSTRIAL

MARCO TEÓRICO

PROGRAMACION LINEAL:
La Programación Lineal corresponde a un algoritmo a través del cual se resuelven
situaciones reales en las que se pretende identificar y resolver dificultades para aumentar
la productividad respecto a los recursos (principalmente los limitados y costosos),
aumentando así los beneficios. El objetivo primordial de la Programación Lineal es
optimizar, es decir, maximizar o minimizar funciones lineales en varias variables reales
con restricciones lineales (sistemas de inecuaciones lineales), optimizando una función
objetivo también lineal.
Los resultados y el proceso de optimización se convierten en un respaldo cuantitativo de
las decisiones frente a las situaciones planteadas.
El primer paso para la resolución de un problema de programación lineal consiste en la
identificación de los elementos básicos de un modelo matemático, estos son:
 Función Objetivo: Tiene una estrecha relación con la pregunta general que se
desea responder. Si en un modelo resultasen distintas preguntas, la función
objetivo se relacionaría con la pregunta del nivel superior, es decir, la pregunta
fundamental. Así, por ejemplo, si en una situación se desean minimizar los costos,
es muy probable que la pregunta de mayor nivel sea la que se relacione con
aumentar la utilidad en lugar de un interrogante que busque hallar la manera de
disminuir los costos.
 Variables: Similar a la relación que existe entre objetivos específicos y
objetivo general, se comportan las variables de decisión respecto a la función
objetivo, puesto que estas se identifican partiendo de una serie de preguntas
derivadas de la pregunta fundamental. Las variables de decisión, son en teoría,
factores controlables del sistema que se está modelando, y como tal, estas pueden
tomar diversos valores posibles, de los cuales se precisa conocer su valor óptimo,
que contribuya con la consecución del objetivo de la función general del
problema.
 Restricciones: Cuando hablamos de las restricciones en un problema
de programación lineal, nos referimos a todo aquello que limita la libertad de los
valores que pueden tomar las variables de decisión. Nuestro sistema presenta una
serie de limitantes, tanto físicas, como de contexto, de tal manera que los valores
que en un momento dado podrían tomar nuestras variables de decisión se
encuentran condicionados por una serie de restricciones.
UNIVERSIDAD NACIONAL DE PIURA
FACULTAD DE INGENIERIA INDUSTRIAL

REGRESION LINEAL:
Un modelo de regresión es un modelo que permite describir cómo influye una variable
X sobre otra variable Y.
X: Variable independiente o explicativa
Y: Variable dependiente o respuesta
El objetivo es obtener estimaciones razonables de Y para distintos valores de X a partir
de una muestra de n pares de valores (x1, y1), . . ., (xn, yn).
EL MODELO DE REGRESION LINEAL SIMPLE

El modelo de regresión lineal simple supone que yi = β0 + β1xi + ui donde:

yi representa el valor de la variable respuesta para la observación i-´esima

xi representa el valor de la variable explicativa para la observación i-´esima.

ui representa el error para la observación i-´esima que se asume normal, ui ∼ N(0, σ)

β0 y β1 son los coeficientes de regresión:

β0: intercepto

β1: pendiente
Los parámetros que hay que estimar son: β0, β1 y σ
El objetivo es obtener estimaciones βˆ 0 y βˆ 1 de β0 y β1 para calcular la recta de
regresión: yˆ = βˆ 0 + βˆ 1x que se ajuste lo mejor posible a los datos.
UNIVERSIDAD NACIONAL DE PIURA
FACULTAD DE INGENIERIA INDUSTRIAL

HALLAMOS A Y B
X y
Semana palabras por minuto
1 5
2 9
3 15
4 19
5 21
6 24
7 26
8 30
9 31
10 35

∑𝑥 ∑𝑦 ∑ 𝑥𝑦 ∑ 𝑥2 ∑ 𝑦2

55 215 144 385 5471

a: pendiente de la recta
b: intersección en las ordenadas

𝑛 ∑ 𝑥𝑦−∑ 𝑥 ∑ 𝑦
b= b=3.1697
𝑛 ∑ 𝑥 2 −(∑ 𝑥)2
∑𝑦 ∑𝑥
a= −𝑏 a=4.067
𝑛 𝑛

MODELO ESPECIFICADO: Y=4.067+3.1697x

40 Curva de regresión ajustada

35

30
palabras por minuto

25
palabras por minuto
20
Pronóstico palabras por
15 minuto
Lineal (palabras por
10 minuto)

0
0 5 10 15
semana
UNIVERSIDAD NACIONAL DE PIURA
FACULTAD DE INGENIERIA INDUSTRIAL

MODELO MATEMATICO
Variables:
A: pendiente de la recta
B: intersección en las ordenadas

wi: error en la semana i

hallamos a y b con formulas

para a:

Función Objetivo: 𝑴𝒊𝒏 𝒁 = ∑𝟏𝟎

𝒊=𝟏|𝒚𝒊 − 𝒚
̂𝒊 |

.𝑤𝑖 = |𝑦𝑖 − 𝑎𝑥𝑖 − 𝑏|

.𝑀𝑖𝑛 = 𝑤1 + 𝑤2 + 𝑤3 + 𝑤4 +. . . +𝑤10

S.A:
𝑦𝑖 − 𝑎𝑥𝑖 − 𝑏 ≤ 𝑤𝑖
𝑦𝑖 − 𝑎𝑥𝑖 − 𝑏 ≥ −𝑤𝑖

𝑎, 𝑏 𝑖𝑟𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑡𝑎

𝑤𝑖 ≥ 0

Despejando en las inecuaciones debido a que 𝑦𝑖 es un valor numérico:

𝑎𝑥𝑖 + 𝑏 + 𝑤𝑖 ≥ 𝑦𝑖
𝑎𝑥𝑖 + 𝑏 − 𝑤𝑖 ≤ 𝑦𝑖
Una vez reemplazando todos los valores correspondientes el modelo matemático de
programación lineal quedaría de la siguiente manera:
.𝑀𝑖𝑛 = 𝑤1 + 𝑤2 + 𝑤3 + 𝑤4 + 𝑤5 + 𝑤6 + 𝑤7 + 𝑤8 + 𝑤9 + 𝑤10

Sa:
𝒂 + 𝒃 + 𝒘𝟏 ≥ 𝟓
𝒂 + 𝒃 − 𝒘𝟏 ≤ 𝟓

𝟐𝒂 + 𝒃 + 𝒘𝟐 ≥ 𝟗
𝟐𝒂 + 𝒃 − 𝒘𝟐 ≤ 𝟗

𝟑𝒂 + 𝒃 + 𝒘𝟑 ≥ 𝟏𝟓

𝟑𝒂 + 𝒃 − 𝒘𝟑 ≤ 𝟏𝟓
𝟒𝒂 + 𝒃 + 𝒘𝟒 ≥ 𝟏𝟗

𝟒𝒂 + 𝒃 − 𝒘𝟒 ≤ 𝟏𝟗
𝟓𝒂 + 𝒃 + 𝒘𝟓 ≥ 𝟐𝟏

𝟓𝒂 + 𝒃 − 𝒘𝟓 ≤ 𝟐𝟏
UNIVERSIDAD NACIONAL DE PIURA
FACULTAD DE INGENIERIA INDUSTRIAL

𝟔𝒂 + 𝒃 + 𝒘𝟔 ≥ 𝟐𝟒

𝟔𝒂 + 𝒃 − 𝒘𝟔 ≤ 𝟐𝟒
𝟕𝒂 + 𝒃 + 𝒘𝟕 ≥ 𝟐𝟔
𝟕𝒂 + 𝒃 − 𝒘𝟕 ≤ 𝟐𝟔
𝟖𝒂 + 𝒃 + 𝒘𝟖 ≥ 𝟑𝟎

𝟖𝒂 + 𝒃 − 𝒘𝟖 ≤ 𝟑𝟎

𝟗𝒂 + 𝒃 + 𝒘𝟗 ≥ 𝟑𝟏
𝟗𝒂 + 𝒃 − 𝒘𝟗 ≤ 𝟑𝟏

𝟏𝟎𝒂 + 𝒃 + 𝒘𝟏𝟎 ≥ 𝟑𝟓
𝟏𝟎𝒂 + 𝒃 − 𝒘𝟏𝟎 ≤ 𝟑𝟓

𝒂, 𝒃 𝒊𝒓𝒓𝒆𝒔𝒕𝒓𝒊𝒄𝒕𝒂
𝒘𝒊 ≥ 𝟎

SOLUCION DEL MODELO

Resolviendo con QM for Windows:
Usando el módulo de programación lineal, agregándose en total 12 variables, con 20
restricciones. Se logran obtener los siguientes resultados:

𝑦̂ = 2.86𝑥 + 6.43
UNIVERSIDAD NACIONAL DE PIURA
FACULTAD DE INGENIERIA INDUSTRIAL

INTERPRETACION DE LOS RESULTADOS

Se ha realizado un resumen de todos los resultados en la siguiente tabla:

error
y optimizado
x y y ajustado (y )̂ error E minimizado
(y´´)
(E´)

y = 3.1697x + 4.0667 𝑦̂ = 2.86𝑥 + 6.43

semana palabras por minuto ly ̂-yl ly´´-yl
1 5 7.236363636 2.236363636 9.32 4.32
2 9 10.40606061 1.406060606 12.18 3.18
3 15 13.57575758 1.424242424 15.04 0.04
4 19 16.74545455 2.254545455 17.9 1.1
5 21 19.91515152 1.084848485 20.76 0.24
6 24 23.08484848 0.915151515 23.62 0.38
7 26 26.25454545 0.254545455 26.48 0.48
8 30 29.42424242 0.575757576 29.34 0.66
9 31 32.59393939 1.593939394 32.2 1.2
10 35 35.76363636 0.763636364 35.06 0.06
12.50909091 11.66

Curva de regresion con Y optimizado

40

35 y = 2.86x + 6.43
Palabras por minuto

30

25

20

15

10

0
0 2 4 6 8 10 12
Semana
UNIVERSIDAD NACIONAL DE PIURA
FACULTAD DE INGENIERIA INDUSTRIAL

INTERPRETACION
Como se puede ver algunos valores que se pronosticaron con él “y” ajustado varían con
respecto del “y” optimizado, como por ejemplo para la semana 1 en el “y” ajustado el
valor es 7.236363636 con un error menor al del valor que se tiene con “y” optimizado, y
esto hace creer que la optimización para minimizar el error no ha funcionado, pero lo que
pasa es que esta optimización(minimización) se toma en conjunto con todos los valores
de x(semana) y que en conjunto suman un error que es menor al error que se obtuvo con
ajustando la “y”, por lo que la optimización ha funcionado con éxito.
Además, la sumatoria de los errores minimizados es menor que la sumatoria de los errores
ajustados, por lo que se puede decir que se ha cumplido con la función objetivo que es
minimizar la suma de los errores.
UNIVERSIDAD NACIONAL DE PIURA
FACULTAD DE INGENIERIA INDUSTRIAL

CONCLUSIONES

 Al ajustar el modelo con el método tradicional (regresión lineal), se obtienen muchos

errores, mientras que, con el modelo optimizado, se obtuvieron el mínimo de los
errores
 Para este tipo de casos en que se quiera tener el mínimo de errores, el ajuste de Y, no
es tan confiable
UNIVERSIDAD NACIONAL DE PIURA
FACULTAD DE INGENIERIA INDUSTRIAL

BIBLIOGRAFÍA

Investigación de operaciones 9edicion - taha Handy

Análisis de regresión lineal
(halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/GuiaSPSS/18reglin.pdf)
D. Peña: "Estadística: Modelos y Métodos. (Vol.2) Modelos lineales y Series
temporales"