See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/318445593

MODELOS PARA LA ASIGNACIÓN ÓPTIMA DE RECURSOS HUMANOS EN

PROYECTOS DE REPARACIÓN DE EMBARCACIONES NAVALES

Book · July 2011

CITATION READS

1 405

3 authors, including:

Alexander Gorina Sánchez

University of Oriente (Cuba)
89 PUBLICATIONS   195 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Perfeccionamiento de los procesos formativos e investigativos View project

Formación investigativa en carreras de las ciencias computacionales View project

All content following this page was uploaded by Alexander Gorina Sánchez on 15 July 2017.

The user has requested enhancement of the downloaded file.

 Departamento de Matemática

Trabajo de Diploma
Presentado en opción al título de Licenciado en Matemática

MODELOS PARA LA ASIGNACIÓN ÓPTIMA DE RECURSOS HUMANOS EN

PROYECTOS DE REPARACIÓN DE EMBARCACIONES NAVALES

Autora: Joana Samuyenga Visaka

Tutores: Dr. C. Alexander Gorina Sánchez

Lic. Vicente Juan Gainza

Santiago de Cuba
Curso 2010-2011
“Año 53 de la Revolución”
“La vida es aquello que te va sucediendo mientras tú
te empeñas en hacer otros planes”
John Lennon
Dedicatoria
En honor a mi mamá, mi hijo y mis hermanos, por todo el cariño que me han dado y ser la
fuente de mi inspiración en el desarrollo de mi carrera como profesional.
Agradecimientos
 Doy Gracias al Señor Jesús Cristo por darme la victoria del triunfo de mi carrera y por
hacer todo posible en mi formación profesional, gracias Dios tu eres mi sustento.

 Ha sido un gran honor para mí, haber podido contar con la tutoría del Dr. Alexander
Gorina Sánchez, a quien le estoy agradeciendo por su dedicación, entrega y brindarme
los conocimientos necesarios para lograr una investigación rigurosa en poco tiempo.

 De igual modo quiero agradecer la ayuda brindada por Lic. Vicente Juan Gainza quien
aporto su experiencia en el tema investigado y su apoyo incondicional.

 También agradezco a todos los profesores del departamento de Matemática que de

una u otra forma contribuyeron con mi formación profesional.

 A quien le agradezco todo lo que soy, mi mamá Maria Zuze Ndona.

 A quien fue mi soporte espiritual, mi amiga Alexandrina Petrus, por bridarme

incondicionalmente su apoyo, amor, cariño y amistad.

 Agradezco a mi compañero de aula Yudier Peña Pérez por su apoyo en los estudios
durante los cuatro años de la carrera, por su compañía, amor, por ser más que un
compañero, un hermano que nunca podré olvidar.

 También agradezco a mis hermanas y hermanos por su amor y motivación para salir
adelante.

 Agradezco a Jorge Osmani Téllez por su amor, cariño y preocupación por mí.

A todos, mi más sincera gratitud ♥

Resumen

En el presente trabajo se realiza un estudio para perfeccionar la planificación de recursos

humanos en la empresa ASTOR bajo las condiciones propias de varios proyectos de
reparación de embarcaciones navales. Se formulan Problemas de Programación Lineal en
Enteros (PPLE) que permiten realizar una asignación óptima de los recursos humanos
bajo diferentes criterios y se encuentra su solución con ayuda del software Microsoft Excel
2010. Además, en los mencionados PPLE se introduce un índice dinámico de rendimiento
promedio quincenal (IDRPQ) pronosticado a partir de un modelo ARIMA, aplicando la
Metodología Box-Jenkins y utilizando el software STATISTICA 8.0. Como resultado, se
obtiene la cantidad mínima de asignaciones de recursos humanos necesarios para cada
calificación, así como la cantidad mínima de recursos humanos a asignar diariamente bajo
las restricciones propias del sistema de producción multiproyecto.
Abstract

The Present work accomplishes a study to improve the planning of human resource in the
company ASTOR under the conditions of various projects of repairing naval boats. Integer
Linear Programming Problems (ILPP) which permits the optimal assignation of human
resource under different criteria’s are formulated and the solution is obtained using
Microsoft Excel 2010 software. Furthermore, in the mentioned ILPP a predicted yield
fortnightly average dynamic index (YFADI) was introduced from an ARIMA model, applying
the methodology of Box-Jenkins and using STATISTICA 8.0 software. As a result, the
minimum amount of human resource necessary assigned for each calification and the
minimum amount of human resources assigned per day under the restrictions of the
production system of multiproject was achieved.
 Pág.
ÍNDICE

INTRODUCCIÓN 1

CAPÍTULO 1 FUNDAMENTOS MATEMÁTICOS PARA EL PROBLEMA DE

ASIGNACIÓN ÓPTIMA DE RECURSOS HUMANOS EN PROYECTOS
DE REPARACIÓN DE EMBARACIONES NAVALES

Introducción al capítulo..................................................................................... 5

1.1 Breve caracterización del proceso de reparación de embarcaciones

navales en la empresa ASTOR……………………………………………… 5

1.2 Metodología de la Investigación de Operaciones (IO)............................... 7

1.3 Planeación de proyectos mediante los métodos PERT y CPM................. 10

1.4 Elementos de Programación Lineal en Enteros (PLE)……………………. 12

1.5 Modelos y métodos de pronóstico…………………................................... 15

1.5.1 Procesos AR, MA, ARMA y ARIMA……………………………….. 17
1.5.2 Metodología de Box-Jenkins………………………………………. 20
CAPÍTULO 2 MODELACIÓN MATEMÁTICA PARA LA ASIGNACIÓN ÓPTIMA DE
RECURSOS HUMANOS EN PROYECTOS DE REPARACIÓN DE
EMBARCACIONES NAVALES
Introducción al capítulo.......................................................................................... 23

2.1 Recolección de datos y definición del problema matemático.................... 23

2.2 Modelos matemáticos propuestos para la asignación óptima de

recursos humanos en proyectos de reparación de embarcaciones
navales …………………………………………………………………………. 26
2.3 Definición del índice dinámico de rendimiento promedio quincenal
(IDRPQ)……….......................................................................................... 33

2.3.1 Pronóstico del IDRPQ mediante la metodología Box-Jenkins…... 35

2.4 Discusión de los resultados de la investigación……………………………. 45

CONCLUSIONES GENERALES 48

RECOMENDACIONES 49
BIBLIOGRAFÍA 50

ANEXOS

Anexo 1: Calificaciones y disponibilidades de los recursos humanos………….. 53

Anexo 2: Cantidad de horas hombre (h/h) planificadas y real ejecutadas para
54
la calificación ayudante……………………………………………………
 1  ………………………………
Anexo 3: Formulación del problema p 
1431 → 1436  55
 
 1 
Anexo 4: Formulación del problema p cˆ i   ……………………… 61
 1431 → 1436 
INTRODUCCIÓN
Las empresas deben ser cada vez más competitivas para poder mantenerse en el mercado
económico actual. Esto obliga a las organizaciones a ofrecer una gran variabilidad de productos, a
satisfacer de forma inmediata las demandas, a reducir los costos, etc.; lo que implica cambios
constantes para lograr los niveles de calidad deseados por los clientes en aras de ser competitivos.
Según plantea E. Z. Rodríguez (2006), en los últimos años existe en varios países una creciente
necesidad en las organizaciones de adaptarse a los cambios constantes del mercado, de aquí la
importancia otorgada a la Organización del Tiempo de Trabajo (OTT). Este mismo investigador
hace referencia a la Asignación de Tareas (AT) como un elemento esencial de la OTT, en la misma
se parte de un conocimiento previo de la cantidad de personal disponible y de la demanda de las
tareas, y se quiere satisfacer de forma óptima dicha demanda, utilizando el personal del que se
dispone y siguiendo ciertas pautas de comportamiento.
Estas pautas surgen por razones económicas, ergonómicas, de calidad, prioridad de las
organizaciones, preferencias del personal, aspectos sociales, disposiciones legales, sistemas de
trabajo, entre otras. Por ejemplo, dichas pautas pueden definir el tiempo que el personal ha de
pasar de forma continua en una tarea, el tiempo mínimo requerido para realizar una tarea, entre
otros muchos más aspectos que son considerados al llevar a cabo la Asignación de Tareas.
Teniendo en cuenta las razones anteriores, en la empresa Astilleros del Oriente Santiago de Cuba
(ASTOR) se han realizado estudios de la OTT que han brindado algunas pautas para realizar una
planificación de la reparación de embarcaciones. Entre estos estudios se destacan los
desarrollados por el Lic. Vicente Juan Gainza, especialista de ASTOR y el trabajo de Diploma de
Valiente, A. (2008).
A pesar de los resultados que han aportado estos estudios, un diagnóstico realizado al proceso de
reparación de embarcaciones en ASTOR, permitió valorar que todavía persisten algunas
insuficiencias con la OTT, siendo la de mayor peso la toma de decisiones subjetivas en algunos
niveles tácticos y operativos de dicho proceso, debido a la limitada utilización de estrategias que
aporten diferentes alternativas de decisión, sustentadas en un soporte científico sólido.
Los elementos anteriores dan cuenta de la necesidad de perfeccionar el proceso de organización
del tiempo de trabajo en los proyectos de reparación de embarcaciones navales de la empresa
ASTOR. Lo anterior constituye el problema científico de la presente investigación y su solución
posibilitaría favorecer el monitoreo y control eficiente de dichos proyectos de reparación, lo que
reviste gran importancia para lograr los niveles de calidad deseados en la mencionada empresa.
1
Ahora bien, para darle un tratamiento adecuado al problema científico de la investigación se
consideró imprescindible profundizar en el proceso de planificación de recursos humanos en los
proyectos de reparación de embarcaciones navales, el cual constituye el objeto de la presente
investigación.
Al profundizar en el estudio del objeto de la investigación declarado, en particular en su dimensión
empírica perteneciente a la empresa ASTOR, pudo constatarse a partir del análisis de diversas
fuentes de datos, la existencia de una sobreplanificación del tiempo de trabajo en varias
actividades. Esta situación está relacionada con la carencia de estrategias que posibiliten realizar
una toma de decisiones adecuada para lograr una AT óptima, de acuerdo a ciertos criterios
alternativos de interés y bajo ciertas restricciones propias del sistema de reparación, como son la
cantidad de personal disponible, la demanda de las tareas, las pautas de comportamiento, entre
otras.
A su vez, al penetrar en el estudio del objeto de la presente investigación, pero desde la cultura
generada por otros investigadores, pudo comprobarse que en el ambiente socioeconómico actual,
altamente competitivo y complejo, el proceso de planificación de recursos humanos en diferentes
proyectos en empresas que aspiran a ser competitivas, no estimula la utilización de los métodos
tradicionales de toma de decisiones, pues estos se han vuelto inoperantes e inadmisibles. Además,
los responsables de dirigir las actividades de las empresas e instituciones se enfrentan a
situaciones complejas y cambiantes con rapidez, por lo que ha prevalecido significativamente el
empleo de estrategias que aporten soluciones creativas y prácticas, apoyadas en una base
cuantitativa sólida, para lo cual se sustentan esencialmente en las herramientas de la Investigación
de Operaciones (IO).
En esta dirección, varios son los trabajos en los cuales se ha logrado realizar una adecuada
aplicación de la Metodología de la IO para resolver problemas de planificación de recursos
humanos (Fernández, A., 1996; Charles, Bonini, 1999; Gallardo, Anahi, 1996; Mendoza, J. G.,
2002; Wolfus, P., 2008 y Ramos A., 2010). En Algunos trabajos se han aplicado las herramientas
de Programación Lineal en Enteros, logrando realizar una asignación óptima de los recursos
humanos bajo ciertos criterios, incluso brindando un tratamiento adecuado a los ambientes de
incertidumbre (Agirre, I., 2007; García, A. M., 1998; Ramos A., Alonso-Ayuso A., Pérez G., 2008 y
Ramos A., 2010).
Como puede apreciarse en lo expuesto anteriormente, se manifiesta una contradicción que se
expresa entre la complejidad del ambiente socioeconómico actual y la insuficiente aplicación de
2
métodos cuantitativos para la toma de decisiones en la empresa ASTOR. De aquí la necesidad de
solventar esta contradicción a partir de profundizar en el estudio del proceso de asignación de
tareas a los recursos humanos en los proyectos de reparación de embarcaciones navales de la
empresa ASTOR, el cual se toma como el campo de acción de la investigación.
Debe señalarse que este campo de acción ha sido sistematizado en trabajos como Warner, D. M. y
Prawda, J. (1972), Arthur, J. L. y Ravindran, A. (1981), Bailey, J. (1988), Ozkarahan, I. y Bailey, J.
(1988), Ozkarahan, I. (1989), Isken M. y Hancock, W. (1990), Bastías, S. y Chacón, M. (2001) y,
Rodríguez, E. Z. (2006). No obstante, la aplicación de los aportes de estos trabajos al proceso de
asignación de tareas a recursos humanos en proyectos de reparación de embarcaciones navales
de la empresa ASTOR no es un proceso lineal, más bien se requiere de una contextualización a las
condiciones y exigencias propias de este proceso, que podría exigir una reformulación o
modificación de los modelos existentes.
En este contexto, se concibió como objetivo de la investigación la obtención de modelos
matemáticos para realizar una asignación óptima de los recursos humanos a las tareas de los
proyectos de reparación de embarcaciones navales de la empresa ASTOR, que posibiliten
perfeccionar el proceso de organización del tiempo de trabajo en dichos proyectos.
La utilización de tales modelos matemáticos puede tener un gran impacto económico, por lo que
reviste gran importancia en la actualidad, al enriquecer el soporte científico de las decisiones que
deben tomarse en niveles tácticos y operativos, relacionados con los proyectos de reparación de
embarcaciones en la empresa ASTOR.
Se asume entonces, como hipótesis de la investigación, que si se emplean modelos
matemáticos para realizar el proceso de asignación de tareas a los recursos humanos en los
proyectos de reparación de embarcaciones navales de la empresa ASTOR, que tome en cuenta la
contradicción que se manifiesta entre la complejidad del ambiente socioeconómico actual y la
insuficiente aplicación de métodos cuantitativos para la toma de decisiones en dicha empresa, se
puede perfeccionar el proceso de organización del tiempo de trabajo en los mencionados
proyectos.

3
Una vez definido el camino hipotético que daría solución al problema científico de la presente
investigación, se desarrollaron las siguientes tareas científicas:
1. Caracterizar brevemente el proceso de reparación de embarcaciones navales en la empresa
ASTOR.
2. Caracterizar la metodología de investigación de operaciones y los métodos y modelos
matemáticos de mayor utilidad para los proyectos de reparación de embarcaciones navales.
3. Elaborar modelos para realizar el proceso de asignación de tareas a los recursos humanos en
los proyectos de reparación de embarcaciones navales, que posibiliten perfeccionar el proceso
de organización del tiempo de trabajo en dichos proyectos en la empresa ASTOR y realizar
una ejemplificación con los mismos.
4. Valorar la pertinencia científica de los principales resultados de la investigación.

Teniendo en consideración las tareas científicas anteriores, se estructuró el informe de la

investigación de la siguiente forma:
En el Capítulo 1 se presenta una breve caracterización de la reparación de embarcaciones navales
en la empresa ASTOR, así como de los métodos y modelos matemáticos de mayor utilidad para la
toma de decisiones en los proyectos de reparación de embarcaciones navales.
En el Capítulo 2, se formulan los modelos matemáticos para la asignación de los recursos
humanos a tareas de los proyectos de reparación de embarcaciones navales en la empresa
ASTOR. Además, se presenta una ejemplificación con los mismos y se realiza una valoración
sobre los principales resultados de la investigación.
Finalmente, se brindan las conclusiones del trabajo, las recomendaciones para futuras
investigaciones, las referencias bibliográficas y los anexos, posibilitando estos últimos esclarecer o
complementar ciertos análisis realizados en el cuerpo del informe.

4
CAPÍTULO 1. FUNDAMENTOS MATEMÁTICOS PARA EL PROBLEMA DE ASIGNACIÓN
ÓPTIMA DE RECURSOS HUMANOS EN PROYECTOS DE REPARACIÓN DE
EMBARCACIONES NAVALES

Introducción al capítulo
En el presente capítulo se expone una breve caracterización de la reparación de embarcaciones
navales en la empresa ASTOR. Se presenta la metodología de Investigación de Operaciones y se
sintetizan los principales métodos y modelos matemáticos que posibilitan una asignación óptima de
recursos humanos en proyectos de reparación de embarcaciones navales.
1.1 Breve caracterización del proceso de reparación de embarcaciones navales en la
empresa ASTOR
Se comenzará por precisar que la misión de la Empresa ASTOR es: “Brindar servicios de
construcción y reparación de transporte marítimo, industrial y de suministro de fuerza de trabajo
calificada acorde a los estándares mundiales de calidad en el área del Caribe, satisfaciendo los
requerimientos y necesidades de los clientes” (ASTOR, 2009).
Además, resulta conveniente señalar que la visión de dicha empresa es: “Ser patrón y referencia
obligada para todo el Caribe en la construcción y reparación de embarcaciones navales de
mediano y pequeño porte y en el suministro de fuerza de trabajo hasta el área de Latinoamérica,
caracterizándose por su capacidad de respuesta, calidad, precios atractivos, seguridad y
competitividad de su capital humano” (ASTOR, 2009).
Ahora bien, otro elemento que posibilita comprender el papel que tiene la empresa ASTOR para la
economía del país es su amplio objeto social, del cual se puede mencionar uno de sus
componentes principales: “Realizar la construcción, reconstrucción, remodelación, reparación, y
mantenimiento de buques, embarcaciones y otros artefactos navales, tanto en talleres como a flote
y en travesía, así como brindar servicios propios de la actividad naval … en moneda nacional para
entidades nacionales y, en divisa, a entidades mixtas y extranjeras” (ASTOR, 2009).
5
Por otro lado, es necesario puntualizar que la reparación de embarcaciones navales en la empresa
ASTOR se rige por diferentes tareas 1 generales, las mismas se presentan a continuación:
1. Recepción del Buque.
2. Inspección de las instalaciones del varadero para la varada.
3. Varada.
4. Traslado a Zona de Reparación.
5. Limpieza y tratamiento general del casco y todos sus compartimientos.
6. Reparación y Pailería.
7. Terminación.
8. Inspección de instalación del varadero para la Botadura.
9. Botadura.
10. Inspección general.
11. Prueba y entrega.
12. Satisfacción del cliente.
Cada tarea general está dividida en diversas sub-tareas, y a su vez, cada sub-tarea debe ser
ejecutada por ciertos recursos humanos que deben tener una calificación determinada. Estas
tareas generales y sub-tareas conforman el sistema de reparación para cada una de las
embarcaciones navales (o proyecto), que en su conjunto conforman un sistema mayor de
reparación de varias embarcaciones navales (o multiproyecto).
Como puede inferirse, la reparación de embarcaciones navales es una actividad de alta
complejidad y de una gran especialización. El elevado número de tareas que deben ser ejecutadas
en las diferentes posiciones de dichas embarcaciones, de acuerdo a las diferentes calificaciones de
los recursos humanos, exige del control eficiente de estos últimos, así como de los medios técnicos
disponibles y recursos materiales, tomando como base estrategias que posibiliten realizar una
adecuada toma de decisiones.
La empresa ASTOR, por estar insertada en el ambiente socioeconómico actual, altamente
competitivo y complejo, ha incrementado la estimulación salarial como una alternativa para lograr
niveles aceptables de productividad en el proceso de reparación de embarcaciones navales. De
aquí que en el año 2000, introdujo un sistema de pago por resultados, que pretende el ahorro de
tiempo de culminación de los objetos de obra.

1- Una descripción más detallada de las diferentes tareas generales y sub-tareas puede consultarse en el
trabajo Valiente, A., Gorina, A. y Gainza, V. J. (2008).
6
Sin embargo, se considera que dicha alternativa por sí sola no brinda una solución eficiente, pues
se necesita que el proceso de asignación de recursos humanos en los proyectos de reparación de
embarcaciones sea llevado a cabo a partir del empleo de estrategias que aporten soluciones
creativas y prácticas, apoyadas en una base cuantitativa sólida, que posibilite el conocimiento
sobre el comportamiento de varios factores que intervienen en del proceso de reparación de
embarcaciones navales. Lo que facilitaría la toma de decisiones para la asignación óptima de los
recursos que intervienen en el proceso productivo, permitiendo una reducción de costos de
producción y una elevación de la rentabilidad del proceso de reparación de embarcaciones
navales.
En tal sentido, se considera imprescindible que se valore en dicha empresa los beneficios que
aportaría la utilización de las herramientas de la Investigación de Operaciones (IO) en la toma de
decisiones para la asignación óptima de los recursos que intervienen en el proceso de reparación
de embarcaciones navales, y en particular su metodología, que ha sido aplicada exitosamente en
problemas de variadas temáticas en diferentes trabajos, entre los que se destacan Ozkarahan, I. y
Bailey, J. (1988), Ozkarahan, I. (1989), Isken M. y Hancock, W. (1990), Bastías, S. y Chacón, M.
(2001) y Rodríguez, E. Z.(2006).

1.2 Metodología de Investigación de Operaciones (IO)

La Investigación de Operaciones o Investigación Operativa, es una rama de las Matemáticas
consistente en el uso de modelos matemáticos, de la Estadística y de algoritmos con el objetivo de
realizar un proceso de toma de decisiones, es una moderna disciplina científica que se caracteriza
por la aplicación de teoría, métodos y técnicas especiales, para buscar la solución de problemas de
administración, organización y control que se producen en los diversos sistemas que existen en la
naturaleza y los creados por el ser humano, tales como las organizaciones diversas a las que
identifica como sistemas organizados, sistemas físicos, económicos, ecológicos, educacionales, de
servicio social, etc (Sánchez, R. et al, 2009).
La Investigación de Operaciones, hace uso de una metodología para resolver problemas
científicos, tomando en consideración las etapas de un proyecto de Investigación de Operaciones.
Estas etapas, según plantea R. Sánchez et al (2009), son las siguientes:
a) Recolección de datos y definición del problema matemático
En esta fase del proceso se necesita: una descripción de los objetivos del sistema, es decir, qué se
desea optimizar; identificar las variables implicadas, ya sean controlables o no; determinar las

7
restricciones del sistema. También hay que tener en cuenta las alternativas posibles de decisión,
los límites de tiempo para tomar una decisión y las restricciones para producir una solución
adecuada. Este proceso de definir el problema es muy importante ya que afectará en forma
significativa las conclusiones en estudio, es imposible extraer una respuesta correcta de un
problema equivocado. Una parte bien importante para la formulación de un modelo matemático es
la recolección de datos, pues ellos permitirán la realización del modelo y la exactitud de los
resultados, pues se necesitan muchos datos para lograr un entendimiento exacto del problema y
proporcionar el insumo adecuado para el modelo matemático que se formulará en la siguiente
etapa del estudio.
b) Formulación de un modelo matemático
Una vez que se asegura que la definición del problema matemático ha sido construida de manera
específica y correcta, se continúa con la formulación de un modelo matemático, este modelo debe
ser formulado de tal manera que exprese lo más significativo de dicho problema.
El modelo matemático está basado en ecuaciones y desigualdades establecidas en términos de
variables, las cuales expresan la esencia del problema a resolver y son definidas en función de las
características fundamentales del problema. Después de localizar las variables en función de dicho
problema, se procede a determinar matemáticamente las dos partes que constituyen el modelo:
 La medida de efectividad que permite conocer el nivel de logro de los objetivos, generalmente
es una función llamada función objetivo.
 Las limitantes del problema, llamadas restricciones, que son un conjunto de igualdades o
desigualdades que constituyen las barreras y obstáculos para la consecución del objetivo.
c) Obtención de una solución a partir de los modelos matemáticos, prueba del modelo y de
su solución
Una vez que se tiene el modelo, se procede a obtener una solución matemática empleando las
diversas técnicas y métodos matemáticos para resolver problemas y ecuaciones. Resolver un
modelo consiste en encontrar los valores de las variables dependientes, asociadas a las
componentes controlables del sistema con el propósito de optimizar, si es posible, o cuando menos
mejorar la eficiencia o la efectividad del sistema dentro del marco de referencia que fijan los
objetivos y las restricciones del problema. Se debe tener en cuenta que las soluciones que se
obtienen en este punto del proceso, son matemáticas y se deben interpretar en el mundo real. La
selección del método de solución depende de las características del modelo.
8
El modelo debe probar su validez, antes de ser implantado, observando si los resultados predicen o
no, con cierta aproximación o exactitud, los efectos en relación a las diferentes alternativas de
solución. Para comprobar la solución del modelo, deberá recopilarse la información, con el fin de
hacer las pruebas necesarias y hacer la verificación según los siguientes pasos:
1) Definir científicamente (incluyendo la medida de rendimiento)
2) Llevar a cabo el muestreo (incluyendo el diseño de experimentos)
3) Reducir el número de datos
4) Utilizar los datos en la prueba de hipótesis
5) Evaluar los resultados
Si estos pasos son llevados a cabo recurrentemente cada vez que se obtienen resultados del
modelo y son presentados al grupo de toma de decisiones, se empieza a ejecutar un procedimiento
sistemático de control que depura y ajusta al mismo, con la realidad.
d) Establecimiento de controles sobre la solución del modelo matemático
Una solución establecida como válida para un problema, permanece como tal, siempre y cuando
las condiciones del problema, las variables no controlables, los parámetros, las relaciones, entre
otros, no cambien significativamente. Esta situación se vuelve más factible cuando algunos de los
parámetros fueron estimados aproximadamente. Por lo anterior, es necesario generar información
adicional sobre el comportamiento de la solución debido a cambios en los parámetros del modelo,
usualmente esto se conoce como análisis de sensibilidad. En pocas palabras, esta fase consiste en
determinar los rangos de variación de los parámetros dentro de los cuales no cambia la solución
del problema.
e) Implantación de la solución del modelo matemático
Cuando ya se ha desarrollado el sistema para aplicar el modelo, la última etapa consiste en la
implantación de los resultados probados del mismo. Esto básicamente implicaría la traducción de
estos resultados en instrucciones de operación detallada, emitidas en una forma comprensible a los
individuos que administrarán y operarán al sistema. Al culminar el estudio, es apropiado que el
equipo de investigación de operaciones documente su metodología utilizada con suficiente claridad
para que el trabajo sea reproducible.

Una vez presentada la metodología de la investigación de operaciones, la cual constituye una

lógica investigativa de gran utilidad que puede ser empleada para perfeccionar el proceso de
asignación de tareas a los recursos humanos en los proyectos de reparación de embarcaciones
9
navales de la empresa ASTOR, resulta conveniente introducir algunos elementos básicos más
específicos relacionados con la planeación de proyectos mediante PERT y CPM, que sientan las
bases para reforzar el mencionado proceso.

1.3 Planeación de proyectos mediante los métodos PERT y CPM

De forma general puede decirse que las empresas, organizaciones, instituciones y los individuos
ejecutan operaciones continuas y emprenden proyectos como un medio para alcanzar sus planes
estratégicos. La empresa ASTOR no escapa a esta realidad, y si bien se tienen resultados
parciales alentadores, todavía se precisa del continuo perfeccionamiento de la planificación, control
y toma de decisiones en los proyectos de reparación de embarcaciones navales.
Ahora bien, para una mejor comprensión de los elementos técnicos que se utilizan en los proyectos
de reparación de embarcaciones navales que se utilizan en la presente investigación, deben
abordarse varios aspectos. Se comenzará por precisar que se entiende por proyecto, a la
combinación de actividades interrelacionadas que deben ejecutarse en un cierto orden antes que el
trabajo completo pueda terminarse. Las actividades que lo componen están interrelacionadas en
una secuencia lógica en el sentido que algunas de ellas no pueden comenzar hasta que otras se
hayan terminado. Una actividad en un proyecto, usualmente se ve como un trabajo que requiere
tiempo y recursos para su terminación.
Cuando la realización de un proyecto envuelve un número limitado de acciones a realizar, en
muchas ocasiones basta para dirigir su realización con la experiencia de su dirigente. Sin embargo,
la creciente complejidad de los proyectos actuales ha demandado métodos de planeación más
sistemáticos y más efectivos con el objetivo de optimizar la eficiencia en el proceso de su
ejecución. La eficiencia en este caso implica efectuar la mayor reducción en el tiempo requerido
para terminar el proyecto mientras se toma en cuenta la factibilidad económica de la utilización de
los recursos disponibles.
2
Uno de estos métodos de planeación es el denominado PERT (Program Evaluation and Review
Technique), mientras que el otro es el denominado CPM (Critical Path Method). Ambos métodos se
popularizaron muy pronto y actualmente están muy difundidos, utilizándose por muchas empresas
para controlar el desarrollo de obras de diferente envergadura, desarrollo de proyectos de
investigación, control de programas a corto y mediano plazos, etc.

2-Una explicación más detallada sobre el método PERT, puede consultarse en Charles, A., Watson J. (1982).
10
La diferencia fundamental entre estos dos métodos radica en la manera en que se realizan los
estimados de tiempo para las actividades. El PERT supone que el tiempo para realizar cada una
de las actividades es una variable aleatoria descrita por una distribución de probabilidad, mientras
que el CPM parte del supuesto de que los tiempos de las actividades se conocen en forma
determinística y se pueden variar cambiando el nivel de los recursos utilizados.
El método PERT supone que el tiempo de las actividades se distribuye de acuerdo a una
distribución Beta. La distribución para cualquier actividad se define por tres estimados:
a) Estimado de tiempo más optimista.
b) Estimado de tiempo más pesimista.
c) Estimado de tiempo más probable.
El tiempo más probable o moda ( m ) es el tiempo requerido para realizar la actividad bajo
condiciones normales. Los tiempos optimistas o mínimo ( a ) y pesimistas o máximo ( b )
proporcionan una medida de la incertidumbre inherente a la actividad, incluyendo desperfectos en
el equipo, disponibilidad de mano de obra, retardo en la llegada de los materiales y otros factores.
A partir de la distribución definida, la media (esperada) del tiempo de una actividad puede
estimarse por medio de la fórmula de aproximación:

a  4m  b
t , aquí t denota el tiempo medio.
6

ba
Respectivamente, puede ser determinada la desviación estándar mediante la expresión:  
6
Tanto el PERT como el CPM exigen de realizar una planeación del proyecto, es decir, desglosar
el proyecto en actividades, estimar los recursos y el tiempo para cada actividad y describir las
interrelaciones de las actividades. Pero además se necesita de una programación del proyecto
donde se precisan las fechas de inicio y terminación para cada actividad. Esta programación es la
que posibilita controlar la ejecución del proyecto, siendo indispensable para ello disponer de
información sobre el estado actual del mismo y analizar los posibles cambios cuando surgen
dificultades.
Aquí debe puntualizarse que en un proyecto generalmente existe un camino crítico, que está
integrado por un conjunto de actividades críticas que parten del suceso inicio y llegan hasta el
suceso final. Por lo tanto, se dice que las actividades son críticas cuando no tiene tiempo de

11
holgura, lo que reviste gran importancia a la hora de llevar a cabo la planificación de los recursos
humanos, e incluso de su asignación a las diferentes tareas a ejecutar en el proyecto.
Si una actividad del camino crítica se retarda, el proyecto como un todo se retarda en la misma
cantidad. Las actividades que no están en la ruta crítica tienen cierta holgura; esto es, pueden
empezarse más tarde y permitir que el proyecto como un todo se mantenga en programa.
Todos los aspectos anteriores son de gran interés para poder establecer las condiciones más
generales sobre las cuales se debe sustentar la asignación de recursos humanos a las diferentes
tareas a ejecutar en un proyecto de reparación de embaraciones navales, que por su gran
diversidad, número y requerimientos, exigen de las herramientas que brinda la Programación Lineal
en Enteros para ganar más precisión y rapidez en la toma de decisiones durante este proceso de
asignación.

1.4 Elementos de Programación Lineal en Enteros (PLE)

La Programación Lineal en Enteros se considera como una subclase de la Programación Lineal en
la cual se exige que ciertas variables de decisión tomen valores enteros y otras podrían tomar
valores no enteros. La formulación de problemas de programación lineal en enteros tiene gran
utilidad para realizar una modelación matemática del proceso de asignación de recursos humanos,
a través de ciertas variables de interés y relaciones que se establecen entre dichas variables, que
se expresan a través de restricciones de disponibilidad y demanda.
A continuación se define el Problema de Programación Lineal en Enteros.
Dado el problema de programación lineal

Max (o Min) f ( x)  cx

s. a. S1 = x/ Ax = b, x ≥ 0

donde A es una matriz de orden m x n , b es un vector de orden m y c es un vector de n

componentes. Se define un Problema de Programación Lineal en Enteros (PPLE), como:

Max (o Min) f ( x)  cx

s. a. S 2  { x / Ax  b , x  0 , entero }

12
Teniendo en cuenta que la función objetivo y las restricciones son lineales, se puede escribir el
PPLE de la siguiente forma:
n
Max ( o Min )  ∑ c j x j
j 1
n
s. a. ∑ ai j x j  bi i  1,..., m
j 1
x j  0 entero, j  1,..., n
o lo que es lo mismo, en forma matricial:

Max ( o Min )  cx
s. a. Ax  b
x  0 , entero

La formulación de problemas de programación lineal en enteros es de gran utilidad para el estudio

del proceso de asignación de recursos humanos. No obstante, es imprescindible disponer de
diversos métodos para resolver los PPLE que brinden soluciones a los mismos, a continuación se
comentan los utilizados con más frecuencia.

Métodos y algoritmos de Problema Programación Lineal Entera (PPLE)

Para resolver los PPLE podrían emplearse dos grupos de métodos

a) Planos Cortantes los métodos de planos cortantes deben su nombre a la idea geométrica que
los sustenta, la cual consiste en añadir, al problema de optimización continuo bajo estudio,
restricciones adicionales de modo que se reduzca el conjunto de soluciones posibles de dicho
problema, sin eliminar ninguna solución del PPLE, o sea, dar un corte. Dentro de los que se
encuentran: Gomory I, Gomory II y Corte Primal.

b) Enumeración realizan una exploración del conjunto de las soluciones posibles en busca del
óptimo, aprovechando para ello la estructura discreta del conjunto, como son: Branch and
Bound (ramificación y acotación), Enumeración lexicográfica y Enumeración Implícita.

A continuación se describe brevemente el algoritmo enumerativo Branch and Bound, pues desde el
punto de vista computacional está implementado en Excel 2010, por lo que se puede utilizar el
software para determinar automáticamente la solución para un grado considerable de PPLE.

13
Algoritmo Branch and Bound
Este algoritmo genera mediante el proceso de ramificación la separación del conjunto S de
P
soluciones admisibles del problema continuo inicial en subconjuntos S j tales que: S j S, y
j 1

consecuentemente, genera un conjunto de problemas Pj : Pj  MaxCX / X  S j  j  1, ..., P .

Algoritmo Branch and Bound

Paso 1: (Inicio)
Resolver el problema continuo (PC). Sea X 0 la solución óptima del PC.
 Si X 0 es entera; es la solución óptima del problema entero. FIN
~
 Si X 0 no es entera, Z   (valor inicial de la cota inferior), ir al Paso 3.
Paso 2:
a) Seleccionar un nuevo vértice V k e ir a b). Si no hubiera vértices para analizar,
entonces ir al Paso 5.
b) Resolver P k
 Si Z  Z~ ir al Paso 3. ( Z es el valor de la función objetivo para el problema
k k
k k
P en X )
 Si Z  Z~ tachar V k e ir al Paso 2 a).
k
Paso 3:
a) Sea X k solución óptima del P k .
~
 Si X k es entera: CX k  Z (se actualiza la cota inferior), X k  X (se guarda la
posible solución óptima) tachar Vk e Ir al Paso 2 a).
 Si X k no es entera, ir al Paso 4.

b) S K   tachar Vk . Ir al Paso 2 a).

Paso 4: (Ramificación)
Se definen los problemas:
X j  [ X kj ]; X j  [ X kj ] + 1, X Sk . Ir al Paso 2 b)
X k : la solución del continuo asociado al problema dado en Vk .
Sk : conjunto de soluciones posibles.
X kj : componente obtenida por el criterio de selección.

Paso 5: (Final)
~
 Si Z    no hay soluciones posibles.
 En otro caso X es la solución óptima.

Tabla 1: Algoritmo Branch and Bound (Garfinkel, R. S. y Nemhauser, G. L. , 1972).

14
Los aspectos antes abordados son imprescindibles para llevar a cabo el proceso de asignación de
recursos humanos a las tareas que deben ser ejecutadas en los proyectos de reparación de
embarcaciones navales. No obstante, se considera que por las características dinámicas de los
parámetros que intervienen en los PPLE que permiten realizar la mencionada asignación de forma
óptima, es necesario el análisis y pronóstico de ciertos parámetros, en aras de disminuir la
incertidumbre propia de este proceso, posibilitándose de esta forma lograr alcanzar soluciones más
adecuadas.

1.5 Modelos y métodos de pronóstico

Existen muchas decisiones importantes que requieren de pronóstico del futuro. Pronosticar es
estimar el futuro utilizando información del presente y del pasado. A pesar de su importancia, en la
empresa ASTOR todavía es limitada la aplicación que se hace de los métodos de pronóstico para
poder tomar decisiones en los proyectos de reparación de embarcaciones navales. De aquí la
necesidad de incrementar en cantidad y diversidad los métodos de pronóstico en dichos proyectos.
En esta dirección, se partirá por reconocer la importancia del estudio de las series de tiempo
económicas, las que frecuentemente se analizan con las técnicas básicas de regresión. Aunque
debe precisarse que dichas técnicas no posibilitan el estudio de los casos en que los valores de la
serie en diferentes instantes de tiempo están autocorrelacionados. Las situaciones más complejas
se producen cuando dependen además de períodos similares del tiempo anterior, con cierta
estacionalidad.
Tal complejidad estimuló que se desarrollaran teorías matemáticas y procedimientos prácticos
generales orientados especialmente al estudio de series temporales. Por ejemplo, la metodología
de Box-Jenkins es válida para el análisis de un conjunto bastante amplio de series y está
fundamentada en una sólida teoría matemática de los modelos ARIMA.
Para lograr una adecuada comprensión de los métodos utilizados y los resultados alcanzados en
el presente estudio, es necesario abordar algunos aspectos esenciales:

Conceptos básicos de series de tiempo

Se llama una serie de tiempo a una sucesión de valores Z1 , Z 2 , ... , Z n , correspondientes a un

fenómeno observado a intervalos fijos de tiempo.

Operador de Retardo: Se denota con la letra B y se define mediante la relación:
BZ t = Z t -1
15
Al aplicar sucesivamente el operador B se obtiene que:
B 2 Z t = B( BZt -1 ) = Zt -2

B3 Zt = B( B 2 Zt -1 ) = Zt -3
.................................
B k Z t = B( B k -1Z t -1 ) = Zt -k

y de forma general, B k Zt = Zt -k para k = 0 ,1,2 ,... y todo t.

Operador diferencia: Este operador se utiliza para expresar relaciones del tipo
Yt = Z t - Z t -1

Además, tiene íntimamente relación con el operador B . Si se denota a través de la letra W al

operador que satisfaga la siguiente condición:
WZ t = Z t - Z t -1 para toda t ,

entonces la expresión que relaciona a los operadores W y B será la siguiente:

W = 1 - B , o sea, WZ t = ( 1 - B)Z t
Llamaremos función de medias a una función del tiempo que proporciona las medias de las
distribuciones marginales Z t para cada instante, esto es:

  E Z t 
Si todas las variables Z t tienen la misma media, se dice que el proceso es estable (o estacionario)

en la media. En otras palabras, las series estacionarias no muestran tendencias.

Por otro lado, se denomina función de varianza a la función que proporciona las varianzas en
cada instante temporal
 t2  V ( Z t )
El proceso es estable en la varianza si en cualquier instante de tiempo la varianza es constante.
Mientras que se denomina función de autocovarianzas a aquella función que mide la estructura
de dependencia lineal entre las variables, esto es

 
 j  cov( Z t , Z t  j )  E ( Z t   t )( Z t  j   t  j )

Se define como función de autocorrelación (ACF) a la estandarización de la función de

autocovarianzas:

 j  cov(Z t , Z t  j )  t t  j
16
Se dirá que una serie temporal es estacionaria si son estables la media, la varianza y las
covarianzas, es decir, si para toda t se cumple:

1. μt = μ (constante)
2 2
2. σ t = σ (constante)

3. Cov ( t , t  k )  Cov ( t , t  k )   k k  1 , 2 , …

Se denomina función de autocorrelación parcial (PACF) a la representación de los coeficientes

de autocorrelación en función del retardo o separación entre observaciones.
Se define como proceso ruido a un proceso et , t  N compuesto de variables no correlacionadas

con media 0 y varianza  2 , esto es:

EZ t   0
VarZ t    2
CovZ t , Z t k   0

Si se supone que en un proceso de ruido las variables tienen distribución normal, la incorrelación
garantiza la independencia y se llama al proceso resultante proceso de ruido blanco.
La mayoría de los procesos económicos son no estacionarios y su nivel medio varía con el tiempo.
Sin embargo, es frecuente que el proceso se convierta en estacionario al diferenciarlo.
Se dice que un proceso es integrado de orden h cuando al diferenciarlo (aplicar el operador
diferencia) h veces se obtiene un proceso estacionario.

1.5.1 Procesos AR, MA, ARMA y ARIMA

Los procesos AR constituyen una clase muy importante de los procesos estacionarios. Dichos
procesos imponen una dependencia lineal entre las variables del proceso, similar a la de una
ecuación de regresión.

En este modelo el valor corriente en el proceso es expresado como una suma finita, lineal de una
constante, de los valores previos del proceso y un “golpe” et . Denotemos los valores del proceso
equiespaciados en el tiempo t, t-1, t-2, ... por Z t , Z t - 1 , Z t - 2 , ...

17
El Proceso AR (1)

Se dice que una serie Z t sigue un proceso autorregresivo de primer orden, o un AR(1) si ha sido

generada por:

Z t  c   Z t 1  et

Donde c , - 1    1 son constantes a determinar y et es un proceso de ruido blanco.

El Proceso AR (2)

La dependencia entre los valores presentes y los pasados que establece un proceso AR (1) puede
generalizarse permitiendo que Z t dependa linealmente no sólo de Z t - 1 sino también de Z t 2 . Se

obtiene entonces el proceso autorregresivo de segundo orden o proceso AR (2):

Zt  c   1Zt -1  2 Zt - 2  et

donde ahora c, φ1 , φ2 son constantes a determinar y et es un proceso de ruido blanco.

El Proceso autorregresivo general AR (p)

Se dice que una serie temporal Z t sigue un proceso autorregresivo de orden p si ha sido generada

por:
~ ~ ~ ~
Z t  1 Z t 1  2Z t  2  .....  p Z t  p  et

~
Donde Z t  Z t   , siendo  la media del proceso y et un proceso de ruido blanco.

Procesos de medias móviles

Los procesos autorregresivos tienen todas sus autocorrelaciones diferentes de 0, aunque sean muy
pequeñas. En ese sentido se puede decir que estos procesos son de memoria larga. Otro tipo de
procesos deben representar series con memoria corta. Estos son los procesos de media móvil.

EL proceso de media móvil de orden uno MA (1)

Se define el proceso de media móvil de orden uno, MA (1), añadiendo a un proceso de ruido blanco
una dependencia del valor actual de la serie de la última innovación ocurrida. De esta manera el
proceso será una combinación lineal de las dos últimas innovaciones, esto es:

18
 ~
Z t  et   et  1

~
donde Z t  Z   , siendo  la media del proceso y et es un proceso de ruido blanco. El proceso

MA (1) puede escribirse con la notación de operadores:

~
Z t  1  B et
El proceso MA (1) es la suma de los dos procesos estacionarios, et y et  1 y, por tanto, siempre

será estacionario, para cualquier valor del parámetro.

El Proceso MA (q)
Generalizando la idea de un MA (1), se obtiene un procesos cuyo valor actual dependa no sólo de
la última innovación sino de las q últimas innovaciones, es decir, se obtiene entonces:
~
Z t  et  1et 1   2 et  2  ...   q et  q

El proceso MA (q) es siempre estacionario, por ser la suma de procesos estacionarios

Procesos ARMA
Para lograr mayor flexibilidad en los ajustes de las series temporales, es a veces más ventajoso
incluir ambos términos en el modelo. Esto conduce a un modelo mezclado autorregresivo-
promedios móviles:

~ ~ ~ ~
Zt  1Zt 1  2 Zt 2     p Zt  p  et  1et 1  2et 2    qet q

Procesos ARIMA
Se llaman series “d—integradas ARMA a aquellas series que después de diferenciarlas “d veces”
se convierten en una serie ARMA. Se utiliza la denominación ARIMA. ( la “I” viene de Integrated
para representar los modelos de este tipo, en forma abreviada ARIMA (p, d, q). Estos son modelos
del tipo:
~
(1  1B     p B p )(1  B ) d Z t  (1  1B     q B q )at

19
1.5.2 Metodología de Box-Jenkins

La metodología de Box-Jenkins es una metodología para modelar series regulares ARIMA, Este
metodología es realmente un proceso multi-paso e iterativo de análisis y pronóstico de series de
tiempo, y consta esencialmente de cuatro fases:

1. Identificación del modelo.

2. Estimación de parámetros.
3. Chequeo de diagnóstico.
4. Pronóstico.

Identificación: El primer paso consiste en la identificación del proceso que corresponde a la serie
observada. Se deben determinar los tres valores enteros p , d y q en el proceso ARIMA ( p ,d ,q ) que
genera la serie. Para identificar el proceso se observa si la serie es estacionaria, al ser ésta una
condición necesaria. Una serie estacionaria es aquella que tiene la misma media y varianza a lo
largo del proceso. Cuando la serie no es estacionaria hay que transformarla hasta convertirla en
estacionaria, normalmente a través de la diferenciación, que reemplaza cada valor de la serie por
la diferencia entre este valor y el valor anterior, y una transformación logarítmica para estabilizar la
varianza. Una vez que la serie es estacionaria ya se conoce el valor del parámetro d: es el número
de veces que se ha diferenciado la serie para hacerla estacionaria. Normalmente su valor es 0 ó 1.
Finalmente faltan por identificar los parámetros p y q (órdenes de autoregresión y de media
móvil). En procesos no estacionales tanto p como q son pequeños: 0, 1 ó 2 como máximo. Las
funciones de autocorrelación (ACF) y de autocorrelación parcial (PACF) de la serie proporcionan
los valores de p y q . La función de autocorrelación simplemente proporciona las
autocorrelaciones calculadas a intervalos de 1, 2, etc.; la función de autocorrelación parcial
proporciona los valores de las autocorrelaciones parciales según el intervalo. Las características
observadas en dichas funciones determinan los valores de p y q del siguiente modo:

20
  Los modelos AR (p) tienen valores de la ACF que disminuyen exponencialmente o
sinusoidalmente (posiblemente alternando valores positivos y negativos) y se observan p
picos en los primeros p valores de la PACF.
 Los modelos MA (q) tienen q picos en los primeros q valores de la ACF, y valores que
disminuyen exponencialmente o sinusoidalmente de la PACF.
 Las funciones ACF y PACFs de los modelos mixtos (ARMA) es una combinación de ambos
procesos. 
 Si la ACF disminuye muy lentamente, se necesita hacer una diferenciación para identificar el
modelo.

Estimación: La segunda etapa consiste en la estimación, donde los parámetros de los modelos
AR y MA se pueden estimar por el método de máxima verosimilitud y se obtienen sus errores
estándar y los residuos del modelo.

Diagnosis: Esta etapa consiste en comprobar que las ACF y PACF de la serie de residuos no
difieren mucho del valor 0: es decir, que los residuos o errores del modelo tiene una media
aproximada igual a 0 y además no están correlacionados. La ausencia de correlación y la media 0
indican que los errores de estimación se pueden asimilar a ruido blanco (de media 0 y varianza
normal) y, por lo tanto, se pueden acotar mediante intervalos de confianza como una serie normal
cualquiera. Por último, es necesario comprobar la significación estadística del error de los
parámetros del modelo con análisis de Box-Ljung. Este estadístico sirve para verificar la hipótesis
nula que un conjunto de autocorrelaciones muéstrales están asociadas con una serie aleatoria;
más precisamente, que la autocorrelación en cada retardo se corresponde con la que podría tener
un ruido blanco para ese retardo.

Pronóstico: La última etapa de la metodología de Box y Jenkins es el pronóstico, lo cual se

analiza con rigor suficiente. La idea esencial es la siguiente:
Dadas “n” observaciones de una realización se pretende predecir la observación “n + t” donde t es
un entero positivo.
En la figura 1 se muestra un diagrama detallado sobre la metodología de box-jenkins.

21
 Ploteo de la serie

Ploteo de las ACF y PACF

NO
Transformación ¿Es la serie estacionaria?
o diferenciación
SI
Identificación del modelo

Estimación de parámetros

Ploteo de serie de residuales

y de su ACF y PACF

NO
¿Son los residuales no
correlacionados?

SI

Actualizar la Pronóstico y ploteo de la

serie serie pronosticada

Contraste de pronóstico con

los valores reales

Figura 1. Metodología de Box-Jenkins para el análisis de series de tiempo

Una vez establecido el marco teórico contexual en que se desarrolla la presente investigación,
pudo evidenciarse que se manifiesta una contradicción que se expresa entre la complejidad del
ambiente socioeconómico actual y la insuficiente aplicación de métodos cuantitativos para la toma de
decisiones en la empresa ASTOR. De aquí la necesidad de solventar esta contradicción a partir de
profundizar en el estudio y aplicación de modelos matemáticos para realizar el proceso de
asignación de tareas a los recursos humanos en los proyectos de reparación de embarcaciones
navales.
22
CAPÍTULO 2. MODELACIÓN MATEMÁTICA PARA LA ASIGNACIÓN ÓPTIMA DE RECURSOS
HUMANOS EN PROYECTOS DE REPARACIÓN DE EMBARCACIONES
NAVALES

Introducción al capítulo
En el presente capítulo se define el problema matemático que se aborda en la investigación,
también se presentan los datos recopilados para la construcción y la formulación de los modelos
propuestos para la asignación óptima de recursos humanos en proyectos de reparación de
embarcaciones navales tomando como base las herramientas que brinda la programación lineal en
enteros. Se obtiene una clase de PPLE y se introduce en dicha clase el índice dinámico de
rendimiento promedio quincenal (IDRPQ) pronosticado a partir de la metodología Box Jenkins,
lográndose enriquecer las decisiones alternativas que pueden tomarse en niveles tácticos y
operativos de los mencionados proyectos.

2.1 Recolección de datos y definición del problema matemático

En la formulación de un modelo matemático la recolección de datos reviste gran importancia. Esto
se debe en buena medida a que dichos datos posibilitan al investigador lograr una mejor
comprensión del problema, así como proporcionar el insumo para el planteamiento adecuado de
dicho modelo, de forma tal que se garantice una exactitud de los resultados que se obtengan.
Es por ello que en la presente investigación se recolectaron diferentes datos relevantes del sistema
productivo de reparación de embarcaciones en el taller de la empresa ASTOR que se encuentra en
Santiago de Cuba. Debe señalarse que para dicha recolección de datos fue imprescindible el
intercambio directo con algunos especialistas de la empresa, pues de esta forma se pudo
comprender la lógica de los procesos productivos, lográndose conocer sus diferentes etapas y
posiciones.

23
Además, se precisaron las diferentes calificaciones de los trabajadores, así como las
disponibilidades de cada una de ellas de acuerdo a sus clasificaciones, tal como se muestra en el
anexo 1. Luego, se pudo acceder a la base de datos donde se tiene el registro diario de la cantidad
de horas hombre ( h / hb ) planificadas y de las reales ejecutadas para cada una de las
calificaciones y posiciones en cualquier objeto de obra, ver anexo 2.
Debe señalarse que además se obtuvieron otros datos del sistema productivo de reparación de
embarcaciones del mencionado taller, no obstante se considera que los principales han sido
presentados anteriormente.
Una vez obtenidos los datos, se realizó un análisis preliminar de los mismos, posibilitándose
identificar algunas insuficiencias relacionadas con la planificación de los recursos humanos, las
mismas pueden resumirse sintéticamente como: la existencia de una sobre-planificación del tiempo
para la ejecución de ciertas tareas, resultado de llevar a cabo una asignación de recursos humanos
basada en decisiones subjetivas.
La existencia de estas insuficiencias son multicausales, no obstante la presente investigación
centra su atención en una de las causas que se considera fundamental, es decir, limitada
utilización de modelos matemáticos que empleen tanto la información de los datos históricos como
las restricciones propias del sistema de reparación de embarcaciones navales en los diferentes
proyectos.
Teniendo en cuenta los aspectos anteriores, fue posible precisar el problema matemático que se
abordaría en la investigación, es decir, la necesidad de minimizar para el caso de múltiples
proyectos de reparación de embarcaciones la cantidad total de asignaciones en un periodo de
tiempo (o equivalentemente el costo de reparación), bajo las restricciones de recursos humanos
limitados y las propias del sistema de reparación, para los cuales se demanda que se ejecute una
cantidad de trabajo especificada en diferentes posiciones de las embarcaciones, tomando como
base la planificación realizada.
Para una mejor comprensión de dicho problema por parte del lector, es necesario que se presenten
varias observaciones. El planteamiento de dicho problema se abstrae del proceso de planificación,
pues ya existen antecedentes en esta dirección en la empresa ASTOR, tal es el caso de Valiente,
A., Gorina, A. y Gainza, V. J. (2008), donde se aplicó el método PERT para el caso de un
proyecto, estimando los tiempos aleatorios promedios de duración de cada actividad mediante una
distribución beta, para lo cual se tomó como base el trabajo Kaufmann, A y Desbazeille, G. (1965).

24
En esta misma dirección, debe señalarse además que en la tesis doctoral en elaboración de V. J.
Gainza, ya se tienen resultados parciales sobre el problema que aborda la minimización del tiempo
de ejecución de múltiples proyectos de reparación de embarcaciones. Dicho problema, como bien
plantea Fernández, A. (1996), tiene una complejidad mucho mayor que para el caso de un solo
proyecto.
Debe señalarse que para abordar dicha problemática de múltiples proyectos, se puede considerar
cada proyecto como completamente independiente de los restantes, o bien, tratar los diferentes
proyectos como si ellos fueran cada uno de los elementos de un único proyecto. En cualquiera de
las dos metodologías la base conceptual de asignar recursos humanos es esencialmente la misma
(Meredith y Mantel, 1995).
Ahora bien, el problema precisado para abordar en la presente investigación supone que se ha
obtenido una solución óptima para el problema anterior. Esto tiene sentido, puesto que de ser así,
por lo general siempre existirán tareas que no pertenecen a la ruta crítica, entonces para dichas
tareas es posible disponer de un tiempo de holgura para realizarlas, lo que implica que sea posible
llevar a cabo una nueva asignación de los recursos humanos de forma tal que se utilice la cantidad
mínima de los mismos bajo ciertos criterios.
Una vez realizadas las observaciones que se consideran imprescindibles para una mejor
comprensión del problema matemático que se aborda en la presente investigación, puede
señalarse que existen dos tipos de metodología para direccionar el problema de asignación de
recursos limitados. En primera instancia, se encuentran los métodos heurísticos que son
aproximaciones reales que identifican soluciones factibles. En segunda instancia, están los
métodos de optimización matemática, los cuales encuentran la mejor asignación de recursos a las
actividades pero son limitados al tamaño de los problemas que puedan resolver, en cuanto a la
cantidad de actividades y recursos (Fernández, A., 1996).
En la presente investigación se decidió utilizar la segunda metodología, es decir, los métodos de
optimización matemática. No obstante, se utilizan algunas heurísticas a la hora de formular ciertas
restricciones que se aproximan a pautas del comportamiento que deben de estar presentes en los
proyectos de reparación de embarcaciones en el contexto de la empresa ASTOR.
Una vez presentada la etapa de recolección de los datos y definición del problema matemático se
está en condiciones de presentar la etapa de formulación de modelos matemáticos.

25
2.2 Modelos matemáticos propuestos para la asignación óptima de recursos humanos en
proyectos de reparación de embarcaciones navales
Como se planteó anteriormente, en el presente epígrafe se presentará la formulación de los
modelos matemáticos propuestos para la asignación óptima de recursos humanos en proyectos de
reparación de embarcaciones navales.
Debe señalarse que la idea intuitiva que se utiliza es formular una clase de problemas de
programación lineal en enteros, donde cada problema de dicha clase modela la asignación de
recursos humanos limitados para cierta calificación fija, en una o más posiciones, de un mismo
objeto de obra o varios.

En otras palabras, una vez realizado el proceso de planificación para uno o varios proyectos, para
cada calificación se detectarán las posiciones a ejecutar que no pertenecen a la ruta crítica (las
cuales disponen de un tiempo de holgura para su ejecución), lo que implica que sea posible llevar a
cabo una nueva asignación de los recursos humanos de forma tal que se utilice la cantidad mínima
de asignaciones.

Al tener una estructura común cada uno de los elementos pertenecientes a la clase de problemas
de programación lineal en enteros mencionada, para presentar dichos elementos basta con
formular un problema genérico de dicha clase, para lo cual se empleará la siguiente notación
 i  t  t  denota
p   . Aquí p indica el PPLE que se necesita resolver, i expresa la calificación y
t  t
el periodo de tiempo para el cual es necesario realizar una asignación óptima de los recursos
humanos.
Una mejor comprensión de dicho problema, exige definir cada una de las variables y parámetros
utilizados.
Definición de parámetros:
i  1,...,I : donde i representa la i -ésima calificación de los recursos humanos e I designa la
cantidad total de calificaciones.

j  1,..., J : donde j representa la j -ésima posición en la embarcación y J designa la cantidad total

de posiciones.

k  1,..., K : donde k representa el objeto de obra k -ésimo y K la cantidad total de objetos de obra.

26
d  t ,..., t   1 : para cierta calificación fija donde se detectó que las posiciones a ejecutar no
pertenecen a la ruta crítica y existen recursos humanos limitados para asignarlos a las posiciones a
ejecutar en uno o varios objetos de obra, se produce según la planificación una intersección en el
tiempo para asignar los recursos humanos, entonces t (tiempo real transcurrido desde el primer día
de trabajo de acuerdo a la base de datos disponibles) se selecciona como el mínimo de todos los
tiempos iniciales planificados para las posiciones a ejecutar y t  como el mayor de dichos tiempos,
entonces d varía desde el tiempo mínimo t hasta el tiempo máximo t   1 .
aijkd : un elemento de la matriz de cuatro dimensiones A( I x J x K x t   t  1 ) que toma el valor 1

en el caso que pudiese necesitarse que el recurso humano con calificación i ejecute la posición j
del objeto de obra k el día d , y 0 en caso contrario.
drh i : cantidad de recursos humanos disponibles con calificación i .

dt ijk : disponibilidad técnica de los recursos humanos con calificación i para ejecutar la posición

j del objeto de obra k .

tpijk : las horas hombre planificadas a ejecutar para los recursos humanos de calificación i en la

posición j del objeto de obra k .

h: cantidad de horas trabajadas en una jornada laboral (normalmente 8 horas).
nijd : suma total de posiciones a ejecutar los recursos humanos de calificación i en el día d .

mijd : suma total de días que la calificación i ejecutara en la posición j .

Definición de las variables:
x ijkd : cantidad de recursos humanos de calificación i a asignar en la posición j del objeto de
obra k en el día d (variables enteras).
Función objetivo:
J K t  1
Min  Z ( t )   x ijkd (1)
j 1 k 1 d  t

La función objetivo minimiza la suma total de asignaciones de recursos humanos.

Para formular las restricciones que a continuación se presentan debe notarse que se hacen para
una calificación fija i , donde se supone que hay recursos humanos limitados para la asignación en
diferentes posiciones y objetos de obra.
Las primeras d restricciones del PPLE son las siguientes:
27
 K J
  a ijkd xijkd  drh i , d  t ,..., t   1 (2)
k 1 j 1

Estas restricciones indican que cuando se fija una calificación i y un día d , al sumar la cantidad
total de recursos humanos asignados en las diferentes j posiciones y k objetos de obra, no debe
de excederse la disponibilidad de recursos humanos existente para dicha calificación.
Otras J x K x ( t   t  1 ) restricciones posibles 3 son las siguientes:

a ikjd x ikjd  dt ijk , j  1,..., J , k  1,..., K , d  t ,..., t   1 (3)

Cada una de las restricciones anteriores indica que cuando se fija una calificación i la cantidad de
recursos humanos asignados en la posición j del objeto de obra k no debe exceder la

disponibilidad técnica de recursos humanos necesarios dtijk para ejecutar dicha actividad (ya sea

por recursos materiales, espaciales, tecnológicos, etc.).

Otras J x K restricciones posibles de demanda son las que se muestran:
t  1
h  a ijkd x ijkd  tp ijk , j  1,..., J , k  1,..., K (4)
d t

Cada una de estas restricciones indica que cuando se fija una calificación i , una posición j y un
objeto de obra k , al sumar la cantidad total de horas hombre planificadas en los diferentes t   t  1
días, debe de cumplirse con la demanda planificada en horas hombre.
Existen otras J x K x ( t   t  1 ) restricciones posibles que permiten una asignación lo más
homogénea permisible en un mismo día para cualquier posición y objeto de obra. La heurística que
se empleó para formular cada una de las restricciones consiste en expresar la relación entre las
variables que intervienen un mismo día d para las cuales su respectivo coeficiente aijkd es

diferente de cero, de forma tal que cada una de esas variables xijkd debe ser menor o igual que el

promedio de las variables que intervienen en dicho día más uno, obteniéndose las restricciones
siguientes:

3
- Se dice posible en el sentido de la cantidad máxima de restricciones que pueden formularse, puede darse el caso que no todos los
valores aijkd sean uno.

28
 J K
n ijd a ijkd x ilkd    a ijkd x ijkd  n ijd , d  t ,...,t   1 (5)
j  1k  1

Debe señalarse que estas restricciones al permitir una asignación lo más homogénea permisible en
el periodo de tiempo d  t ,...,t   1 , entonces una vez encontrada una solución óptima para (1), se
puede determinar el mínimo de recursos humanos necesarios a emplear en dicho periodo de
tiempo, buscando el valor máximo de la suma de los valores de las variables que intervienen en
cada una de estas restricciones.
Análogamente, se formularon otras J x K x ( t   t  1 ) restricciones posibles que permiten una
asignación lo más homogénea permisible en una misma posición de cada objeto de obra. Se utilizó
la misma heurística que en (5) pero en estos casos las variables son las que intervienen en una
misma posición j perteneciente a cierto objeto de obra k para las cuales su respectivo coeficiente

aijkd es diferente de cero, de forma tal que cada una de esas variables xijkd debe ser menor o

igual que el promedio de las variables que intervienen en dichas posiciones más uno, obteniéndose
las restricciones siguientes

J K
m ijd a ijkd x ilkd    a ijkd x ijkd  m ijd , d  t ,...,t   1 (6)
j  1k  1

Estas restricciones brindan una pauta de comportamiento que está relacionada con el hecho de
que la misma cantidad de recursos humanos con calificación i , sean asignados en una misma
posición j durante el periodo de tiempo t   t  1 , lo que brinda mayor estabilidad al proceso de
asignación.
Las otras restricciones J x K x ( t   t  1 ) posibles son la de no negatividad de cada una de las

variables xijkd .

Una vez explicados cada uno de los componentes del PPLE formulado se presenta el mismo.

29
  i 
Formulación del problema de programación lineal en enteros p  
 t  t
J K t  1
Función
Objetivo
Min  Z i  X    x
j 1 k 1 d  t
ijkd

s.a
restricciones
K J
  a ijkd xijkd  drhi d  t ,...,t   1
k 1 j 1
a ikjd x ikjd  dtijk j  1,..., J k  1,..., K d  t ,...,t   1
t  1
h  a ijkd x ijkd  tpijk j  1,..., J k  1,..., K
d t
J K
nijd aijkd xilkd    a ijkd x ijkd  nijd d  t ,..., t   1
j  1k  1
J K
mijd aijkd xilkd    aijkd xijkd  m ijd d  t ,...,t   1
j  1k  1
aijkd xijkd  0
j  1,..., J k  1,..., K d  t ,...,t   1
xijkd Entero
 i 
Tabla 2: Formulación del problema de programación lineal en enteros p  
 t  t
Ahora bien, para una mejor comprensión del PPLE formulado anteriormente se brinda una
ejemplificación a partir de los datos obtenidos para la calificación ayudante (AY).
Como puede observarse en la figura 2, la planificación de la asignación de recursos humanos con
calificación ayudante se ubica en las posiciones 167, 168, 169, 71 del objeto de obra 88984, y en
las posiciones 78, 87 del objeto de obra 81215, y para los días desde el 1431 hasta el 1436. Para
cada posición se muestra una disponibilidad de los recursos humanos (la disponibilidad de
recursos humanos para la calificación ayudante es 17), también se muestra la disponibilidad
técnica y la demanda de horas hombre planificada para ejecutar cada actividad. La formulación
 1 
del problema p   se muestra en el anexo 3 y la respectiva solución en la tabla 3.
 1431 → 1436 

30
 posiciones
Objetos de
obra

Planificación tp1jk drh1 dt1jk

dp dp dh
j=167 X 1,167,1,1431 X 1,167,1,1432 X 1,167,1,1433 96 17 6
dp dp dp dh dh
Calificación i=1

j=168 X 1,168,1,1432 X 1,168,1,1433 X 1,168,1,1434 X 1,168,1,1434 X 1,168,1,1436 144 17 6

k=1
dp dh dh
j=169 X 1,169,1,1433 X 1,169,1,1434 X 1,169,1,1435 24 17 4
dp dp dh
j=71 X 1,71,1,1432 X 1,71,1,1433 X 1,71,1, 1434 48 17 3

dp dp dh dh
j=78 X 1,78,2,1431 X 1,78,2,1432 X 1,78,2,1433 X 1,78,2,1434 32 17 3
k=2 dp dp dp dp dh dh
j=87 X 1,87,2,1431 X 1,87,2,1432 X 1,87,2,1433 X 1,87,2,1434 X 1,87,2,1435 X 1,87,2,1436 128 17 5

d=1431 d=1432 d=1433 d=1434 d=1435 d=1436

Días
dp: día plan dh: día holgura
Xi,j,k,d: cantidad de recursos humanos con calificación i asignados en la posición j
del objeto de obra k en el día d

Figura 2: Representación tabular asociada al problema  1  para la calificación ayudante.

p  
 1431 → 1436 

Días
1431 1432 1433 1434 1435 1436

j=167 X 1,167,1,1431 = 5 X 1,167,1,1432 = 4 X 1,167,1,1433 = 3

Posiciones

j=168 X 1,168,1,1432 = 4 X 1,168,1,1433 =3 X 1,168,1,1434 =3 X 1,168,1,1435 =4 X 1,168,1,1436 =4

j=169 X 1,169,1,1433 =1 X 1,169,1,1434 =0 X 1,169,1,1435 =2

j=71 X 1,71,1,1432 =3 X 1,71,1,1433 =0 X 1,71,1,1434 =3

j=78 X 1, 78,1,1431 =3 X 1,78,1,1432 =0 X 1,78,1,1433 =2 X 1,78,1,1434 =3

j=87 X 1, 87,1,1431 =4 X 1,87,1,1432 =4 X 1,87,1,1433 =3 X 1,87,1,1434 =1 X 1,87,1,1435 =3 X 1,87,1,1435 =3

Tabla 3: Solución del problema p   1

 para la calificación ayudante utilizando Excel 2010.
 1431 → 1436 

31
Se observa que la cantidad máxima a asignar diariamente de recursos humanos con calificación
ayudante es 15 y el valor de la función objetivo es Z=65.

 1 
Ahora bien, si para el problema p   no se hubiese obtenido solución se pudiera haber
 1431 → 1436 
 i 
debilitado más las exigencias derivadas de las restricciones (5) y (6) del p   , es decir, pudiese
 t  t
prescindirse de las restricciones (5) o (6), o de ambas, lo que posibilitaría que la región de
soluciones admisibles fuese no vacía y en este caso la obtención de un óptimo.
De forma general, para el PPLE sin las restricciones (5) o (6), o sin ambas, se obtiene una solución
 i 
menor o igual que para el p   pero tiene el inconveniente de respectivamente no minimizar la
 t  t
cantidad total de recursos humanos con calificación i a asignarse en el periodo de tiempo
d  t ,...,t   1 , de no brindar una pauta de comportamiento que está relacionada con la estabilidad
del proceso de asignación en una misma posición j de cierto objeto de obra k , o bien de ninguna
de las anteriores alternativas. Para ilustrar las alternativas antes señaladas se resolvió el problema
 1 
p   prescindiendo de ambos tipos de restricciones, los resultados se muestran en la
 1431 → 1436 
tabla 4.

Días
1431 1432 1433 1434 1435 1436

j=167 X 1,167,1,1431 =6 X 1,167,1,1432 =6 X 1,167,1,1433 =0

Posiciones

j=168 X 1,168,1,1432 =2 X 1,168,1,1433 =6 X 1,168,1,1434 =6 X 1,168,1,1435 =4 X 1,168,1,1436 =0

j=169 X 1,169,1,1433 =3 X 1,169,1,1434 =0 X 1,169,1,1435 =0

j=71 X 1,71,1,1432 =3 X 1,71,1,1433 =3 X 1,71,1,1434 =0

j=78 X 1, 78,1,1431 =3 X 1,78,1,1432 =1 X 1,78,1,1433 =0 X 1,78,1,1434 =0

j=87 X 1, 87,1,1431 =5 X 1,87,1,1432 =5 X 1,87,1,1433 =5 X 1,87,1,1434 =1 X 1,87,1,1435 =0 X 1,87,1,1435 =0

Tabla 4: Solución del problema p  

1
 prescindiendo de las restricciones generadas
 1431 → 1436 
por (5) y (6).
32
Como se pude observar el valor de la función objetivo es 59 y la cantidad máxima de ayudante que
 1 
puede asignarse en este periodo es 17, es decir el problema p   prescindiendo de las
 1431 → 1436 
restricciones generadas por (5) y (6) minimiza la cantidad total de recursos humanos de 65 a 59.
 1 
Ademásdebe señalarse que el problema p   sin tener en cuenta los días de holgura
 1431 → 1436 
brinda la siguiente solución:

Días
1431 1432 1433 1434
j=167 X 1,167,1,1431 =6 X 1,167,1,1432 =6

j=168 X 1,168,1,1432 =6 X 1,168,1,1433 =6 X 1,168,1,1434 =6

Posiciones

j=169 X 1,169,1,1433 =3

j=71 X 1,71,1,1432 =3 X 1,71,1,1433 =3

j=78 X 1, 78,1,1431 =3 X 1,78,1,1432 =1

j=87 X 1, 87,1,1431 =5 X 1,87,1,1432 =1 X 1,87,1,1433 =5 X 1,87,1,1434 =5

Tabla 5: Solución problema p  

1
 sin tener en cuenta los días de holgura
 1431 → 1436 

Se puede observar que el valor de la función objetivo es Z=59 y cantidad máxima de ayudantes es 17.
Ahora bien, otra alternativa de mejorar la planificación de recursos humanos es la introducción del
índice dinámico de rendimiento promedio quincenal (IDRPQ) al PPLE, el que se abordará en el
siguiente epígrafe.

2.3 Definición del índice dinámico de rendimiento promedio quincenal (IDRPQ)

Ahora bien, al analizar los datos de la empresa pudo observarse la tendencia a la sobre-
planificación de la fuerza laboral, es decir, las tareas programadas en diferentes posiciones para
varias calificaciones de los recursos humanos tenían una planificación en horas hombre mayores
que las que se habían necesitado para ejecutar dichas tareas, por lo que se habían realizado más
asignaciones de los recursos humanos que las necesitadas.

33
A su vez, pudo observarse ligada a la tendencia anterior, que la diferencia entre las horas hombre
planificadas y las ejecutadas tenían un comportamiento dinámico, esto es, que variaba en función
del tiempo.Teniendo en consideración los aspectos anteriores se introduce el índice dinámico de
rendimiento promedio quincenal (IDRPQ) para cada calificación. Para definir este índice se parte
de la idea intuitiva de determinar diariamente el cociente entre las horas hombre reales y las
planificadas para cierta calificación. Luego, para realizar una estimación de dicho índice para una
quincena se determina la media a partir del índice dinámico de rendimiento diario para los días
laborales.

Por lo tanto, el IDRPQ en una quincena t  para cierta calificación i se expresa como

1 S
 rs 
C i (t ) 
S
 
s 1  p s


Donde
rs : representa las horas / hombres ( h / hb ) real ejecutadas en un día s .

p s : representa las horas / hombres ( h / hb ) planificadas en un día s .

S : representa la cantidad total de días trabajados quincenalmente.

Es preciso señalar que si Ci ( t  )  1 las horas hombre reales son menores que las horas hombre

planificadas (rendimiento positivo), si es Ci ( t  )  1 las horas hombre reales son iguales que las

horas hombre planificadas (rendimiento esperado), Ci ( t  )  1 las horas hombre reales son mayores

que las horas hombre planificadas (rendimiento negativo).

Debe señalarse que dicho índice se definió quincenalmente por conveniencia respecto a la
necesidad de disponer de un periodo de tiempo relativamente corto para su pronóstico, y por ende,
poder autorregular el proceso de forma más sistemática a la hora de la toma de decisiones.
Además, porque dos quincenas equivalen a un mes, lo que facilita ciertos análisis relacionados con
algunos aspectos de estacionalidad de las series temporales. Además, debe señalarse que si se
está en la quincena t * de producción podría pronosticarse el índice dinámico de rendimiento en la
quincena t *  1 y se denota como Ĉi( t  ) . Estos aspectos se precisarán aun más en el próximo

subepígrafe.

34
Ahora bien, una vez definido el índice dinámico de rendimiento promedio quincenal, su pronóstico
 i 
puede ser introducido en las restricciones del problema p   expresadas en (4) y definido
 t  t  
anteriormente, obteniéndose las nuevas restricciones siguientes:

h( t )
t  t  1
Ĉ i ( t  )
 a ikjd x ikjd  Tikj j  1,..., J k  1,..., K (7)
d t
 i 
El problema p   cuando se sustituyen las restricciones expresadas en (4) por las restricciones
t  t 

 i 
expresadas en (7) se denota como el problema pĉ i   .
 t  t

Debe señalarse que la relación entre los días de producción t y las quincenas t se determina a

partir de la expresión t *   t - 1  1 , aquí los corchetes indican la operación parte entera.
 S 

2.3.1 Pronóstico del IDRPQ mediante la metodología Box-Jenkins

En la presente investigación se concibió que el IDRPQ debe pronosticarse cada 15 días, porque
como se comentó anteriormente, es un periodo de tiempo plausible para tomar decisiones y facilita
el análisis de posibles características estacionales por su correspondencia con los meses del año
(dos quincenas son equivalentes a un mes).
En tal sentido, se consideró apropiado utilizar un modelo ARIMA, por disponer de más de 50

observaciones para las quincenas t y por posibilitar realizar con exactitud de muy buena a
excelente los pronósticos para un periodo de tiempo corto, según se concluye en Charles, A.,
Watson J., (1982) cuando se comparan diferentes métodos de análisis de series de tiempo.
Además, se utilizó la metodología Box-Jenkins porque posibilita modelar series ARIMA, a través de
un proceso multi-paso e iterativo de análisis y pronóstico de series de tiempo, que consta
esencialmente de cuatro fases: identificación del modelo, estimación de parámetros, chequeo de
diagnóstico y pronóstico (Mugica, M., 2003).

35
  i 
Por lo tanto, una vez pronosticado el IDRPQ se introduce en el pĉi   posibilitando encontrar
 t  t 
mejores soluciones para la asignación de los recursos humanos para la calificación i en el periodo
de tiempo t  t  .
A continuación se muestra, para la calificación ayudante, una ejemplificación del análisis realizado
para pronosticar el IDRPQ de acuerdo a lo explicado y utilizando el software STATISTICA 8.0.

Identificación del modelo ARIMA

Según la metodología Box-Jenkins, lo primero que se hace es observar la serie y tratar de
identificar el posible modelo ARIMA que sigue. Si la serie no es estacionaria, se decide qué
transformaciones hay que aplicar para convertir la serie observada en una serie estacionaria y,
después, determinar un modelo ARMA para la serie estacionaria.
A continuación se muestra en el gráfico 1 la serie del IDRPQ para la dicha calificación.

Gráfico 1: Comportamiento de la serie del IDRPQ.

Si se observa el gráfico 1, es posible que no se detecte una tendencia evidente en la serie, y si se

adiciona la media de los valores de la serie al grafo, se puede intuir que la variabilidad es contante,
lo que indica que la serie es estable en la media y la varianza. Por lo tanto, se puede comenzar

36
pensando que la serie es estacionaria, en el caso de que no lo sea en la varianza, más adelante en
el análisis que se realizará se tendrán evidencias al respecto.

Corresponde según la metodología hacer ahora el cálculo y ploteo de las funciones de

autocorrelación y autocorrelación parcial para los 144 casos de la muestra, tal como se presenta en
las figuras 3 y 4 respectivamente.

Figura 3: Función de autocorrelación del IDRPQde 144 quincenas de la calificación ayudante.

37
 Figura 4: Función de autocorrelación parcial del IDRPQ de 144 quincenas de la
calificación ayudante.
En ambas figuras se muestra el valor de la autocorrelación para cada retardo h (desde uno hasta
quince), sus errores estándar y, con la línea de puntos el intervalo de confianza, fuera del mismo
puede considerarse que la autocorrelación es significativamente diferente de cero.
En el caso de la ACF, se muestra en cada retardo h el valor del estadístico de Box-Ljung y su
significación. Este estadístico sirve para verificar la hipótesis nula que un conjunto de auto
correlaciones muéstrales están asociadas con una serie aleatoria; más precisamente, que la
autocorrelación en cada retardo se corresponde con la que podría tener un ruido blanco para ese
retardo (Gardeazábal, J. y Iglesias, M. C., 2000).
En la figura 5 para cualquier valor de h aparece un coeficiente de autocorrelación significativamente
diferente al que tuviera un ruido blanco, como puede observarse todos los valores son
significativos, de aquí que pueda rechazarse la hipótesis nula. Por lo tanto, la serie tiene
información que debe ser utilizada para el análisis. Por otra parte, puede observarse que la ACF
declina aproximadamente sinusoidalmente hasta anularse, mientras que la PACF muestra dos
espigas significativas. Se intuye, por tanto, que se trata de un modelo autorregresivo de orden 2,
esto es un modelo ARIMA (2, 0, 0).

38
Figura 5: Función de autocorrelación del índice dinámico de rendimiento promedio
quincenal para 140 quincenas (calificación ayudante).

Figura 6: Función de autocorrelación parcial del índice dinámico de

Rendimiento promedio quincenal para140 quincenas (calificación ayudante).

39
Debe señalarse que para estimar el modelo se utilizó sólo una parte de los datos, dígase los140
primeros, es deseable tener alguna medida de si estos 140 primeros casos reflejan suficientemente
bien las autocorrelaciones de la serie original. Ello puede lograrse repitiendo los correlogramas con
los 140 primeros casos.
Repitiendo el mismo análisis del ploteo de las funciones de autocorrelación para la muestra de140
primeras observaciones se observa que los correlogramas de las figuras 5 y 6 son bastante
similares a las de las figuras 3 y 4.

Estimación
Una vez identificado el modelo, se pasa a la segunda etapa de la metodología de Box-Jenkins, que
consiste en la estimación de los parámetros del modelo ARIMA (2,0,0). Se estimarán los
parámetros del modelo mediante el método de máxima verosimilitud, utilizando el software
STATISTICA 8.0, tal como se muestra en la figura 7.

Figura 7: Estimación de los parámetros del modelo ARIMA (2, 0, 0) mediante

el software STATISTICA 8.0.

La información que más interesa para el análisis de la serie en la figura 9 está dada por los valores
estimados de los dos parámetros del modelo autorregresivo ARIMA (2,0,0) y la constante asociada
(en todos los casos son significativos), así como los respectivos errores estándares.

Diagnosis
Esta tercera etapa de la metodología de Box-Jenkins consiste en comprobar que los residuos no
tienen estructura y siguen un proceso de ruido blanco.Si los residuos no contienen estructura, se
acepta el modelo como válido y ese modelo se utiliza para la predicción. En el caso contrario, se
incorporarán estos al modelo y se repiten entonces las etapas anteriores hasta obtener el modelo
40
adecuado.El diagnóstico complementario abarca ante todo, el análisis de las autocorrelaciones de
los residuales.
Como puede observarse en la figura 10, todas las autocorrelaciones quedan dentro de la banda de
confianza alrededor de cero, y por tanto no resultan significativas. El test de Box-Ljung en cada
valor de h informa que no hay razones para sospechar que dichas autocorrelaciones difieren de las
correspondientes a un ruido blanco. Por lo tanto, se puede seguir con la etapa de predicción.

Figura 8: Función de autocorrelación para los residuales

Predicción
Una vez que se tiene el modelo identificado y después de pasar satisfactoriamente la diagnosis, ya
se puede llevar a cabo el pronóstico de la serie.En esta dirección, como parte de la ejemplificación,
se van a predecir las últimas cuatro quincenas que no fueron seleccionadas en la muestra de 140,
pues por cuestiones de tiempo para obtener los resultados de la presente investigación, era
imposible esperar obtener nuevas observaciones para contrastar el modelo.
A continuación se muestran los resultados del pronóstico utilizando el software STATISTICA 8.0.

41
 º
Tabla 6: Resultado del pronóstico para el IDRPQ

Aquí se muestran los valores pronosticados del IDRPQ para las quincenas 141 a la 144, así como
sus correspondientes intervalos de confianza, errores estándares, valores observados para las
cuatro quincenas y los respectivos residuales.
Ahora bien, como una misma serie de tiempo puede ajustarse adecuadamente a más de un
modelo ARIMA, se probaron otros modelos, lográndose obtener de todos estos un nuevo modelo,
el modelo ARIMA (1,0,1). Este último modelo, si bien tiene pocos parámetros, lo cual constituye
una cualidad deseable del modelo (principio de parsimonia), posibilita hacer mejores pronósticos
del IDRPQ.
Así, para el análisis del modelo ARIMA (1,0,1), se procedió de forma análoga que para el caso del
modelo ARIMA (2,0,0). Por lo tanto, siguiendo la metodología de Box-Jenkins, se pasó al análisis
de la estimación de los parámetros de este modelo alternativo. A continuación se muestran los
resultados de la estimación de sus parámetros.

Figura 9: Resultado ARIMA

42
La información que más interesa para el análisis de la serie en la figura 9 está dada por los valores
estimados para los parámetros del modelo ARIMA (1,0,1) y la constante asociada (en todos los
casos son significativos), así como los respectivos errores estándares.
A continuación se muestra en la figura 10 la función de autocorrelación de los residuales,
indispensable para llevara cabo la etapa de diagnosis.

Figura 10: Función de autocorrelación para los residuales

Se observa en la figura 10 que todas las autocorrelaciones quedan dentro de la banda de confianza
alrededor de cero, de aquí que no resulten significativas. Por lo tanto, las autocorrelaciones tienen
una correspondencia con un proceso de ruido blanco.
Como los residuales tienen una correspondencia con el proceso de ruido blanco se puede pasar a
la etapa de pronóstico. A continuación se muestra en la tabla 7 el resultado del pronóstico con el
modelo ARMA (1,1).

43
 Tabla 7: Resultado del pronóstico para el modelo ARMA (1,1)

Ahora bien, para la evaluación de los pronósticos se contrastaron los resultados de los modelos
ARIMA (2, 0, 0) y ARIMA (1, 0, 1) mediante la determinación del segundo Coeficiente de
Desigualdad de Theil que se expresa como sigue:

1 n
∑ ( ŷi′ - yi′ )2
n i =1
U2 =
1 n 2
∑ y′
n i =1

yt - yt -1
donde: y′ =
yt -1

mientras que y′ es el porcentaje de cambio real y ŷ′ es el porcentaje de cambio pronosticado.

Este coeficiente de Theil no está acotada en el extremo superior. Así, cuando el coeficiente vale
cero las predicciones son perfectas, si vale la unidad todas las predicciones ( ŷ′ ) valen cero y

cuando el índice es mayor que uno el modelo predice peor que si pronosticara valores nulos.
A continuación se muestra el coeficiente de desigualdad de Theil para cada modelo.

Modelo Coeficiente de Desigualdad de TheilU2

ARMA (2,0) U2=0,0337085
ARMA (1,1) U2=0,0209485

Tabla 8: Coeficiente de Desigualdad de TheilU2.

Como se puede observar en la figura 15 el Coeficiente de Desigualdad de Theil U2 del modelo

ARMA (1,1) se acerca más a cero que del modelo ARMA (2,0), lo que implica que el modelo ARMA
44
(1,1) ajusta más que el modelo ARMA (2,0) para los valores predichos. Por lo tanto, para el
pronóstico del IDRPQ se utilizó el modelo ARMA (1,1).
Una vez realizado el pronóstico con el modelo elegido, se está en condiciones de formular el

 1 
problema pĉ1   , el que se muestra en el anexo 4 y la solución obtenida se presenta a
 143 1 → 14 3 6 
continuación.

Días
1431 1432 1433 1434 1435 1436

j=167 X1,167,1,1431 =2 X 1,167,1,1432 = 2 X 1,167,1,1433 = 2

Posiciones

j=168 X 1,168,1,1432 = 2 X 1,168,1,1433 =2 X 1,168,1,1434 =1 X1,168,1,1435 =1 X 1,168,1,1436 =2

j=169 X 1,169,1,1433 =1 X 1,169,1,1434 =0 X 1,169,1,1435 =1

j=71 X 1,71,1,1432 =2 X 1,71,1,1433 =1 X 1,71,1,1434 =0

j=78 X1, 78,1,1431 =1 X 1,78,1,1432 =1 X 1,78,1,1433 =0 X 1,78,1,1434 =0

X 1, 87,1,1431 =2 X
j=87 1,87,1,1432 =0 X 1,87,1,1433 =2 X 1,87,1,1434 =1 X 1,87,1,1435 =2 X 1,87,1,1435 =0

 1 
Tabla 9: Solución del problema pĉ1   para la calificación ayudante utilizando
1431 → 1436 
Microsoft Excel 2010.

Se observa que la función objetivo es 28 y la cantidad total de recursos humanos con calificación
ayudante a asignar es en periodo 14311436 es 8.

2.4 Discusión de los resultados de la investigación

De forma general, los PPLE obtenidos pueden ser utilizados como base para la toma de decisiones
en la empresa ASTOR en aras de disponer de varias alternativas de decisión con un soporte
científico sólido para la asignación de los recursos humanos.
 i 
El problema p   obtenido para la asignación de recursos humanos puede emplearse tanto
 t  t
para el caso que se tienen en cuenta los días de holguras como para el caso contrario. Dicho

45
problema es más general que el aportado por Ozkarahan, I. y Bailey, J. (1988) y utilizado
posteriormente en Bastías, S. y Chacón, M. (2001). Esto se debe a la introducción de dos tipos de
restricciones, las expresadas en (5) y (6), que permiten determinar mediante una heurística la
cantidad mínima de recursos humanos necesarios a emplear en un periodo de tiempo, y además
posibilitan brindar una pauta de comportamiento que ofrece mayor estabilidad al proceso de
asignación.
 i 
En el caso de que el problema p   no tenga soluciones, se puede prescindir de una de las
 t  t
restricciones expresadas en (5) y (6), o de ambas simultáneamente, en aras de ampliar la región de
admisibilidad y encontrar una solución óptima.
El IDRPQ definido puede ser utilizado para analizar el comportamiento del rendimiento quincenal
histórico para cualquier calificación, lo que facilita tomar decisiones en la empresa basadas en
dicho comportamiento. Su análisis puede ser llevado a cabo mediante varios métodos, en particular
se considera apropiado el empleo de los modelos ARIMA, por poder representar una gran gama de
comportamientos de este índice, así como por la exactitud que puede obtenerse para los
pronósticos a partir de la utilización de la metodología Box-Jenkins.
 i 
Una vez pronosticado el IDRPQ puede ser introducido en el problema p   , obteniéndose una
t  t 

 i 
nueva generalización de dicho problema, es decir, el pĉ i   . Este último problema, posibilita
 t  t
tomar decisiones en función de los valores pronosticados para Ĉi y puede ser utilizado tanto para

las actividades que se encuentran en la ruta crítica como las que no. Si Ĉi  1 (rendimiento

 i 
 puede ofrecer mejores soluciones que el p 
i 
positivo), el problema pĉ i   . Si Ĉi  1
 t  t t  t 
(rendimiento esperado), coinciden ambas soluciones de los problemas anteriores. Mientras que si
 i 
Ci ( t  )  1 (rendimiento negativo), el problema pĉi   puede ofrecer peores soluciones que el
 t  t 
 i 
p   . El primer caso se traduce en una posible disminución de la cantidad de asignaciones y
t  t 
de recursos humanos para la calificación i , y el último, en un posible aumento de ambos.

46
En general, la obtención de mejores soluciones para los problemas planteados es equivalente a
una disminución de los costos de reparación de embarcaciones navales en la empresa ASTOR, lo
que brinda pautas importantes para que dicha empresa pueda ser competitiva en el mercado
económico actual.
La ejemplificación realizada para los datos reales disponibles, brindan evidencias favorables
respecto a la validez de los modelos obtenidos y, por ende, se corrobora parcialmente que si se
emplean modelos matemáticos para realizar el proceso de asignación de tareas a los recursos
humanos en los proyectos de reparación de embarcaciones navales de la empresa ASTOR, se
puede perfeccionar el proceso de organización del tiempo de trabajo en dichos proyectos, tal como
se previó en el camino hipotético de la presente investigación.
No obstante, se precisa que es necesario en futuras investigaciones completar los pasos de la
metodología de investigación de operaciones utilizada, lo que le daría más solidez científica a los
aportes de la presente investigación, sentando las bases para su aplicación en la empresa ASTOR
y su generalización a otros contextos empresariales.

47
CONCLUSIONES GENERALES

1. El marco teórico contexual evidenció que se expresa una contradicción entre la complejidad del
ambiente socioeconómico actual y la insuficiente aplicación de métodos cuantitativos para la toma
de decisiones en la empresa ASTOR. De aquí la necesidad de solventar esta contradicción a
partir de emplear modelos matemáticos para perfeccionar el proceso de asignación de tareas a
los recursos humanos en los proyectos de reparación de embarcaciones navales, lo que se
condujo en el camino hipotético de la investigación.

 i   i 
2. Desde el punto de vista teórico, los PPLE elaborados, p   y pĉ i   , generalizan el
 t  t  t  t
conocido “problema de asignación de enfermeras”, y pueden ser utilizados como base para la
toma de decisiones en la empresa ASTOR, en aras de disponer de varias alternativas de
decisión con un soporte científico sólido para la asignación de los recursos humanos.
 i 
3. El p   puede emplearse tanto para el caso que se tienen en cuenta los días de holguras
 t  t
como para el caso contrario. La introducción de dos nuevas restricciones a este problema
permite determinar de forma heurística la cantidad mínima de recursos humanos necesarios a
emplear en un periodo de tiempo y una pauta de comportamiento que ofrece mayor estabilidad
al proceso de asignación.
 i 
4. El pĉ i   generaliza al problema p  i  y, por sus características puede ser utilizado
t  t  t  t
para las actividades que se encuentran en la ruta crítica. Dicho problema posibilita tomar
decisiones en función de los valores pronosticados para el índice dinámico de rendimiento
promedio quincenal definido, que se traduce en una posible disminución, estabilidad o
incremento de la cantidad de asignaciones. Como parte de la ejemplificación para la calificación
ayudante, se pronosticó dicho índice a partir de la metodología Box-Jenkins, obteniéndose un
modelo ARIMA (1, 0, 1).
5. La ejemplificación realizada para los datos reales disponibles, brinda evidencias favorables
respecto a la validez de los modelos obtenidos y, por ende, se corrobora parcialmente que si se
emplean modelos matemáticos para realizar el proceso de asignación de tareas a los recursos
humanos en los proyectos de reparación de embarcaciones navales de la empresa ASTOR, se
puede perfeccionar el proceso de organización del tiempo de trabajo en dichos proyectos, tal
como se previó en el camino hipotético de la presente investigación.

48
RECOMENDACIONES
1. Establecer en futuras investigaciones los controles sobre la solución de los modelos
matemáticos obtenidos, es decir, determinar los rangos de variación de los parámetros dentro
de los cuales no cambia la solución del problema.
2. Aplicar las soluciones de los modelos matemáticos a la toma de decisiones en la empresa
ASTOR una vez que se haya sensibilizado a los ejecutivos y al personal de la empresa ASTOR
sobre la necesidad de aplicación de los mismos para que dicha empresa pueda ser competitiva
en el mercado económico actual.
3. En futuras investigaciones completar los pasos de la metodología de investigación de
operaciones utilizada, lo que le daría más solidez científica a los aportes de la presente
investigación, sentando las bases para su aplicación en la empresa ASTOR y su generalización
a otros contextos empresariales.

49
BIBLIOGRAFÍA

[1]. Agirre, I. (2007). “Sistema de planificación estocástico de proyectos: Implicaciones en la

gestión de riesgos”. Universidad de la Rioja. Servicio de Publicaciones. [ISBN 978-84-690-
6192-3].
[2]. Arthur, J. L. y Ravindran, A. (1981). "A Multiple Objective Nurse Scheduling Model". AIIE
Transactions, vol. 13, No 1, pp. 55-60.
[3]. Bastías, S. y Chacón, M. (2001). “Modelamiento de asignación de enfermeras utilizando
redes neuronales y branch and bound”. Memorias II Congreso Latinoamericano de
Ingeniería Biomédica, Habana 2001, Cuba.
[4]. Box, G.E.P. y Jenkins, G.M. (1976). Time Series Analysis. Forecasting and control. Editorial
Holden Day, segunda edición.
[5]. Charles, A., Watson J. (1982). Métodos cuantitativos para la toma de decisiones en
administración, II parte. McGraw-Hill Interamericana [ISBN: 9684513127].
[6]. Charles, Bonini (1999). Análisis cuantitativo para los negocios. MaGraw Hill, Colombia,
Novena edición.
[7]. ASTOR (2009). “Proyecciones estratégicas”. Material inédito. Ministerio del Transporte, Cuba.
[8]. Fernández, A. (1996). “Prototipo computacional para la asignación de recursos de múltiples
proyectos”. Facultad de Ingenieria Civil. Universidad de los Andes.
[9]. Gallardo, Anahi (1996). “Innovación tecnológica y nuevas formas de organización”.
Conferencia dictada por Mariella Berra, investigadora de la Universidad de Turín Italia,
editada en:Gestión y Estrategia.
[10]. García, A. M. (1998). “Programación estocástica por metas. Teoría y aplicaciones
económicas”. Tesis doctoral. Facultad de Ciencias Económicas y Empresariales.
Universidad Complutense de Madrid, España.
[11]. Gardeazábal, J. y Iglesias, M. C. (2000). "Causan los ciclos del G7 el ciclo español" Revista
de Economía Aplicada EA, Número 24 (vol. VIII), 2000, págs. 39 a 80.
[12]. Garfinkel, R. S. y Nemhauser, G. L. (1972). Integer Programming. Editorial: John Wiley and
Sons, USA.
[13]. Goldberger, A. (1994). A Course in Econometrics. Harvard University Press.

50
[14]. Isken M. y Hancock, W. (1990). "A Heuristic Approach to Nurse Scheduling Model in Hospital
Units with non-stacionary Urgent Demand and fixed staff size". Journal of the Society for
Health Systems, vol. 2, No. 2, pp. 24-41.
[15]. Kaufmann, A. y Henry-Labordere, A. (1978). Método y modelos de la investigación de
operaciones. Tomo III. Compañía Editorial Continental, S.A. I.S.B.N.: 84-7051-107-6.
[16]. Patterson, K. (2000). An Introduction to Applied Econometrics: a Time Series Approach.
Palgrave. London.
[17]. Materiales Docentes (2006). “Apuntes de la asignatura Procesos Estocásticos”. Capítulo 2:
Metodología de Box-Jenkins y su implementación en SPSS. Departamento de Matemática,
Universidad de Oriente, Cuba.
[18]. Melo, L. F. et al (2001). “Un índice para la actividad económica Colombiana”. Material
Científico de la Universidad Nacional de Colombia y del Banco de la República de
Colombia.
[19]. Meredith y Mantel (1995). Project Management. A managerial approach. Editorial Wiley.
[20]. Mugica, M. (2003).“Estudio de las Series Temporales a través de dos tratamientos”. Trabajo
de Diploma. Departamento de Matemática. Universidad de Oriente, Cuba.
[21]. Ozkarahan, I. (1989). "A flexible Nurse Scheduling Support System". Computer Methods and
Programs in Biomedicine, vol 30, pp. 145-153.
[22]. Ozkarahan, I. y Bailey, J. (1988). "Goal programing model subsystem of flexible nurse
scheduling support systems". IIE Transaction, vol 20, pp. 306-316.
[23]. Ramos A. (2010). “Optimización Estocástica”. Proyecto Upcomillas. Escuela Técnica Superior
de Ingeniería. Departamento de Organización Industrial. Universidad Pontificia de Madrid,
España.
[24]. Ramos A., Alonso-Ayuso A., Pérez G. (2008). “Optimización bajo incertidumbre”. Red
Temática de Optimización bajo Incertidumbre(ReTOBI).
[25]. Rodríguez, E. Z. (2006). “Asignación multicriterio de tareas a trabajadores polivalentes”. Tesis
doctoral. Universidad Politécnica de Cataluña, España.
[26]. Sánchez, R. (2009). “Modelos y procedimientos optimales para la cadena de suministros en la
nueva fábrica de cemento de Santiago de Cuba”.Trabajo de Diploma. Departamento de
Matemática. Universidad de Oriente, Cuba.
[27]. StatSoft, Inc. (2007). “STATISTICA” (data analysis software system), version 8.0.

51
[28]. Mendoza, J. G. (2002). “Aumento de la competitividad en sistemas de producción: un enfoque
de administración de proyectos”. Revista Ingeniería UC, junio, vol. 9, número 001. [ISBN
1316-6832].
[29]. Uriel, Ezequiel (1985). "Análisis de series Temporales Modelos ARIMA". Colección Abaco,
Parainfo - Madrid.
[30]. Valiente, A., Gorina, A. y Gainza, V. J. (2008). “Procedimientos optimales para resolver
problemas de programación de proyectos y recogida y entrega de mercancías”. Trabajo de
Diploma. Departamento de Matemática. Universidad de Oriente, Cuba.
[31]. Warner, D. M. y Prawda, J. (1972). "A Mathematical Programming Model for scheduling
Nursing Personnel in a Hospital". Management Science, vol. 19, No. 4, pp. 441-422.
[32]. Wolfus, P. (2008). “Gestión de cartera de proyectos de software desde el punto de vista de la
las Restricciones y Cadena Crítica”. Tesis de grado. Departamento de computación.
Facultad de Ingeniería. Universidad de Buenos Aires, Argentina.

52
ANEXO 1: CALIFICACIONES Y DISPONIBILIDADES DE LOS RECURSOS HUMANOS
En la siguiente tabla se presenta las diferentes codificaciones de cada calificación de los recursos
hunamos, así como las disponibilidades de los mismos.

Codificación Nombre de calificación Cantidad disponible

AY Ayudante 17
SNB Soldador naval B 6
SHA Soldador naval A 12
CRB Carpintero B 4
CRA Carpintero A 1
MNB Mecánico naval B 5
MNA Mecánico naval A 5
MTA Mecánico de taller A 4
MR Mecánico de refrigeración 1
ENB Electricista naval A 5
ENA Electricista naval B 2
MINB Montador instalador naval B 12
MINA Montador instalador naval A 8
EM Electricista de mantenimiento 2
Buzo Buzo 2
MD Marinero de dique 1
Pañolero Pañolero 1
MN Motorista naval 1
OPM Operario de equipo de izaje 1
OGC Operario de equipo portuario 2
OGA Operario general de astillero 5
CBA Operario a conservador de buque 9

53
ANEXO 2: CANTIDAD DE HORAS HOMBRE (H/H) PLANIFICADAS Y REAL EJECUTADAS
PARA LA CALIFICACIÓN AYUDANTE
En la presente tabla se presenta una muestra de la base de datos donde se tiene el registro diario
de la cantidad de horas hombre ( h / hb ) planificadas y de las reales ejecutadas para cada una de
las calificaciones y posiciones en cualquier objeto de obra.

orden etapa posición calificación día mes año plan real

89104 53 01 AY 4 1 2010 8 4
88984 28 84 AY 4 1 2010 8 4
88984 281 75 AY 4 1 2010 16 2
88984 28 84 AY 5 1 2010 8 2
88984 281 85 AY 5 1 2010 21 8
88984 281 85 AY 5 1 2010 21 8
81214 51 157 AY 5 1 2010 45 4
81214 51 157 AY 6 1 2010 45 8
89103 53 01 AY 9 1 2010 16 4
81214 51 157 AY 8 1 2010 45 8
81214 51 157 AY 9 1 2010 45 5
81215 281 151 AY 11 1 2010 45 8
81215 281 332 AY 11 1 2010 5 4
81215 281 336 AY 11 1 2010 5 4
81215 281 151 AY 12 1 2010 45 8
81215 281 340 AY 12 1 2010 5 4
81215 281 344 AY 12 1 2010 5 4
81215 281 151 AY 13 1 2010 45 8
81215 29 152 AY 14 1 2010 24 8
81215 281 151 AY 14 1 2010 45 8
81215 28 183 AY 14 1 2010 5 4
88984 281 85 AY 15 1 2010 21 8
88984 28 86 AY 15 1 2010 21 8
88984 28 86 AY 15 1 2010 21 8
88984 29 88 AY 15 1 2010 36 8
81214 281 50 AY 4 1 2010 170 8
81214 281 248 AY 4 1 2010 106 8
81214 281 50 AY 5 1 2010 170 8
81214 281 248 AY 5 1 2010 106 8
81214 281 50 AY 6 1 2010 170 8
81214 281 248 AY 6 1 2010 106 8
81214 281 50 AY 7 1 2010 170 8
81214 281 248 AY 7 1 2010 106 8

54
  1 
ANEXO 3: FORMULACIÓN DEL PROBLEMA p 
 1431 → 1436 

Definición de parámetros:

i  1, j  1,...,6 , k  1,2 , d = 1431,...,1436 drh 1  17 , h8,

dt1,167,1  6 , dt1,168 ,1  6 , dt1,169 ,1 = 4 , dt 1 ,71 ,1 = 3 , dt 1 ,78 ,2 = 3 , dt 1 ,87 ,2 = 4 ,

tp1,167,1  96 , tp1,168 ,1  144 , tp 1,169 ,1= 24 , tp1 ,71 ,1 = 48 , tp1 ,78,2 = 32 , tp1 ,87 ,2 = 128 ,
n1 ,167, 1431 = 3 , n1 ,78 ,1431 = 3 , n1 ,87 ,1431 = 3 , n1 ,167,1432 = 5 n1 ,168,1432 = 5 n1 ,71 ,1432 = 5 ,
n1,78,1432  5 , n1,87 ,1432  5 , n1,167,1433 = 6 , n1,168,1433 = 6 n1,169,1433 = 6 , n1,71,1433 = 6 ,
n1,78,1433  6 , n1,87 ,1433  6 , n1 ,168 ,1434 = 5 , n1 ,169 ,1434 = 5 , n1 ,71 ,1434 = 5 , n1 ,78 ,1434 = 5 ,
n1,87 ,1434  5 , n1,168 ,1435  3 , n1 ,169 ,1435 = 3 , n1 ,87 ,1435 = 3 , n1 ,168 ,1436 = 2 , n1 ,87 ,1436 = 2 ,
m1,16 7,1431  3, m 1 ,16 7,1432  3, m1 ,167,1433 = 3, m1 ,168,1432 = 5 m1 ,168,1433 = 5 m1 ,168,1434 = 5
m1,168,1435  5 m1,168,1436  5 m1 ,169,1433 = 3, m1,169,1434 = 3, m1,169,1435 = 3, m1 ,71 ,1432 = 3
m1,71,1433 = 3 m1,71,1434  3 m1 ,78 ,1431 = 4 m1 ,78 ,1432 = 4 m1 ,78 ,1433 = 4 m1 ,78 ,1434 = 4
m1,87 ,1431  6 m1,87 ,1432  6 m1 ,87 ,1433 = 6 m1 ,87 ,1434 = 6 m1 ,87 ,1435 = 6 m1 ,87 ,1436 = 6
Definición de las variables:

x ijkd : Cantidad de recursos humanos de calificación i a asignar en la posición j del objeto de

obra k en el día d (variables enteras).

donde i = 1 , j = 71,78,87,167 ,168,169 , k = 1, 2 , d = 1431,...,1436

Los elementos a ijkd de la matriz A ( I x J x K x t  - t  1 ) que tienen valor 1 son los

siguientes:

a1 ,167,1,1431 , a1 ,167,1,143 2 , a1,167,1,1433 , a1 ,168,1,1432 , a1,168,1,1433 , a1,168,1,1434 ,

a1,168,1,1435 , a1 ,168,1,1436 , a1 ,169,1,143 3 , a 1 ,169,1,143 4 , a1 ,169,1,143 5 , a1 ,71,1,1432 ,
a 1 ,71,1,1433 , a1 ,71,1,1434 , a 1 ,78,2,1431 , a1 ,78,2,1432 , a1 ,78,2,1433 , a 1 ,78,2,1434 ,
a1,87,2,1431 , a1,87,2,1432 , a1,87,2,1433 , a1,87,2,1434 , a1,87,2,1435 , a1 ,87,2,1436
y los restantes tienen valor cero.

55
  1 
Ahora bien, el problema p   es el siguiente:
 45  50 

Min Z X   x1 ,167,1,143 1 + x1 ,167,1,143 2 + x1 ,167,1,143 3  x1,168,1,1432

+ x1 ,168,1,143 3 + x +x
1 ,168,1,143 4 1 ,168,1,143 5
+ x1 ,168,1,1436
+ x1 ,169,1,143 3 + x 1 ,169,1,143 4 + x1 ,169,1,1435 + x1 ,71,1,1432
+ x1 ,71,1,1433 + x1 ,71,1,1434 + x1 ,78,2,1431 + x1 ,78,2,1432
+ x1 ,78,2,1433 + x1 ,78,1,1434 + x 1 ,87,2,1431 + x1 ,87,2,1432
+ x1 ,87,2,1433 + x1 ,87,2,1434 + x1 ,87,2,1435 + x1 ,87,2,1436
s.a

x1 ,167,1,143 1 + x1 ,78,2,1431 + x ≤ 17
1 ,87,2,1431

x1 ,167,1,143 2 + x1 ,168,1,,1432 + x1 ,71,1,1432 + x1 ,78,2,1432 + x1 ,87,2,1432 ≤ 17

x1 ,167,1,143 3 + x1 ,168,1,143 3 + x1 ,169,1,143 3 + x1 ,71,1,1433 + x1 ,78,2,1433 + x1 ,87,2,1433 ≤ 17

x1,168,1,1434 + x1 ,169,1,143 4 + x1 ,71,1,1434 + x1 ,78,1,1434 + x1 ,87,2,1434 ≤ 17

x1 ,168,1,143 5 + x1 ,169,1,143 5 + x1 ,87,2,1435 ≤ 17

x 1 ,168,1,143 6 + x1 ,87,2,1436 ≤ 17

x1 ,167,1,143 1 ≤6

x1 ,167,1,143 2 ≤6
x1 ,167,1,143 3 ≤6
x1,168,1,1432 ≤6
x1 ,168,1,143 3 ≤6
x 1 ,168,1,143 4 ≤6
x1 ,168,1,1435 ≤6

56
 x 1 ,168,1,143 6 ≤6
x1 ,169,1,143 3 ≤4
x1 ,169,1,1434 ≤4
x1 ,169,1,1435 ≤4
x1 ,71,1,1432 ≤3
x 1 ,71,1,1433 ≤3
x1 ,71,1,1434 ≤3
x1 ,78,2,1431 ≤3
x1 ,78,2,1432 ≤3
x1 ,78,2,1433 ≤3
x1 ,78,1,1434 ≤3
x1 ,87,2,1431 ≤5

x1 ,87,2,1432 ≤5

x1 ,87,2,1433 ≤5

x1 ,87,2,1434 ≤5

x1 ,87,2,1435 ≤5

x1 ,87,2,1436 ≤5
8( x 1 ,167,1,143 1 + x 1 ,167,1,143 2
 x1,167,1,1433 ≥ 96

8( x1,168,1,,1432 + x1,168,1,1433 + x1,168,1,1434 + x1 ,168,1,143 5 + x1 ,168,1,1436 ) ≥ 144

8 ( x 1 ,169,1,143 3 + x 1 ,169,1,143 4  x1,169,1,143 5 ) ≥ 24

8( x1 ,71,1,1432 + x 1 ,71,1,1433 + x1 ,71,1,1434 ) ≥ 48

8 ( x 1 ,78,2,1431 + x1 ,78,2,1432 + x 1 ,78,2,1433 + x1 ,78,1,1434 ) ≥ 32

≥ 128
8( x1 ,87,2,1431 + x1 ,87,2,1432 + x1 ,87,2,1433 + x1 ,87,2,1434 + x1 ,87,2,1435 + x1,87,2,1436 )

2 x1 ,167,1,143 1 - x 1 ,167,1,143 - x 1 ,87,2,1431 ≤3

1

57
2 x 1 ,78,2,1431 - x 1 ,78,2,1431 - x1 ,87,2,1431 ≤3

2 x 1 ,87,1,1431 - x1 ,167,2,1431 - x1 ,78,2,1431 ≤3

4 x 1 ,167,1,143 - x1,168,1,,1432 - x1,71,1,1432 - x 1 ,78,2,1432 - x 1 ,87,2,1432 ≤5

2

4 x1,168,1,143 2 - x1 ,167,1,143 2 - x - x1,78,2,1432 - x1 ,87,2,1432 ≤5

1 ,71,1,1432

4 x 1 ,71,1,1432 - x1 ,167,1,143 2 - x - x1 ,78,2,1432 - x1 ,87,2,1432 ≤5

1 ,168,1,,1432

4 x 1 ,78,2,1432 - x1 ,167,1,1432 - x1,168,1,1432 - x1,71,1,1432 - x1 ,87,2,1432 ≤5

4 x 1 ,87,2,1432 - x1 ,167,1,1432 - x - x1,71,1,1432 - x1 ,78,2,1432 ≤5

1 ,168,1,,1432

5 x1 ,167,1,143 3 - x1 ,168,1,143 3 - x - x1,71,1,1433 - x1 ,78,2,1433 - x1,87,2,1433 ≤6

1 ,169,1,143 3

5 x1 ,168,1,143 3 - x1 ,167,1,143 3 - x - x1,71,1,1433 - x1 ,78,2,1433 - x1,87,2,1433 ≤6

1 ,169,1,143 3

5 x1 ,169,1,143 3 - x1 ,167,1,143 3 - x1 ,168,1,143 3 - x - x1 ,78,2,1433 - x1,87,2,1433 ≤6

1 ,71,1,1433

5 x1 ,71,1,1433 - x1 ,167,1,143 3 - x1 ,168,1,143 3 - x - x1 ,78,2,1433 - x1,87,2,1433 ≤6

1 ,169,1,143 3

5 x1 ,78,2,1433 - x1 ,167,1,143 3 - x1 ,168,1,143 3 - x - x1,71,1,1433 - x1,87,2,1433 ≤6

1 ,169,1,143 3

5 x1,87,2,1433 - x - x1 ,168,1,143 3
1 ,167,1,143 3
- x1 ,169,1,143 3 - x1,71,1,1433 - x1 ,78,2,1433 ≤6

4 x1 ,168,1,143 4 - x1 ,169,1,143 4 - x - x1 ,78,1,1434 - x1 ,87,2,1434 ≤5

1 ,71,1,1434

4 x1 ,169,1,143 4 - x1 ,168,1,1434 - x1 ,71,1,1434 - x1 ,78,1,1434 - x1 ,87,2,1434 ≤5

4 x1 ,71,1,1434 - x1 ,168,1,143 4 - x - x1 ,78,1,1434 - x1 ,87,2,1434 ≤5

1 ,169,1,143 4

4 x1 ,78,1,1434 - x1 ,168,1,143 4 - x1 ,169,1,143 4 - x1 ,71,1,1434 - x1 ,87,2,1434 ≤5

58
4 x1 ,87,2,1434 - x1 ,168,1,143 4 - x - x1 ,71,1,1434 - x1 ,78,1,1434 ≤5
1 ,169,1,143 4

2 x1 ,168,1,143 5 - x1 ,169,1,143 5 - x1 ,87,2,1435 ≤3

2 x1 ,169,1,143 5 - x1 ,168,1,1435 - x1 ,87,2,1435 ≤3
2 x1 ,87,2,1435 - x1 ,168,1,1435 - x1 ,169,1,143 5 ≤3
x 1 ,168,1,143 6 - x1 ,87,2,1436 ≤2

x1 ,87,2,1436 - x1 ,168,1,143 6 ≤2

2 x1 ,167,1,143 1 - x1 ,167,1,143 2 - x 2 x1 ,167,1,143 1 ≤3

1 ,167,1,143 3

2 x 1 ,167,1,143 2 - x1,167,1,1431 - x1 ,167,1,1433 ≤3

2 x 1 ,167,1,143 3 -x - x1 ,167,1,143 2 ≤3
1 ,167,1,1431

4 x 1 ,168,1, ,1432 - x1 ,168,1,1433 - x1 ,168,1,143 4 - x 1 ,168,1,143 5 - x1 ,168,1,143 6 ≤5

4 x 1 ,168,1,143 3 - x1,168,1,,1432 - x1 ,168,1,143 4 - x - x1 ,168,1,143 6

1 ,168,1,143 5 ≤5

4 x1 ,168,1,143 4 - x1,168,1,,1432 - x - x1 ,168,1,143 5 - x1 ,168,1,143 6 ≤5

1 ,168,1,143 3

4 x1,168,1,1435 - x1,168,1,,1432 - x - x1 ,168,1,1434 - x ≤5

1 ,168,1,143 3 1 ,168,1,143 6

4 x1 ,168,1,143 6 - x1,168,1,,1432 - x - x1 ,168,1,1434 - x1 ,168,1,143 5 ≤5

1 ,168,1,143 3

2 x1 ,169,1,143 3 - x1 ,169,1,143 4 - x1 ,169,1,1435 ≤3

2 x1 ,169,1,1434 - x 1 ,169,1,143 3 - x1 ,169,1,143 5 ≤3

2 x1 ,169,1,143 5 - x 1 ,169,1,143 3
- x 1 ,169,1,143 4 ≤3

2 x1 ,71,1,1432 - x1 ,71,1,1433 - x1,71,1,1434 ≤3

2 x1 ,71,1,1433 - x1,71,1,1432 - x1,71,1,1434 ≤3

59
2 x1,71,1,1434 - x1,71,1,1432 - x1 ,71,1,1433 ≤3

3 x 1 ,78,2,1431 - x1,78,2,1432 - x1 ,78,2,1433 - x1 ,78,1,1434 ≤4

3 x1 ,78,2,1432 - x1 ,78,2,1431 - x1 ,78,2,1433 - x1,78,1,1434 ≤4

3 x 1 ,78,2,1433 - x 1 ,78,2,1431 - x1 ,78,2,1432 - x1,78,1,1434 ≤4

3 x 1 ,78,1,1434 - x 1 ,78,2,1431 - x1 ,78,2,1432 - x1 ,78,2,1433 ≤4

5 x1 ,87,2,1431 - x1,87,2,1432 - x1,87,2,1433 - x1,87,2,1434 - x1 ,87,2,1435 - x 1 ,87,2,1436 ≤6

5 x1,87,2,1432 - x1 ,87,2,1431 - x1,87,2,1433 - x1,87,2,1434 - x1 ,87,2,1435 - x 1 ,87,2,1436 ≤6

5 x1,87,2,1433 - x1 ,87,2,1431 - x1,87,2,1432 - x1,87,2,1434 - x1 ,87,2,1435 - x 1 ,87,2,1436 ≤6

5 x1,87,2,1434 - x1 ,87,2,1431 - x1,87,2,1432 - x1,87,2,1433 - x1 ,87,2,1435 - x 1 ,87,2,1436 ≤6

5 x1 ,87,2,1435 - x1 ,87,2,1431 - x1,87,2,1432 - x1,87,2,1433 - x1,87,2,1434 - x 1 ,87,2,1436 ≤6

5 x 1 ,87,2,1436 - x1 ,87,2,1431 - x1,87,2,1432 - x1,87,2,1433 - x1,87,2,1434 - x1 ,87,2,1435 ≤6

x ijkd ≥0,
enteros, j  1,..., J , k  1,..., K , d  t ,...,t  1

60
  1 
ANEXO 4: Formulación del problema p ĉ 1  
 1431 → 1436 

Definición de parámetros:

i  1, j  1,...,6 , k  1,2 , d = 1431 ,...,1436 drh 1  17 , h8,

dt 1,16 7,1  6 , dt1,168 ,1  6 , dt1,169 ,1 = 4 , dt1,71,1 = 3 , dt1,78 ,2 = 3 , dt1 ,87 ,2 = 4 ,

tp1,167,1  96 , tp1,168 ,1  144 , tp 1,169 ,1= 24 , tp1,71,1 = 48 , tp1,78,2 = 32 , tp1,87 ,2 = 128 ,
n1 ,167, 1431 = 3 , n1 ,78 ,1431 = 3 , n1 ,87 ,1431 = 3 , n1 ,167,1432 = 5 n1,168,1432 = 5 n1 ,71,1432 = 5 ,
n1,78,1432  5 , n1,87 ,1432  5 , n1,167,1433 = 6 , n1 ,168,1433 = 6 n1,169,1433 = 6 , n1 ,71,1433 = 6 ,
n1,78,1433  6 , n1,87 ,1433  6 , n1,168 ,1434 = 5 , n1 ,169 ,1434 = 5 , n1,71,1434 = 5 , n1,78 ,1434 = 5 ,
n1,87 ,1434  5 , n1,168 ,1435  3 , n1 ,169 ,1435 = 3 , n1 ,87 ,1435 = 3 , n1,168 ,1436 = 2 , n1,87 ,1436 = 2 ,
m1,16 7,1431  3, m 1 ,16 7,1432  3, m1 ,167,1433 = 3, m1,168,1432 = 5 m1 ,168,1433 = 5 m1 ,168,1434 = 5
m1,168,1435  5 m1,168,1436  5 m1 ,169,1433 = 3, m1,169,1434 = 3, m1,169,1435 = 3, m1 ,71,1432 = 3
m1,71,1433 = 3 m1,71,1434  3 m1 ,78 ,1431 = 4 m1 ,78 ,1432 = 4 m1 ,78 ,1433 = 4 m1,78 ,1434 = 4
m1,87 ,1431  6 m1,87 ,1432  6 m1,87 ,1433 = 6 m1 ,87 ,1434 = 6 m1,87 ,1435 = 6 m1,87 ,1436 = 6
Definición de las variables:
x ijkd : Cantidad de recursos humanos de calificación i a asignar en la posición j del objeto de
obra k en el día d (variables enteras).
donde i = 1 , j = 71,78,87,167 ,168,169 , k = 1, 2 , d = 1431,...,1436
Los elementos a ijkd de la matriz A ( I x J x K x t  - t  1 ) que tienen valor 1 son los

siguientes:

a1 ,167,1,1431 a1 ,167,1,143 2 a1,167,1,1433 a1,168,1,1432 a1,168,1,1433 a1 ,168,1,1434

a1 ,168,1,1435 a1,168,1,1436 a1,169,1,1433 a 1 ,169,1,143 4 a1 ,169,1,143 5 a1 ,71,1,1432
a1 ,71,1,1433 a1 ,71,1,1434 a1 ,78,2,1431 a1 ,78,2,1432 a1 ,78,2,1433 a1 ,78,2,1434
a1,87,2,1431 a 1 ,87,2,1432 a 1 ,87,2,1433 a 1 ,87,2,1434 a1 ,87,2,1435 a 1 ,87,2,1436
y los restantes tienen valor cero.

61
 
Ahora bien, el problema p ĉ 
1
 es el siguiente:
 1431 → 1436 
1

Min= Z ( X ) = x1 ,167,1,1431 + x1 ,167,1,1432 + x1,167,1,1433 + x1,168,1,,1432

+ x1 ,168,1,143 3 + x +x
1 ,168,1,143 4
+x
1 ,168,1,143 5 1 ,168,1,143 6

+x + x1 ,169,1,143 4 + x1,169,1,1435 + x1,71,1,1432

1 ,169,1,143 3

+x + x1,71,1,1434 + x1 ,78,2,1431 + x1,78,2,1432

1 ,71,1,1433

+ x1 ,78,2,1433 + x1,78,1,1434 + x1 ,87,2,1431 + x1,87,2,1432

+ x1,87,2,1433 + x1,87,2,1434 + x1,87,2,1435 + x1,87,2,1436
s.a

x1,167,1,1431 + x1 ,78,2,1431 + x1 ,87,2,1431 ≤ 17

x1,167,1,1432 + x1,168,1,,1432 + x + x1,78,2,1432 + x1,87,2,1432 ≤ 17

1 ,71,1,1432

x1 ,167,1,1433 + x1 ,168,1,1433 + x 1 ,169,1,143 3 + x1,71,1,1433 + x1 ,78,2,1433 + x1,87,2,1433 ≤ 17

+ x1,168,1,1434 + x1,169,1,1434 + x + x1,78,1,1434 + x1,87,2,1434 ≤ 17

1 ,71,1,1434

x1 ,168,1,1435 + x1 ,169,1,143 5 + x1 ,87,2,1435 ≤ 17

x 1 ,168,1,143 6 + x1,87,2,1436 ≤ 17

x1 ,167,1,143 1 ≤6

x1,167,1,1432 ≤6
x1 ,167,1,143 3 ≤6
x1,168,1,1432 ≤6
x1 ,168,1,143 3 ≤6
x 1 ,168,1,143 4 ≤6
x1 ,168,1,1435 ≤6
x1 ,168,1,143 6 ≤6
62
 x1 ,169,1,143 3 ≤4
x1 ,169,1,143 4 ≤4
x1,169,1,1435 ≤4
x1,71,1,1432 ≤3
x1 ,71,1,1433 ≤3
x1 ,71,1,1434 ≤3
x1 ,78,2,1431 ≤3
x1 ,78,2,1432 ≤3
x1 ,78,2,1433 ≤3
x1 ,78,1,1434 ≤3
x1 ,87,2,1431 ≤5

x1 ,87,2,1432 ≤5

x1,87,2,1433 ≤5

x 1 ,87,2,1434 ≤5

x1 ,87,2,1435 ≤5

x1,87,2,1436 ≤5

8
(x + x1,167,1,1432 + x1 ,167,1,1433 ) ≥ 96
0 ,439 1 ,167,1,143 1

8
(x
+ x1 ,168,1,143 3 + x1 ,168,1,143 4 + x + x1,168,1,1436 )
0 ,439 1 ,168,1, ,1432 1 ,168,1,143 5
≥ 144

8
(x + x1 ,169,1,1434 + x1 ,169,1,143 5 ) ≥ 24
0 ,439 1 ,169,1,143 3

8
(x + x1 ,71,1,1433 + x1 ,71,1,1434 ) ≥ 48
0 ,439 1 ,71,1,1432

63
 8
(x
+ x1 ,78,2,1432 + x + x1 ,78,1,1434 ) ≥ 32
1 ,78,2,1433
0 ,439 1 ,78,2,1431

8
(x
0 ,439 1 ,87,2,1431 + x1 ,87,2,1432 + x1,87,2,1433 + x 1 ,87,2,1434
+ x 1 ,87,2,1435 + x1,87,2,1436 ) ≥ 128

2 x1 ,167,1,143 1 - x 1 ,167,1,143 - x 1 ,87,2,1431 ≤3

1

2 x 1 ,78,2,1431 - x 1 ,78,2,1431 - x1 ,87,2,1431 ≤3

2 x 1 ,87,1,1431 - x1 ,167,2,1431 - x1 ,78,2,1431 ≤3

4 x 1 ,167,1,143 2 - x1,168,1,1432 - x1,71,1,1432 - x 1 ,78,2,1432 - x 1 ,87,2,1432 ≤5

4 x1 ,168,1,143 2
- x1 ,167,1,143 2 - x - x1 ,78,2,1432 - x1 ,87,2,1432 ≤5
1 ,71,1,1432

4 x 1 ,71,1,1432 - x1 ,167,1,143 2 - x1,168,1,1432 - x1 ,78,2,1432 - x1 ,87,2,1432 ≤5

4 x 1 ,78,2,1432 - x1 ,167,1,1432 - x1,168,1,1432 - x1 ,71,1,1432 - x1 ,87,2,1432 ≤5

4 x 1 ,87,2,1432 - x1 ,167,1,143 2 - x1,168,1,1432 - x1 ,71,1,1432 - x1 ,78,2,1432 ≤5

5 x1 ,167,1,143 3 - x1 ,168,1,143 3 - x
1 ,169,1,143 3 - x1 ,71,1,1433 - x1 ,78,2,1433 - x1,87,2,1433 ≤6

5 x1,168,1,1433 - x1 ,167,1,143 3 - x
1 ,169,1,143 3 - x1 ,71,1,1433 - x1 ,78,2,1433 - x1,87,2,1433 ≤6

5 x1 ,169,1,1433 - x1 ,167,1,143 3 - x1 ,168,1,143 3 - x1 ,71,1,1433 - x1 ,78,2,1433 - x1,87,2,1433 ≤6

5 x1,71,1,1433 - x1 ,167,1,143 3 - x1 ,168,1,143 3 - x 1 ,169,1,143 3 - x1 ,78,2,1433 - x1,87,2,1433 ≤6

5 x1 ,78,2,1433 - x1 ,167,1,143 3 - x1 ,168,1,143 3 - x 1 ,169,1,143 3 - x1,71,1,1433 - x1,87,2,1433 ≤6

5 x1,87,2,1433 - x1 ,167,1,143 3 - x1 ,168,1,143 3 - x 1 ,169,1,143 3 - x1,71,1,1433 - x1 ,78,2,1433 ≤6

64
4 x1 ,168,1,143 4 - x1 ,169,1,143 4 - x - x1 ,78,1,1434 - x1 ,87,2,1434 ≤5
1 ,71,1,1434

4 x1 ,169,1,143 4 - x1 ,168,1,143 4 - x - x1 ,78,1,1434 - x1 ,87,2,1434 ≤5

1 ,71,1,1434

4 x1 ,71,1,1434 - x1 ,168,1,143 4 - x1 ,169,1,143 4 - x1 ,78,1,1434 - x1 ,87,2,1434 ≤5

4 x1 ,78,1,1434 - x1 ,168,1,143 4 - x1 ,169,1,143 4 - x1 ,71,1,1434 - x1 ,87,2,1434 ≤5

4 x1 ,87,2,1434 - x1 ,168,1,143 4 - x1 ,169,1,143 4 - x1,71,1,1434 - x1 ,78,1,1434 ≤5

2 x1 ,168,1,143 5 - x1 ,169,1,143 5 - x1 ,87,2,1435 ≤3

2 x1 ,169,1,143 5 - x1 ,168,1,143 5 - x1 ,87,2,1435 ≤3

2 x1 ,87,2,1435 - x1 ,168,1,143 5 - x1 ,169,1,143 5 ≤3

x 1 ,168,1,143 6 - x1 ,87,2,1436 ≤2

x1,87,2,1436 - x1 ,168,1,143 6 ≤2

2 x 1 ,167,1,143 1 - x1 ,167,1,143 2 - x1 ,167,1,143 3  2 x1,167,1,143 1 ≤3

2 x 1 ,167,1,143 2 - x1,167,1,1431 - x1 ,167,1,143 3 ≤3

2 x 1 ,167,1,143 3
- x1,167,1,1431 - x1 ,167,1,143 2 ≤3

4 x 1 ,168,1, ,1432
- x1 ,168,1,1433 - x1 ,168,1,143 4 - x 1 ,168,1,143 5 - x1 ,168,1,143 6 ≤5

4 x 1 ,168,1,143 3 - x1,168,1,,1432 - x1 ,168,1,143 4 - x 1 ,168,1,143 5 - x ≤5

1 ,168,1,143 6

4 x1 ,168,1,143 4 - x1,168,1,,1432 - x1 ,168,1,143 3 - x1 ,168,1,143 5 - x ≤5

1 ,168,1,143 6

4 x1,168,1,1435 - x1,168,1,,1432 - x1 ,168,1,143 3 - x - x1 ,168,1,143 6 ≤5

1 ,168,1,1434

4 x1 ,168,1,143 6 - x1,168,1,,1432 - x1 ,168,1,143 3 - x1,168,1,1434 - x1 ,168,1,143 5 ≤5

65
2 x1 ,169,1,1433 - x1 ,169,1,143 4 - x ≤3
1 ,169,1,143 5

2 x1 ,169,1,1434 - x 1 ,169,1,143 3
- x1 ,169,1,143 5 ≤3

2 x1 ,169,1,143 5 - x 1 ,169,1,143 3 - x 1 ,169,1,143 4 ≤3

2 x1,71,1,1432 - x1 ,71,1,1433 - x1,71,1,1434 ≤3

2 x1 ,71,1,1433 - x1 ,71,1,1432 - x1,71,1,1434 ≤3

2 x1 ,71,1,1434 - x1 ,71,1,1432 - x1 ,71,1,1433 ≤3

3 x 1 ,78,2,1431 - x1 ,78,2,1432 - x1 ,78,2,1433 - x1 ,78,1,1434 ≤4

3 x1 ,78,2,1432 - x1 ,78,2,1431 - x1 ,78,2,1433 - x1 ,78,1,1434 ≤4

3 x 1 ,78,2,1433 - x 1 ,78,2,1431 - x1 ,78,2,1432 - x1 ,78,1,1434 ≤4

3 x 1 ,78,1,1434 - x 1 ,78,2,1431 - x1 ,78,2,1432 - x1 ,78,2,1433 ≤4

5 x1 ,87,2,1431 - x1,87,2,1432 - x1,87,2,1433 - x1,87,2,1434 - x1 ,87,2,1435 - x 1 ,87,2,1436 ≤6

5 x1 ,87,2,1432 - x1 ,87,2,1431 - x1,87,2,1433 - x1,87,2,1434 - x1 ,87,2,1435 - x 1 ,87,2,1436 ≤6

5 x1,87,2,1433 - x 1 ,87,2,1431 - x1 ,87,2,1432 - x1,87,2,1434 - x1 ,87,2,1435 - x 1 ,87,2,1436 ≤6

5 x1,87,2,1434 - x1 ,87,2,1431 - x1 ,87,2,1432 - x1,87,2,1433 - x 1 ,87,2,1435

- x 1 ,87,2,1436 ≤6

5 x1 ,87,2,1435 - x1 ,87,2,1431 - x1 ,87,2,1432 - x1,87,2,1433 - x1 ,87,2,1434 - x 1 ,87,2,1436 ≤6

5 x 1 ,87,2,1436 - x1 ,87,2,1431 - x1,87,2,1432 - x1,87,2,1433 - x1 ,87,2,1434 - x1 ,87,2,1435 ≤6

x ijkd ≥0,
enteros, j  1,..., J , k  1,..., K , d  t ,...,t  1

66

View publication stats