Documente Academic
Documente Profesional
Documente Cultură
IMPUNIDAD”
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
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
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
𝑛 ∑ 𝑥𝑦−∑ 𝑥 ∑ 𝑦
b= b=3.1697
𝑛 ∑ 𝑥 2 −(∑ 𝑥)2
∑𝑦 ∑𝑥
a= −𝑏 a=4.067
𝑛 𝑛
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
para a:
.𝑀𝑖𝑛 = 𝑤1 + 𝑤2 + 𝑤3 + 𝑤4 +. . . +𝑤10
S.A:
𝑦𝑖 − 𝑎𝑥𝑖 − 𝑏 ≤ 𝑤𝑖
𝑦𝑖 − 𝑎𝑥𝑖 − 𝑏 ≥ −𝑤𝑖
𝑎, 𝑏 𝑖𝑟𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑡𝑎
𝑤𝑖 ≥ 0
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
𝑦̂ = 2.86𝑥 + 6.43
UNIVERSIDAD NACIONAL DE PIURA
FACULTAD DE INGENIERIA INDUSTRIAL
error
y optimizado
x y y ajustado (y )̂ error E minimizado
(y´´)
(E´)
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
BIBLIOGRAFÍA