Optimización de La Programación Del Personal de Mantenimiento

REPÚBLICA BOLIVARIANA DE VENEZUELA
UNIVERSIDAD NACIONAL EXPERIMENTAL DE GUAYANA

VICERRECTORADO ACADÉMICO
COORDINACIÓN GENERAL DE PREGRADO
PROYECTO DE CARRERA: INGENIERÍA INDUSTRIAL
Optimización de la Programación del Personal de

Mantenimiento
Autor:
Ramos Ramírez, Israel David
Tutor:
Viamonte Marcano, Abraham Alexis
Ciudad Guayana, julio de 2021
i
Optimización de la Programación del Personal de

Mantenimiento
Trabajo de Grado de Pregrado presentado como requisito parcial para optar al
título de Ingeniero Industrial
Autor:
Ramos Ramírez, Israel David
CI: 24.855.170
Tutor:
Viamonte Marcano, Abraham Alexis
Ciudad Guayana, julio de 2021
ii
APROBACIÓN DEL TUTOR
En mi carácter de tutor del trabajo de grado de pregrado, titulado

Optimización de la Programación del Personal de Mantenimiento, presentado
por el ciudadano Ramos Ramírez, Israel David, titular de la Cédula de identidad N°
V24.855.170, para optar al título de Ingeniero Industrial, considero que dicho
trabajo investigativo reúne los requisitos y méritos necesarios y suficientes para
ser sometido a la evaluación y presentación oral y pública por parte del jurado
examinador designado.
En Puerto Ordaz, a los quince días del mes de julio del año dos mil veinte y
uno.
_________________________
M. Sc. Abraham Viamonte
C.I 10.927.689
iii
DEDICATORIA
Esta investigación es dedicada en especial a

Dios Todopoderoso, su hijo Jesucristo y a todos
los Ángeles celestiales por brindarme siempre
fortaleza, sabiduría y protección para alcanzar
mis metas de vida.
iv
AGRADECIMIENTOS
A mis abuelos Evelio Santil y Teresa Ramos por haber influido en la etapa de
mi infancia, gracias doy por todo el cuidado y cariño incondicional que recibí por
parte de ambos desde el momento en que nací. También agradezco a mis padres
Rubén Ramos y Eliana Ramírez por haberme dado la vida principalmente y
orientarme siempre en decisiones importantes de mi vida.
A todos mis hermanos, por la buena relación que siempre hemos mantenido
desde pequeños y haberme tendido la mano siempre cuando más la necesite.
También a nivel general a mi familia por sus buenos deseos y bendiciones que
siempre me han brindado.
A mis verdaderas amistades, por haber estado siempre conmigo en los

buenos y malos momentos durante toda mi carrera universitaria.
A mi tutor, el Profesor Abraham Viamonte por haberme por haberme iniciado

en el tema de la Investigación de Operaciones, ser paciente conmigo y apoyarme
bajo todas las circunstancias en el desarrollo de este Trabajo de Grado, que Dios
lo bendiga eternamente.
Para finalizar, agradezco a la Universidad Nacional Experimental de

Guayana (UNEG), por haberme brindado la oportunidad de poder cursar mis
estudios universitarios para poder crecer profesionalmente.
v
ÍNDICE GENERAL
Pág.
Listas de Figuras........................................................................................................ viii
Listas de Tablas…...................................................................................................... ix
Resumen.................................................................................................................... x
Introducción................................................................................................................ 1
CAPÍTULO
I PRINCIPIOS DE LA PROGRAMACIÓN LINEAL
Síntesis Histórica de la Programación Lineal….………………………………… 4
Características Fundamentales de la PL…………………………………………. 17
Modelo de PL Aumentado….………………………………………………………. 22
Clasificación de los Modelos de PL…..…………………………………………... 23
MS……………………………………………………………………………………. 24
Importancia y Construcción del Problema Dual………………………………… 31
II ANÁLISIS PARAMÉTRICO
Análisis de Sensibilidad sobre los “cj”…………………………………………….. 35
Análisis de Sensibilidad sobre los “bi”…………………………………………….. 40
Análisis Paramétrico sobre los “cj”……..…………………………………………. 43
Análisis Paramétrico sobre los “bi”…...…………………………………………… 50
III ANÁLISIS PARAMÉTRICO EN LA GESTIÓN DEL MANTENIMIENTO
Caso 1: Aplicación de SOLVER en la Asignación de Personal en el

Mantenimiento de la Aeronave B-727…….………………………………………. 59
Caso 2: Diseño de un Modelo Matemático para la Asignación de Personal a

Múltiples Trabajos de Mantenimiento………………………..……………………. 66
vi
Pág.
Conclusiones.............................................................................................................. 74
Recomendaciones...................................................................................................... 76
Referencias................................................................................................................ 77
Anexos………………………………………………………………………………………. 81
vii
LISTA DE FIGURAS
Figura Pág.
1 Solución grafica del modelo Dos ………………………………………………… 36
2 Solución grafica del Dual del modelo Dos……………………………………… 40
3 Valor de la Función Objetivo como una función de θ para cambios en los

parámetros cj………………………………………………………………………...
43

parámetros cj del modelo Uno…………………………………………………… 50

parámetros bi..................................................................................................
51

parámetros bi del modelo Uno…………………………………………………… 57
7 Cambios en los Requerimientos de Tiempos Mínimos de los Técnicos……... 64
8 Cambios en los Requerimientos de Tiempos Máximos de los Técnicos…….. 65
9 Comportamiento cuando varían los tiempos máximos disponibles de los

técnicos………………………………………………………………………………. 73
viii
LISTA DE TABLAS
Tabla Pág.
1 Nomenclatura Tradicional de la PL………………………………………….. 18
2 Parámetros de un modelo de PL para Asignación de Recursos

Escasos…………………………………………………………………………. 19
3 Notación de los modelos de PL en Forma Matricial……………………….. 25
4 Estructura de la Tabla Simplex en Forma Matricial………………………… 27
5 Solución Básica para Iniciar el MS en el modelo Uno…………………….. 29
6 Solución Óptima del modelo Uno…………………………………………….. 30
7 Tabla Simplex en Forma Matricial para el Análisis Post Óptimo de

modelos de PL…………………………………………………………………… 31
8 Reglas para construir el PD…………………………………………………… 33
9 Solución Óptima del modelo Dos……………………………………………… 38
10 Cálculos en la Solución Básica del modelo Uno Parametrizado cuando θ

alcanza el valor de 81……………………………………………………… 47
11 Nueva Solución Básica del modelo Uno Parametrizado sobre los

cj…………………………………………………………………………………… 48
12 Solución Básica actual del modelo Uno sobre los bi cuando θ es 120…… 54
13 Nueva Solución Básica actual del modelo Uno Parametrizado sobre

los bi ……………………………………………………………………………… 55
14 Cálculos en la Solución Básica del modelo Uno sobre los bi cuando θ es

320………………………………………………………………………………… 56
15 Parámetros del Modelo de Optimización del Caso 1……………………….. 60
16 Tiempo (horas) del técnico i en realizar el trabajo j de Mantenimiento a la

Grúa Puente……………………………………………………………………… 63
17 Parámetros del Modelo de Optimización del Caso 2………………………... 68
18 Conocimiento del Técnico i sobre el Trabajo j……………………………….. 71
19 Descripción y Tiempos de Entrega de Trabajos por Asignar………………. 72
ix
Optimización de la Programación del Personal de Mantenimiento
Autor: Ramos Ramírez, Israel David

Tutor: Viamonte Marcano, Abraham Alexis
Puerto Ordaz, julio de 2021
RESUMEN
Definir la mejor programación de los trabajos de Mantenimiento es una
actividad fundamental que los Gerentes y Planificadores de Mantenimiento deben
realizar de manera periódica para conservar las instalaciones y equipos de una
organización funcionando de manera óptima; para ello es necesario aplicar las
técnicas y herramientas que permitan encontrar la asignación más conveniente de
tareas a ser ejecutadas por el personal de Mantenimiento en un lapso de tiempo
determinado. En el ámbito de la Ingeniería Industrial, la disciplina Investigación de
Operaciones ofrece un conjunto de técnicas como la Programación Lineal,
Programación Entera, Programación No Lineal, Heurística, Teoría de Colas y
Simulación, entre otras, que ayudan a encontrar el mejor curso de acción dada
cierta disponibilidad de recursos, restricciones y objetivos a lograr. El propósito de
la presente investigación es estudiar cómo se puede aplicar y cuales elementos
hay que tomar en cuenta cuando se aplica la técnica de la Programación Lineal y
el Análisis Paramétrico en la asignación de las tareas que debe llevar a cabo el
personal de Mantenimiento de una organización productiva, de tal forma que la
asignación realizada sea la óptima. Se llevó a cabo una Investigación Documental
con la meta de proporcionar un adecuado sustento teórico sobre la técnica
Programación Lineal y el Análisis Paramétrico para que las personas interesadas
puedan abordar este tipo de problemas y brindar respuestas racionales a
situaciones de programación de tareas al personal de Mantenimiento en los
distintos trabajos a realizar. Se consultaron diferentes fuentes de información
como libros de textos, tesis, artículos científicos, entre otras, donde se analiza la
aplicación de la PL en la asignación de tareas. Se presentan el análisis de dos
casos como ejemplo de aplicación de la PL y el Análisis Paramétrico.
Descriptores: Programación de Mantenimiento, Programación Lineal, Análisis

Paramétrico, Asignación de Tareas, Investigación de Operaciones.
x
INTRODUCCIÓN
La búsqueda de la optimización de los recursos disponibles de cualquier

organización es un objetivo que los Gerentes deben lograr, ya que de no ser así
se pueden generar pérdidas que ponen en riesgo a la organización, afectando sus
niveles de rentabilidad.
Un proceso de optimización en una empresa consiste en la selección de

aquella alternativa que facilita alcanzar un objetivo determinado, aprovechando al
máximo los recursos con el propósito de satisfacer las necesidades de una
organización.
Cuando se requiere solucionar un problema complejo que involucra muchas

alternativas, como en el caso de planificación de actividades de los empleados o
trabajadores, no es sencillo tomar la mejor decisión; actualmente se tienen
técnicas asociadas a la disciplina Investigación de Operaciones (IO) que permiten
encontrar la solución óptima para apoyar en la toma de decisiones que deben
realizar las personas responsables.
En muchas industrias a nivel mundial la aplicación de la IO ha tenido un

papel fundamental y algunas de sus técnicas que han sido protagonistas en
problemas relacionados con la programación del personal, son la Programación
Matemática y la Simulación de Eventos Discretos.
Otro de los elementos de suma importancia en una organización es la

gestión del Mantenimiento de sus activos e instalaciones. Anteriormente la
administración del Mantenimiento era relegada a un segundo plano, sin embargo,
antes las dificultades económicas por las que han atravesado muchas empresas,
se han dado cuenta de que la gestión de la conservación es un área de
oportunidad para mejorar la productividad y rentabilidad.
1
Ahora bien, en muchas organizaciones a pesar de haber invertido en
sistemas informáticos que permiten que los Gerentes puedan llevar un mejor
control sobre las tareas de conservación de sus activos dejan pasar por alto la
optimización.
En función a lo anterior es necesario profundizar el estudio sobre las técnicas

de Ingeniería Industrial que puedan optimizar la planificación y programación de
los trabajos que debe realizar el personal de Mantenimiento.
Por esta razón, se tomó la decisión de realizar una investigación documental

con el propósito de analizar la aplicación de la Programación Lineal en la
optimización de la asignación del personal en los trabajos de Mantenimiento en
una empresa.
Se establecieron los siguientes objetivos específicos para ser desarrollados a

lo largo de la investigación:
1. Describir los principios de la Programación Lineal.
2. Explicar las bases teóricas del Análisis Paramétrico.
3. Analizar la aplicación del Análisis Paramétrico en problemas relacionados

con la programación del personal en la gestión del Mantenimiento.
La idea es contribuir a generar el fundamento teórico necesario para que

futuros profesionales de la Ingeniería Industrial tomen la iniciativa de realizar
proyectos que involucre la aplicación de esta técnica tan importante.
De igual manera, este estudio se justifica por el hecho de proporcionar a los

Gerentes de cualquier organización un sustento documental que permita conocer
en qué consiste la Programación Lineal y el Análisis Paramétrico para
posteriormente mostrar su aplicación en situaciones prácticas de problemas
relacionados con la programación del personal en el área de Mantenimiento.
La presente investigación es documental porque su finalidad es realizar un

procesamiento amplio de información de una variedad de fuentes bibliográficas
que serán analizadas, para así alcanzar el propósito de la investigación señalado
anteriormente.
2
El producto de esta investigación se sistematizó en tres (3) capítulos. El
primero presenta cómo fue el desarrollo y los principios básicos de la
Programación Lineal que todo profesional interesado en la aplicación de esta
técnica debe conocer. El segundo se enfoca a mostrar las bases teóricas del
Análisis Paramétrico. Finalmente, se estudia la aplicación del Análisis Paramétrico
en la programación del personal de Mantenimiento.
3
CAPÍTULO I
PRINCIPIOS DE LA PROGRAMACIÓN LINEAL
Síntesis Histórica de la Programación Lineal
Ahora bien, es momento de comenzar a realizar una descripción biográfica

de los personajes que contribuyeron de forma significativa en el desarrollo de la
Programación Lineal (PL) y que la hacen ser una de las técnicas más importantes
y de la Investigación de Operaciones IO.
Carl Friedrich Gauss (1777-1855) y Wilhelm Jordan (1842-1899)
La mayoría de los libros de texto de IO en relación al tema sobre la PL

siempre hacen mención e ilustran el uso del Método de Gauss-Jordán, llamado así
en honor a sus desarrolladores, este es un algoritmo muy eficiente para resolver
sistemas de ecuaciones lineales.
Carl Friedrich Gauss fue un matemático nacido de Alemania y país del cual
nunca salió. Según (Carrillo, 2002), “El talento de genio de Gauss permitió que
recibiera los recursos financieros por un patrocinador, el duque de Brunswick
mientras estudio el Instituto Carolino de Brunswick la secundaria y en la
Universidad de Götingen Matemáticas durante seis (6) años” (p. 28). La capacidad
intelectual de Gauss le permitió realizar contribuciones importantes en el área de
las Matemáticas, Estadística, Física, Astronomía y la Topografía.
Uno de los aportes más importantes en una de las ramas de las

Matemáticas, como lo es el Algebra Lineal, fue el Método de Eliminación
Gaussiana para resolver sistemas de ecuaciones lineales.
En el año 1801 aparecio un planeta que se llamó Ceres, pero luego este
desaparecio. Sin embargo, los astronomos de esa epoca predijeron por medio de
sus calculos la orbita del planeta y se equivocaron.
4
Entonces, Gauss se propuso realizar estos cálculos logrando plantear un
sistema de ecuaciones por medio de su Método de los Minimos Cuadrados
tomando en cuenta las ultimas observaciones del planeta; dicho sistema lo
resolvió por el Metodo de Eliminación Gaussiana para obtener una función de
mejor ajuste, donde sus resultados fueron los correctos, ya que describieron la
trayectoria casi exacta en donde aparecio nuevamente el planeta.
Ahora bien, el otro desarrollador del Método de Gauss-Jordan fue un

Geodista de origen Alemán llamado Wilhelm Jordán, quién estuvo ligado a las
Ciencias de la Tierra y las Matemáticas. En cuanto a sus estudios universitarios de
Ingenería los realizó en el Instituto Politécnico de Stuttgart, además, fue Docente
en la Universidad Técnica de Hannover.
Jordan tuvo que enfrentarse a una situación similar a la de Gauss para

obtener una función de mejor ajuste, pero en el área de la Topografía. Su estudio
consistió en plantear con la técnica de los Mínimos Cuadradros un sistema de
ecuaciones a partir de un conjunto de observaciones topográficas, pero a
diferencia de Gauss este logró hacer una mejora en la técnica de Eliminación
Gaussiana para resolución del sistema de ecuaciones que estableció y fue asi
como nació el Método de Gauss-Jordan.
Jean Baptiste Fourier (1768-1830) y Theodore Samuel Motzkin (1908-1970)
Fourier fue un Matemático de origen Francés que normalmente se le

recuerda por el desarrollo del teorema de las “Series de Fourier” que es importante
en el área de la Física e Ingeniería. Su formación académica desde temprana
edad hasta terminar sus estudios de la universidad fue en la Escuela de Pallais,
Ecole Royale Militaire de Auxerre y la Escuela Normal Superior de París. En esta
última institución Fourier tuvo importantes maestros, pero una de sus mayores
influencia fue Joseph Louis Lagrange (1736-1813).
5
Lagrange se puede decir que es uno de los fundadores de la optimización, ya
que por sus estudios sobre la Física Estática planteó un modelo que describiría un
sistema mecánico y su objetivo era encontrar el equilibrio del sistema, este
problema fue resuelto por un método que él mismo desarrolló y lo llamó
“Multiplicadores de Lagrange” que ayuda a determinar el punto máximo o mínimo
de una función con restricciones de igualdad.
Por otro lado, Fourier a pesar de haberse especializado en Matemáticas

pasó la mayor parte de su vida dedicado a la Física, se interesó en los estudios de
Lagrange y luego realizaría su primer aporte en el ámbito de la optimización
justificando que en el modelo del sistema mecánico podian incluirse restricciones
en forma de inecuación, el cual era una novedad en esa época, ya que nunca se
habia visto este tipo de condiciones.
A partir de ese momento Fourier se interesó en el estudio de sistemas de

inecuaciones lineales y contribuyó con ello en el avance de la PL. Cabe destacar,
aunque Fourier no se dedicó a profundizar el tema sobre los sistemas de
inecuaciones lineales se cree que el fue el fundador principal de los estudios sobre
este tema y en destacar su importancia para la Mecánica y la Teoria de la
Probabilidad.
Ahora bien, Fourier tambien logra desarrollar una herramienta para la

resolución de los sistemas de inecuaciones lineales, según (Ruiz, 2014), “Fourier
en año (1826) logró desarrollar un método que bautizó como Eliminación de
Variables que sirve para resolver un sistema de inecuaciones lineales y lo publicó
en un artículo de nombre Solution d´ une question particuliére de calcul des
inégalités” (p. 82).
El método de Eliminación de Variables es útil tanto para la resolución de

sistema de inecuaciones lineales y modelos de PL, y tiene una similitud en la
forma geométrica que opera el Método Simplex (MS) desarrollado por George
Dantzig en el año (1947), ya que los dos son considerados como metodos
exteriores, es decir, que ambos actuan por el borde de una región de soluciones
6
factibles. El método desarrollado por Fourier en su momento fue un competidor
para el MS, pero no estuvo a la altura de este último.
Motzkin fue un matemático de origen Alemán y desde muy temprana edad

mostró gran potencial para los números. Sus primeros estudios universitarios los
realizó en la Universidad de Berlín, donde se especializó en el área de las
Matemáticas.
Motzkin mantuvo una gran producción de teoremas sobre las Matemáticas,

algunas de sus contribuciones están relacionadas con la Teoría de Aproximación,
Convexidad, Teoría de Funciones, Algebra, Teoría de las Desigualdades, PL, etc.
Motzkin también realizó muchas contribuciones académicas y en particular a

la PL. Para el año 1936 publicó una Tesis Doctoral sobre las inecuaciones lineales
donde cita cuarenta y dos (42) artículos del tema.
En esa Tesis Doctoral de gran importancia para la PL, ya que presenta un

método análogo al de Fourier para resolver un sistema de inecuaciones lineales, el
cual por muchos años fue conocido como el Método de Motzkin; sin embargo,
luego salieron antecedentes del tema por lo cual hoy en día se conoce como el
Método de Fourier-Motzkin; además presenta los Teoremas de las Alternativas
(TA) y estos fueron clave para el desarrollo definitivo de la Dualidad de la PL.
Algunos otros desarrolladores de los TA fueron Paul Gordan (1837 - 1912),

Erich Stiemke (1892 - 1915), Gyula Farkas (1847-1930), Albert William Tucker
(1905-1995), entre otros.
Los TA también se les conocen como Sistemas de Transposición y la mayor

parte de ellos fueron desarrollados antes del año 1948. Para la demostración de
cada uno de estos teoremas siempre están presente un sistema de inecuaciones y
ecuaciones que se deducen uno del otro y siempre uno de ellos es homogéneo.
7
Wassily Leontief (1905-1999)
Leontief fue un gran Economista de origen Ruso que pasó la mayor parte de
su vida interesado en los sistemas económicos. Sus estudios superiores los
realizó en la Universidad de San Petersburgo (Leningrado), donde logró obtener
tres (3) profesiones distintas que fueron: Filosofía, Sociología y Economía.
Posteriormente debido a los conflictos del gobierno de su país decide abandonarlo
para visitar Alemania, China y los Estados Unidos, logrando mejorar su estatus
académico y simultáneamente obtener una buena experiencia laboral.
En su etapa en los Estados Unidos logró desarrollar el Modelo Interindustrial

Insumo-Producto (MIIP) que publicó por primera vez en el año 1936 y tenía como
meta cuantificar el impacto de la política del gobierno y la tendencia del
consumidor sobre una gran cantidad de industrias que se integraron en series
complejas de relaciones entrelazadas.
Este modelo comenzó a ponerse en práctica en muchas industrias de los

Estados Unidos y permitió que el autor obtuviera el premio Nobel en el año 1973.
El MIIP fue clave cuando George Dantzig se enfrentó al reto de crear su primer
modelo en el ámbito de la PL para la Fuerza Aérea de los Estados Unidos.
Leonid Kantarovich (1912 - 1986)
Kantarovich fue un científico de origen Ruso que sobresalió por ser uno de
los primeros en demostrar cómo se podían aplicar las Matemáticas en situaciones
prácticas de caso real en las industrias, pero tuvo que pasar cierto tiempo para
que sus teorías fueran reconocidas mundialmente. Su formación académica
profesional la realizó en la Universidad de San Petersburgo (Leningrado)
especializándose en el área de las Matemáticas, después de finalizar sus estudios
se dedicó a ser Docente a en su Alma Mater.
8
Ahora bien, existen muchas investigaciones que mencionan a George
Dantzig como padre de la PL, pero en realidad esto no es del todo cierto. Lo que sí
se puede decir es que Dantzig por medio de sus primeros aportes en la PL,
específicamente con la creación del MS, esta se empezó difundir a nivel mundial.
Existían dos (2) estudios importantes realizados por Kantarovich que eran
totalmente desconocidos, el primero consistía en una monografía publicada en el
año 1939 titulada “Métodos Matemáticos en la Organización y Planificación de la
Producción”, cuyo contenido era sobre modelos de PL para problemas sobre la
asignación optima de áreas para la siembra, minimización del desperdicio por
corte, la mejor distribución del recurso (máquinas) para ensamblar un producto
que consta de dos (2) o más piezas, etc.
En esta monografía también propone una método de solución para todos los
modelos de PL que presentó, pero había una restricción especial que se le debía
incluir al problema matemático que formaba un sistema de ecuaciones donde cada
variable representaba los Precios Sombra que es lo mismo que las Variables
Duales de la PL para permitir que el método pudiera operar y alcanzar la solución
óptima cuando obtuviera el mejor valor de estos precios.
El segundo estudio fue publicado en el año 1942 con el título “Translocación

de Masas”, que significa transportar unidades físicas desde una zona a otra
distinta. Este artículo se centra en el modelo de transporte de la PL con sus
variantes. Es importante mencionar sobre el modelo de transporte de PL que
existen dos (2) estudios publicados del tema en el año 1941 por Frank Lauren
Hitchcock (1875 - 1957) y el otro del año 1947 por Tjalling Charles Koopmans
(1910 - 1985).
Con lo que respecta a las contribuciones realizadas por Kantarovich

descritas anteriormente, no hay duda de que este fue uno de los principales
fundadores de la PL; si analizamos ciertos modelos de PL de los mejores libros de
IO que existen en la actualidad, se observa que estos son similares a los
presentados en los dos estudios realizados por Kantarovich antes del año 1947, y
9
esto fue lo que hizo merecer el Premio Nobel de Economía junto con Koopmans
en el año 1975.
Es importante señalar las razones que estos dos (2) estudios de Kantarovich
salieron a la luz pública después de veinte (20) años, una de las razones fue que
los empresarios Rusos pensaban que a través de aplicación de métodos
cuantitativos no se podían optimizar las decisiones en problemas que surgían en
las industrias, la otra razón se debe a políticas del gobierno Ruso de aquella
época que le ordenaron a Kantarovich no continuar con sus estudios.
John Von Neumann (1903 -1957)
Von Neumann es considerado como una de las mentes más brillantes de su

época, ya que su capacidad intelectual parecía ser ilimitada por el gran número de
contribuciones que desarrolló para diversas disciplinas científicas. Sus aportes de
mayor relevancia fueron en las siguientes áreas: Bomba Atomica, Bomba de
Hidrogeno, Matemáticas, Teoría General y Lógica de los Autómatas, Desarrollo
Informático Electrónico, Mecánica Cuantica, Teoría de Juegos, etc.
Sus orígenes son de Hungría y es nativo de la ciudad de Budapest, mientras

estudiaba en la secundaria sus docentes percibieron su talento y se lo
manifestaron a su familia para que recibiera una educación de calidad,
posteriormente logra obtener varias profesiones como Matemática Pura y Física
en la Universidad de Budapest, Ciencas Químicas en la Universidad de Berlín,
Ingeniero Químico en la Universidad de Zurich.
En el año 1930 viaja a Estados Unidos para ser contratado como Docente
visitante en la Universidad de Princenton. Neumann mientras estuvo en los
Estados Unidos termina de formalizar en conjunto con Oscar Morgenstern la
Teoria de Juegos en un libro que publicaron en el año 1944 de titulo Game Theory
and Economic Behavior, pero Neumann en el año 1928 había publicado un trabajo
de manera independiente sobre este tema, demostrando su Teorema Minimax.
10
Cuando George Dantzig habia creado su modelo de PL y el MS tuvo la
oportunidad de exponer sus resultados a Neumann, y este último detectó la
relación que existía entre la Teoria de Juegos y la PL. Neumann para poder
desarrollar su Teorema Minimax estudió el Lema de Farkas que es uno de los TA,
además de otras teoremas para hacer que el valor de un juego suma cero
inestable pueda estabilizarse.
Por otro lado, Dantzig desconocía la existencia del Lema de Farkas y la

existencia de un problema dual a partir de su primal. Neumann le hizo la
suposición a Dantzig más no demostró formalmente la conexión de su Teorema
Minimax con la PL para hacer posible que el problema primal y el dual asumieran
soluciones factibles para que ambos problemas tuvieran la misma solución óptima,
esta suposición hecha por Neumann es lo que actualmente se conoce como
dualidad fuerte de la PL.
George Dantzig (1914 - 2005)
Dantzig fue clave en el nacimiento de la disciplina IO por sus contribuciones

importantes en la PL, Programación Estocástica, Principio de Descomposición
para resolver de modelos de PL de gran escala con estructuras especiales, entre
otras. Sin embargo, se menciona como realizó sus contribuciones iniciales sobre
la PL que se consideran como las más importantes de su carrera que consisten en
la formulación de un modelo dinámico de PL y la creación del MS que fueron
publicados en el año 1947.
Sus padres son de origen Ruso y Francés, pero cuando se casaron

decidieron emigrar a los Estados Unidos para que naciera posteriormente Dantzig
en Portland ubicada en el estado de Oregón de los Estados Unidos. Los
comienzos de Dantzig en el mundo de las Matemáticas fueron pésimos por falta
de interés, pero luego se preocupó por esta falla y logró mejorar su rendimiento en
esta disciplina.
11
Su trayectoria educativa la curso completamente en su país de nacimiento
empezando por el estado de Washington donde cursó sus estudios de primaria y
secundaria en la Powell Junior High School y la Central High School, títulos de
Licenciado en Matemáticas y Física para el año 1936 en la Universidad de
Maryland del estado de Maryland, Máster en la especialidad de Matemáticas para
el año 1937 en la Universidad de Michigan del estado de Michigan y un Doctorado
en la especialidad de Estadística para el año 1946 en la Universidad de Berkeley
del estado de California.
Durante la carrera profesional de Dantzig ocurrieron acontecimientos

importantes que le permitieron posteriormente iniciar su investigación sobre la PL.
Trabajo como estadístico en Washington en la Oficina de Estadística Laborales
donde conoce el MIIP y su aplicación en diversos campos, la resolución de dos
problemas importantes durante su curso de Estadística que generalizaban el Lema
de Neyman – Pearson estableciendo las condiciones suficientes para que la
solución de un modelo de PL con variables acotadas sea optima, y su trabajo
como civil en el Pentágono en el área de Análisis de Combate y Control
Estadístico en la Segunda Guerra Mundial durante el periodo 1941-1945.
Cuando culminó la Segunda Guerra Mundial Dantzig estaba en busca de

nuevas oportunidades de empleo, en la Universidad Berkeley le propusieron un
cargo académico que lo rechaza ya que no consideraba el pago acorde con sus
necesidades. Regresó a trabajar nuevamente en el Pentágono donde iniciaría su
investigación sobre la PL a principios del año 1947 por un reto propuesto por sus
compañeros que consistía en encontrar una técnica cuantitativa que permitiera
acelerar la planificación de la logística de la Fuerza Aérea de los Estados Unidos,
ya que esta actividad se realizaba de forma manual.
Por lo tanto, Dantzig según su experiencia percibió que el MIIP cumplía con
ciertos requisitos necesarios para su investigación, pero se debía generalizar por
dos detalles importantes. El MIIP es un modelo estático que es aplicable cuando
las decisiones se toman en un solo punto del tiempo y se requería un modelo
dinámico que se pueden aplicar cuando las decisiones que se toman en más de
12
un punto en el tiempo, el segundo detalle fue debido a la correspondencia uno a
uno entre los productos de salida y los requisitos de entrada limitaban las
posibilidades de otras actividades alternativas que fueran distintas a la producción.
Una vez generalizado el MIIP Dantzig se preocupó por la optimización, ya

que anteriormente en la Fuerza Aérea se tomaban las decisiones sobre la
planificación logística en forma subjetiva o través de métodos manuales poco
eficientes; Dantzig sabía que cuando se requerían planificaciones simples ellos
probablemente quizás podían llegar a tomar la mejor decisión, el problema era que
en planificaciones complejas con muchas actividades alternativas era imposible
tomar la mejor decisión por el gran volumen de comparaciones que se debían
realizar.
Entonces, se requería garantizar la optimización en planificaciones complejas

y Dantzig se las ingenió con una Función Objetivo que se debía optimizar, el
mismo Dantzig dice que en las bibliografías que él consultó no había una función
matemática que expresara en forma precisa las metas del problema a resolver.
Es evidente que él nunca consulto los trabajos de Kantarovich porque en

realidad se hubiese ahorrado el trabajo, hay que recordar que los trabajos de
Kantarovich fueron publicados después de veinte años y era desconocida la
existencia de ellos.
A mitad del año 1947 Dantzig realiza una publicación en un artículo titulado
“Programación en una Estructura Lineal” donde propone lo que se conoce en la
actualidad como un modelo de PL dinámico cuya formulación tiene una estructura
de matriz escalera. Las características del primer modelo de PL desarrollado por
Dantzig se pueden encontrar en los modelos de PL de inventario con periodos
múltiples y no es coincidencia, ya que Dantzig años después participo en el
desarrollo este tipo de modelos de PL.
Dantzig vio que su modelo de PL también podría ser útil en problemas

económicos, así que decide visitar a los economistas de esa época y en especial a
Koopmans para pedirle sugerencias, ya que ellos habían planteado modelos con
estructuras similares para problemas de optimización con recursos limitados, pero
13
Dantzig encontró un nuevo reto, ya que no existía un método que pudiera resolver
este tipo de modelos de PL.
Entonces, se abrió una nueva investigación sobre la PL para Dantzig en

busca de un método de solución. Desde el punto de vista geométrico Dantzig
detectó que una región factible cumplía con el principio de convexidad, tuvo la idea
de moverse por las aristas de la región factible para encontrar la solución óptima,
así que se las ingenio encontrando la forma de mecanizar el proceso geométrico
de moverse por las aristas en forma algebraica y en el año 1947 formula el MS
que en la actualidad sigue siendo una herramienta importante para demostrar
teoremas y solucionar modelos de PL.
Por todo lo dicho, se puede decir que Dantzig invento la PL de manera

independiente y tanto él como Kantarovich son los fundadores de esta técnica de
la Programación Matemática.
En el año 1975 se entrega el Premio Nobel de Economía que fue compartido

por Koopmans y Kantarovich, muchos investigadores estuvieron de acuerdo e
incluso los mismos que recibieron el premio en que Dantzig también lo merecía,
pero por cosas de la vida no sucedió así.
Narendra Karmarkar
Karmarkar es un investigador originario de la India destacado en el campo de

las Matemáticas e Informática. Sus estudios académicos profesionales fueron
primeramente en su país de origen en el Instituto Indio de Tecnología de Mumbai
donde obtiene el título de Ingeniería Eléctrica en el año 1978, y en los Estados
Unidos en el estado de California obtiene una Maestría en el Instituto de
Tecnología de California en el año 1979 y en la Universidad de Berkeley se
especializa en Ciencias de la Computación para convertirse en Investigador
Postdoctoral en el año 1983.
14
Debe señalarse que cuando el MS se originó muchos investigadores
pensaron que sería ineficiente por su característica de optimizar un modelo de PL
recorriendo los vértices hasta encontrar la solución óptima, pero el MS resultó
eficiente operando de esa forma. El problema surgió cuando se demostró que el
MS resolvía problemas de PL complejos en tiempo exponencial y a partir de esta
situación se abrieron investigaciones en busca de un método interior, es decir, que
a diferencia de los métodos exteriores este tipo de métodos optimizan por la parte
interna de la región factible.
En consecuencia, se propusieron métodos interiores desarrollados por

Neumann, Motzkin, L.G. Khachian, entre otros, sin embargo, ninguno de estos
fueron mejores que el MS.
Karmarkar después de finalizar sus estudios en la Universidad de Berkeley

participó en investigaciones matemáticas al formar parte del equipo de AT&T Bell
Laboratories y en el año 1984 anunció un método interior que resuelve problemas
de PL complejos en tiempo polinómico.
La razón por la que el Método de Karmarkar (MK) es superior al MS en

problemas de PL complejos se debe a que este último optimiza a través los
vértices de la región factible y en problemas de PL complejos el número de
vértices es una cantidad astronómica. A pesar de que en teoría el tiempo que
requiere una iteración del MS es más corto que el tiempo que toma una iteración
del MK, el MS requerirá más tiempo para encontrar el punto óptimo y es aquí
donde MK toma la ventaja al operar por el interior de la región factible avanzando
de manera rápida hacia el punto óptimo en el menor tiempo logrando evitar los
vértices.
Realizar una buena elección de una herramienta al momento de solucionar

un modelo de PL es un proceso importante en el que cotidianamente se usa una
de las versiones del MS porque los modelos de PL que se resuelven con
frecuencia en la práctica son de pequeña y mediana escala y resulta en estos
casos más ventajoso hacer uso del MS.
15
Actualmente existen software informáticos con varias herramientas para la
resolución de problemas de Programación Matemática y en vista de esta ventaja
la parte más importante en la PL es saber plantear los modelos correctamente.
16
Características Fundamentales de la PL
La PL es una de las técnicas de mayor importancia de la IO debido a su

amplio campo de aplicación y al mismo tiempo es una herramienta indispensable
de la Ingeniería Industrial.
Es sumamente importante para cualquier persona en el entorno profesional

con poca experiencia sobre la PL conocer ciertas cualidades de esta técnica que
son esenciales para su entendimiento, así que es momento de explicar algunos
aspectos teóricos básicos de la misma.
Modelo de PL
La PL se puede decir que es una técnica útil para elegir la mejor decisión en
planificaciones complejas que surgen en el sector industrial, salud, agricultura,
transporte, entre otras. La condición necesaria para que esta técnica pueda operar
consiste en ver si la problemática a tratar puede ser representada a través de un
conjunto de funciones lineales lógicas que se construyen a través de parámetros y
variables relacionadas con el problema, dando como resultado la elaboración de
un modelo matemático que pertenece a una categoría de la Programación
Matemática.
La construcción de un modelo de PL para un problema específico que

represente la realidad satisfactoriamente es sumamente complicado y se requiere
normalmente de la participación de profesionales con cierta experiencia en el
problema a resolver; sin embargo, la PL tiene la ventaja de que muchos de los
modelos que han sido desarrollados se ajustan a situaciones prácticas que
pueden surgir en contextos diferentes con propiedades similares.
Cabe considerar que no existe una forma única para la interpretación de

variables y parámetros de un modelo de PL porque estos varían de según la
naturaleza del problema, pero resulta práctico interpretar estos elementos en
casos relacionados con la asignación de recursos escasos a actividades que se
presentan en problemas de planificación de la producción.
17
La Tabla 1 muestra la simbología tradicional utilizada para describir los
elementos de cualquier modelo de PL y su interpretación en problemas de
asignación de recursos.
Tabla 1.- Nomenclatura Tradicional de la PL
Símbolos Descripción
N Número de alternativas o decisiones disponibles.
M Número de restricciones o limitantes.
Z Valor de la medida global de desempeño.
xj Variable de decisión que mide el nivel de la actividad j (para j = 1, 2,…, n).
cj Incremento en Z que se obtiene al aumentar una unidad en el nivel de la actividad j o

también coeficiente de la Función Objetivo.
bi Cantidad del recurso i disponible para asignarse a las actividades (para i = 1,2,…, m)
o también lado derecho de una restricción.
aij Cantidad del recurso i consumido por cada unidad de la actividad j o también
coeficiente tecnológico.
Fuente: Basado en Hillier y Lieberman, (2010)
En particular, los símbolos aij, bi, y cj se identifican igualmente como los

parámetros del modelo de PL y se asume que el comportamiento de ellos debe
ser estático para que al encontrar su solución sea en función del valor de ellos.
La Tabla 2 muestra una forma de ordenar los parámetros en problemas

típicos de asignación de recursos.
18
Tabla 2.- Parámetros de un modelo de PL para Asignación de Recursos Escasos
Consumo de recursos por unidad de actividad
Actividad
Cantidad de recursos
Recurso 1 2 ⋯ n
disponibles
1 a11 a12 ⋯ a1n b1
2 a21 a22 ⋯ a2n b2
∙ ∙
∙ ⋯ ⋯ ⋯ ⋯ ∙
∙ ∙
m am1 am2 ⋯ amn bm
Contribución a Z de
c1 c2 ⋯ cn
cada j
Fuente: Hillier y Lieberman, (2010)
Componentes del Modelo de PL
Un modelo de PL por lo general se caracteriza por estar compuesto por una

serie de componentes, los cuales son:
 Función Objetivo: Es una ecuación lineal que tiene como meta maximizar
(Max, en adelante) los beneficios o minimizar (Min, en adelante) los
costos o pérdidas, y generalmente puede ser expresada como:
Max o Min Z = c1 x1 + c2 x2 +…+ cn xn .
 Restricciones: Estas son las condiciones impuestas que generan un

espacio de soluciones factibles y cada una de ellas es una inecuación o
ecuación lineal, es decir, que se expresan como
ai1 x1 + ai2 x2 +…+ a1n xn (≤, ≥,=) bi y al mismo tiempo se pueden
clasificar en restricciones de máximo, mínimo e igual.
19
 Condiciones de No Negatividad: Son condiciones que se expresan como
x1 , x2 , xn ≥ 0, el cual indican que todas las decisiones deben ser no
negativas.
Formas del Modelo de PL según su Objetivo Max o Min
En los modelos de PL después que se fija el objetivo de Max o Min se

pueden presentar restricciones de cualquier tipo por la naturaleza del problema.
Sin embargo, lo común es que se presenten los siguientes casos dependiendo del
objetivo.
 Modelo de PL con objetivo Max y restricciones del tipo máximo.
Max Z = c1 x1 + c2 x2 +…+ cn xn
Sujeto a
a11 x1 + a12 x2 +…+ a1n xn ≤ b1
a21 x1 + a22 x2 +…+ a2n xn ≤ b2
ai1 x1 + ai2 x2 +…+ a1n xn ≤ bi
x1 , x2 , xn ≥ 0
 Modelo de PL con objetivo Max y restricciones del tipo máximo, mínimo,

e igual.
Max Z = c1 x1 + c2 x2 +…+ cn xn
Sujeto a
a11 x1 + a12 x2 +…+ a1n xn ≤ b1
a21 x1 + a22 x2 +…+ a2n xn ≥ b2
ai1 x1 + ai2 x2 +…+ a1n xn = bi
x1 , x2 , xn ≥ 0
20
 Modelo de PL con objetivo Min y restricciones del tipo mínimo.
Min Z = c1 x1 + c2 x2 +…+ cn xn
Sujeto a
a11 x1 + a12 x2 +…+ a1n xn ≥ b1
a21 x1 + a22 x2 +…+ a2n xn ≥ b2
ai1 x1 + ai2 x2 +…+ a1n xn ≥ bi
x1 , x2 , xn ≥ 0
 Modelo de PL con objetivo Min y restricciones del tipo mínimo, máximo e

igual.
Min Z = c1 x1 + c2 x2 +…+ cn xn
Sujeto a
a11 x1 + a12 x2 +…+ a1n xn ≥ b1
a21 x1 + a22 x2 +…+ a2n xn ≤ b2
ai1 x1 + ai2 x2 +…+ a1n xn = bi
x1 , x2 , xn ≥ 0
En particular cuando un modelo de PL tiene como objetivo Max y

restricciones del tipo máximo o su objetivo Min y restricciones del tipo mínimo y en
ambos existen condiciones de no negatividad sobre todas las variables de
decisión se dice que está en la forma canónica o normal.
21
Modelo de PL Aumentado
Una vez cuando ya se plantea el modelo de PL original se debe seleccionar

una herramienta adecuada para solucionarlo. Por lo regular los paquetes de
software de Programación Matemática disponibles incluyen siempre una o más
variantes del MS, esto se debe a que además de la solución óptima del modelo de
PL, el MS también proporciona un reporte para el Análisis de Sensibilidad.
El MS para que pueda operar siempre se debe aumentar el modelo de PL

según el tipo de restricción ai1 x1 + ai2 x2 +…+ a1n xn ≤ o (≥, =) bi con variables de
holgura “Sn+1”, exceso “En+1” y/o artificiales “An+1”.
Estas variables con las que se aumenta el modelo de PL, en ocasiones

pueden llegar a formar parte de la solución óptima, así que su interpretación para
cada una de ellas es la siguiente:
 Variables de Holgura: Si una o más variables de holgura “Sn+1” forman

parte de la solución óptima del modelo de PL se interpreta como la
cantidad de un recurso disponible sin utilizar.
 Variables Artificiales: Las variables artificiales “An+1” no tienen ningún

significado en la solución óptima del modelo de PL ya que siempre el MS
se encarga que el valor de estas variables sea cero (0) debido a que la
función de ellas es facilitar la construcción de un modelo de PL
aumentado que tenga la misma solución óptima del modelo de PL
original.
 Variables de Exceso: En ocasiones las variables de exceso “En+1” pueden

llegar a formar parte de la solución óptima del modelo de PL y se
interpretan como la cantidad que está por encima de algún nivel mínimo
requerido.
22
En un principio se mencionó que estas variables con que se aumenta el
modelo de PL se usan dependiendo de la forma de la restricción, desde el punto
de vista matemático la razón es que el MS se encarga de resolver un sistema de
ecuaciones y esta es la manera de cumplir ese objetivo.
A continuación ilustraremos con que variables se debe aumentar el modelo

de PL según los tres (3) tipos de restricciones:
 Caso de restricciones de máximo: Por cada restricción en el modelo de

PL de la forma ai1 x1 + ai2 x2 +…+ a1n xn ≤ bi se debe sumar una variable
de holgura para transformar la restricción en la ecuación con la forma
ai1 x1 + ai2 x2 +…+ a1n xn + Sn+1 = bi .
 Caso de restricciones de mínimo: Por cada restricción en el modelo de PL

de la forma ai1 x1 + ai2 x2 +…+ a1n xn ≥ bi se debe restar una variable de
exceso y seguidamente sumar una variable artificial para transformar la
restricción en una ecuación de la forma
ai1 x1 + ai2 x2 +…+ a1n xn - En+1 + An+2 = bi .
 Caso de restricciones de igual: Por cada restricción en el modelo de PL

de la forma ai1 x1 + ai2 x2 +…+ a1n xn = bi se debe sumar una variable
artificial para transformar la restricción en la ecuación con la forma
ai1 x1 + ai2 x2 +…+ a1n xn + An+1 = bi .
Un aspecto importante cuando se aumenta el modelo de PL con variables de

holgura, exceso o artificiales es que cada una de ellas de manera automática
deben formar parte de las condiciones de no negatividad.
Clasificación de los Modelos de PL
Los modelos de PL se pueden clasificar en función de los valores que

pueden tomar las variables de decisión y en vista de esta condición los tipos de
modelos de PL son los siguientes:
23
 Modelo de PL Continuo: Son aquellos donde las variables de decisión son
continuas y en consecuencia pueden asumir valores enteros y
fraccionarios.
 Modelo de PL Discreto: Se presentan cuando las variables de decisión

deben ser discretas y por lo tanto pueden asumir valores enteros o
binarios.
 Modelos de PL Mixto: Surgen cuando del total de variables de decisión

presentes existe un grupo que son continuas y otro grupo discretas.
MS
El MS actualmente es una herramienta teórica que contribuye con el

entendimiento de temas importantes de la PL como Dualidad, Análisis de
Sensibilidad, Análisis Paramétrico, entre otras. La Tabla 3 presenta la notación
utilizada para representar en forma matricial los modelos de PL.
24
Tabla 3.- Notación de los Modelos de PL en Forma Matricial
Símbolos Descripción
A Matriz de coeficientes del lado izquierdo de las ecuaciones correspondiente a

las restricciones de la forma aumentada del modelo de PL.
aj Vector de la columna j-ésima de la matriz A
B Matriz básica que incluye los coeficientes de la columna j-ésima de la matriz A

correspondiente a las variables básicas.
B-1 Matriz inversa obtenida de B

c Vector fila en general de los coeficientes de la FO de la forma aumentada del
modelo de PL.
cB Vector fila de los coeficientes de variables básicas de la FO.

x Vector columna de variables en general de la forma aumentada del modelo de
PL.
xB Vector columna de variables básicas que conforman la base de la solución
actual.
xN Vector columna de variables no básicas.
Vector columna del lado derecho de las ecuaciones correspondiente a las

b
restricciones de la forma aumentada del modelo de PL
Vector de fila de variables duales o precios sombra obtenidos en la solución
w
óptima del modelo de PL.
0 Vector columna con todos sus elementos iguales a cero (0).
En la solución de modelos de PL con el MS siempre es necesario saber las

diferencias entre una variable básica y una variable no básica, las cuales se
detallan a continuación:
 Variable básica: Es aquella que forma parte de cada solución básica o la

base que se obtiene en cada iteración con el MS y además estas tienen
un valor determinado.
25
 Variable no básica: Es aquella que no forman parte de la base que se
obtiene en cada iteración con el MS y el valor de ellas de manera
automática es cero (0).
Para realizar una explicación precisa del resto de los conceptos teóricos del
MS se presenta el siguiente modelo de PL, el cual haremos referencia en la
investigación como el modelo Uno.
Max Z= 63x1 + 95x2 + 135x3
Sujeto a
x1 + x2 + x3 ≤ 200
x1 + 2x2 + 4x3 ≤ 320
2x1 + 3x2 + 3x3 ≤ 400
x1 , x2 , x3 , ≥ 0
Hay que recordar que anteriormente mencionamos que el MS se encarga de

resolver un sistema de ecuaciones, el cual implica que debe aumentar el modelo
de PL con variables de holgura para este caso:
Max Z= 63x1 + 95x2 + 135x3 + 0S4 + 0S5 + 0S6
Sujeto a
x1 + x2 + x3 + S4 = 200
x1 + 2x2 + 4x3 + S5 = 320
2x1 + 3x2 + 3x3 + S6 = 400
x1 , x2 , x3 , S4 , S5 , S6 ≥ 0
Vamos a representar en forma matricial el modelo Uno que se aumentó con

apoyo de la Tabla 3:
26
x1
x2
x3
c=[63 95 135 0 0 0], x= S
4
S5
[S6 ]
1 1 1 1 0 0 200
A= [1 2 4 0 1 0] , b= [320]
2 3 3 0 0 1 400
Ahora bien, una vez ya aumentado el modelo Uno es necesario obtener una
solución básica de inicio para poder realizar las iteraciones necesarias hasta
encontrar la mejor solución, pero antes de explicar cómo obtener una solución
básica de inicio presentamos en la Tabla 4 la estructura de la Tabla Simplex en
forma matricial, el cual es de utilidad para la organización de los cálculos
correspondientes con el MS.
Tabla 4.- Estructura de la Tabla Simplex en Forma Matricial
Filas VB x LD
F0 Z cB B-1 A – c cB B-1 b
Fi donde i= 1, 2,…,m xB B-1 A B-1 b
*Nota: VB = Variable Básica; LD = Lado Derecho.

Una solución básica de inicio se obtiene al seleccionar xB, B y cB del modelo

de PL cuando se aumenta, como dato siempre en la solución básica de inicio xB
estará conformado por las variables de holgura y artificiales en caso de estar
presentes, B siempre estará conformado por los elementos de los vectores aj
linealmente independientes que conforman la matriz identidad y cB por los
coeficientes de las variables de holgura y artificiales en dado caso, entonces para
el modelo Uno xB, B y cB son los siguientes:
27
S3 1 0 0
x B = [S 4 ] , B= [0 1 0] , cB =[0 0 0]
S5 0 0 1
Ya una vez obtenido xB, B y cB para la solución básica de inicio se deben

realizar ciertos ajustes en el modelo de PL aumentado para que este cumpla con
la condición necesaria para iniciar el MS, estos ajustes se puede obtener con
apoyo de la Tabla 4 si se cree más conveniente o hacerlo de manera directa en el
modelo de PL aumentado a través de manipulaciones algebraicas.
Aplicando la primera opción indicada para esta gestión en el modelo Uno, se

tiene:
1 0 0 1 1 1 1 0 0
-1
B A= [0 1 0 ] [1 2 4 0 1 0]
0 0 1 2 3 3 0 0 1
1 1 1 1 0 0
B-1 A= [1 2 4 0 1 0]
2 3 3 0 0 1
1 1 1 1 0 0
-1
cB B A - c=[0 0 0 [1
] 2 4 0 1 0] -[63 95 135 0 0 0]
2 3 3 0 0 1
cB B-1 A - c=[0 0 0 0 0 0] - [63 95 135 0 0 0]
cB B-1 A - c=[-63 -95 -135 0 0 0]
1 0 0 200
-1
B b= [0 1 0] [320]
0 0 1 400
200
B-1 b= [320]
400
28
200
-1
cB B b=[0 0 0 [320]
]
400
cB B-1 b=0
Tabla 5.- Solución Básica para Iniciar el MS en el modelo Uno
Filas VB x1 x2 x3 S4 S5 S6 LD
F0 Z -63 -95 -135 0 0 0 0
F1 S3 1 1 1 1 0 0 200
F2 S4 1 2 4 0 1 0 320
F3 S5 2 3 3 0 0 1 400
*Nota: VB = Variables Básicas; LD = Lado Derecho.

La Tabla 5 presenta una solución básica de inicio en forma adecuada para

que pueda comenzar el MS, esta forma está basada en dos (2) pruebas que
implican optimalidad y factibilidad que se detallan a continuación:
 Prueba de Optimalidad: Se cumple si los coeficientes de la F0 son mayor

igual a cero si el objetivo del modelo de PL es Max, pero si el objetivo es
Min se cumple en caso de que en la F0 existan coeficientes menor o igual
a cero.
 Prueba de Factibilidad: Se cumple cuando los valores de las variables

básicas que conforman la base son mayor o igual a cero.
Si relacionamos la Tabla 5 con las pruebas de Optimalidad y Factibilidad se

puede decir que la condición necesaria para que pueda iniciar el MS implica violar
la prueba de optimalidad y cumplir siempre con la factibilidad en cada iteración.
29
El MS para realizar una iteración es necesario ejecutar una secuencia de
pasos que se repiten en cada iteración hasta encontrar la mejor solución, la Tabla
6 muestra la solución óptima del modelo Uno.
Tabla 6.- Solución Óptima del modelo Uno
F0 Z 0 38/5 0 0 81/5 117/5 14544
F1 S4 0 -2/5 0 1 1/5 -3/5 24
F2 x3 0 1/5 1 0 2/5 -1/5 48
F3 x1 1 6/5 0 0 -3/5 4/5 128

Idea Fundamental del MS
La idea fundamental del MS es una propiedad importante de esta

herramienta que consiste en que a partir de solo dos elementos importantes que
forman parte de la solución óptima obtener el resto de ella.
Uno de los elementos clave es B-1 que para este caso estará comprendida
por los coeficientes de variables de holgura y artificiales en dado caso desde F1,
F2, F3,…, Fm, de la solución óptima y w estará conformado en igual forma por los
coeficientes de las variables mencionadas anteriormente en la solución óptima en
F0.
Es importante mencionar que para ver cómo opera la idea fundamental del
MS es necesario hacer uso de las formulas indicadas en la Tabla 4, sin embargo,
la adecuaremos de una manera más conveniente para realizar Análisis Post
Óptimo sobre modelos de PL como se muestra en la Tabla 7.
30
Tabla 7.- Tabla Simplex en Forma Matricial para el Análisis Post Óptimo de modelos de PL
Filas VB x LD
F0 Z zj - cj = w aj - cj ∀ j cB b̅
Fi donde i= 1, 2,…,m xB B-1 aj = yj ∀ j b̅ = B-1 b
*Nota: VB = Variable Básica; LD = Lado Derecho.

Importancia y Construcción del Problema Dual
Una definición precisa del término “dual” es que consiste en una

particularidad que puede presentar un individuo o cualquier cosa, ya que puede
presentar dos características que son simultáneamente diferentes y opuestas, la
principal cualidad de la dualidad es que es doble porque el que la presenta
contiene en si dos naturalezas.
En el contexto de la PL al problema original que se tiene y se puede

representar a través de un modelo de PL se le denomina Problema Primal (PP) y
este tiene un modelo de PL que representa su Problema Dual (PD) y estos
problemas están estrechamente relacionados, particularmente porque ambos
tienen la misma solución óptima.
La importancia del PD es útil para profundizar en temas fundamentales de la

PL como el Análisis de Sensibilidad, Análisis Paramétrico, MS dual, entre otros.
Por otra parte, anteriormente especificamos las características de un modelo de
PL con objetivo Max cuando está en la forma canónica y vamos a asumir que este
PP y su representación utilizando sumatorios es la siguiente:
31
n
Max Z= ∑ cj xj ,
j=1
Sujeto a
n
∑ aij xj ≤ bi , ∀i=1, 2, … , m
j=1
xj ≥ 0, ∀j=1, 2, …, n.
Su PD será un modelo de PL con objetivo Min en forma canónica que estará

compuesto por los mismos parámetros aij, bi, cj, variables duales “wi” que
representan los precios sombra y la letra “F” para representar la ecuación de la
Función Objetivo, este modelo de PL también lo representaremos de manera
similar como el caso anterior.
m
Min F= ∑ bi wi ,
i=1
Sujeto a
m
∑ aij wi ≥ cj , ∀j=1, 2, … , n
i=1
wi ≥ 0, ∀i=1, 2, …, m.
Si el objetivo del PP es Max y está en la forma canónica, entonces su PD

tendrá un objetivo de Min y estará también en forma canónica y viceversa.
Sin embargo, no siempre un PP puede adoptar algunas de estas formas por

la naturaleza del problema aunque existen reglas que permiten que cualquier
modelo de PL no canónico pueda transformarse en uno canónico equivalente para
obtener de manera directa el PD como lo indicamos anteriormente, pero este
proceso es más es largo en algunos casos. Lo recomendable para construir el PD
es hacer uso de la Tabla 8 que presenta una seria de reglas:
32
Tabla 8.- Reglas para construir el PD
Problema de Max Problema de Min
Restricciones Variables
≥ ↔ ≤0
≤ ↔ ≥0
= ↔ Irrestrictas
Variables Restricciones
≥0 ↔ ≥
≤0 ↔ ≤
Irrestrictas ↔ =
Fuente: Basado en Taha, (2009)
La Tabla 8 indica que la forma de las restricciones del PD lo establecen las

condiciones impuestas sobre los valores que toman las variables de decisión del
PP, en cambio los valores que pueden tomar las variables de decisión del PD lo
establece la forma de las restricciones del PP, también las variables de decisión
junto con sus coeficientes del PP determinan la cantidad de restricciones del PD,
las restricciones del PP determinan la cantidad de variables duales del PD y la
Función Objetivo del PD estará conformada por estas variables duales junto con
los coeficientes del lado derecho de cada restricción PP.
Además, es importante indicar un truco que permite determinar el PD más

fácil, el cual consiste en darnos cuenta que si tenemos un PP de Max que permite
que una variable de decisión pueda tomar valores ≥ 0 siempre la restricción será ≥
y en el caso de una variable ≤ 0 la restricción siempre será ≤ en el PD, pero
cualquiera de las otras correspondencia que no están resaltadas en la Tabla 8
presentará modificaciones en las variables de decisión y restricciones del PD.
33
En cambio, si tenemos un PP de Min es la misma lógica descrita
anteriormente con los papeles invertidos, ya que si una restricción es ≥ la variable
decisión siempre será ≥ 0 y si una restricción es ≤ la variable de decisión siempre
será ≤ 0 en el PD, pero cualquiera de las otras correspondencia que no están
resaltadas en la Tabla 8 presentara modificaciones en las variables de decisión y
restricciones del PD.
34
CAPITULO II
ANÁLISIS PARAMÉTRICO
Antes de explicar el Análisis Paramétrico es importante conocer las

orientaciones del Análisis de Sensibilidad, el cual consiste en evaluar los efectos
que produce los cambios en los coeficientes “cj” de la Función Objetivo y los
valores “bi” de las restricciones, luego de haber obtenido la solución óptima del
modelo de PL.
Estas dos orientaciones del Análisis de Sensibilidad conforman el tema

general del Análisis Paramétrico, pero a diferencia de la primera técnica la última
ópera de una forma más avanzada.
Es importante mencionar que el Análisis de Sensibilidad se puede extender

para realizar estudios sobre los cambios en los coeficientes tecnológicos “aij”,
introducción de una nueva variable de decisión “xj” o restricción, evaluándose
cómo afecta estos cambios a la solución óptima del modelo de PL.
En la presente Investigación Documental se analizan los cambios en los

parámetros “cj” o “bi” y su incidencia en la solución óptima del modelo de PL.
Análisis de Sensibilidad sobre los “cj”
En la solución óptima de un modelo de PL se asume que los parámetros se

comportan en forma estática, pero cuando se aplica la PL en un problema real
estos siempre tienden a cambiar por diversas razones que pueden ser políticas o
administrativas de una organización, inflación, entre otras razones. Al producirse
cualquier cambio en uno o varios parámetros del modelo de PL puede ocurrir que
la solución óptima cambie y por lo tanto se deben tomar otras decisiones.
Por otro lado, afortunadamente existe el Análisis de Sensibilidad que es una

técnica de gran importancia de la PL, ya que cuando el Analista o Ingeniero sabe
aplicar correctamente esta técnica le permite obtener predicciones futuras sobre
35
diversos escenarios que involucran los cambios que pueden presentar los
parámetros del modelo de PL para sugerir las mejores recomendaciones.
Para explicar el Análisis de Sensibilidad sobre los parámetros “cj” se presenta

el siguiente modelo de PL, al cual se hará referencia en esta investigación como el
modelo Dos.
Max Z = 20x1 + 24x2
Sujeto a
2x1 + 4x2 ≤ 100
3x1 + 2x2 ≤ 80
x1 ,x2 , ≥ 0
El modelo Dos se puede solucionar de manera gráfica como se presenta en

la Figura 1.
Figura 1. Solución grafica del modelo Dos
36
Una vez obtenida la solución óptima del modelo Dos es importante conocer
los intervalos en que puede cambiar cada uno de los parámetros “cj” en forma
individual mientras el resto de los parámetros permanecen fijos para que solución
actual o la base permanezca óptima.
El modelo Dos tiene solamente dos variables y podemos realizar el siguiente

procedimiento para obtener dichos intervalos como se ilustra a continuación para
“c1” y “c2”.
Intervalo de c1 a través de la solución grafica
3 c1 1
- ≤- ≤ - , c2 =24
2 c2 2
3 c1 1
- ≤- ≤-
2 24 2
c1 ≥ 12
c1 ≤ 36
12 ≤ c1 ≤ 36
Intervalo de c2 a través de la solución grafica
3 c1 1
- ≤- ≤ - , c1 =20
2 c2 2
3 20 1
- ≤- ≤-
2 c2 2
40
c2 ≥
3
c2 ≤ 40
40
≤ c2 ≤ 40
3
37
Existe una forma similar a la anterior de obtener los intervalos de los “cj” a
través de la solución óptima que proporciona el MS, pero antes de realizarlo la
Tabla 9 presenta la solución óptima del modelo Dos.
Tabla 9.- Solución Óptima del modelo Dos
Filas VB x1 x2 S3 S4 LD
F0 Z 0 0 4 4 720
F1 x2 0 1 3/8 -1/4 35/2
F2 x1 1 0 -1/4 1/2 15

Intervalo de c1 a Través de la Solución Óptima del MS
1 1
F0 =[-c1 0 4 4 720]+ [c1 0 - c1 c 15c1 ]
4 2 1
1 1
F0 = [0 0 - c1 + 4 c +4 15c1 + 720]
4 2 1
1
- c1 + 4 ≥ 0
4
c1 ≤ 16
1
c +4≥0
2 1
c1 ≥ -8
-8+20 ≤ c1 ≤ 20+16
12 ≤ c1 ≤ 36
38
Intervalo de c2 a Través de la Solución Óptima del MS
3 1 35
F0 =[0 -c2 4 4 720]+ [0 c2 c - c2 c2 ]
8 2 4 2
3 1 35
F 0 = [0 0 c +4 - c2 + 4 c2 + 720]
8 2 4 2
3
c +4 ≥ 0
8 2
32
c2 ≥ -
3
1
- c2 + 4 ≥ 0
4
c2 ≤ 16
32
- + 24 ≤ c2 ≤ 24 + 16
3
40
≤ c2 ≤ 40
3
El procedimiento de encontrar los intervalos de “c1” y “c2” se realizó en igual

forma porque las variables “x1” y “x2” son básicas, pero si alguna de ellas hubiese
sido no básica se hubiese tenido que seguir un procedimiento diferente para
encontrar el intervalo hasta donde aumentar si el objetivo del modelo de PL es de
Max o disminuir si el objetivo del modelo de PL Min para que esta variable sea
básica, en particular a este intervalo se le conoce como costo reducido.
39
Análisis de Sensibilidad sobre los “bi”
Por otra parte, cuando encontramos la solución óptima del modelo de PL

también interesa saber cuál es el intervalo en que puede variar cada uno de los
“bi” mientras el resto de los parámetros permanecen fijos para que la solución
actual o la base siga siendo óptima.
Para explicar el Análisis de Sensibilidad sobre los “b i” se plantea el PD Dual

del modelo Dos que se ilustra a continuación.
Min F = 100w1 + 80w2
Sujeto a
2w1 + 3w2 ≥ 20
4w1 + 2w2 ≥ 24
w1 ,w2 , ≥ 0
El PD del modelo Dos se puede solucionar también en forma gráfica como se

muestra en la Figura 2.
Figura 2. Solución gráfica del Dual del modelo Dos
40
La idea de plantear el PD del modelo Dos es para hacer equivalente el
encontrar el intervalo de los “bi” del PP a encontrar los intervalos de los “cj” del PD,
es decir, que al encontrar el intervalo de “c1” y “c2” del PD, donde la solución actual
o la base permanece optima, es totalmente equivalente a encontrar los intervalos
de “b1” y “b2” del PP.
Intervalo b1 del PP a Través del Intervalo del PD de c1
c1 2
-2 ≤ - ≤ - , c2 =80
c2 3
c1 2
-2 ≤ - ≤-
80 3
160
c1 ≥
3
c1 ≤ 160
160
≤ c1 ≤ 160
3
Intervalo b2 del PP a Través del Intervalo del PD de c2
c1 2
-2 ≤ - ≤ - , c1 =100
c2 3
100 2
-2 ≤ - ≤-
c2 3
c2 ≥ 50
c2 ≤150
50 ≤ c2 ≤ 150
Por otro lado, podemos obtener los intervalos de los “bi” de manera directa a
partir de la solución óptima del modelo Dos que se presentó en la Tabla 9 como se
ilustra a continuación.
41
Intervalo de b1 a Través de la Solución Óptima del MS
3/8 -1/4 100 b

B-1 = [ ] , b= [ ] , b' = [ 1 ]
-1/4 1/2 80 80
3/8 -1/4 b1
B-1 b' = [ ][ ]≥ 0
-1/4 1/2 80
3/8b1 - 20 ≥ 0
B-1 b' =
-1/4b1 + 40 ≥ 0
3/8b1 -20 ≥ 0
160
b1 ≥
3
-1/4b1 +40 ≥ 0
b1 ≤ 160
160
≤ b1 ≤160
3
Intervalo de b2 a Través de la Solución Óptima del MS
3/8 -1/4 100 100

B-1 = [ ] , b= [ ] , b' = [ ]
-1/4 1/2 80 b2
3/8 -1/4 100

B-1 b' = [ ][ ]≥ 0
-1/4 1/2 b2
75 1
- b ≥0
B-1 b' = 2 4 2
1
-25 + b2 ≥ 0
2
75 1
- b ≥0
2 4 2
b2 ≤ 150
1
-25 + b2 ≥ 0
2
b2 ≥ 50; 50 ≤ b2 ≤ 150
42
Análisis Paramétrico sobre los “cj”
El Análisis Paramétrico tiene la ventaja principal de que se pueden hacer

variaciones de dos o más parámetros al mismo tiempo para saber cuál es el punto
donde la solución actual o la base óptima empiezan a cambiar.
Cuando se hace uso de esta técnica sobre los “cj” se genera una función
lineal por partes convexa siempre que la Función Objetivo sea del tipo Max como
se ilustra en la Figura 3.
Figura 3. Valor de la Función Objetivo como una función de θ para cambios en los
parámetros cj
Fuente: Hillier y Lieberman (2010)
Si la Función Objetivo fuera del tipo Min el Análisis Paramétrico sobre los “cj”
generaría una función lineal por partes cóncava.
Ahora bien, la razón por la cual se genera una función lineal por partes
convexa es porque cuando “θ” cambia de un intervalo a otro la pendiente aumenta
en ese punto y así sucesivamente; es importante mencionar la razón por la cual la
pendiente se mantiene mientras “θ” varia en un rango especifico, lo cual se debe
que el valor de las variables de decisión se mantienen iguales, ya una vez que “θ”
empieza en otro rango especifico la base cambia y el valor de las variables de
43
decisión también, el modelo de PL parametrizado sobre los “cj” tiene la siguiente
forma:
n
Max Z(θ)= ∑ (cj +αj θ)xj

j=1
Sujeto a
n
∑ aij xj ≤ bi , ∀i=1, 2, … , m
j=1
xj ≥ 0, ∀j=1, 2, …, n.
Ahora bien, a continuación se parametriza los “cj” del modelo Uno para
realizar una serie de cálculos que permiten tener la idea de la mecánica de esta
técnica.
Z(θ)=(63 + 3θ)x1 + (95 - θ)x2 + (135 + 4θ)x3
Sujeto a
x1 + x2 + x3 ≤ 200
x1 + 2x2 + 4x3 ≤ 320
2x1 + 3x2 + 3x3 ≤ 400
x1 , x2 , x3 , ≥ 0
En los cálculos se toma en cuenta la Tabla 7 y además de un conjunto de

ecuaciones adicionales, las cuales se especifica la función de cada una de ellas, la
primera ecuación se encarga de determinar una cota superior dónde la base
actual cambia.
-(zj - cj )
θ=
z'j - c'j
44
La segunda ecuación permite determinar la Función Objetivo parametrizada
la solución básica actual.
Z(θ)=cB b̅ + θc'B b
̅
Por último la tercera ecuación se encarga de determinar los coeficientes en

la F0 de las variables no básicas parametrizadas de la solución básica actual.
[(zj -cj ) + θ(z' j -c' j )]xj , ∀ j no básica
A continuación se inicia los cálculos partiendo de la solución óptima del

modelo Uno que se presentó en la Tabla 6 para obtener los elementos necesarios
para realizar los cálculos correspondientes. Además, la letra C representa el
vector de coeficientes originales del modelo, mientras que C′ representa los
coeficientes de los cambios simultáneos de los coeficientes originales, es decir, los
coeficientes del parámetro “θ”.
C=[63 95 135], C'=[3 -1 4]
-2/5 1/5 -3/5

cB =[0 135 63], c'B =[0 4 3], y2 = [ 1/5 ] , y5 = [ 2/5 ] , y6 = [-1/5]
6/5 -3/5 4/5
2
-
5
1
z2 - c2 =[0 135 63] -[95]=38/5
5
6
[5]
2
-
5
1
z'2 - c' 2 =[0 4 3] -[-1]=27/5
5
6
[5]
45
1
5
2
z5 - c5 =[0 135 63] -[0]=81/5
5
3
[- 5]
1
5
2
z'5 - c' 5 =[0 4 3] -[0]= -1/5
5
3
-
[ 5]
3
-
5
1
z6 - c6 =[0 135 63] - -[0]=117/5
5
4
[5]
3
-
5
1
z'6 - c' 6 =[0 4 3] - -[0]=8/5
5
4
[5]
-(zj -cj ) -(81/5)

θ= , θ= 1 , θ=81
z'j -c'j (- )
5
La solución actual es óptima en el intervalo 0 ≤ θ ≤ 81
Z(θ)=cB b̅ + θc'B b
̅
24 24
Z(θ)=[0 135 63] [ 48 ] + θ[0 4 3] [ 48 ]
128 128
Z(θ)=14544 + θ(576)
Z(θ)=14544 + 576θ
46
Z(81)=14544+576(81)
Z(81)=61200
[(zj - cj ) + θ(z' j - c' j )]xj , ∀ j no básica
[(38/5) + θ(27/5)]x2
[(81/5) + θ(-1/5)]S5
[(117/5) + θ(8/5)]S6
θ=81
[(38/5) + (81)(27/5)]x2 =445
[(81/5) + (81)(-1/5)]S5 =0
[(117/5) + (81)(8/5)]S6 =153
En la Tabla 10 se tienen soluciones óptimas para múltiples alternativas

porque la variable no básica S5 tomo el valor de cero, en este punto se realiza una
iteración con el MS para obtener una nueva solución básica actual donde S5 debe
pasar a ser básica.
Tabla 10.- Cálculos en la Solución Básica del modelo Uno Parametrizado cuando θ alcanza el
valor de 81
F0 Z 0 445 0 0 0 153 61200
F1 S4 0 -2/5 0 1 1/5 -3/5 24
F2 x3 0 1/5 1 0 2/5 -1/5 48
F3 x1 1 6/5 0 0 -3/5 4/5 128

47
La Tabla 11 muestra los resultados de los cálculos de la nueva solución
básica del modelo Uno después de realizar una iteración con el MS con S5 como
variable básica.
Tabla 11.- Nueva Solución Básica del modelo Uno Parametrizado sobre los cj
F0 Z 0 445 0 0 0 153 61200
F1 S5 0 -2 0 5 1 -3 120
F2 x3 0 1 1 -2 0 1 0
F3 x1 1 0 0 3 0 -1 200

Ahora, con la nueva solución básica del modelo Uno realizamos el mismo
procedimiento anterior para evaluar si es posible obtener otra cota superior donde
se puede incrementar "θ" para que esta nueva solución básica cambie y
posteriormente obtener otra solución básica, donde las variables de decisión y
Función Objetivo tomen otros valores.
C=[63 95 135], C'=[3 -1 4]
-2 5 -3
cB =[0 135 63], c'B =[0 y
4 3 2 1
], = [ ] , y4
= [ -2 ] , y6
= [ 1]
0 3 -1
-2
z2 - c2 =[0 135 63] [ 1 ] -[95]=40
0
-2
z'2 - c'2 =[0 4 3 1 ] -[-1]=5
] [
0
5
z4 - c4 =[0 135 63] [-2] -[0]=-81
3
48
5
z'4 - c' 4 =[0 4 3] [-2] -[0]=1
3
-3
z6 - c6 =[0 135 63 1 ] -[0]=72
] [
-1
-3
z'6 - c'6 =[0 4 3] [ 1 ] -[0]=1
-1
La solución básica actual es óptima en el intervalo 81 ≤ θ ≤ ∞, porque todas

las z' j - c' j ≥ 0 y por lo tanto no existe una cota superior donde la se pueda
incrementar "θ" para que la solución básica actual cambie.
̅ + θc'B b
Z(θ)=cB b ̅
120 120
Z(θ)=[0 135 63] [ 0 ] + θ[0 4 3] [ 0 ]
200 200
Z(θ)=12600 + θ600
Z(θ)=12600 + 600θ
[(zj -cj ) + θ(z' j -c' j )]xj , ∀ j no básica
[(40) + θ(5)]x2
[(-81) + θ(1)]S4
[(72) + θ(1)]S6
La Figura 4 presenta el comportamiento del modelo Uno cuando se hace

variar simultáneamente los “cj”.
49
parámetros cj del modelo Uno
Análisis Paramétrico sobre los “bi”
El Análisis Paramétrico sobre los “bi” también implica realizar variaciones de

dos o más parámetros y al mismo tiempo saber cuál es el momento donde la
solución actual o la base óptima cambia.
Cuando se hace uso de esta técnica sobre los “b i” se genera una función
lineal por partes cóncava siempre y cuando la Función Objetivo sea del tipo Max
como se ilustra en la Figura 5.
50
parámetros bi
Fuente: Hillier y Lieberman (2010)
Por otro lado, si la Función Objetivo es del tipo Min el Análisis Paramétrico
sobre los “bi” genera una función lineal por partes convexa.
En este caso se genera una función lineal por partes cóncava porque a
medida que “θ” cambia de un intervalo a otro la pendiente en un punto específico
disminuye y así sucesivamente; ahora lo que hace que la pendiente se mantenga
mientras “θ” varia en un rango especifico es que los precios sombra de las
restricciones se mantienen iguales, cuando “θ” inicia en un nuevo intervalo la base
cambia y los precios sombra también, el modelo de PL parametrizado sobre los
“bi” tiene la siguiente forma:
n
Max Z(θ)= ∑ cj xj
j=1
Sujeto a
n
∑ aij xj ≤ bi + αi θ, ∀i=1, 2, … , m
j=1
51
xj ≥ 0, ∀j=1, 2, …, n.
Ahora bien, para ver la mecánica de esta técnica parametrizaremos los “b i”

del modelo Uno de la siguiente forma:
Max Z = 63x1 + 95x2 + 135x3
Sujeto a
x1 + x2 + x3 ≤ 200 + 2θ
x1 + 2x2 + 4x3 ≤ 320 - θ
2x1 + 3x2 + 3x3 ≤ 400
x1 , x2 , x3 , ≥ 0
Para los cálculos también es necesario apoyarse en la Tabla 7 y de una serie

de ecuaciones adicionales, las cuales especificaremos la función de cada una de
ellas; la primera ecuación se encarga de determinar una cota superior dónde la
base actual cambia.
b̅i
θ =
̅̅̅̅i
-b'
La segunda ecuación se encarga de determinar la Función Objetivo

parametrizada de la solución básica actual.
̅ + θcB b'
Z(θ)=cB b ̅
La tercera y última ecuación se encarga de determinar los lados derechos

parametrizados de la solución básica actual.
̅ + θb
b ̅'
Ahora se procede a realizar los cálculos correspondientes partiendo de la

solución óptima del modelo Uno de la Tabla 6.
52
200 2 1 1/5 -3/5
' -1
b= [320] , b = [-1] , B = [0 2/5 -1/5]
400 0 0 -3/5 4/5
̅=B-1 b
b
1 1/5 -3/5 200

̅
b= [0 2/5 -1/5] [320]
0 -3/5 4/5 400
24
̅= [ 48 ]
b
128
̅ =B-1 b'
b'
1 1/5 -3/5 2
̅ = [0 2/5
b' -1/5] [-1]
0 -3/5 4/5 0
9/5
̅ = [-2/5]
b'
3/5
b̅i (48)
θ= , θ= 2 , θ=120
̅̅̅̅
-b'i -(- )
5
La solución actual aun es óptima cuando 0 ≤ θ ≤120.
̅ + θcB b'
Z(θ)=cB b ̅
24 9/5
Z(θ)=[0 135 63] [ 48 ] + θ[0 135 63] [-2/5]
128 3/5
81
Z(θ)=14544 + θ(- )
5
81
Z(120)=14544 + 120(- )
5
53
Z(120)=12600
̅ + θb
b ̅'
24 9/5
̅' = [ 48 ] + θ [-2/5]
̅ + θb
b
128 3/5
9
24 + θ( )
5
̅ = 48 + θ(- 2 )
̅ + θb
b
'
5
3
128 + θ( )
5
240
̅' = [ 0 ]
̅ + 120b
b
200
Tabla 12.- Solución Básica actual del modelo Uno sobre los bi cuando θ es 120
F0 Z 0 38/5 0 0 81/5 117/5 12600
F1 S4 0 -2/5 0 1 1/5 -3/5 240
F2 x3 0 1/5 1 0 2/5 -1/5 0
F3 x1 1 6/5 0 0 -3/5 4/5 200

En esta etapa la variable “x3” puede salir de la base para formar una nueva
base.
54
Tabla 13.- Nueva Solución Básica del modelo Uno Parametrizado sobre los bi
F0 Z 0 31 117 0 63 0 12600
F1 S4 0 -1 -3 1 -1 0 240
F2 S6 0 -1 -5 0 -2 1 0
F3 x1 1 2 4 0 1 0 200

200 2 1 -1 0
b= [320] , b' = [-1] , B-1 = [0 -2 1]
400 0 0 1 0
̅=B-1 b
b
1 -1 0 200
̅= [
b 0 -2 1] [320]
0 1 0 400
-120
̅
b= [-240]
320
̅ =B-1 b'
b'
1 -1 0 2
̅ = [0 -2
b' 1] [-1]
0 1 0 0
3
̅=[2]
b'
-1
b̅i (320)
θ= , θ= , θ=320
̅̅̅̅
-b'i -(-1)
La solución actual aun es óptima cuando 120 ≤ θ ≤ 320.
55
̅ + θcB b'
Z(θ)=cB b ̅
-120 3
Z(θ)=[0 0 63 [-240] + θ[0 0
] 63 [ 2 ]
]
320 -1
Z(θ)=20160 + θ(-63)
Z(θ)=20160 - 63θ
Z(320)=0
̅ + θb
b ̅'
-120 3
̅' = [-240] + θ [ 2 ]
̅ + θb
b
320 -1
-120 + θ(3)
'
̅ + θb
b ̅ = -240 + θ(2)
320 + θ(-1)
840
̅' = [400]
̅ + 320b
b
0
Tabla 14.- Cálculos en la Solución Básica del modelo Uno sobre los bi cuando θ es 320
F0 Z 0 31 117 0 63 0 0
F1 S4 0 -1 -3 1 -1 0 840
F2 S6 0 -1 -5 0 -2 1 400
F3 x1 1 2 4 0 1 0 0

Se concluye que si se aumenta θ >320 el problema es infactible; la Figura 6

presenta el comportamiento del modelo Uno cuando se hace variar
simultáneamente los “bi”.
56
parámetros bi del modelo Uno
57
CAPÍTULO III
ANÁLISIS PARAMÉTRICO EN LA GESTIÓN DEL MANTENIMIENTO
En este capítulo se muestra la utilidad del Análisis Paramétrico para orientar

las decisiones que se deben tomar en la programación del personal en los trabajos
de Mantenimiento.
Es importante mencionar que actualmente se han desarrollado muchos

modelos de optimización para la programación de personal en una serie de casos
reales lográndose brindar una solución óptima, pero siempre es necesario realizar
un análisis adicional sobre el comportamiento del modelo de optimización por los
diversos cambios que pueden presentar los parámetros por las decisiones que van
tomándose en la empresa o la incertidumbre que se maneje en el entorno donde
ésta se desenvuelve.
En este capítulo se analizan dos casos relevantes donde fue necesaria la

aplicación de modelos de optimización en problemáticas reales en la que se
requería asignar un trabajo de Mantenimiento a un técnico especializado
considerando un conjunto de restricciones que se debían satisfacer.
En la resolución de estos modelos de optimización se usa el lenguaje de

Programación Matemática AMPL, el cual es de gran utilidad para este tipo de
problemas.
Los lenguajes algebraicos de Programación Matemática permiten formular

modelos de optimización que normalmente se usan en la IO; existen otros
lenguajes de alto rendimiento como GAMS, LINGO, entre otros. Además, fue
necesario utilizar en el Análisis Paramétrico el complemento de Excel llamado
SOLVER que facilita este tipo de análisis en una forma práctica y sencilla.
58
Caso 1: Aplicación de SOLVER en la Asignación de Personal en el
Mantenimiento de la Aeronave B-727
Este caso fue presentado en un trabajo de grado titulado “Aplicación de la

Herramienta Informática SOLVER en un Modelo de Programación Lineal Binaria
para la Asignación Óptima de Recursos Humanos en los Requerimientos de
Mantenimiento Imprevisto en la Aeronave B-727 de la Compañía MPI”,
desarrollado por Romero (2016).
La creación de este modelo de optimización surgió debido a que la compañía

encargada de prestar servicios de Mantenimiento imprevisto y programado a la
industria aeronáutica no contaba con una técnica eficiente que le permitiera
asignar los trabajos a sus técnicos de manera óptima; la manera en que se
realizaban las asignaciones de las tareas a sus empleados era aleatoria y por esta
razón se llegaba a una asignación inadecuada que ocasionaba que las actividades
laborales se fueran acumulando de forma progresiva.
Algunas particularidades importantes en el modelo de optimización

desarrollado por Romero (2016) es que se considera que todos los técnicos
poseen conocimientos sobre todos los trabajos, en pocas palabras, cualquier
técnico puede ser asignado a cualquier trabajo. Además, no se pueden
sobrecargar a los trabajadores sobre las exigencias de los tiempos y trabajos
porque esto saturaría la capacidad de trabajo de un técnico determinado.
A continuación se presenta una descripción de los parámetros del modelo de

optimización del Caso 1 (Ver Tabla 15).
59
Tabla 15.- Parámetros del Modelo de Optimización del Caso 1
Símbolos Significado
i Técnicos
j Trabajos
Bij Tiempo promedio del técnico i en realizar el trabajo j
Trabmini Trabajos mínimos a realizar el técnico i
Trabmaxi Trabajos máximos a realizar el técnico i
Tiempmini Tiempo minino a laborar el técnico i
Tiempmaxi Tiempo máximo a laborar el técnico i
Ctrabj El trabajo j se asigna una sola vez al técnico i
La estructura del modelo de optimización del Caso 1 es la siguiente:
Variable del tipo binaria
1, es asignado el técnico i el trabajo j

xij = {
0, en caso contrario
Función Objetivo
m n
Z = ∑ ∑ (Bij )( xij )
i j
Restricciones
Las siguientes dos restricciones permiten que a los técnicos se les pueda
exigir el mínimo y máximo de trabajos que pueden realizar.
60
n
∑ (xij ) ≥ Trabmini , ∀ i
j
∑ (xij ) ≤ Trabmaxi , ∀ i
j
Esta restricción asegura que cada trabajo debe ser realizado por un solo
técnico.
∑ (xij ) = Ctrabj , ∀ j
i
Por último, estas restricciones permiten que se les pueda exigir el mínimo y
máximo de horas que pueden trabajar los técnicos sin sobrecargar su jornada
laboral.
∑ (Bij )( xij ) ≥ Tiempmini ,∀ i

j
∑ (Bij )( xij ) ≤ Tiempmaxi , ∀ i

j
61
Aplicación del Modelo de Optimización del Caso 1 en una Empresa
Metalmecánica de Ciudad Guayana
La empresa Metalúrgica Chirica, C.A., firmó un contrato reciente en la que se

hace responsable del suministro de estructuras metálicas para un centro comercial
que se está construyendo en Brasil. Sin embargo, la Junta Directiva de la industria
encargada del suministro ha presentado disconformidad, ya que los reportes
recientes indican que la producción diaria de las estructuras metálicas está por
debajo de lo requerido.
Después de haber realizado un análisis a la problemática se detectó que la

baja de producción estaba siendo afectada por la demora de los técnicos en
realizar una serie de trabajos de Mantenimiento a las grúas puentes. El
Departamento de Mantenimiento es el encargado de llevar el control sobre el
tiempo en que cada técnico ejecuta su trabajo, por lo que no era un secreto que el
tiempo en realizar una tarea depende mucho del desempeño laboral de cada uno
de los trabajadores.
Entonces, la falla principal aquí consiste en que la empresa al momento de

asignar los trabajos de Mantenimiento los realiza sin tomar en cuenta el
rendimiento de los técnicos. Así que para solucionar esta problemática se requiere
que todos los trabajos que se realizan a las grúas puente se puedan ejecutar en el
menor tiempo posible sin ningún inconveniente.
Hay que considerar una serie de restricciones impuestas por la empresa que
son necesarias para obtener buenos resultados. La primera condición es que
ningún técnico se debe quedar sin ser asignado a ningún trabajo, por lo que la
empresa indica que sus técnicos deben realizar al menos un trabajo y cuando
mucho tres. La segunda condición impuesta por la empresa es que el tiempo
mínimo de trabajo deber ser al menos cuatro horas y cuando mucho ocho (8)
horas para no sobrecargar a los técnicos y generar horas extras.
62
Es evidente, por la situación que está pasando la empresa Metalúrgica
Chirica, C.A que el objetivo principal de esta es cumplir con todas sus
responsabilidades de trabajo para no afectar su imagen. Por esta razón, si se
quiere tener certeza de cumplir con tal objetivo se debe realizar una asignación
óptima de los trabajos a los técnicos.
Seguidamente el Departamento de Mantenimiento de la empresa

proporcionó el tiempo promedio en que cada técnico realiza un determinado
trabajo, el cual se muestra en la Tabla 16.
Tabla 16.- Tiempo (horas) del técnico i en realizar el trabajo j de Mantenimiento a la Grúa Puente
Trabajo j
Técnico i
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
1 2 1 1.5 2.3 1.2 1.2 0.8 1 1.5 2 0.5 0.4 2 1 2 3 2.4 1.5
2 1.5 1.3 2 2.4 1.3 1 0.6 1.3 1.2 1.8 0.7 0.9 1.8 1.2 1.5 2.5 2 1.7
3 3 1.2 1.3 2 1.1 0.9 1 1.4 1.5 2 0.6 1 2 0.8 1.8 2.7 2.3 1.9
4 1.8 1.4 1.8 2.8 1.4 0.8 0.5 1.1 1.3 1.7 0.5 0.8 2.5 0.7 1.7 2.5 2.7 2
5 2 1.6 1.6 2.2 1 1.2 0.6 1.5 1.2 1.6 0.4 0.5 1.4 0.5 1 2 1.8 2.5
6 2.2 1.1 1.7 2.6 1.2 1 0.9 1.8 1.1 2 0.8 0.3 1.3 0.9 1.5 2.3 2 2
Fuente: Departamentos de Producción y Administración de Metalúrgica Chirica, C.A
La introducción del modelo de optimización del Caso 1 y su aplicación en la

problemática de la empresa Metalúrgica Chirica, C.A., fue realizado en AMPL y se
encuentra en los Anexos A, B, C y D.
El tiempo total mínimo para realizar todas las tareas es de 24 horas

distribuidas entre los seis (6) técnicos disponibles.
63
Ahora se realiza el Análisis Paramétrico sobre los tiempos mínimos y
máximos para ver el comportamiento del modelo de optimización, ya que son los
parámetros en los que se debe tener un mejor control.
Cuando se hace variar simultáneamente los tiempos mínimos en porcentaje

del modelo de optimización su comportamiento se muestra la Figura 7.
Figura 7. Cambios en los Requerimientos de Tiempos Mínimos de los Técnicos
La Figura 7 indica que cuando se exige a los tecnicos simultaneamente

mayor tiempo mínimo de trabajo, el tiempo total mínimo para realizar todas las
tareas sera mayor. Además, hay que recordar que las politicas de la empresa
indicaban que se debian exigir solamente un tiempo minimo de cuatro (4) horas,
pero cuando los tiempos minimo de trabajo alcanzan un valor mayor o igual a 5.2
horas, el cual es equivalente a las cuatro (4) horas minimas establecidas mas el
30% o superior del mismo se genera una solución no factible.
Si se desea que el problema tenga una solución factible cuando los tiempos
minimo de trabajo alcanzan un valor mayor o igual a 5.2 horas las opciones que se
tienen son: asignar horas extras de trabajos, reducir el número máximo de trabajos
o contratar más técnicos.
64
Por otra parte, al variar simultáneamente los tiempos máximos disponibles en
porcentaje del modelo su comportamiento se muestra en la Figura 8.
Figura 8. Cambios en los Requerimientos de Tiempos Máximos de los Técnicos
En la Figura 8 podemos ver que cuando tenemos un tiempo máximo

disponible menor a cuatro (4) horas, el cual es equivalente a las ocho (8) horas
disponibles menos el 50% del mismo de manera automática se genera una
solución no factible porque se estaría violando la restricción de tiempos mínimos,
ya una vez que el tiempo máximo disponible toma valores mayor o igual a cuatro
(4) horas el tiempo total mínimo para realizar todos los trabajos presenta
pequeños cambios para luego estabilizarse.
65
Caso 2: Diseño de un Modelo Matemático para la Asignación de Personal a
Múltiples Trabajos de Mantenimiento
El Caso 2 fue presentado en un trabajo de grado titulado “Diseño de un

Modelo Matemático para la Asignación del Personal a Múltiples Trabajos de
Mantenimiento en una Institución Pública”, elaborado por Di Mattia (2014).
Señala Di Mattia (2014) que los problemas empezaron a surgir debido a que
la Institución Pública (IP) bajo estudio cuenta con una serie de áreas de tamaño
importantes como el Departamento de Estadísticas, Investigaciones Económicas e
Internacionales, entre otras. Se tiene una cantidad significativa de trabajos de
Mantenimiento solicitados dada la cantidad de equipos que requerían tareas de
conservación para garantizar el correcto funcionamiento de cada área. Además,
existen una serie de instalaciones administrativas que requerían Mantenimiento.
La directiva de la IP tomó la decisión de contratar a especialistas en

informática para que desarrollaran el “Sistema de Mantenimiento Programado”
(SMPROG) para dar solución a problemática planteada. Después de la
implementación del SMPROG en la IP se detectó que cierta cantidad de trabajos
acumulados nunca fueron realizados.
Esto llevo a un estudio adicional que tuvo como conclusión que una posible
causa era que la cantidad de personal con que contaba la IP para realizar los
trabajos no eran suficientes, ya que se evidenció que por políticas de la IP a cada
técnico se le asignaba un número de actividades para que las realizaran en un
tiempo determinado y al concluir ese tiempo reportaban una cantidad menor a las
que se le había asignado.
Ante la situación anterior se tomó la decisión de desarrollar un modelo de

optimización que tuviera como principal objetivo conocer si la cantidad de personal
disponible de la IP era suficiente para realizar los trabajos de conservación y al
mismo tiempo cumplir con las políticas de la IP.
66
Entre las consideraciones establecidas para aplicar el modelo de
optimización estaba evitar sobrecargar de trabajos pendientes a los técnicos de
Mantenimiento.
Existen diferencias importantes entre los modelos de optimización de los

Casos 1 y 2, la primera es que debido a la naturaleza del problema del Caso 2 no
todos los trabajadores tienen conocimiento de todos los trabajos pendientes por
ejecutarse, la segunda diferencia importante es que el objetivo del modelo del
Caso 1 es asignar al técnico con mejor tiempo de ejecución promedio sobre un
trabajo para garantizar que todos los trabajos se realizaran en el menor tiempo
posible.
En el modelo de optimización del Caso 2 no fue así porque los tiempos de

los trabajos son determinados con respecto a la prioridad de cada uno de ellos, es
decir, lo que se quiere lograr es que todos los trabajos sean asignados
satisfactoriamente para que se culminen en el tiempo de entrega establecido por
la institución y al mismo tiempo cumplir con una serie de restricciones.
La descripción de los parámetros del modelo de optimización del Caso 2 se

presenta en la Tabla 17.
67
Tabla 17.- Parámetros del Modelo de Optimización del Caso 2
Símbolos Significado
i Técnicos
j Trabajos
Bj Tiempo de entrega del trabajo j
Wij Conocimiento del técnico i en el trabajo j
Trabmini Trabajos mínimos a realizar el técnico i
Trabmaxi Trabajos máximos a realizar el técnico i
Tiempo total máximo disponible para técnico i en el que deben

Tiempototalmaxi
entregar todos los trabajos que se les asignen
Ctrabj El trabajo j se asigna una sola vez al técnico i
La estructura del modelo de optimización del Caso 2 es la siguiente:
Variable del tipo binaria
1, es asignado el técnico i el trabajo j

xij = {
0, en caso contrario
Función Objetivo
m n
Z = ∑ ∑ (Bj )( xij )(Wij )

i j
Restricciones
Las siguientes dos restricciones permiten que a los técnicos que sí conocen
el trabajo se les pueda exigir el mínimo y máximo de trabajos que pueden realizar.
68
n
∑ (xij )(Wij ) ≥ Trabmini , ∀ i

j
∑ (xij )(Wij ) ≤ Trabmaxi , ∀ i

j
Esta restricción asegura que cada trabajo debe ser realizado por un solo
técnico que sí conoce el trabajo.
∑ (xij )(Wij ) = Ctrabj , ∀ j

i
Por último, esta restricción asegura que los técnicos que sí conocen el
trabajo los puedan realizar en el tiempo total disponible para cada uno de ellos.
∑ (Bj )( xij )(Wij ) ≤ Tiempototalmaxi , ∀ i

j
69
Aplicación del Modelo de Optimización del Caso 2
El Taller de Equipos Pesados de la empresa C.V.G Ferrominera Orinoco,

C.A., requiere aplicar una cantidad importante de acciones de Mantenimiento a la
maquinaria pesada (Payloader, Retroexcavadora, Camiones, Minicargadores,
entre otros) utilizada en la Gerencia de Procesamiento de Mineral de Hierro (PMH)
para las tareas de limpieza y acarreo de mineral en las diferentes áreas de la
Gerencia.
El Taller de Equipos Pesados cuenta con técnicos especializados que

realizan los trabajos que se requieren para mantener operativa las unidades
móviles pesadas de la Gerencia de PMH, pero últimamente el desempeño general
de estos equipos ha tenido un nivel bajo, ya que en los últimos meses muchos de
los trabajos de conservación que se han solicitados no han sido atendidos.
En la actualidad, la Superintendencia de Taller de Equipos pesados no posee

una herramienta que le permita conocer si con los técnicos que cuenta se pueden
realizar todos los trabajos de mantenimiento requeridos.
Entre los trabajos que tienen mayor solicitud en la actualidad están:

Lubricación, Mecánica, Electricidad y Limpieza. Actualmente la Superintendencia
de Equipos Pesados determina la secuencia y el tiempo de entrega de los trabajos
según su prioridad; además los técnicos deben cumplir con las políticas de la
Superintendencia relacionadas a la cantidad de trabajos que deben entregar y al
tiempo disponible que cuentan para cada uno de ellos.
Entonces, la Superintendencia desea conocer si lo más conveniente es

contratar técnicos adicionales o asignar horas extras para que los técnicos
culminen las actividades asignadas.
Por tanto, la Superintendencia exige a sus planificadores que determinen el

número de técnicos mínimos que son necesarios para que se realicen todos los
trabajos y al mismo tiempo que se satisfagan las restricciones impuestas sobre los
técnicos.
70
Las restricciones sobre todos los técnicos están referidas a que se realicen
todos los trabajos que se les asignen en un tiempo total máximo de cuarenta horas
(40) horas a la semana y deben realizar al menos uno y como máximo de tres
trabajos durante la semana.
Así que los planificadores con base a su experiencia toman la decisión de

apoyarse en la optimización debido al contexto del problema.
La especialidad de cada técnico determina si este puede realizar el trabajo

que se asigne, por lo tanto, se le asigna un valor de 1 si estos conocen el trabajo,
0 en caso contrario como lo indica la Tabla 18.
Tabla 18.- Conocimiento del Técnico i sobre el Trabajo j
Trabajos
Técnicos
Lubricación Mecánica Electricidad Limpieza
Técnico 1 1 0 0 1
Técnico 2 0 1 1 0
Técnico 3 1 1 0 0
Técnico 4 0 0 1 1
Técnico 5 0 1 0 1
Técnico 6 1 0 1 1
Técnico 7 1 1 1 0
Técnico 8 0 1 1 1
En la Tabla 19 se presenta una descripción de los trabajos que se deben

realizar y los tiempos de entrega establecido por el Superintendente del Taller de
Equipos Pesados según su prioridad.
71
Tabla 19.- Descripción y Tiempos de Entrega de Trabajos por Asignar
Duración
N° trabajo Tipo de trabajo (Horas)
Trabajo 1 Lubricación 2
Trabajo 6 Mecánica 14
Trabajo 11 Electricidad 6
Trabajo 16 Limpieza 6
Fuente: Programa de Mantenimiento Superintendencia de Equipos Pesados
El código del modelo de optimización del Caso 2 y su resolución para la

problemática de la programación de los trabajos en el Taller de Equipos Pesados
fue desarrollado en el lenguaje AMPL y se encuentra en los Anexos E, F, G, y H,
donde podemos observar que el tiempo total para realizar todas las tareas es de
141 horas distribuidas entre los ocho (8) técnicos disponibles.
72
El Análisis Paramétrico sobre los tiempos máximos en el modelo de
optimización del Caso 2 se muestra en la Figura 9.
Figura 9. Comportamiento cuando varían los tiempos máximos disponibles de los técnicos.
La Figura 9 indica que cuando los tiempos máximos varían simultáneamente

entre 24 y 72 horas, el cual es equivalente a las 40 horas disponibles menos el
40% y más 80%, del mismo todos los trabajos son asignados satisfactoriamente,
lo que significa que no existe la necesidad de asignar horas extras o contratar
personal adicional.
73
CONCLUSIONES
Las organizaciones productivas tienen entre sus objetivos lograr que el

personal disponible contribuya a alcanzar sus objetivos operacionales, cumplir con
esto requiere que los Analistas encargados de la planificación de las actividades
del personal realicen un buen estudio sobre las alternativas que se tienen para
tomar las mejores decisiones.
En este sentido, no hay duda de que uno de los puntos clave es llevar a cabo
la mejor programación del personal en el área del Mantenimiento, de tal manera
que se coadyuve en la mejora de la disponibilidad de los activos productivos.
Una de las técnicas utilizadas para optimizar los procesos de planificación y

programación de las tareas de Mantenimiento es la Programación Lineal,
enmarcada dentro de las técnicas disponibles de la Programación Matemática.
Esta técnica requiere la modelación matemática de la situación problema que se
analiza a fin de encontrar la “mejor” alternativa de solución.
Es de suma importancia estudiar la aplicación de la Programación Lineal en

la solución de los problemas relacionados con la planificación de las tareas de
Mantenimiento, a fin de ofrecer herramientas que faciliten los procesos de toma de
decisiones orientados a incrementar la disponibilidad y el desempeño de los
activos productivos de las organizaciones.
En la presente investigación se analizó el origen de la Programación Lineal y

se procedió a describir los principios básicos de esta, así como las características
principales de esta técnica.
En la enseñanza de muchas disciplinas lo normal es que muchos de los

docentes se enfocan en explicar los temas fundamentales de su asignatura; sin
embargo, pocos son los docentes deciden enseñar la historia relativa a la creación
de una determinada técnica o un determinado concepto, pero en el caso de la PL
debe ocurrir lo contrario dado que tiene un desarrollo histórico bastante
interesante, como se describió en esta investigación su evolución y en
74
comparación con otras disciplinas el conocer parte de su historia puede ayudar a
despejar incluso dudas que se pueden presentar en su aprendizaje.
En lo que respecta a las características de la PL se abarcó sus fundamentos

básicos, pero se considera bastante precisa como para alguien que apenas se
esté iniciando o desee saber al menos en qué consiste la PL.
Analizar el comportamiento del modelo de optimización una vez que se

obtiene una solución óptima es necesario en todo estudio de PL debido que las
organizaciones pueden tener diferentes alternativas con respecto a los valores de
los parámetros. La técnica que regularmente se utiliza para responder las
preguntas que surgen y que conlleven a una recomendación definitiva es el
Análisis de Sensibilidad, siempre y cuando no exista un grado elevado de
incertidumbre en los parámetros que se tienen.
Por otro lado, el Análisis Paramétrico, que es una extensión del Análisis de
Sensibilidad, permite analizar el comportamiento del modelo de optimización en
una forma más avanzada, razón por la cual se decidió explicar las bases teóricas
fundamentales de esta técnica para ver cómo opera y al mismo tiempo que sirva
de apoyo en la orientación de las decisiones que se deben tomar en una
organización.
La presente investigación también ha demostrado que el uso de la PL y el

Análisis Paramétrico pueden contribuir de manera significativa en las decisiones
que se toman en la programación del personal en cualquier área.
Los modelos de optimización de la programación del personal de

Mantenimiento presentados en esta investigación tienen diferentes objetivos, sin
embargo, a través del Análisis Paramétrico en ambos se se puede saber de forma
más detallada si existe la necesidad de asignar horas extras de trabajos, reducir el
número máximo de trabajos o contratar más tecnicos considerando que el tiempo
total sea el mínimo para realizar todos los trabajos.
75
RECOMENDACIONES
1. El interés por la aplicación de las técnicas de la Programación

Matemática, ha crecido rápidamente durante los últimos tiempos. Han
surgido numerosas aplicaciones en casos reales de programación de
personal de Mantenimiento que es necesario continuar profundizando, a
fin de ir incorporando nuevos requerimientos que acerquen más al modelo
construido a la problemática real que se estudia.
2. Es fundamental desarrollar sistemas de información computarizados que

faciliten los cálculos implícitos en los modelos de Programación
Matemática, esto con el objeto de incrementar la cantidad de personas
(Gerentes, Administradores, Ingenieros, entre otros) que puedan utilizar y
beneficiarse con el estudio de la Programación Lineal.
3. Se recomienda a cualquier organización antes de aplicar PL y Análisis

Paramétrico realizar un estudio de tiempos para que se pueda
estimaciones confiables sobre el tiempo de duración de un determinado
trabajo.
4. Estructurar los procesos de planificación y programación de las tareas de

Mantenimiento basadas en la aplicación de técnicas de optimización de
Programación Matemática a fin de seleccionar las alternativas que
ofrezcan mejor beneficios de acuerdo a un análisis cuantitativo, dejando a
un lado la discrecionalidad en la asignación de tareas.
5. La Universidad Nacional Experimental de Guayana debe promover

proyectos de investigación, donde participen profesores y estudiantes de
pre y post grado, dirigidos a dar respuesta a la problemática de las
empresas públicas y privadas instaladas en la Región, desde una visión
del desarrollo de modelos de Programación Matemática, aplicando
fundamentalmente los conocimientos teóricos y prácticos presentados en
el presente Trabajo de grado.
76
REFERENCIAS
Almeida, F. (2009). John Von Neumann: Un Matemático Generalista. [Documento

en línea]. Disponible: http://www.sinewton.org/numeros/numeros/43-
44/Articulo56.pdf [Consulta: 2020, Marzo 18].
Almira, J. (2013). Un matemático en la Corte de Napoleón: Joseph Fourier

[Documento en Línea]. Disponible: https://lamadraza.ugr.es/wp-
content/uploads/2016/12/ACT03062013.pdf [Consulta: 2020, Noviembre 18].
Argumedo Estay, F. (2001). Optimización de una Cedula de Cultivo Mediante el

Algoritmo de Karmarkar en el Subsector de Riego Bajo Caplina
(Tacna).Trabajo Especial de Grado publicado. Lima: Universidad Nacional de
Ingeniería.
Disponible: http://cybertesis.uni.edu.pe/bitstream/uni/4344/1/argumedo_ef.pdf
[Consulta: 2020, Noviembre 18].
Arias, F. (2012). El Proyecto de Investigación. Introducción a la Metodología

Científica. Caracas: Editorial EPÍSTEME.
Barragán Amigon, A. (2011). Extensión de los Teoremas de Consistencia para

Sistemas de Inecuaciones Lineales Semi-Infinitos. Trabajo Especial de
Grado publicado. Puebla: Benemérita Universidad Autónoma De Puebla.
Disponible:
https://www.fcfm.buap.mx/assets/docs/docencia/tesis/matematicas/Abraham
BenitoBarraganAmigon.pdf [Consulta: 2020, Noviembre 18].
Bazaraa, M., Jarvis, J., y Sherali, H. (2010). Linear Programming and Network
Flows. New Jersey: WILEY.
Campbell, J., Duffuaa, S., y Raouf, A. (2000). Sistemas de Mantenimiento.

Planeación y Control. México: LIMUSA.
Carrillo Navarro, F. (2002). El Príncipe de las Matemáticas. En: Revista de

Apuntes de Historias de las Matemáticas. Vol. 1, N° 2, Pp. 1-12.
[Artículo en línea]. Disponible en:
http://www.mat.uson.mx/depto/publicaciones/apuntes/pdf/1-2-3-gauss.pdf
[Consulta: 2020, Marzo 18].
77
Chávez, R. (2015). Resolución de Problemas de Programación Lineal, Mediante el
Método Simplex. Trabajo Especial de Grado publicado. Biobío: Universidad
del Bío-Bío.
Disponible:
http://repobib.ubiobio.cl/jspui/bitstream/123456789/282/3/Chavez_Abello_Ro
drigo.pdf [Consulta: 2020, Noviembre 18].
Cuadrado, M., y Griffin V. (2009). Modelos Matemáticos para la Optimización de la

Distribución de Vehículos Nuevos en Venezuela. Caso: Clover International
C.A. En: Ingeniera Industrial. Actualidad y Nuevas Tendencias. Vol. I, N° 1,
Pp. 53-65.
[Artículo en Línea]. Disponible en:
http://www.redalyc.org/articulo.oa?id=215016873007 [Consulta: 2020, Julio
19].
Dantzig, G. (1963). Linear Programming and Extensions. California: The RAND

Corporation.
Dantzig, G., y Thapa, M. (1997). Linear Programming, 1: Introduction. Nueva York:

Springer Series in Operations Research.
Dantzig, G., y Thapa, M. (2003). Linear Programming, 2: Theory and Extensions.

Nueva York: Springer Series in Operations Research.
De Abreu, Y. (2007). Desarrollo de un Modelo de Simulación de Refinerías,

Utilizando Técnicas de Programación Lineal. Trabajo Especial de Grado
publicado. Caracas: Universidad Central de Venezuela. Disponible:
http://saber.ucv.ve/bitstream/123456789/2164/1/Tesis%20II%20YD.pdf
Diéguez, H. (2009). L.V. Kantarovich. [Documento en línea]. Disponible:

http://sedici.unlp.edu.ar/bitstream/handle/10915/9273/Documento_completo_
_.pdf?sequence=1&isAllowed=y [Consulta: 2020, Marzo 18].
Di Mattia, G. (2014). Diseño de un Modelo Matemático para la Asignación de

Personal a Múltiples Trabajos de Mantenimiento de una Institución Pública.
Tesis de Maestría publicada. Guayaquil: Escuela Superior Politécnica del
Litoral. Disponible: https://www.dspace.espol.edu.ec/retrieve/102386/D-
CD102795.pdf [Consulta: 2020, Enero 10].
Duffin, R. (1974). On Fourier´s Analysis of Linear Inequality Systems [Documento

en Línea]. Disponible: https://page-
one.springer.com/pdf/preview/10.1007/BFb0121242 [Consulta: 2020,
Noviembre 18].
78
Dulzaides, M., y Molina, A. (2004). Análisis Documental y de Información: Dos
Componentes de un Mismo Proceso. ACIMED v.12 n.2 Ciudad de la Habana
mar-abr. 2004.
Gago Vargas, M. (2010). Sistemas de Ecuaciones Lineales. [Documento en línea].

Disponible: http://euclides.us.es/da/apuntes/alige/alige-I-1.pdf [Consulta:
2020, Marzo 18].
Gómez, D., Rojas, O., y Zamudio, E. (2016). Modelo de Programación para la

Optimización del Personal [Documento en Línea]. Disponible:
https://www.researchgate.net/publication/310124105_Modelo_de_programaci
on_mixta_para_la_optimizacion_de_personal [Consulta: 2020, Noviembre
18].
Frank, R. (2014). George B. Dantzig, La Programación Lineal y el Sector Agrario.

[Documento en línea].
Disponible:
http://sedici.unlp.edu.ar/bitstream/handle/10915/61381/Documento_completo.
%20Dantzig,%20la%20programaci%C3%B3n%20lineal.pdf-
PDFA.pdf?sequence=1&isAllowed=y [Consulta: 2020, Marzo 18].
Hillier, F., y Hillier, M. (2008). Métodos Cuantitativos para Administración. Tercera

Edición. México: McGraw-Hill.
Hillier, F., y Lieberman, G. (2010). Introducción a la Investigación de Operaciones.

México: McGraw-Hill.
Kantarovich, L. (1939). Mathematical Methods of Organizing and Planning

Production. Trabajo de Investigación. San Petersburgo: Leningrad State
University. Disponible: http://www.jstor.org/stable/2627082?origin=JSTOR-pdf
López Pellicer, M. (2006). Computación Física y Matemática en John Von

Neumann. En: Rev. R. Acad. Cienc. Exact. Fís. Nat. (Esp). Vol. 100, N° 1,
Pp. 1-12.
[Artículo en línea]. Disponible en: http://www.rac.es/ficheros/doc/00452.pdf
Montero, M., y Hochman, E. (2005). Investigación Documental. Técnicas y

Procedimientos. Editorial PANAPO. Caracas-Venezuela.
Prawda, J. (2004). Métodos y Modelos de Investigación de Operaciones. Vol. I

Modelos Determinístico. México: LIMUSA.
79
Romero, J. (2016). Aplicación de la Herramienta Informática Solver en un Modelo
de Programación Lineal Binaria para la Asignación Optima de Recurso
Humano en los Requerimientos de Mantenimiento Imprevisto en la Aeronave
B-727 de la Compañía MPI. Tesis de Postgrado publicada. Bogotá:
Universidad Militar Nueva Granada. Disponible:
https://repository.unimilitar.edu.co/bitstream/handle/10654/15322/ROMEROS
USUNAGAJUANCARLOS2016.pdf?sequence=1&isAllowed=y [Consulta:
2020, Enero 15].
Ruiz, G. (2014). Una Aplicación Didáctica del Método de Fourier-Motzkin a los

Problemas de Programación Matemática. En: Revista de Educación
Matemática. Vol. 31, N° 86, Pp. 77-91. [Artículo en línea]. Disponible en:
https://thales.cica.es/epsilon/sites/thales.cica.es.epsilon/files/%5Bfield_volum
en-formatted%5D/epsilon86_6.pdf [Consulta: 2020, Marzo 18].
Ruiza, M., Fernández, T., y Tamarro, E. (2004). Biografía de Wassily Leontief.

[Documento en Línea].
Disponible: https://www.biografiasyvidas.com/biografia/l/leontief.htm
Taha, H. (2009). Investigación de Operaciones. 5ta Edición. México: Alfaomega

Grupo Editor, S.A de CV.
UNEG (2017). Lineamientos para Elaborar y Presentar los Trabajos de Grado de

Pregrado. Ciudad Guayana.
UPEL (2006). Manual de Trabajos de Grado de Especialización, Maestría y Tesis

Doctoral. Universidad Pedagógica Libertador. 3a reimpresión, Mayo 2006.
Valdivia Miranda, C. (2007). Jean Baptiste Joseph Fourier: la Armonía en la

Historia de la Ciencia. [Documento en línea]. Disponible:
https://www.acta.es/medios/articulos/biografias_y_personajes/045055.pdf
Wayne, W. (2005). Investigación de Operaciones. Aplicaciones y Algoritmos.

México: Thompson.
Wikipedia. (2020). Wilhelm Jordán. [Artículo en línea]. Disponible:

https://es.wikipedia.org/wiki/Wilhelm_Jordan [Consulta: 2020, Marzo 18].
80
ANEXOS
81
ANEXO A
Archivo mod del modelo de optimización para el problema de la
empresa METALÚRGICA CHIRICA, C.A en AMPL
82
83
ANEXO B
Archivo dat del modelo de optimización para el problema de la
empresa METALÚRGICA CHIRICA, C.A en AMPL.
84
85
ANEXO C
Archivo run del modelo de optimización para el problema de la

empresa METALÚRGICA CHIRICA, C.A en AMPL
86
87
ANEXO D
Solución del modelo de optimización para el problema de la empresa

METALÚRGICA CHIRICA, C.A en AMPL
88
89
ANEXO E

empresa Ferrominera Orinoco, C.A en AMPL
90
91
ANEXO F
empresa Ferrominera Orinoco en AMPL
92
93
ANEXO G
empresa Ferrominera Orinoco en AMPL
94
95
ANEXO H

Ferrominera Orinoco en AMPL
96
97
ANEXO I

empresa Ferrominera Orinoco en AMPL cambiando al objetivo de
maximización
98
99
ANEXO J
maximización
100
101
ANEXO K

maximización
102
103
ANEXO L

Ferrominera Orinoco en AMPL cambiando al objetivo de maximizar
104
105

Optimización de La Programación Del Personal de Mantenimiento

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Optimización de La Programación Del Personal de Mantenimiento

Cargado por

Copyright:

Formatos disponibles

REPÚBLICA BOLIVARIANA DE VENEZUELA

UNIVERSIDAD NACIONAL EXPERIMENTAL DE GUAYANA

Optimización de la Programación del Personal de

Ciudad Guayana, julio de 2021

Optimización de la Programación del Personal de

Ciudad Guayana, julio de 2021

En mi carácter de tutor del trabajo de grado de pregrado, titulado

Esta investigación es dedicada en especial a

A mis verdaderas amistades, por haber estado siempre conmigo en los

A mi tutor, el Profesor Abraham Viamonte por haberme por haberme iniciado

Para finalizar, agradezco a la Universidad Nacional Experimental de

Listas de Figuras........................................................................................................ viii

I PRINCIPIOS DE LA PROGRAMACIÓN LINEAL

Síntesis Histórica de la Programación Lineal….………………………………… 4

Características Fundamentales de la PL…………………………………………. 17

Clasificación de los Modelos de PL…..…………………………………………... 23

Importancia y Construcción del Problema Dual………………………………… 31

Análisis de Sensibilidad sobre los “cj”…………………………………………….. 35

Análisis de Sensibilidad sobre los “bi”…………………………………………….. 40

Análisis Paramétrico sobre los “cj”……..…………………………………………. 43

Análisis Paramétrico sobre los “bi”…...…………………………………………… 50

III ANÁLISIS PARAMÉTRICO EN LA GESTIÓN DEL MANTENIMIENTO

Caso 1: Aplicación de SOLVER en la Asignación de Personal en el

Caso 2: Diseño de un Modelo Matemático para la Asignación de Personal a

1 Solución grafica del modelo Dos ………………………………………………… 36

2 Solución grafica del Dual del modelo Dos……………………………………… 40

3 Valor de la Función Objetivo como una función de θ para cambios en los

4 Valor de la Función Objetivo como una función de θ para cambios en los

5 Valor de la Función Objetivo como una función de θ para cambios en los

6 Valor de la Función Objetivo como una función de θ para cambios en los

7 Cambios en los Requerimientos de Tiempos Mínimos de los Técnicos……... 64

8 Cambios en los Requerimientos de Tiempos Máximos de los Técnicos…….. 65

9 Comportamiento cuando varían los tiempos máximos disponibles de los

1 Nomenclatura Tradicional de la PL………………………………………….. 18

2 Parámetros de un modelo de PL para Asignación de Recursos

3 Notación de los modelos de PL en Forma Matricial……………………….. 25

4 Estructura de la Tabla Simplex en Forma Matricial………………………… 27

5 Solución Básica para Iniciar el MS en el modelo Uno…………………….. 29

6 Solución Óptima del modelo Uno…………………………………………….. 30

7 Tabla Simplex en Forma Matricial para el Análisis Post Óptimo de

8 Reglas para construir el PD…………………………………………………… 33

9 Solución Óptima del modelo Dos……………………………………………… 38

10 Cálculos en la Solución Básica del modelo Uno Parametrizado cuando θ

11 Nueva Solución Básica del modelo Uno Parametrizado sobre los

13 Nueva Solución Básica actual del modelo Uno Parametrizado sobre

14 Cálculos en la Solución Básica del modelo Uno sobre los bi cuando θ es

15 Parámetros del Modelo de Optimización del Caso 1……………………….. 60

16 Tiempo (horas) del técnico i en realizar el trabajo j de Mantenimiento a la

17 Parámetros del Modelo de Optimización del Caso 2………………………... 68

18 Conocimiento del Técnico i sobre el Trabajo j……………………………….. 71

19 Descripción y Tiempos de Entrega de Trabajos por Asignar………………. 72

Optimización de la Programación del Personal de Mantenimiento

Autor: Ramos Ramírez, Israel David

Descriptores: Programación de Mantenimiento, Programación Lineal, Análisis

La búsqueda de la optimización de los recursos disponibles de cualquier

Un proceso de optimización en una empresa consiste en la selección de

Cuando se requiere solucionar un problema complejo que involucra muchas

En muchas industrias a nivel mundial la aplicación de la IO ha tenido un

Otro de los elementos de suma importancia en una organización es la

En función a lo anterior es necesario profundizar el estudio sobre las técnicas

Por esta razón, se tomó la decisión de realizar una investigación documental

Se establecieron los siguientes objetivos específicos para ser desarrollados a