Algoritmo para El Calculo de Cargas de T PDF

ISSN 0717-9103 revista Ingeniería Industrial-Año 15 Nº1: 35-50, 2016
ISSN Online 0718-8307 Algoritmo para el cálculo de cargas ...Becerra et al.

Universidad del Bío-Bío
ALGORITMO PARA EL CÁLCULO DE CARGAS DE TRABAJO

ALGORITHM FOR COMPUTING WORKLOADS
Mauricio Becerra Fernández1,♦, Stefany Ayala Lozano1, Jenny Alexandra Astros

Hernández1, Elsa Cristina González La Rotta1
RESUMEN
Este artículo presenta el desarrollo un algoritmo para el cálculo de cargas de trabajo,
soportado en el análisis de estudios similares y la teoría del estudio de métodos y tiempos.
El algoritmo se propone como un elemento de soporte para el análisis del nivel trabajo
asignado a un cargo específico o a un grupo de trabajadores en un área determinada, ya sea
en la industria de manufactura o de servicios, lo que permita nivelar el volumen de trabajo
asignado mediante la definición de diversas alternativas que promuevan el aumento de la
productividad, favorezcan la mejora en el clima y las condiciones laborales.
Palabras claves: Algoritmo, cargas de trabajo, productividad laboral.
ABSTRACT
This paper presents the development an algorithm for computing workloads, supported in the
analysis of similar studies and theory study methods and times. The algorithm is proposed
as a support for the analysis of the level work assigned to a particular position or a group
of workers in a given area, whether in the manufacturing industry or services, which allow
to level the workload assigned by defining alternatives that promote increased productivity,
promoting improvements in the working environment and working conditions.
Keywords: Algorithm, labor productivity, workloads.
INTRODUCCIÓN
La asignación de labores en las organizaciones constituye un elemento fundamental en el
desarrollo de sus operaciones, ya que como es conocido afecta la agilidad de los procesos
y por ende la percepción de servicio por parte de los clientes, sin dejar a un lado que para la
continuidad del negocio, los costos de mano de obra son relevantes a considerar en el diseño
de las estrategias corporativas. Mediante el desarrollo de un algoritmo para el cálculo de
cargas de trabajo, se pretende brindar a las organizaciones una herramienta para la toma de
decisiones en la asignación de labores por cargos y/o departamentos, lo que permita alcanzar
estos objetivos corporativos y genere buenos resultados en las mediciones del clima laboral
percibido por los trabajadores afectados.
La medición del trabajo impacta la productividad que en su definición más básica se considera
1
Programa de Ingeniería Industrial, Facultad de Ingeniería, Universidad Católica de Colombia. Bogotá, Colombia,
mauriciobecerrafernandez@gmail.com
♦
Autor para correspondencia: mbecerra@ucatolica.edu.co
Recibido. 12.02.2014 Aceptado: 15.01.2016
35
como la relación entre resultados obtenidos y recursos empleados. Para Niebel and Freivalds
(2004) “la única posibilidad para que una empresa o negocio crezca y aumente su rentabilidad
es aumentar la productividad. El mejoramiento de la productividad se refiere al aumento de
la producción por hora-trabajo o por tiempo empleado. Las técnicas fundamentales que dan
como resultado incremento en la productividad son: métodos, estándares del estudio de
tiempos (también conocido como medición del trabajo) y diseño del trabajo”.
Para Keller (2002) la carga de trabajo corresponde a “la demanda total colocada a una
persona a medida que realiza una tarea” y por ende el aumento de la carga de trabajo puede
reducir el rendimiento y la productividad en la tarea a realizar. Zandin and Maynard (2005)
mencionan otros beneficios de la medición del trabajo, como lo son: reducción del tiempo
y costos de desarrollo, mayor nivel de cobertura, simplificación de mantenimiento, mayor
coherencia, mayor precisión, mejor entendimiento y aceptación, mejor uso de la tecnología,
mayor facilidad de transporte y determinación del punto de referencia. Para Garcia (2005)
“dos son los objetivos que se pueden satisfacer con la medición: incrementar la eficiencia del
trabajo y proporcionar estándares de tiempo que servirán de información a otros sistemas
de la empresa, como el de costos de programación de la producción, supervisión, etcétera”.
Por su parte Caso Neira (2006) señala que la medición del trabajo es empleada para fijar
tiempos estándar de ejecución de una determinada actividad, que a su vez sirven como
insumo para definir diagramas de operación. Adicionalmente establece que “la medida del
trabajo sirve para investigar, reducir y eliminar, si es posible, el tiempo improductivo, sea cual
sea la causa. Una vez conocido este tiempo improductivo, se pueden tomar medidas para
eliminarlo o al menos minimizarlo”.
Vazquez and Borrell (2006) señalan que “la medición del trabajo, conocida también como
cargas de trabajo, puede ser utilizada para varios propósitos tales como, la evaluación
del desempeño del trabajador, la planeación de las necesidades de fuerza de trabajo, la
determinación de la capacidad disponible, la determinación del precio o costo de un producto,
la comparación de los métodos de trabajo, facilitación de la programación de operaciones y el
establecimiento de incentivos salariales”. Para Riggs (2008) mediante la medición del trabajo
“la finalidad es encontrar la maneras más eficiente de realizar las funciones necesarias, en la
producción, implica el análisis de los sistemas de trabajos actuales y propuestos para lograr
una transformación óptima de los insumos en los productos”. Huang (2009) argumenta que si
se realiza un buen estudio de las cargas laborales, se puede identificar fácilmente los lugares
donde se necesita una mejora y se indica que cambios se podrían realizar para mejorar la
carga asignada al trabajador.
La Oficina Internacional del Trabajo (OIT) (2011) define “la carga de trabajo o el factor
carga como la proporción del tiempo total del ciclo que tarda el obrero en ejecutar el trabajo
necesario al ritmo tipo durante un ciclo condicionado por una maquina o proceso”. La carga
de trabajo según la United States Agency for International Development (USAID) (2011)
“es una metodología para determinar el tiempo, el esfuerzo y los recursos necesarios para
llevar a cabo las operaciones de un departamento, lo que resulta en la identificación de
las necesidades reales de la organización de los recursos humanos, tanto en términos de
calidad y cantidad, el desarrollo de estos recursos para alcanzar las metas y estrategias que
la organización quiere lograr en los varios sitios de trabajo”. Adicionalmente es de considerar
que para la OIT (2011) “el propósito de este análisis es revelar la naturaleza e importancia
del tiempo improductivo, sea cual fuere su causa, a fin de eliminarlo, y fijar unas normas de
rendimiento que solo se cumplirán si se elimina todo el tiempo improductivo”.
Dentro de las técnicas para el estudio del trabajo se encuentra el estudio de métodos, que
como lo define la OIT (2011) consiste en “el registro y examen crítico sistemáticos de los
modos de realizar las actividades, con el fin de efectuar mejoras”. Para Niebel and Freivalds
(2004) el estudio de métodos se define como “el registro, examen crítico y sistemático de los
modos existentes y proyectados de llevar a cabo un trabajo, como medio de idear y aplicar
métodos más sencillos y eficaces de reducir costos”.
36
Las etapas del estudio de métodos se presentan en la figura 1.
Figura 1. Etapas del estudio de métodos
El estudio de cargas de trabajo puede considerarse parte del estudio del trabajo, para la
OIT (2011) el estudio del trabajo es: “el examen sistemático de los métodos para realizar
actividades con el fin de mejorar la utilización eficaz de los recursos y establecer normas
de rendimiento con respecto a las actividades que se están realizando”. Con este estudio
se busca eliminar todos movimientos o tiempo improductivo que estén disminuyendo la
productividad. El estudio del trabajo indica en que se dividen los tiempos del trabajador, esto
con el fin de determinar que tiempos son esenciales y cuales se pueden eliminar. Los tiempos
incluidos en el tiempo total de operación se muestran en la figura 2.
Figura 2. Composición del tiempo total de operación
El contenido básico para el desarrollo del trabajo, está constituido por el tiempo en que
se debería realizar una operación si no se presentaran inconvenientes en su ejecución,
pero debido en algunos casos a la presencia de contenido excesivo de trabajo, se pueden
presentar desviaciones en los métodos empleados, lo que repercute en la generación de
tiempo improductivo. Los elementos que se encuentran en el tiempo improductivo se refieren
a aquellos procesos o diseños que están afectando la productividad, ya sea por diseños
deficientes, mala planificación, utilización inadecuada de los materiales, mala ejecución del
trabajo, entre otros. Es por esto, que al realizar el análisis de las cargas de trabajo uno de
sus objetivos es eliminar estos tiempos improductivos que afectan la productividad de la
operación.
La medición de las actividades juega un papel fundamental en el estudio del trabajo, Caso
Neira define la medición como “una técnica que persigue el establecimiento de un estándar
que será asignado para la realización de un trabajo concreto. Se basa en la medida del
contenido de trabajo en el método que se establece para realizar una operación, teniendo
en cuenta la fatiga del trabajador y los retrasos personales inevitables. Entendiendo por
contenido de trabajo a la cantidad de trabajo que debe de realizarse para hacer una tarea”
como lo define Caso Neira (2006). Garcia (2005) menciona que la medición del trabajo toma
37
un papel relevante cuando “la mano de obra sufre gran influencia al mismo tiempo que el
supervisor siente la necesidad de saber si se está empleando de manera eficiente el esfuerzo
de los operadores, si cada una de las operaciones realizadas por estos es ejecutada en el
tiempo correcto y si la administración se apoya en bases sólidas para elaborar los programas
de producción”.
En cuanto a la medición sobre los trabajadores calificados, Garcia (2005) establece que: “la
medición del trabajo es un medio investigativo basado en la aplicación de diversas técnicas
para determinar el contenido de una tarea definida fijando el tiempo que un trabajador calificado
invierte en llevar a cabo con arreglo a una norma de rendimiento preestablecida”, para la OIT
(2011) “la medición del trabajo consiste en la aplicación de técnicas para determinar el tiempo
que invierte un trabajador calificado en llevar a cabo una tarea definida efectuándola según
una norma de ejecución establecida”.
Diaz (2009) resalta los inconvenientes presentes en el desarrollo de la medición del trabajo
al establecer que “medir es difícil, la medición precede al castigo, no hay tiempo para medir,
hay cosas imposibles de medir, es más costoso medir que hacer, desarrollar la medición
quita agilidad al proceso que se mide, la medición tiene que ver mucho con matemáticas y
estadística que son concebidas como tabú por la mayoría de personas”.
Las etapas que hacen parte de la medición del trabajo se presenta en la figura 3.
Figura 3. Etapas de la medición del trabajo
De esta manera, la medición del trabajo se presenta en resumen como un conjunto de técnicas
que permiten determinar el tiempo que tarda un trabajador cualificado en realizar una tarea
utilizando un método preestablecido, teniendo en cuenta algunos retrasos o diminuciones por
tiempos de descanso y fatiga entre otros.
Estudio de tiempos
El estudio de tiempos hace parte de la medición del trabajo y por ende como lo define la OIT
(2011): “una técnica de medición del trabajo empleada para registrar los tiempos y ritmos
de trabajo correspondientes a los métodos de una tarea definida, efectuada en condiciones
determinadas, para analizar los datos a fin de averiguar el tiempo requerido para efectuar la
tarea según una norma de ejecución preestablecida”.
La elección de una tarea para que le sea aplicado el estudio de tiempos principalmente puede
estar motivada por: la existencia de una novedad en su ejecución, inconformidad y petición
de los trabajadores, aparición de cuellos de botella, necesidad de balanceo de línea, fijación
de tiempos estándar antes de implementar un sistema de remuneración por rendimiento,
bajo rendimiento, preparación de un estudio de métodos y costo aparentemente excesivo de
algún trabajo realizado.
En el desarrollo del estudio de tiempos es primordial la selección del trabajador al que

se le aplica, la OIT (2011) los clasifica en los trabajadores llamados “representativos”
y los “calificados”. El trabajador representativo es aquel cuya competencia y desempeño
corresponden al promedio del grupo estudiado, por su parte el trabajador calificado es aquel
que tiene la experiencia, los conocimientos y otras cualidades necesarias para efectuar
el trabajo en curso según normas satisfactorias de seguridad, cantidad y calidad. Para el
estudio de tiempos es recomendable seleccionar un trabajador calificado, como patrón que
38
pueda alcanzar y mantener un trabajador calificado sin excesiva fatiga.
Para la selección de un trabajador calificado de acuerdo con Niebel and Freivalds (2004),
el operario debe estar bien entrenado en el método a utilizar, tener gusto por su trabajo
e interés en hacerlo bien. Debe estar familiarizado con los procedimientos del estudio de
tiempos y su práctica, y tener confianza en los métodos de referencia así como en el propio
analista. Es deseable que el operario tenga espíritu de cooperación, de manera que acate
las sugerencias hechas por el supervisor y el analista. En trabajos en que participa un solo
operario, el analista debe ser muy cuidadoso al establecer su calificación de actuación y es
muy importante que el método empleado sea el correcto.
En el desarrollo del estudio de tiempos se debe determinar el tamaño de la muestra o el

número de observaciones que deben efectuarse para cada tarea, dado un nivel de confianza
y un margen de exactitud predeterminados.
La oficina internacional del trabajo propone un método estadístico o un método tradicional.

Con el método estadístico, hay que efectuar cierto número de observaciones preliminares
(n´) y luego aplicar la formula siguiente para un nivel de confianza de 95,45 por ciento y un
margen de error de ± 5 por ciento. Niebel and Freivalds (2004) realizan el cálculo empelando
la ecuación (1).
(1)
Respecto al método tradicional, algunos como la General Electric han adoptado una guía
convencional para determinar el número de ciclos que cronometraran, la guía se basa en el
número total de minutos por ciclo (OIT, 2011).
Tabla 1. Tamaño de la muestra (método tradicional)
Más
Minutos por Hasta Hasta Hasta Hasta Hasta Hasta Hasta Hasta Hasta Hasta
de
ciclo 0,10 0,25 0,50 0,75 1,00 2,00 5,00 10,00 20,00 40,00
40,00
Número
de ciclos 200 100 60 40 30 20 15 10 8 5 3
sugeridos
Otros métodos emplean el uso del nomograma, el cual considera el grado de precisión, la
media aritmética y el valor medio del rango en una escala N.
39
De manera consolidada en la figura 4 se muestra los pasos para el estudio de tiempos.
Figura 4. Pasos para el estudio de tiempos
Tiempo estándar
El tiempo estándar se define como el tiempo total de ejecución de una tarea al ritmo tipo (OIT,
2011). García (2005) define el tiempo estándar como el patrón que mide el tiempo requerido
para terminar una unidad de trabajo, mediante el empleo de un método y equipo estándar
por un trabajador que posee la habilidad requerida, que desarrolla una velocidad que puede
mantener día tras día, sin mostrar síntomas de fatiga.
Para calcular el tiempo estándar se deben tener en cuenta las tolerancias que pueden ser:
personales, necesidades físicas de los trabajadores, tolerancias por fatiga, entre otras.
Algunas de las aplicaciones del tiempo estándar según García (2005) son: “determinar el
salario devengable por esa tarea específica, apoyar la planeación de la producción, facilita
supervisión, ayuda a establecer estándares de producción precisos y justos, ayuda a
establecer cargas de trabajo, ayuda a formular un sistema de costos estándar, proporciona
costos estimados, proporciona bases sólidas para establecer sistemas de incentivos y su
control ayuda a entrenar nuevos trabajadores.
El tiempo estándar se calcula según la fórmula que se relaciona en la ecuación 2.
(2)
Técnicas de la medición del trabajo
Las principales técnicas que se emplean en la medición del trabajo son:

- Clasificación de acuerdo al empleo de las medidas de tiempo.
40
- Métodos en los que no se utilizan medidas de tiempo.

- Estimación: el cálculo del tiempo estándar es subjetivo, por lo general por personas
de experiencia en la ejecución de trabajos similares.
- Datos históricos: en algunas organizaciones se emplean fichas para cada tarea
donde anotan la duración de la misma, estos datos se pueden utilizar para calcular
los tiempos estándar, este se puede calcular según la ecuación (3).
(3)
Uno de los propósitos de la medición del trabajo es la evaluación del desempeño de los
trabajadores, Diaz (2009) considera que “la gerencia del desempeño propone un enfoque
sistemático aplicado en la administración de los recursos humanos en el día a día en el
ambiente de trabajo orientado a evaluar los resultados esperados en la ejecución de un
proceso. Niebel and Freivalds (2004) definen el desempeño estándar como “el nivel de
desempeño logrado por un operario con amplia experiencia que trabaja en las condiciones
acostumbradas a un paso no muy rápido ni muy lento, pero representativo de uno que se
puede mantener durante todo el día”. La OIT (2011) define el desempeño estándar como
“el rendimiento que obtiene naturalmente y sin forzarse los trabajadores calificados, como
promedio de la jornada o turno, siempre que conozcan y respeten el método especificado y
que se les haya motivado para aplicarse. A ese desempeño corresponde el valor 100 en las
escalas de valoración del ritmo y del desempeño”.
Métodos en los que se utilizan medidas de tiempo
Algunos de los métodos empleados en la medición de tiempos son:

- Muestreo de trabajo: se emplea cuando es necesario calcular los tiempos estándar
de varias tareas realizadas en puestos de trabajo diferentes. El tiempo estándar se
calcula según la ecuación (4).
(4)
- Estudio de tiempos: esta técnica es la más utilizada y calcula el tiempo estándar

mediante el uso del cronometro.
- Tiempos predeterminados: se basa en descomponer las tareas en micro movimientos,
éstos se valoran de acuerdo con una tabla predefinida y el tiempo estándar es la
suma de los tiempos elementales.
- Datos tipo: la organización define cronometradores que calculan los tiempos estándar
para crear sus tablas y prosiguen con la técnica de tiempos predeterminados.
41
Análisis de la carga de trabajo
Mediante el análisis de la carga de trabajo se determinan los recursos necesarios y el esfuerzo

para llevar a cabo las diferentes operaciones, identificando las necesidades reales que se
presentan para el recurso humano, definiendo necesidades de modificación en la asignación
laboral con miras a la consecución de las metas establecidas.
La Organización Europea para la Seguridad de la Navegación Aérea (Eurocontrol) (2003)

considera que “la carga de trabajo se define operacionalmente en términos de factores tales
como los requisitos de la tarea o el esfuerzo que debe ser invertido para realizarla. Sin
embargo, no es aconsejable tener en cuenta sólo un aspecto de la carga de trabajo, ya
que estos factores se relacionan entre sí de manera compleja”. Adicionalmente se establece
que la cantidad de esfuerzo empleado en una tarea (es decir, la asignación de recursos
de procesamiento consciente mentales), probablemente se acerca más a las nociones
intuitivas de la naturaleza de la carga de trabajo. Sin embargo, cuando se somete a mayores
demandas de la tarea, el individuo puede elegir no aumentar el nivel de esfuerzo. Bajo estas
circunstancias, el desempeño de la tarea puede disminuir, pero sólo las medidas de esfuerzo
podrían llevar a la conclusión errónea de que la carga de trabajo no había cambiado.
La USAID (2011) resalta el impacto que puede causar el análisis de las cargas de trabajo
en la satisfacción del servicio al cliente, ya que por medio de este análisis se lleva a cabo la
redistribución del asignación laboral dependiendo el análisis realizado, con esta redistribución
se puede lograr el aumento en la eficacia en la ejecución de los procedimientos, lo que
impacta la satisfacción del cliente con miras a la sostenibilidad del negocio. Algunos factores
clave para su desarrollo son:
- Identificar necesidades reales en términos de calidad y cantidad.
- Basándose en las necesidades reales se crean necesidades de formación actuales y
futuras facilitando programas de capacitación para los empleados.
- Mantener un adecuado número de empleados para asegurar de no retrasar el
proceso.
Para Heaps et al. (1999) en algunas compañías el análisis de cargas de trabajo es un paso
inicial para llegar a la mejora continua de la calidad, ya que con esta logran mejorar los
resultados de los procesos. Hendry et al. (2008) en un análisis sobre el control de cargas de
trabajo, aplican métodos de planificación y control indicando que algunos estudios realizados
para este modelo revelan que tiene potencial para mejorar el rendimiento. Vardi (2009)
analiza algunos modelos de cargas de trabajo, estudiando las ventajas y desventajas de
cada uno, llegando a la conclusión que según la aplicación que se realice del modelo, se
puede dar una distribución equitativa de las cargas o puede generar efectos negativos en el
clima laboral involucrado.
Liederbach et al. (2011) en un análisis de cargas de trabajo concluyeron que estás cargas
proporcionan datos sobre las actividades realizadas durante un turno laboral y exploran
las oportunidades para aumentar la productividad. Según Locke et al. (2011) dentro de los
beneficios que se han encontrado en los análisis de cargas de trabajo, se encuentra un
estudio realizado en un grupo de enfermeras en Inglaterra, donde se evidenció que después
de la aplicación de los resultados del estudio, se logró mayor motivación en el personal y
mayor rendimiento. Para Moriguchi et al. (2011) cuando se presenta sobrecarga de trabajo se
pueden presentar problemas de salud, con el análisis de cargas de trabajo se puede realizar
una identificación temprana de los diferentes factores que pueden afectar al trabajador
definiendo a la vez prioridades para intervenciones ergonómicas.
MATERIAL Y MÉTODOS
En torno al desarrollo del estudio de cargas de trabajo, se propone un modelo matemático. A
continuación se relaciona los subíndices que se utilizan en el modelo:
42
Los siguientes son los parámetros que se tendrán en cuenta en el momento de su desarrollo:
Las siguientes son las variables incluidas en el modelo:
Estas variables son necesarias para el análisis de un puesto de trabajo, cuando se desea
realizar un análisis global de un grupo de trabajadores se determinan las siguientes variables:
Una vez definidos los subíndices, parámetros y variables; los siguientes son los pasos el
desarrollo del algoritmo para el cálculo de cargas de trabajo:
43
Determinar el cargo a analizar

Determinar el trabajador que desempeña el cargo
Determinar
Determinar la actividad que realiza el trabajador
Determinar
Determinar el número de para cada (ver tabla 1)
Mediante cronometro definir
Registrar en minutos, en una hoja de registro
Hallar :
(5)
Determinar
Determinar
Seleccionar teniendo en cuenta el periodo , de la siguiente forma:
Se debe tomar como referencia la tabla 2 y la siguiente restricción:
Tabla 2. Tabla para calcular
De acuerdo con la tabla 2 se selecciona , como muestra a continuación:
(6)
Calcular :
(7)
44
Determinar , de acuerdo con el desempeño observado por el analista encargado de las

mediciones en el estudio.
Hallar el tiempo normal :

(8)
Determinar , de acuerdo con las condiciones de trabajo observadas por el analista.
Hallar el tiempo estándar :

(9)
Hallar :
(10)
Determinar : De acuerdo con el tiempo realmente disponible del trabajador, los turnos
de trabajo y los tiempos estándar de descanso.
Para determinar se debe tener en cuenta lo siguiente:
(11)
(12)
Hallar :
(13)
Hallar :
(14)
Hallar :
(15)
45
Finalmente se define si el trabajador tiene tiempo ocioso, sobrecarga o se encuentra nivelado:
(16)
En la figura 5 se puede observar un análisis gráfico de los resultados posibles:
Figura 5. Representación gráfica de los resultados obtenidos con el modelo
Análisis de cargas de trabajo para dos o más trabajadores en el mismo cargo
Este análisis se realiza cuando son varios trabajadores k en el mismo cargo l desempeñando
actividades i diferentes. Para este análisis se tienen en cuenta los siguientes pasos:
Realizar el análisis presentado por trabajador.
Hallar :
(17)
Hallar :
(18)
Hallar :
(19)
46
Hallar :
(20)
Hallar :
(21)
Finalmente se define si el grupo de trabajo tiene tiempo ocioso, sobrecarga o se encuentra

nivelado:
(22)
RESULTADOS
El algoritmo de cargas de trabajo se aplicó en un cargo de una empresa manufacturera. En la
tabla 3 se muestra los valores que se generaron como resultado del algoritmo mediante hoja
de cálculo de Microsoft Excel®.
Tabla 3. Análisis carga de trabajo inicial (aplicación en manufactura)

Calificación
Calificación
# Ciclos (j)
Tpik (min)
Promedio
Habilidad
habilidad
Esfuerzo
esfuerzo
Tnkim
Fckim
Tskim
Peim
Veki
Feki
Dki
Fki
Trij
N° Actividad (i)
Recibir el turno - informe de

1 5 15 4,93 1 Diario 1 1 B2 0,08 C2 0,02 0,1 5,43 0,35 7,32
novedades
Actualización general del
2 20 8 19,85 1 Diario 1 1 B2 0,08 C2 0,02 0,1 21,84 0,35 29,48
cuadro caída de jet
Recorrido por la planta para
3 hablar con los supervisores 10 10 9,96 1 Diario 1 1 B2 0,08 C2 0,02 0,1 10,96 0,35 14,79
para conocer novedades
Revisar los inventarios de
4 10 10 10,07 3 Diario 1 3 B2 0,08 C2 0,02 0,1 33,22 0,35 44,85
tela cruda
Revisar el cuadro de pedidos
5 5 15 4,88 20 Diario 1 20 B2 0,08 C2 0,02 0,1 107,29 0,35 144,84
del día
6 Asignar la tela a los pedidos 5 15 5,07 20 Diario 1 20 B2 0,08 C2 0,02 0,1 111,58 0,35 150,64
7 Programar las máquinas 5 15 4,85 22 Diario 1 22 B2 0,08 C2 0,02 0,1 117,45 0,35 158,56
Actualizar el cuadro caída
8 1 30 1,00 22 Diario 1 22 B2 0,08 C2 0,02 0,1 24,14 0,35 32,59
de jet
9 Programar reprocesos 5 15 5,04 2 Diario 1 2 B2 0,08 C2 0,02 0,1 11,08 0,35 14,95
Subir las hojas de programa
10 5 15 4,95 5 Diario 1 5 B2 0,08 C2 0,02 0,1 27,25 0,35 36,78
al laboratorio
Llevar hojas de programa a
11 5 15 5,09 5 Diario 1 5 B2 0,08 C2 0,02 0,1 27,99 0,35 37,79
las planillas de las lavadoras
Entregar turno - informar
12 5 15 4,85 1 Diario 1 1 B2 0,08 C2 0,02 0,1 5,34 0,35 7,21
novedades
Ttkim 679,81
Tdkim 460,00
FTE´s 1,48
Tdia k 679,81
Pkm -219,81
47
La carga inicialmente analizada presenta una sobrecarga del 48% ya que el cálculo de FTE’s
es de 1,48, lo que no es conveniente para el desarrollo de las funciones asignadas, Dada
esta situación, se realiza un análisis, reconfiguración y ajuste de las actividades asignadas
con el objetivo de nivelar la carga de trabajo, El resultado de los ajustes realizados (ver tabla
4) muestran un requerimiento de FTE’s de 1,11, lo que favorece el desarrollo de las labores
al considerar una carga nivelada o muy cercana a 1 FTE,
Tabla 4. Análisis carga de trabajo con modificaciones (aplicación en manufactura)
Promedio Trij
Calificación
Calificación
# Ciclos (j)
Tpik (min)
Habilidad
habilidad
Esfuerzo
esfuerzo
Tnkim
Fckim
Tskim
Peim
Veki
Feki
Dki
Fki
N° Actividad (i)
Recibir el turno - informe de

1 5 15 4,93 1 Diario 1 1 B2 0,08 C2 0,02 0,1 5,43 0,14 6,18
novedades
Actualización general del
2 20 8 19,85 1 Diario 1 1 B2 0,08 C2 0,02 0,1 21,84 0,14 24,90
cuadro caída de jet
Recorrido por la planta para
3 hablar con los supervisores 10 10 9,96 1 Diario 1 1 B2 0,08 C2 0,02 0,1 10,96 0,14 12,49
para conocer novedades
Revisar los inventarios de tela
4 10 10 10,07 3 Diario 1 3 B2 0,08 C2 0,02 0,1 33,22 0,14 37,87
cruda
Revisar el cuadro de pedidos
5 5 15 4,88 20 Diario 1 20 B2 0,08 C2 0,02 0,1 107,29 0,14 122,31
del día
6 Asignar la tela a los pedidos 5 15 5,07 20 Diario 1 20 B2 0,08 C2 0,02 0,1 111,58 0,14 127,21
7 Programar las máquinas 5 15 4,85 22 Diario 1 22 B2 0,08 C2 0,02 0,1 117,45 0,14 133,89
Actualizar el cuadro caída
8 1 30 1,00 22 Diario 1 22 B2 0,08 C2 0,02 0,1 24,14 0,14 27,52
de jet
9 Programar reprocesos 5 15 5,04 2 Diario 1 2 B2 0,08 C2 0,02 0,1 11,08 0,14 12,63
Entregar turno - informar
10 5 15 4,85 1 Diario 1 1 B2 0,08 C2 0,02 0,1 5,34 0,14 6,08
novedades
Ttkim 511,09
Tdkim 460,00
FTE´s 1,11
Tdia k 511,09
Pkm -51,09
DISCUSIÓN
El algoritmo planteado se presenta como una propuesta para la cuantificación de las cargas
de trabajo por jornada laboral en diversos procesos y áreas de trabajo, con el efecto de
buscar su nivelación paralelamente a la conservación e incluso incremento de los niveles
de productividad, motivación y satisfacción laboral, lo anterior relacionado con los trabajos
desarrollados por Vardi (2009), Liederbach et al. (2011) y Locke et al. (2011). En la aplicación
del algoritmo propuesto mediante el estudio de cargas de trabajo, es posible detectar
oportunidades de mejora en los procesos analizados, las instalaciones y las herramientas
empleadas en su ejecución, lo que es considerado desde el punto de vista ergonómico por
Moriguchi et al. (2011).
CONCLUSIONES
El algoritmo para el cálculo de cargas de trabajo puede ser aplicado en empresas tanto de
manufactura como de servicios, como un elemento para analizar la distribución de actividades
frente a la productividad laboral, además de considerar el impacto en el clima laboral en áreas
con varios empleados que llevan a cabo el mismo cargo con funciones iguales o similares,
Una vez aplicado el algoritmo, algunas de las alternativas que se sugieren para nivelar las
48
cargas de trabajo son:

• Redistribuir actividades,
• Reasignación de trabajadores a otras áreas de trabajo,
• Definición de nuevas funciones,
• Identificación de oportunidades de mejora en el desarrollo de las labores,
• Evaluar las condiciones de trabajo observadas para mejorar la utilización del tiempo
por parte del trabajador,
• Establecer incentivos para mejorar el desempeño del trabajador,
• Realizar nuevamente la aplicación del algoritmo para verificar que las mejoras
presentan una respuesta positiva, bien sea en la disminución de la sobrecarga o
en el aprovechamiento del tiempo ocioso, comparando con los resultados obtenidos
inicialmente,
REFERENCIAS
CASO NEIRA, A. Técnicas de medición del trabajo, 2006. Madrid/Fundación Confemetal.
DIAZ, H. A. Medición de la gestión del talento humano y su incidencia en la competitividad de

la pequeña empresa, 2009. Bogotá/Universidad la Gran Colombia.
EUROCONTROL. Review of Workload Measurement, Analysis and Interpretation

Methods, 2003. [Disponible en]: <http://citeseerx.ist.psu.edu/viewdoc/
download?doi=10.1.1.121.3382&rep=rep1&type=pdf> [consulta: 2013-03-04].
GARCIA, R. Estudio del trabajo, 2005. México D.F./McGraw-Hill.
HEAPS, M., KELLEY, C., OLIVO, J., and VALENCIK, S. A continuous improvement approach
to support staff workload analysis: a case study. Information Technology, Learning, and
Performance Journal, 1999, vol. 17, no. 2, pp. 45-52.
HENDRY, L., LAND, M., STEVENSON, M., and GAALMAN, G. Investigating implementation
issues for workload control (WLC): a comparative case study analysis. International Journal
of Production Economics, 2008, vol. 112, no. 1, p. 452-469.
HUANG, L. H. Labour assignment and workload balance evaluation for a production line.
Estonian Journal of Engineering, 2009, vol. 15, no. 1, p. 34-47.
KELLER, J. Human performance modeling for discrete-event simulation: workload. In:

Proceedings of the Winter Simulation Conference, 2002. pp. 157-162.
LIEDERBACH, J., FRITSCH, E., and WOMACK, C. Detective workload and opportunities for
increased productivity in criminal investigations. Police Practice and Research, 2011, vol. 12,
no. 1, p. 50-65.
LOCKE, R., LEACH, C., KITSELL, F., and GRIFFITH, J. The impact on the workload of the ward
manager with the introduction of administrative assistants. Journal of Nursing Management,
2011, vol. 19, no. 2, pp. 177-185.
MORIGUCHI, C., ALEM, M., and COURY, H. Evaluation of workload among industrial workers
with the Need for Recovery Scale. Revista Brasileira de Fisioterapia, 2011, vol. 15, no. 2, p.
154-159.
NIEBEL, B., and FREIVALDS, A. Ingenieria Industrial: Métodos, estándares y diseño del
trabajo, 2004. Mexico D.F./Alfaomega.
OIT. Introducción al estudio del trabajo, 2011. Mexico D.F./Limusa.
49
RIGGS, J. Sistemas de producción, 2008. México D.F./Limusa.
USAID. Workload best practices: a methodology to analyze workload in public sector

organizations, 2011. [Disponible en]: <http://www.frp2.org/english/Portals/0/PDFs/WLA%20
summary%20E%20,OCT%2030,%202011.pdf> [consulta: 2013-03-02].
VARDI, I. The impacts of different types of workload allocation models on academic satisfaction
and working life. Higher Education, 2009, vol. 57, no. 4, p. 499-508.
VAZQUEZ, C. M., and BORRELL, R. M. Recursos humanos en salud en costa rica: información
actual y desafíos para una década, 2006. San José/Grupo Gráfico GLO.
ZANDIN, K. B., and MAYNARD, H. B. Manual del Ingeniero Industrial, 2005. México D.F./
McGraw-Hill.
50
ISSN Online 0718-8307 Comparación de tres metaheurísticas ….Guerrero et al.
COMPARACIÓN DE TRES METAHEURÍSTICAS PARA LA

OPTIMIZACIÓN DE INVENTARIOS CON ESTIMACIÓN DE
DEMANDA
COMPARISON OF THREE METAHEURISTICS TO OPTIMIZE
INVENTORIES WITH DEMAND ESTIMATION
Laura Margarita Guerrero Guerra1, Juan David Gómez Ruiz2, Diego León Zapata Ruiz3,
Marisol Valencia Cárdenas4,♦
RESUMEN
Dentro de las técnicas de solución a problemas complejos de optimización están las heurísticas
y las Metaheurísticas. Este trabajo presenta tres Metaheurísticas: Colonia de Hormigas,
Algoritmo Genético, y Programación Evolutiva, cuyo objetivo es establecer una comparación
de características, ventajas y desventajas para dichas Metaheurísticas. Se hace una revisión
de la literatura, así como también se diseñan los tres algoritmos en el software R, y se
aplican en una empresa de confecciones, evaluando el comportamiento de los parámetros,
tiempo de cálculo y la calidad en las soluciones. Los resultados experimentales muestran
que el Algoritmo Colonia de Hormigas obtiene adecuadas soluciones y tiene más rapidez
computacional, al compararlo con los otros dos procedimientos diseñados en el software R.
Además, con éste fue posible definir la mejor política de inventarios de la empresa objeto de
estudio.
Palabras clave: Optimización, Metaheurísticas, Modelos de Inventarios, Pronósticos.
ABSTRACT
Among the techniques for solving complex optimization problems are heuristics and
metaheuristics. This work presents three Metaheuristics: Ant Colony, Algorithm Genetic and
Evolutionary Programming, which aims to establish a comparison of features, advantages
and disadvantages for those Metaheuristics. A review of the literature is made, and also the
design of the three algorithms in R program, and they are applied to a confection company,
evaluating the performance in terms of its parameters, time calculation and quality solutions.
Experimental results show that the Ant Colony algorithm shows adequate solutions, as well
as it has more computational speed, when it is compared with the other two procedures
designed in software R. In addition, with this, it was possible to define the best policy inventory
of the company under study.
Keywords: Optimization, Metaheuristics, Inventory Models, Forecasts.
1
Ingeniera Industrial, Universidad Pontificia Bolivariana. Medellín. Colombia. lauramargarita.guerrero@upb.edu.co
2
Ingeniero Industrial, Universidad Pontificia Bolivariana. Medellín. Colombia. juandagr07@hotmail.com
3
Docente, Universidad Pontificia Bolivariana. Medellín. Colombia. diegozapata77@gmail.com
4
Docente de la Institución Universitaria Tecnológico de Antioquia. Medellín. Colombia. Phd. en Ingeniería-Industria y
organizaciones. mvalencia@unal.edu.co, solmarival@gmail.com
♦
Autor para correspondencia: mvalencia@unal.edu.co
Recibido: 16.03.2015 Aceptado: 18.01.2016
51
INTRODUCCIÓN
La optimización es importante en áreas como las matemáticas y la física, pero también a nivel
industrial, donde se encuentra la necesidad de optimizar recursos, espacios y operaciones,
para el cumplimiento de objetivos estratégicos. En dicha industria funcionan sistemas que
pueden modelarse para representar procesos como producción o inventarios.
La optimización es la selección de la mejor alternativa posible. Sus componentes se resumen

en: una función objetivo, como medida cuantitativa del funcionamiento del sistema que
se desea optimizar, variables de decisión que deberían tomarse de manera óptima para
encontrar el mejor valor de la función objetivo; y las restricciones, que representan el conjunto
de relaciones, expresadas mediante ecuaciones o inecuaciones que ciertas relaciones de
variables están obligadas a satisfacer (Silver, 2004).
En la industria manufacturera, la planificación de los inventarios juega un papel fundamental

para programar adecuadamente los niveles de producto terminado, con el fin de balancear
los excesos y los faltantes, además, proveer a la empresa una planeación adecuada de los
periodos de producción, evitando sobrecostos. Al respecto muchos autores han elaborado
modelos cuantitativos para lograr estados de optimalidad (Jianfeng et al., 2011; Kevork,
2010; Schwartz et al., 2006; Vidal et al., 2004). Valencia et al., (2015), han revisado trabajos
relacionados con optimización de inventarios, que cada vez con mayor frecuencia involucran
variables dinámicas, como la demanda. En éste, se presentan características de estos
modelos, como los tipos de costos, funciones objetivo, entre otros aspectos. También indican
que algunos de éstos trabajos han usado heurísticas como Tabú y algoritmos genéticos para
encontrar una minimización de costos o para optimizar la producción, pero no se muestran
comparaciones de diversas heurísticas, aplicadas en este mismo tipo de problemas, o
tampoco se ha visto el uso de la distribución Normal Truncada o el diseño algorítmico en
el software R, dentro de dichos algoritmos, como se pretende en este trabajo, que recopila
parte de los resultados de un proyecto de investigación en el tema de inventarios (Gómez &
Guerrero, 2014).
Los modelos de inventarios pueden ser estáticos, basados en promedios o condiciones es-
tables de la demanda, o dinámicos, con condiciones cambiantes en la demanda. En relación
a los modelos estáticos, Pasandideh et al. (2011), consideran un sistema con capacidad
limitada de espacio para almacenamiento, para el cual se desarrolla un algoritmo que per-
mite encontrar las cantidades de pedido y los niveles máximos de retraso, a partir del esta-
blecimiento inicial de un modelo de Cantidad Económica de Pedido (EOQ), a diferencia de
lo que es propuesto en este trabajo, ya que se considera una dinámica en las cantidades a
proveer cada periodo de tiempo. Nenes et al. (2010), consideran una demanda intermitente
y desigual, en miles de artículos diferentes, suministrados por proveedores distintos, la cual
modelan con ayuda de las distribuciones Gamma y Poisson. En este sentido, se quiere pro-
bar en este estudio, si una metaheurística que usa muestreo estadístico puede dar solu-
ciones aproximadas pero rápidas para estos sistemas, en especial, sobre una optimización
de inventarios en industrias manufatureras y qué tan buenas son al comparar tres algoritmos
diferentes.
Silver (2004) define una heurística como un método que, sobre la base de la experiencia o
de un juicio, puede producir una solución razonable a un problema, pero que no se puede
garantizar que produzca la solución matemáticamente óptima. Entre la heurística y la me-
taheurística hay una diferencia; “Una metaheurística es un proceso maestro iterativo que
guía y modifica las operaciones de heurísticas subordinadas para producir eficientemente
soluciones de alta calidad” (Silver, 2004), luego, se espera encontrar mejores soluciones con
el segundo procedimiento, pues demás puede proporcionar alternativas de solución más
prácticas, en casos en que los problemas sean complejos de resolver por algoritmos exactos
(Winker & Gilli, 2004)the solutions to these simplified problems might not be satisfying. A dif-
ferent approach consists in applying optimization heuristics such as evolutionary algorithms
(simulated annealing, threshold accepting. El origen de las metaheurísticas se puede encon-
52
trar en la inteligencia artificial y en la investigación de operaciones (Blum et al., 2011), pero

también permiten combinar procesos de simulación para la búsqueda de mejores soluciones
(Valencia et al., 2015). Este trabajo se basa en una comparación de tres técnicas metaheu-
rísticas: Colonia de Hormigas, Algoritmos Genéticos y Programación Evolutiva, realizando un
paralelo de manera cualitativa, acorde con las características, ventajas y desventajas, rese-
ñadas en la literatura; segundo se diseñan los tres algoritmos en el programa R, y se aplican
a la optimización de un modelo inventarios de una empresa de manufactura del sector de
confecciones de Colombia. Se indica al final, cuál es más eficiente para proveer soluciones,
agilidad computacional, y se compara con relación al comportamiento si la empresa hubiese
planeado acorde con la solución dada por el algoritmo propone de forma óptima.
La tabla 1 muestra la definición, características, ventajas y desventajas que presentan los

algoritmos: Colonia de Hormigas, Algoritmo Genético, Programación Evolutiva. Esto permite
realizar el comparativo cualitativo de características, ventajas y desventajas, estableciendo
un paralelo entre éstas.
Además, entre las aplicaciones comunes a las tres técnicas, está el problema del agente
viajero, enrutamiento de vehículos, asignación de tareas, pero no en muchos casos, opti-
mización de inventarios (Urrea & Torres, 2006). De esta revisión, se puede concluir que el
algoritmo ACO presenta más organización, maneja memoria, actualización de sus parámet-
ros, y un método que permite construir un camino de soluciones con aparente muy buena
convergencia, en comparación con los otros dos, que pueden quedarse en simulaciones sin
que se guarde necesariamente memoria de su recorrido, lo cual haría que se reprocesen los
mismos puntos una y otra vez, aumentando el tiempo de cómputo.
53
Tabla 1. Comparativo cualitativo sobre las tres metaheurísticas
54
METODOLOGÍA
Se realiza en primer lugar, un análisis estadístico en el cual se solucionan problemas de
atípicos y variabilidad de las ventas de producto terminado de la empresa de confecciones
en estudio, y se estima un modelo de regresión, que propone el pronóstico de la demanda de
dichas ventas para el año 2013, dado por zt, partiendo de la ecuación general dada por (6).
(6)
Varios modelos son evaluados, con la ayuda del software R (R Core Team, 2014), de acuerdo
con la significancia de sus variables, el cumplimiento de los supuestos de los residuos:
incorrelación, Distribución Normal y varianza constante; y se evalúa el indicador MAPE
(Error Medio Absoluto Porcentual), que se espera sea muy bajo. Utilizando la ecuación de
pronósticos final, se procede a calcular los pronósticos de las demandas mensuales de
la referencia en cuestión, para el año 2013. Con base en éstos, se inicia el proceso de
optimización del modelo de inventarios expresado en las ecuaciones (7) a (14), usando las
metaheurísticas explicadas a continuación.
Diseño de Metaheurísticas
A continuación, se muestra el procedimiento general para cada una de las metaheurísticas:

Algoritmo Colonia de Hormigas (ACO), Algoritmo genético (GA) y Algoritmo de Programación
Evolutiva (EP), aplicadas a la optimización del modelo de inventarios, cuyos parámetros y
variable de decisión se definen así:
55
Datos:
t = 1, 2, 3, 4, … , N (N es el total de períodos de estudio). En el caso de estudio, N=10
Ct = Costo de producción unitario
Ht = Costo de almacenamiento unitario (por período)
Ft = Costo por faltante unitario (por período)
Dt = Demanda en el período t
It-1 = Inventario final del período anterior
Variables:
Xt = unidades a producir en el período t, variables de decisión.
It = Inventario final en el período t.
St = Número de faltantes en el período t.
Función Objetivo:
(7)
Sujeto a:
1. Balance de inventarios
Sea (8)

Si entonces (9)
(10)

Sino (11)

(12)

2. Nivel de faltantes
(13)

3. Límite de producción
(14)

En (13), se busca fijar un porcentaje para establecer que los faltantes no pueden exceder el
10% de la demanda, para ser almacenado, y con ello, proveer un mejor cubrimiento. Este
problema, junto con los pronósticos de demanda de 2013, son ingresados en la herramienta
R. Los pasos comprendidos por cada uno de estos algoritmos se explican a continuación:
Colonia de Hormigas (ACO)
Los pasos del procedimiento algorítmico se resumen en la figura 1 y se detallan en la

explicación por pasos posterior.
56
Figura 1. Diagrama de flujo del algoritmo ACO
La descripción de cada uno de los pasos para el algoritmo ACO, diseñado en el programa
R, son:
Paso1. Se definen los parámetros y datos iniciales, así:

a. Inventario inicial (I0)
b. Costo unitario de producción (Ct)
c. Costo unitario de mantener (Ht)
d. Costo unitario por faltante (Cfal)
e. Valor inicial de la feromona (fer)
f. α (importancia de la traza de feromona)
g. β (importancia de la visibilidad)
h. ρ (tasa de evaporación)
i. Número avances que puede realizar la hormiga
j. Vector de demanda pronosticada, Dt (1x10): 10 valores de demanda para el año 2013.
Paso 2. Generación del punto de partida de la hormiga, y de los posibles puntos hacia los
cuales se puede desplazar. Cada punto comprende un vector de 10 cantidades a producir,
una para cada mes del año (hasta octubre para el caso de estudio). Para generarlas, se
utiliza una variable aleatoria normal truncada con las siguientes características:
- : Valor mínimo igual al 90% del valor de la demanda pronosticada para cada
mes
- :Valor máximo igual a la suma de las demandas mensuales pronosticadas

del año, a partir del mes para el cual se determina la producción.
- : Media de la distribución de probabilidad Normal Truncada, igual a la demanda

mensual pronosticada.
57
- : Desviación estándar igual a uno.
La variable de decisión Xt, mensual es el promedio de una muestra de 100 datos. Con el
objeto de identificar variaciones en los resultados generados por el algoritmo, se plantean
4 escenarios de acuerdo con el valor de la desviación estándar de la distribución Normal
Truncada (μ, σ, a, b), así: 1, 5, 10, 15. Escenarios que se consideran para la exploración
en las tres técnicas heurísticas, de tal forma que permitan establecer comparaciones de los
resultados.
Paso 3. Cálculo de la probabilidad de transición para todos los puntos de avance: Xt del
espacio de búsqueda, así: (Dorigo & Blum, 2005) Para ello,
se utiliza el valor de la feromona y las distancias entre cada uno de ellos y el punto de partida.
Seguido, se calculan las probabilidades acumuladas ACO para todos los puntos de avance
de la variable Xt.
Paso 4. Generación de un número aleatorio, con distribución uniforme entre 0 y 1.
Paso 5. Selección del punto hacia el cual se va a desplazar la hormiga, si el número

aleatorio es inmediatamente mayor a la probabilidad acumulada, se elige el punto de avance
correspondiente a esta probabilidad.
Paso 6. Actualización de la feromona, utilizando el valor de la distancia entre el punto de

partida y el punto de avance elegido con: .
Paso 8. Cálculo del costo total, inventarios finales y faltantes, la función objetivo, dados por
las ecuaciones (7) a (14).
Paso 9. Creación de una lista de memoria, a partir de la mejor solución encontrada por el
software: se repite el proceso anterior para generar una nueva solución y, si ésta es mejor
que la que se tenía, se incluye en la lista; de lo contrario, se desecha. Así, se van generando
nuevas soluciones que sólo son almacenadas si generan una mejor solución que las que se
encuentran en la lista. Esta búsqueda se asemeja al proceso Tabú propuesto en (Valencia et
al., 2014) ; y se repite durante m iteraciones.
Paso 10. Al finalizar la búsqueda Tabú, el programa muestra la solución que más optimiza la
función objetivo, la minimización de costos.
Algoritmo Genético (GA)

58
Figura 2. Diagrama de Flujo del Algoritmo Genético
Los pasos para el algoritmo genético, diseñado en el programa R, son:
Paso 1. Se definen los parámetros del a. al d. del algoritmo ACO, y además, se lee la
demanda pronosticada.
Paso 2. Generación de una población inicial de P parejas de padres, donde cada padre
está conformado por un vector de n cantidades a producir (10 en el caso de estudio). Para
su generación, se utiliza la misma variable aleatoria normal truncada del algoritmo ACO.
Luego, estas cantidades a producir son convertidas a números binarios, dependiendo de la
condición: ser menor (se cambian por ceros); o mayor (se cambian por unos) a la demanda
pronosticada para el mes correspondiente.
Paso 3. Cruzamiento de P parejas de padres para generar P parejas de hijos. Para cada
pareja de padres (padre 1 y padre 2), se generan n probabilidades equitativas (10, en el
caso de estudio) y se calculan sus probabilidades acumuladas. A continuación, se genera
un número aleatorio con distribución uniforme entre 0 y 1, y se contabiliza el número de
probabilidades acumuladas que están por debajo de éste, lo cual permite determinar el punto
de cruce entre los componentes que cada padre transmite a los hijos.
Paso 4. Generación de P parejas de hijos, de acuerdo con el punto de cruce definido

anteriormente. Si (n) es el número de probabilidades acumuladas por debajo del número
aleatorio, entonces (n) es el número de componentes que el hijo 1 hereda del padre 1, de
izquierda a derecha, y (10 – n) los que hereda del padre 2. Para el hijo 2, sucede lo contrario,
hereda (10 – n) del padre 1 y (n) del padre 2. Así sucede con cada pareja de padres y su
respectiva pareja de hijos.
Paso 5. Conversión de hijos a cantidades a producir. Los componentes de cada hijo se

cambian a valores reales utilizando la misma variable aleatoria normal truncada del numeral
b, con la siguiente condición: para aquéllos que son cero, los 100 números generados se
deben encontrar entre el 90% de la demanda pronosticada y el 100% de ésta, mientras que,
para aquéllos que son uno, el valor mínimo es el 100% de la demanda y el máximo es la
suma de las demandas restantes del año.
59
Paso 6. Calcular inventarios finales y los faltantes, por mes, a partir de las restricciones de
balance de inventarios; con ello, calcular el costo total, sumando el costo de unidades a
producir, el de unidades de inventario final y faltantes, correspondientes a cada hijo, en la
función objetivo.
Paso 7. Selección del mejor hijo, como aquél que minimiza la función objetivo, o genera el
menor costo total.
Paso 8. Generación de m mejores hijos, al repetir los pasos anteriores durante m iteraciones.
Paso 9. Evaluación de los m mejores hijos en la función objetivo y selección del mejor hijo,
que constituye la primera solución al problema de minimización de costos.
Paso 10. Mutación de los mejores hijos, cambiando los componentes que tienen en ceros
por unos, y viceversa.
Paso 11. Evaluación de hijos mutados en la función objetivo y selección del mejor hijo mutado,
que constituye la segunda solución al problema.
Paso 12. Comparación de la solución 1 y la solución 2. La mejor es la solución final al

problema de minimización.
Programación Evolutiva (EP)
A diferencia del algoritmo anterior, en este no se consideran variables binarias, se adiciona

mutación sobre los padres, y la nueva población de padres se conforma por padres e hijos.
Figura 3. Diagrama de Flujo del Algoritmo de Programación Evolutiva
Los pasos para éste algoritmo, diseñado en el programa R, son:
Paso 1. Se definen los parámetros del a. al d. del algoritmo ACO, y además, la demanda
pronosticada.
60
Paso 2. Generación de una población inicial de P número de padres, donde cada padre está
conformado por un vector de n posibles cantidades a producir (10 en el caso de estudio),
obtenidas a partir de la misma variable aleatoria normal truncada usada para Colonia de
Hormigas y Algoritmo Genético.
Paso 3. Mutación de P número de padres para generar P número de hijos. Cada padre
es mutado al sumarle la cantidad correspondiente al coseno de un número generado
aleatoriamente, de manera que se obtiene un hijo completamente diferente a su padre.
Paso 4. Definición de la nueva población, compuesta por ambas generaciones. Padres e

hijos pasan a formar parte de la población cuyo desempeño va a ser evaluado, con el objeto
de determinar quién genera el menor costo.
Paso 5. Calcular inventarios finales y de los faltantes, por mes, a partir de las restricciones de
balance de inventarios y de las cantidades a producir Xt correspondientes a cada individuo;
con ello, calcular del costo total generado por cada individuo, al evaluar el costo de unidades
a producir, del inventario final y de faltantes, en la función objetivo.
Paso 6. Selección del mejor individuo, aquél que minimiza la función objetivo, o genera el
menor costo total.
Paso 7. Generación de m mejores individuos, al repetir los pasos anteriores durante m

iteraciones.
Paso 8. Evaluación de los m mejores individuos en la función objetivo y selección del mejor
de ellos, que constituye la primera solución al problema de minimización de costos.
Paso 9. Creación de una lista de mejores soluciones, encabezada por la primera solución
(determinada en el paso anterior): se repiten los pasos para generar un nuevo mejor individuo.
Éste se compara con la primera solución al problema de minimización y, si genera un menor
costo, entonces es incluido en la lista. De lo contrario, se desecha. El proceso se repite hasta
completar una lista de m soluciones.
Paso 10. Desempeño de los individuos incluidos en la lista. Todas estas soluciones son
evaluadas en la función objetivo, para elegir a la genera el menor costo, la cual se convierte
en la segunda solución para el problema de minimización.
Paso 11. Comparación de la solución 1 y la solución 2. Aquélla que minimiza la función

objetivo en mayor medida constituye la solución final al problema de minimización de costos
de inventario.
Algunos autores no crean mutaciones en todos los individuos, a diferencia de lo que se crea
aquí, donde se mutan todos los individuos de cada población.
RESULTADOS
A partir de lo expuesto en la metodología, se procede a aplicar, en primera instancia, un
análisis tentativo de la serie correspondiente a las ventas de la referencia estudiada, desde
enero de 2007 hasta diciembre de 2012, con el objeto de identificar las características de los
datos que se pretenden modelar y generar un modelo de pronósticos adecuado. Este análisis
comprende inicialmente la detección de outliers y el análisis descriptivo de la serie.
Generación del Modelo de Pronósticos

Teniendo en cuenta transformaciones en la variable endógena Ventas, tendencias lineales
y cuadráticas, un rezago de orden 1, variables ficticias y funciones trigonométricas para la
61
modelación de la variación estacional, se exploraron diferentes modelos y se encontró el que

se presenta en la tabla de Análisis de Varianza o ANOVA (tabla 1), observando, que todas las
variables incluidas en el modelo fueron significativas ya que el valor P es menor al nivel 5%.
Tabla 1. Tabla de Análisis de Varianza (ANOVA).

Sum Sq Df F value Pr(>F)
(Intercept) 0,2624 1 2,6872 0,10720
t2 0,6978 1 7,1471 0,01001
L(serie, 1) 0,4367 1 4,4730 0,03925
Nivel 3,9094 2 20,0197 3,571e-07
T 0,0716 1 0,7330 0,39583
Mes 2,2324 11 2,0785 0,03883
Nivel: t 0,9988 2 5,1148 0,00938
Residuals 5,0772 52
Además, se cumplen los supuestos sobre la distribución normal, varianza constante e

incorrelación en los residuos, y se obtiene el menor MAPE de todos los modelos analizados
durante la exploración, correspondiente al 21,01%.
De acuerdo con lo anterior, y utilizando los parámetros estimados a través del software R, el
modelo de predicción final para la referencia estudiada es la siguiente:
= 0,508 + 0,066*t2 + 0,166* Zt-1 + 2,139*In2 + 2,867*In3 – 0,1267*t – 0,256* Im8 – 0,092 *
Im12 – 0,3758*Im1– 0,317*Im2 – 0,144*Im7 – 0,318* Im6 – 0,067* Im3 – 0,413* Im5 – 0,617*
Im11 – 0,343* Im10 – 0,558*Im9 – 0,345In2:t – 0,362In3:t
Dónde:
= log. Natural (siendo las ventas o demanda pronosticada)
Zt-1: retardo de orden 1 en el log. Natural
In2, In3: indicadoras de los niveles de ventas medio (2) y alto (3).
I m1, I m2, I m3, I m5, I m6, I m7, I m8, I m9, I m10, I m11, I m12: Indicadoras de los meses desde enero hasta
diciembre, excluyendo abril.
I n2:t, I n3:t: interacciones nivel 2: tiempo y nivel 3: tiempo.
Con esta ecuación final, se procede a calcular los pronósticos de las ventas mensuales para
el año 2013, que son entrada para el proceso de optimización de inventarios.
Optimización de inventarios a partir de las técnicas heurísticas seleccionadas

Utilizando los pronósticos de las demandas mensuales para 2013, se realiza la minimización
de los costos de inventario a través de las tres técnicas seleccionadas. Para cada una de
ellas, se definen los parámetros y datos vistos en la tabla 2. Los costos se presentan en
pesos colombianos (COL $)
62
Tabla 2. Parámetros iniciales de Colonia de Hormigas.
Inventario Inicial 25
Costo unitario de producción (Ct)-(COL $) 82.490,00
Costo unitario de mantener (Ht) (COL $) 19.787,18
Costo unitario por faltante (Cfal) (COL $) 707.510,00
Feromona Inicial (ACO) 1,2
α (ACO) 1
β (ACO) 0,5
ρ (ACO) 0,5
Avances (ACO) 10
La información relacionada con el inventario inicial y los costos de producción, mantenimiento

y por faltantes, fue suministrada por la empresa. Para el algoritmo ACO, se tuvieron en
cuenta valores de parámetros que han sido usados previamente en la literatura. Finalmente,
los puntos de avance de ACO, se asignó un valor de diez con el objeto de generar 10
oportunidades de desplazamiento para la hormiga, en busca de mejores soluciones.
Se propone comparar resultados generados por los tres algoritmos, en términos de costos,
porcentaje de cumplimiento de la demanda y el tiempo de ejecución, partiendo del pronóstico
de ventas de 2013. Con el fin de validar la eficacia de los resultados de cada algoritmo, el
inventario final real se recalculó a partir de las ventas reales del 2013. Esto permite determinar
tanto el servicio, como los costos reales finales si se produjeran estas cantidades propuestas.
Comparativo de las metaheurísticas
Colonia de Hormigas
En cada una de las técnicas se evaluaron cuatro escenarios, donde sólo se modificó la
desviación estándar de la distribución normal truncada usada para la búsqueda aleatoria de
las variables de decisión. En la tabla 3 se muestran los resultados de todos los escenarios.
Tabla 3. Comparación de los escenarios 1, 2, 3, 4 de inventario final de ACO.
COSTO TOTAL CUMPLIMIENTO

ESCENARIO
(COL$) (%)
1 (desviación = 1) 25.523.299,00 100
2 (desviación = 5) 29.432.178,00 100
3 (desviación = 10) 36.415.275,00 100
4 (desviación = 15) 43.150.901,00 100
Todos los escenarios generan inventario final cada mes, cumpliendo con la demanda
mensual, por lo tanto, la demanda total en un 100%. Sin embargo, los inventarios finales de
los escenarios 2, 3 y 4, tienen una tendencia creciente a lo largo del tiempo, lo cual implica
mayores costos. El escenario 1, en cambio, mantiene unos niveles de inventario estable y
presenta el menor costo total de todos, por lo cual se elige como el mejor escenario, de la
técnica ACO.
63
Algoritmo Genético
Tabla 4. Comparación de los escenarios 1, 2, 3, 4 de inventario final de AG.

ESCENARIO
(COL$) (%)
1 (desviación = 1) 24.438.084,00 100
2 (desviación = 5) 22.947.103,00 100
3 (desviación = 10) 22.947.103,00 100
4 (desviación = 15) 22.828.380,00 100
En el caso de Algoritmo Genético, se observa que todos los escenarios presentan un 100%
de cumplimiento de la demanda y que sus inventarios finales tienden a disminuir a lo largo del
tiempo. Tomando como referencia el costo total generado, el mejor escenario es el 4, aunque
cabe resaltar que sus resultados son muy similares a los de los escenarios 2 y 3.
Programación Evolutiva
La tabla 5 muestra los escenarios al variar las desviaciones estándar de la distribución normal
truncada usada para la búsqueda de la variable de decisión.
Tabla 5. Comparación de los escenarios 1, 2, 3, 4 de inventario final de PE.

ESCENARIO
(COL$) (%)
1 (desviación = 1) 23.593.660,00 100
2 (desviación = 5) 27.842.260,00 100
3 (desviación = 10) 34.363.570,00 100
4 (desviación = 15) 41.099.200,00 100
Los escenarios de Programación Evolutiva muestran un comportamiento similar a los de

Colonia de Hormigas ya que, a medida que se incrementa la desviación estándar, el costo
total de inventarios va aumentando también. De acuerdo con esto, el escenario 1 es el que
mantiene menores niveles de inventario a través del tiempo, presentando así el menor costo
total.
Tabla 6. Comparación de los mejores escenarios ACO – AG – PE.

MÉTODO TIEMPO EJECUCIÓN
(COL$) (%)
ACO 25.523.299,00 100 2s
AG 22.828.380,00 100 34 s
PE 23.593.660,00 100 40 s
Finalmente, se comparan los resultados de los mejores escenarios de cada una de las
técnicas. Todos logran cumplir con un nivel de servicio del 100%. Sin embargo, Algoritmo
Genético es el que logra generar el menor costo total, siendo éste de COL$ 22.828.380,
contrario a Colonia de Hormigas, cuyo costo total es de COL$ 25.523.299,00. Este hallazgo
64
puede deberse a que el uso de la variable binaria puede no ser afectado significativamente
por los cambios de varianza en la búsqueda de soluciones, y se queda en un mismo espacio,
mientras que los otros sí, lo cual en otros problemas podría no ser lo más conveniente.
En este caso, dado que el tiempo de ejecución no es el menor, pero que sigue siendo
considerablemente pequeño y que logra minimizar el costo total de inventarios en mayor
medida, el Algoritmo Genético sería la mejor opción para la optimización de los costos de
inventarios, en las condiciones establecidas.
Validación del problema real
Aquí se busca validar cuantitativamente los resultados de la optimización realizada con las
tres técnicas, usando la demanda real de 2013, determinando cuáles son los costos reales
generados por cada algoritmo, al comparar las cantidades propuestas a producir con respecto
a las cantidades reales demandadas.
La empresa proporcionó las ventas, los inventarios finales reales y la producción real
durante 2013, hasta el mes de octubre, a partir de los cuales se calculan los costos totales
mensuales de sus inventarios. La tabla 7 muestra los valores encontrados si se produce con
las cantidades simuladas.
Tabla 71. Escenarios 1, 2, 3, 4, 5 y el real de inventario final de ACO.
El costo total real, generado por la gestión de inventarios para la empresa durante 2013 (hasta
octubre), fue de $37.254.842,26, con un porcentaje de cumplimiento de la demanda del 100%
(tabla 10), en la cual se observa que durante todos los meses se generó inventario final en
lugar de faltantes. El que más disminuye dicho valor real es el escenario 5, con desviación 11,
cuyo porcentaje de cumplimiento es del 100% y su costo total es de $33.335.157,12, menor
que el costo del escenario 3. Éste se convierte, finalmente, en el mejor escenario generado
por Colonia de Hormigas.

ESCENARIO
(COL$) (%)
1 (desviación = 1) $ 64.944.499,58 83,04
2 (desviación = 5) $ 52.765.522,94 89,29
3 (desviación = 10) $ 33.798.538,40 99,70
4 (desviación = 15) $ 39.806.867,48 100
5 (desviación = 11) $ 33.335.157,12 100
Real 2013 $ 37.254.842,26 100
Así mismo se procede para las otras dos metaheurísticas, y se encuentran resultados
similares al de ACO, pero ninguno menor (Tabla 8). Para el Algoritmo Genético, el mejor
escenario fue definir la media con un 25% mayor a la demanda mensual pronosticada y con
desviación estándar = 1, para la distribución normal truncada, generando un costo total de
$33.414.305,84, y un 100% de cumplimiento de la demanda total real. Para Programación
Evolutiva, el mejor escenario se encuentra al definir una desviación estándar 12, cumpliendo
la demanda en un 100%, generando cero faltantes en cada mes y presentando un costo total
de $33.935.455,08, menor al costo total real de 2013.
65
Tabla 8. Comparación final de los mejores escenarios ACO – AG – PE.
COSTO TOTAL CUMPLIMIENTO TIEMPO

MÉTODO
(COL$) (%) EJECUCIÓN
ACO $ 33.335.157,12 100 2s
AG $ 33.414.305,84 100 34 s
PE $ 33.935.455,08 100 40 s
Según los resultados de las 3 metaheurísticas, vistos en la tabla 3, se generaron costos totales
similares, pero menores al costo real generado en 2013, correspondiente a $37.254.842,26,
y con un 100% de cumplimiento de la demanda real. Sin embargo, el menor costo total
se presentó con la técnica Colonia de Hormigas, generando un ahorro de $3.919.685,14,
correspondiente al 10,38% del costo total real de los inventarios durante 2013. Además, ACO
fue el algoritmo con menor tiempo de ejecución, siendo éste igual al 5,88% del tiempo de
ejecución de Algoritmo Genético y al 5% del tiempo de ejecución de Programación Evolutiva.
DISCUSION
Los parámetros elegidos para el algoritmo ACO han sido producto de una revisión de diversas
investigaciones, en especial, de Dorigo and Blum, (2005) y de Blum (2005), las cuales resaltan
el proceso constructivo de dicha técnica para encontrar buenas soluciones, pero no realizan
una comparación con respecto a Algoritmos Genéticos (AG) y Programación Evolutiva (PE),
como se establece aquí. Otras investigaciones como la de Silver (2004) revisa características
generales de heurísticas, pero no propone el mismo comparativo realizado en este trabajo,
y ninguno de estos lo enfoca en la planeación de una política de inventarios usando éstas
metaheurísticas.
El algoritmo de Colonia de Hormigas (ACO) mostró tener la organización, parámetros y

estrategias apropiadas para realizar una búsqueda que converge en una solución cercana a
la óptima, obteniendo la mejor política de inventarios para el caso de estudio, en relación a lo
que ocurrió en el escenario real, y a los otros dos algoritmos comparados: Algoritmo Genético
(AG) y Programación Evolutiva (PE). La propuesta de optimización con metaheurísticas
constituye una innovación para la empresa, que sólo consideraba una predicción de
demandas en su planeación, lo cual representa para ésta, un mejoramiento de sus procesos.
De la revisión realizada, también se aprecian campos inexplorados sobre las aplicaciones de

distribuciones probabilísticas que difieran de las usadas por ACO; AG o PE, como quizá, las
bayesianas.
CONCLUSIONES
El comparativo permitió encontrar similaridades entre las metaheurísticas, como el uso de
distribuciones de probabilidad en los tres algoritmos, así como aproximaciones a una solución
aproximada. Se encontraron también diferencias entre éstas, como la forma de orientar
la solución, pues Algoritmos Genéticos y Programación Evolutiva muestran poblaciones
grandes de valores de soluciones, explorando más opciones, mientras que ACO realiza un
direccionamiento de la búsqueda de puntos de las técnicas estudiadas. También se encuentra
que la programación en el programa R tiene ventajas en cuanto a su flexibilidad, permitiendo
más modificaciones a los algoritmos diseñados en este trabajo, además, los pasos que se
han presentado, pueden reproducirse también en otros programas.
El Algoritmo Genético diseñado en el programa R, logró disminuir en mayor medida los

costos totales de inventarios, proporcionando órdenes de producción, y menores cantidades
66
de inventarios finales que las demás técnicas, con un costo inferior de los demás costos
generados con las otras dos metaheurísicas. A pesar de que AG usa una representación
binaria y tiene mecanismos de cruce y de mutación, contrario a PE, que trabaja directamente
con vectores de valores reales y no utiliza el operador cruce, AG presentó un tiempo de
ejecución menor a PE.
En el caso de los resultados arrojados por los algoritmos en relación con la demanda real del
año 2013, se concluye que todos logran generar costos totales menores al costo real de los
inventarios para Industrias Pétalo. Sin embargo, la metaheurística ACO arroja los mejores
resultados, presentando un costo total menor del obtenido con AG y PE; además, genera
un ahorro del 10,38% del costo real de la empresa hasta el mes de octubre de 2013, con un
servicio del 100%.
REFERENCIAS
AGUSTÍN, José Luis. Aplicación De Algoritmos Genéticos Al Diseño Óptimo De Sistemas De
Distribución De Energía Eléctrica. Tesis Doctoral. Universidad de Zaragoza, 1998.
BLUM, Christian., 2005. Ant colony optimization: Introduction and recent trends. In : Physics
of Life Reviews, 2005, vol. 2, no. 4, p. 353‑373.
BLUM, Christian., PUCHINGER, Jakob., RAIDL, Günther R., and ROLI, Andrea. Hybrid
metaheuristics in combinatorial optimization: A survey. Applied Soft Computing, 2011, Vol. 11,
no 6, p. 4135‑4151.
COELLO, Carlos. Introducción a la computación evolutiva. Centro de Investigación y de

Estudios Avanzados del I.P.N., (notas de curso), 2014. [citado: abril 2013]. [Disponible en]:
https://www.cs.cinvestav.mx/~EVOCINV/tutorials/computacionevolutiva..htm#com
DAS, Swagatam., MALLIPEDDI, Rammohan., and MAITY, Dipankar. Adaptive evolutionary

programming with p-best mutation strategy. Swarm and Evolutionary Computation, 2013,
vol. 9, p. 58‑68.
DORIGO, Marco., and BLUM, Christian. Ant colony optimization theory: A survey. Theoretical
Computer Science, 2005, vol. 344, no. 2, p. 243‑278.
DORIGO, Marco., and GAMBARDELLA, Luca Maria. Ant colonies for the travelling salesman
problem. Biosystems, 1997, vol. 43, no. 2, p. 73‑81.
GOMME, Paul., and HARRALD, Paul G. Applying evolutionary programming to selected set
partitioning problems. Fuzzy sets and systems, 1998, vol. 95, no. 1, p. 67-76.
GOMEZ, Juan., and GUERRERO, Laura. Exploración de tres técnicas heurísticas para
la optimización de inventario caso de estudio: Empresa Antioqueña. Directores: ZAPATA,
Diego., VALENCIA, Marisol. Trabajo de Grado, Universidad Pontificia Bolivariana, 2014.
<http://editio.upb.edu.co/janium-bin/detalle.pl?Id=20160811092146.>
HOLLAND, John. Algoritmos Genéticos. Investigación y Ciencia, 1992, vol.192, p. 38‑45.
JIANFENG, Huang., JINGYING, Zhao., and XIAODONG, Wu. Research on the Optimization
Strategy of Maintenance Spare Parts Inventory Management for Petrochemical Vehicle.
International Conference on Information Management, Innovation Management and Industrial
Engineering. IEEE, 2011, p. 45-48.
KEVORK, Ilias S., Estimating the optimal order quantity and the maximum expected profit for
single-period inventory decisions. Omega, 2010. vol. 38, no. 3, p. 218‑227.
67
NENES, George., PANAGIOTIDOU, Sofia., and TAGARAS, George. Inventory management

of multiple items with irregular demand: A case study. European Journal of Operational
Research, 2010, vol. 205, no. 2, p. 313-324.
PASANDIDEH, Seyed Hamid Reza., NIAKI, Seyed Taghi Akhavan., and NIA, Ali Roozbeh.
A genetic algorithm for vendor managed inventory control system of multi-product multi-
constraint economic order quantity model. Expert Systems with Applications, 2011, vol. 38,
no. 3, p. 2708‑2716.
R CORE TEAM. A Language and Environment for Statistical Computing. Vienna, Austria : R
Foundation for Statistical Computing. [Disponible en] : <http://www.r-project.org/.> [citado Dic
2013].
SÁEZ, Yago., ISASI, Pedro., and SEGOVIA, Javier. Interactive Evolutionary Computation
algorithms applied to solve Rastrigin test functions. Soft Computing as Transdisciplinary
Science and Technology. Springer Berlin Heidelberg, 2005. p. 682-691.
SCHWARTZ, Jay D., WANG, Wenlin., and RIVERA, Daniel E. Simulation-based optimization
of process control policies for inventory management in supply chains. Automatica, 2006,
vol. 42, no. 8, p. 1311‑1320.
SILVER, Edward Allen. An overview of heuristic solution methods. Journal of the Operational

Research Society, 2004, vol. 55, no. 9, p. 936-956.
URREA, Andrea., and TORRES, Fidel. Optimización de una política de inventarios por medio
de búsqueda Tabú. En III Congreso colombiano y I Conferencia Andina internacional, 2006,
p. 8.
VALENCIA, Marisol., GONZÁLEZ, Daniela., and CARDONA, Juan E. Metodología de un

modelo de optimización para el pronóstico y manejo de inventarios usando el metaheurístico
Tabú. In : Revista Ingeniería, 2014, vol. 24, no. 1, p. 13‑27.. [Disponible en]: <http://www.
revistas.ucr.ac.cr/index.php/ingenieria/issue/view/1426> [citado: junio de 2014]
VALENCIA, Marisol., DÍAZ, Francisco J., and CORREA, Juan Carlos. Planeación de
inventarios con demanda dinámica. Una revisión del estado del arte. Revsita DYNA, 2015,
vol. 82, no. 190, p. 182‑191.
VIDAL, Carlos., LONDOÑO, Julio C. and CONTRERAS, Fernando. Aplicación de Modelos

de Inventarios en una Cadena de Abastecimiento de Productos de Consumo Masivo con una
Bodega y N Puntos de Venta. Ingeniería y Competitividad, 2004. vol. 6, no. 1, p. 35‑52.
WINKER, Peter., and GILLI, Manfred. Applications of optimization heuristics to estimation

and modelling problems. Computational Statistics and Data Analysis, 2004, vol. 47, no. 2,
p. 211‑223.
68
ISSN Online 0718-8307 Evaluación ergonómica .... Valdenebro et al.
EVALUACIÓN ERGONÓMICA DE UN PUESTO DE TRABAJO

EN EL SECTOR METALMECÁNICO
ERGONOMIC EVALUATION OF A WORKPLACE IN A

METAL-MECHANIC SECTOR
Larissa Valdenebro Olea1, Mauricio López Acosta1,♦, Aarón Fdo. Quirós Morales1,
Luis Carlos Montiel Rodríguez1, Jesús Enrique Sánchez Padilla1.
RESUMEN
Se presenta un estudio descriptivo para la evaluación ergonómica de un puesto de trabajo
realizado en una empresa del sector Metalmecánico, que tuvo como propósito identificar los
factores de riesgo de tipo músculo-esquelético para los trabajadores y el nivel de riesgo de
los mismos. Para ello se utilizaron los métodos de evaluación del Instituto Nacional para la
Seguridad y Salud Ocupacional (NIOSH) el cual permite evaluar tareas en las que se realizan
levantamientos de carga, ofreciendo como resultado el peso máximo recomendado, y el
método OWAS (Sistema de Análisis de Posturas de Trabajo Ovako) que basa sus resultados
en la observación de las diferentes posturas adoptadas de espalda, brazos y piernas por el
trabajador, además del peso de la carga durante el desarrollo de su tarea, encontrándose
evidencia que las posturas adoptadas en la tarea tienen posibilidad de causar daño al sistema
músculo-esquelético del operador y un riesgo alto por levantamiento de cargas.
Palabras clave: Ergonomía, Músculo-esquelético, Posturas, Manejo de Cargas.
ABSTRACT
It is presented a descriptive study in a company of the metal mechanical sector for ergonomic
evaluation of a workplace where the purpose was to identify the risks of musculo-skeletal
type to which they are exposed workers as well as the level that they reach. Two ergonomic
evaluation methods were used: the NIOSH (National Institute for Occupational Health and
Safety) method which allows to evaluate tasks that are carried out by lifting of loads, offering
as a result the recommended maximum weight, and the OWAS (analysis of positions of
work with the Ovako system) method that bases its results in the observation of the different
positions taken by the back, the arms and legs of the worker, in addition to the weight of the
load handled during the development of its task. It was found evidence that the positions
adopted in the task they have may cause damage to the musculo-skeletal system of the
operator and there is a high risk by lifting of loads.
Keywords: Ergonomics, musculoskeletal, positions, handling of loads.
1
Departamento de Ingeniería Industrial, Instituto Tecnológico de Sonora, Navojoa, Son. México
♦
Autor para correspondencia: mlopeza@itson.edu.mx
Recibido: 23.10.2014 Aceptado: 20.01.2016
69
INTRODUCCIÓN
El principal objetivo de la ergonomía según Melo (2009), es la adaptación del medio al hombre,
dejando a un lado el encasillamiento del concepto en el área de trabajo. La ergonomía suele
definirse como la humanización del trabajo y el confort laboral. En el sector del metal existen
numerosas tareas con alta carga física (manipulación de cargas pesadas, posturas de trabajo
inadecuadas, alta repetitividad de movimientos, entre otros). Según datos de las Condiciones
de Trabajo y Relaciones Laborales presentadas en el Anuario de Estadísticas Laborales y de
Asuntos Sociales del Ministerio de Trabajo y Asuntos Sociales (MTAS, 2012) en España, en
la rama de actividad Fabricación de productos metálicos excepto maquinaria en el año 2012
hubo 1039 enfermedades profesionales en hombres y mujeres, 419 con baja y 620 sin baja
en trabajadores de dicho sector.
La Manipulación Manual de Cargas (MMC) es una de las principales causas de accidentes

de trabajo graves y se ha estimado que más de una cuarta parte de todas las lesiones
relacionadas con el trabajo industrial están directamente relacionadas con el MMC, en donde
muchas de estas lesiones surgen del manejo inadecuado de materiales, en Estados Unidos
se reporta que el 60% de las personas que sufren lesiones en la espalda baja ésta fue
ocasionada por un sobreesfuerzo. (Fredericks et al., 2008).
En México, según las memorias estadísticas del Instituto Mexicano del Seguro Social (STPS,
2014), en el año 2010 se registraron 403336 accidentes de trabajo, 3466 enfermedades
de trabajo y 22389 incapacidades de trabajo. En la industria del metal en el mismo año se
subsidiaron 107,913 días. En Sonora, los operadores de máquinas herramienta hombres
ocupan el primer lugar en accidentes de trabajo en el año 2011 con un 7.8% y mujeres
ocupan un segundo lugar con un 8,8% por debajo de vendedoras y demostradoras de tiendas
y almacén con un 17,9%.
De acuerdo con Larson (2012), trabajando en la empresa 3M se estableció una meta de

mejora en la ergonomía durante cinco años para reducir en un 75% la exposición más alta
de riesgo WMSD (desórdenes músculo esqueléticos relacionados con el trabajo) para el
año 2008, usando la herramienta EJA (Evaluación Ergonómica del Trabajo). Al finalizar el
quinto año, se obtuvo que el 73% de las exposiciones de mayor riesgo identificadas fueran
eliminadas mediante la aplicación combinada de rediseño del trabajo, implementación
de controles de ingeniería y controles administrativos. En las localizaciones en EUA de
la empresa, desde 2004 al inicio del 2010, se tuvo una reducción del 55% de incidentes
ergonómicos, una reducción del 74% en la tasa de casos de incidentes en tiempo restringido,
y una reducción del 40% en la tasa de pérdida de tiempo, comparado con las tasas finales de
1990. A pesar de los resultados alcanzados Pires (2012) menciona que algunas empresas
tienen la conciencia de que es necesario actuar sin embargo pueden surgir barreras que
dificultan la decisión, por ejemplo: la dificultad de evaluar las tareas debido a la existencia
de diversos métodos, que incluso con ventajas, presenta también limitaciones y que a veces
sólo se utilizan con eficacia por las personas “capaces “ (dependiendo de la experiencia y la
sensibilidad del evaluador), dificultad para determinar “qué” y “ cómo”, incluidas las medidas
preventivas o correctivas y el diseño de los lugares de trabajo (qué parámetros a considerar);
los costos asociados con la implementación de los cambios necesarios, dificultad para hacer
el retorno de la inversión con estas medidas, es decir , determinar el costo / beneficio no
siempre se puede traducir en números, sobre todo en el corto plazo ).
En la organización bajo estudio con base a las listas de verificación aplicadas a los trabajadores
se pudo observar que la falta de información para efectuar levantamientos y las tareas están
afectando la salud de los trabajadores. La empresa del giro metal-mecánica mostró según la
lista de Mercé et al. (2010) que 87% de los trabajadores presentan riesgos por levantamiento,
el 75% presenta riesgos por posturas y según la lista de Lifshitz and Armstrong (1986) el 50
% de los trabajadores presenta riesgos por repetitividad (Figura1).
70
Figura 1. Gráfica de riesgo laboral
Por lo tanto el planteamiento del problema se define como ¿Cuál es el grado de riesgo
ergonómico que se presenta en los puestos de trabajo?
Se postula que el mal diseño de los puestos de trabajo está afectando la salud e integridad
de los trabajadores. Investigaciones en este campo confirman una relación entre la carga
musculoesquelético expresada como una función de parámetros que describen la postura,
la fuerza y tiempo
de secuencias, y la incidencia de los Transtornos Músculo Esqueléticos
(TME). Esto significa que una carga de trabajo adecuada puede reducir el riesgo de los
TME en desarrollo. Factores biomecánicos de postura y la fuerza ejercida son los factores
documentados más importantes relacionados con las estaciones de trabajo, (Roman-Lui,
2014).
Por lo anterior el objetivo de esta investigación es: determinar el grado de riesgo ergonómico
a los que está expuesto el operador, mediante la utilización de los métodos NIOSH (Eller,
1994) y OWAS y desarrollar propuestas de mejora.
Método ecuación de NIOSH
La ecuación revisada de carga de NIOSH (Eller, 1994), determina el límite de peso

recomendado (RWL), a partir del cociente de siete factores, que serán explicados más
adelante, siendo el índice de riesgo asociado al levantamiento, el cociente entre el peso de
la carga levantada y el límite de peso recomendado para esas condiciones concretas de
levantamiento, carga levantada Índice de levantamiento.
Tabla 1. Ecuación de NIOSH revisada (Eller, 1994)
71
Finalmente, conocido el valor del Índice de Levantamiento puede valorarse el riesgo que
entraña la tarea para el trabajador. NIOSH (Eller, 1994) considera tres intervalos de riesgo:
• Si Li es menor o igual a 1 la tarea puede ser realizada por la mayor parte de los
trabajadores sin ocasionarles problemas.
• Si LI está entre 1 y 3 la tarea puede ocasionar problemas a algunos trabajadores.

Conviene estudiar el puesto de trabajo y realizar las modificaciones pertinentes.
• Si LI es mayor o igual a 3 la tarea ocasionará problemas a la mayor parte de los

trabajadores. Debe modificarse.
Método OWAS
La aplicación del método OWAS (Ovako Working Analysis System) de acuerdo a Asensio et
al., (2012) basa sus resultados en la observación de las diferentes posturas adoptadas por
el trabajador durante el desarrollo de la tarea, permitiendo identificar hasta 252 posiciones
diferentes como resultado de las posibles combinaciones de la posición de la espalda (4
posiciones), brazos (3 posiciones), piernas (7 posiciones) y carga levantada (3 intervalos).
La primera parte del método, de toma de datos o registro de posiciones, puede realizarse
mediante la observación “in situ” del trabajador, el análisis de fotografías, o la visualización
de videos de la actividad tomados con anterioridad.
Una vez realizada la observación el método codifica las posturas recopiladas. A cada postura
le asigna un código identificativo. El término “Código de postura” será utilizado en adelante
para designar dicha relación.
En función del riesgo o incomodidad que representa una postura para el trabajador, el método
OWAS distingue cuatro Niveles o “Categorías de riesgo” que enumera en orden ascendente,
siendo, por tanto, la de valor 1 la de menor riesgo y la de valor 4 la de mayor riesgo.
Así pues, realizada la codificación, el método determina la Categoría de riesgo de cada

postura, reflejo de la incomodidad que supone para el trabajador. Posteriormente, evalúa el
riesgo o incomodidad para cada parte del cuerpo.
Finalmente, el análisis de las Categorías de riesgo calculadas para las posturas observadas
y para las distintas partes del cuerpo, permitirá identificar las posturas y posiciones más
críticas.
Codificación de las posturas observadas:
El método asigna cuatro dígitos a cada postura observada en función de la posición de la

espalda, los brazos, las piernas y de la carga soportada, configurando de este modo su
“Código de postura”.
Para aquellas observaciones divididas en fases, el método añade un quinto dígito al “Código
de postura”, dicho dígito determina la fase en la que ha sido observada la postura codificada:
Posición de la Posición de los Posición de las Cargas Fase

Espalda Brazos Piernas
Figura 2. Esquema de codificación de las posturas observadas
Fuente: Asensio et al., 2012
A continuación se detalla la forma de codificación y clasificación de las posturas propuesta

por el método:
72
Posiciones de la espalda: Primer dígito del “Código de postura”
El primer miembro a codificar es la espalda. Para establecer el valor del dígito que lo
representa se debe determinar si la posición adoptada por la espada es derecha, doblada,
con giro o doblada con giro. El valor del primer dígito del “Código de postura” se obtiene
consultado la tabla que se muestra a continuación (Tabla 2).
Tabla 2. Codificación de las posiciones de la espalda
Primer digito del código

Posición de espalda
de postura
Espalda derecha. El eje del tronco del trabajador está alineado

1
con el eje caderas-piernas.
Espalda doblada. Existe flexión del tronco. 2
Espalda con giro. Existe torsión del tronco o inclinación
3
lateral superior a 20º.
Espalda doblada con giro. Existe flexión del tronco y giro (o
4
inclinación) de forma simultánea.
Seguidamente, se analiza la posición de los brazos. El valor del segundo dígito del “Código de
postura” es 1 si los dos brazos están bajos, 2 si uno está bajo y el otro elevado y, finalmente, 3
si los dos brazos están elevados, tal y como muestra la siguiente tabla de codificación (Tabla
3).
Tabla 3. Codificación de las posiciones de los brazos
Segundo
dígito del
Posición de los brazos
Código de
postura.
Los dos brazos bajos
Ambos brazos del trabajador están situados bajo el nivel de los 1
hombros.
Un brazo bajo y el otro elevado

Un brazo del trabajador está situado bajo el nivel de los hombros
y el otro, o parte del otro, está situado por encima del nivel de los 2
hombros.
Los dos brazos elevados

Ambos brazos (o parte de los brazos) del trabajador están situados
por encima del nivel de los hombros. 3
Posiciones de las piernas: Tercer dígito del “Código de postura”
Con la codificación de la posición de las piernas, se completan los tres primeros dígitos del
73
“Código de postura” que identifican las partes del cuerpo analizadas por el método. La tabla
4 proporciona el valor del dígito asociado a las piernas, considerando como relevantes 7
posiciones diferentes.
Tabla 4. Codificación de las posiciones de las piernas
Posición de las piernas

Sentado 1
De pie con las dos piernas rectas con el peso equilibrado entre ambas. 2
De pie con una pierna recta y la otra flexionada con el peso

3
desequilibrado entre ambas.
De pie o en cuclillas con las dos piernas flexionadas y el peso

4
equilibrado entre ambas.
De pie o en cuclillas con las dos piernas flexionadas y el peso

5
desequilibrado entre ambas.
Arrodillado. El trabajador apoya una o las dos rodillas en el suelo. 6
Andando 7
Cargas y fuerzas soportadas: Cuarto dígito del “Código de postura”
Finalmente, se debe determinar a qué rango de cargas, de entre los tres propuestos por el
método, pertenece la que el trabajador levanta cuando adopta la postura. La consulta de la
Tabla 5 permite al evaluador asignar el cuarto dígito del código en configuración, finalizando
en este punto la codificación de la postura para estudios de una sola tarea (evaluación simple).
Tabla 5. Codificación de la carga y fuerzas soportadas,
Cuarto dígito
Cargas y fuerzas
del Código de
soportadas
postura
Menos de 10 Kilogramos. 1
Entre 10 y 20 Kilogramos 2
Más de 20 Kilogramos 3
Fuente: Floria & Maestre (2008)
Codificación de fase: Quinto dígito del “Código de postura”
El quinto dígito del “Código de postura”, identifica la fase en la que se ha observado la

postura, por lo tanto, este valor sólo tendrá sentido para aquellas observaciones en la que el
evaluador, normalmente por motivos de claridad y simplificación, decide dividir la tarea objeto
de estudio en más de una fase, es decir, para evaluaciones de tipo “Multi-fase”.
El método original, no establece valores concretos para el dígito de la fase, así pues, es el
criterio del evaluador el que determine dichos valores.
74
Una vez realizada la codificación de todas las posturas recopiladas se procede a la fase de
clasificación por riesgos:
Categorías de riesgo
El método clasifica los diferentes códigos en cuatro niveles o Categorías de riesgo. Cada
Categoría de riesgo, a su vez, determina cuál es el posible efecto sobre el sistema músculo-
esquelético del trabajador de cada postura recopilada, así como la acción correctiva a
considerar en cada caso.
Tabla 6. Categoría de riesgo y acción correctiva
Categoría Efectos sobre el sistema músculo-

Acción correctiva
de Riesgo esquelético
Postura normal sin efectos dañinos en el
1
sistema músculo-esquelético. No requiere acción
Se requieren acciones
2 Postura con posibilidad de causar daño al correctivas en un futuro
sistema músculo-esquelético. cercano.
Postura con efectos dañinos sobre el sistema Se requieren acciones
3
músculo-esquelético. correctivas lo antes posible.
La carga causada por esta postura tiene
4 efectos sumamente dañinos sobre el sistema Se requiere tomar acciones
músculo-esquelético. correctivas inmediatamente.
Nota: a cada categoría de riesgo se le ha asignado un código de color con el fin de facilitar
su identificación en tablas.
Finalizada la fase de codificación de las posturas y conocidas las posibles categorías de riesgo
propuestas por el método, se procede a la asignación de la Categoría del riesgo correspondiente
a cada “Código de postura”. La tabla 7 muestra la Categoría de riesgo para cada posible
combinación de la posición de la espalda, de los brazos, de las piernas y de la carga levantada.
Tabla 7. Tabla de clasificación de las Categorías de Riesgo de los “Códigos de postura”
75
Una vez calculada la categoría del riesgo para cada postura es posible un primer análisis.
El tratamiento estadístico de los resultados obtenidos hasta el momento permitirá la
interpretación de los valores del riesgo.
MATERIALES Y MÉTODOS
El procedimiento de aplicación del método, consistió en:
1). Determinar la operación y el trabajador a ser evaluado con los distintos métodos.
2). Observar al trabajador durante un periodo.
3). Tomar video y fotos durante la observación del trabajador sin interrumpir la tarea para la
realización de los métodos NIOSH (Eller, 1994) y OWAS.
4). Tomar los datos pertinentes de origen y destino para la realización del método Ecuación
de NIOSH (Eller, 1994)
5). Calcular los factores multiplicadores de la ecuación de NIOSH (Eller, 1994) para la tarea
en el origen y en el destino del levantamiento.
6) Determinar el valor del Peso Máximo Recomendado (RWL) para origen y destino del
levantamiento mediante la ecuación de NIOSH (Eller, 1994)
7). Calcular el Índice de Levantamiento.
8). Revisar video y detener cada 30 segundos para capturar una observación en el programa
WinOwas y parar hasta obtener las observaciones deseadas.
9) Concentrar datos obtenidos en el programa WinOwas en una hoja de cálculo Excel y

realizar cálculo de porcentajes y gráficas deseadas.
10) Por último se determinaron las posturas críticas en función a la categoría de riesgo y su
frecuencia.
RESULTADOS
El análisis del método OWAS se realizó mediante un video tomado al operador de la máquina
rectificadora, el cual se detuvo cada 30 segundos para el análisis de la posición con el
programa WinOwas, del cual se tienen los siguientes resultados:
Resultados NIOSH operación: Rectificado

En esta etapa se determinó las medidas necesarias para el cálculo de los factores
multiplicadores origen y destino: distancia horizontal, distancia vertical, desplazamiento,
ángulo, frecuencia y el tipo de agarre figura 3.
76
Figura 3. Medidas de factores
Determinación de factores multiplicadores

Factor Horizontal: Este factor penaliza los levantamientos en los que la carga se levanta
alejada del cuerpo y se obtuvo con la siguiente fórmula:
Origen
Destino
Factor Vertical: Penaliza levantamientos con origen y destino en posiciones muy bajas o muy
elevadas. Para su determinación se utilizó la siguiente fórmula:
Y nos da un valor de:
Origen
Destino
Desplazamiento vertical: Penaliza los levantamientos en los que el recorrido vertical de la

carga es grande. Para su cálculo se empleó la fórmula:
La diferencia obtenida entre la altura de la carga al inicio y al final del levantamiento es 104
cm en ambos casos, el resultado obtenido es el mismo tanto para la el cálculo del origen y
del destino.
Ángulo de asimetría: Sanciona los levantamientos que requieran torsión del tronco. Si en el
levantamiento la carga empieza o termina su movimiento fuera del plano sagital del trabajador
se trata de un levantamiento asimétrico. El factor de simetría se calculó con la siguiente fórmula:
Los resultados obtenidos son:
Origen
Destino
77
Frecuencia de levantamiento: Penaliza los levantamientos realizados con mucha frecuencia,

durante periodos largos o sin tiempo de recuperación. Y este se determina Factor de
Frecuencia: Factor obtenido de tabla de frecuencia.
Factor de agarre: Cálculo del factor de agarre.
La tabla 8 agrupa los datos obtenidos en el análisis realizado de la tarea de rectificado (figura
4), dividiéndolos en origen y destino.
Figura 4. Levantamiento de carga
Tabla 8. Datos de origen y destino para ecuación de NIOSH
En la tabla 9 se muestran los factores multiplicadores obtenidos para la ecuación de NIOSH

y el cálculo de dicha ecuación obteniendo el peso máximo recomendado para la tarea de
rectificado.
Tabla 9. Tabla de factores multiplicadores y peso máximo recomendado.
En la tabla 10 se muestra el cálculo del índice de levantamiento obtenido con los pesos
máximos recomendados y el actual peso de la carga (25 kg).
78
Tabla 10. Índice de levantamiento (IL).
Los resultados obtenidos del análisis de levantamientos de la carga en el origen se tuvo un

peso de 6,12 kg bajo las condiciones de la tarea, y en el destino de 6,31 kg. con un índice
de levantamiento en el origen fue de 3,75 y en el destino de 3,64, con lo que se puede decir
que en el origen de la carga se tiene un mayor peligro y por lo cual se deben tomar medidas
para la prevención de lesiones en el trabajador.
Resultados OWAS Operación: Rectificado.
Se obtuvieron en total 124 observaciones y se identificaron 28 posturas diferentes, de las

cuales se determinaron las distintas frecuencias por código con su respectivo porcentaje y
categoría de riesgo, lo cual se indica en la tabla 11.
Tabla 11. Observaciones del método OWAS
En la tabla 12 se identifican las posturas más críticas del trabajador, las posturas de mayor
riesgo fueron la 23 y 25, las cuales fueron elegidas por el nivel de riesgo y la frecuencia
presentada.
79
Tabla 12. Posturas críticas
En la postura 23 se tiene la espalda doblada, brazos por debajo de hombros, con dos piernas
flexionadas y una carga menor a 10 kg como se muestra en la figura 5.
Figura 5. Postura 23
En la postura 25 se tiene la espalda doblada y girada, brazos por debajo de los hombros, las
dos piernas flexionadas y una carga menor a 10 kg, como se muestra en la figura 6.
Figura 6. Postura 25
En la tabla 13 se pueden observar los porcentajes obtenidos en cada categoría de riesgo

(mostrados en la tabla 6), de los cuales el mayor porcentaje está en la categoría 2 con 43%,
que indica: Postura con posibilidad de causar daño al sistema músculo-esquelético. Pero se
puede ver que se obtuvo en un 6% del riesgo más alto que es la categoría 4, el cual indica: La
carga causada por esta postura tiene efectos sumamente dañinos sobre el sistema músculo-
esquelético, por lo que se deben tomar medidas correctivas en la tarea.
80
Tabla 13. Porcentaje de las categorías de riesgo identificadas
En la tabla 14 que indica la frecuencia en posturas de espalda adoptadas por el trabajador.

Se puede observar que la de mayor frecuencia está en la opción de espalda doblada con un
53%, ya que la mayoría del tiempo el trabajador realizó la tarea en dicha posición.
Tabla 14. Frecuencia de posturas en espalda adoptadas por el trabajador
DISCUSIÓN
A partir de la aplicación de metodologías de evaluación ergonómica en el manejo manual
de materiales es posible identificar las situaciones críticas y evaluar los riesgos inherentes a
las tareas, y a partir del conocimiento de las situaciones críticas, se actúa con las medidas
correctivas necesarias (Pires, 2012). En este caso de estudio, se pudo observar que el
trabajador presenta grandes riesgos musculo-esqueléticos. La mayor parte de su jornada
laboral está activo sin tener ningún descanso y con un gran porcentaje de posturas forzadas.
Investigaciones en el sector metalmecánico han concluido que la instalación de ayudas

mecánicas tales como ascensores neumáticos, cintas transportadoras, y/o manejo de
materiales automatizado, sin duda, permiten disminuir el riesgo de lesiones en la espalda de
los trabajadores, desafortunadamente para muchas empresas generalmente se encontrará
este costo prohibitivo, sin embargo se ha demostrado que al reducir la velocidad y la distancia,
la cantidad de energía para completar la tarea puede reducirse significativamente. Con esta
información, podrían diseñarse ciclos de descanso para los trabajadores más apropiados
y se podrían reducir las reclamaciones de indemnización de los trabajadores que están
involucrados en el manejo manual de materiales, (Fredericks et al., 2008).
Las posturas forzadas detectadas en el trabajador demostradas con la aplicación del método
OWAS, pueden generar enfermedades de trabajo, lo cual puede generar gastos en días
subsidiados, en empresas del sector metalmecánico los riesgos pueden ser mayores, debido
al peso de las cargas y que éstas no pueden ser modificadas por la naturaleza de sus
materiales, por lo que se realizan las siguientes recomendaciones:
81
• Al manipular cargas pesadas, se debe tener en cuenta las técnicas de levantamiento

(flexión de piernas, espalda erguida, carga pegada al cuerpo, etc.), además, tratando
de evitar movimientos bruscos y torsiones cuando se está en la tarea de levantamiento
y carga.
• Emplear dispositivos mecánicos en tanto sea posible para el transporte de materiales.
• Realizar un nuevo diseño de puesto de trabajo donde se tomen en cuenta las

recomendaciones de distancias ideales para las tareas del trabajador, donde se
disminuya el número de posturas forzadas.
• Si se siguen teniendo posturas forzadas es necesario realizar descansos en distintos

lapsos de tiempo para relajar los músculos.
Ya que no muchas veces es posible adaptar el puesto de trabajo a cada trabajador, las
recomendaciones pasadas pueden ser útiles para mantener la salud del empleado.
CONCLUSIONES
Mediante NIOSH se pudo cuantificar el grado de riesgo que se obtiene de la actividad llevada
a cabo al combinar el peso de levantamiento y las condiciones existentes. Se obtuvo en la
combinación de estos factores un incremento peligroso del riesgo. Se calculó el peso ideal
y se obtuvieron diferentes pesos para el origen y destino, es por ello que se debe tomar en
cuenta el peso menor que fue 4.49 kg como peso ideal.
Con el método OWAS se obtuvo un total 28 posturas diferentes, en las cuales fue posible
identificar mediante las frecuencias que la mayor parte del tiempo el operador trabaja con
la espalda doblada, y esto es dañino para su columna y cuello, además del peso de los
materiales que manejan.
BIBLIOGRAFÍA
ASENSIO-CUESTA, Sabina., CECA, María José Bastante., and MÁS, J. Antonio
Diego. Evaluación ergonómica de puestos de trabajo. Editorial Paraninfo, 2012.
ELLER, Peter M. (ed.). NIOSH manual of analytical methods, 4th ed. Diane Publishing, 1994.
FLORÍA, Pedro Mateo., and MAESTRE, Diego González. Casos prácticos de prevención de

riesgos laborales. FC Editorial, 2008.
FREDERICKS, Tycho K., KUMAR, Anil R., and KARIM, Sadat. An ergonomic evaluation of a
manual metal pouring operation. International journal of industrial ergonomics, 2008, vol. 38,
no 2, p. 182-192.
LARSON, N. 30 Years of Ergonomics at 3M: A Case Study. Work, 2012. p.415091-5098.
LIFSHITZ, Yair., and ARMSTRONG, Thomas J. A design checklist for control and prediction
of cumulative trauma disorder in intensive manual jobs. En Proceedings of the Human Factors
and Ergonomics Society Annual Meeting. SAGE Publications, 1986. p. 837-841.
MELO, José Luis. Guía para la evaluación ergonómica de un puesto de trabajo. Ergonomía

Práctica, Fundación Mapfre, 2009.
MERCÉ, Purificación Castelló, et al. Manual de ergonomía para máquinas del sector del
metal. Revista de biomecánica, 2010, no 54, p. 69-72.
82
MTAS Ministerio de Empleo y Seguridad Social, 2012. Anuario de estadísticas [Disponible en

]: <http://www.empleo.gob.es/estadisticas/ANUARIO2012/EPR/epr02_top_HTML.htm.>
PIRES, Claudia. Ergonomic assessment methodologies in manual handling of loads-

opportunities in organizations. Work, 2012, vol. 41, no Supplement 1, p. 592-596.
ROMAN-LIU, Danuta. Comparison of concepts in easy-to-use methods for MSD risk

assessment. Applied ergonomics, 2014, vol. 45, no 3, p. 420-427.
STPS. Secretaria del Trabajo y Previsión Social. Estadísticas sobre accidentes y enfermedades
de trabajo, 2014 [Disponible en ]: < http://www.stps.gob.mx/bp/secciones/dgsst/estadisticas.
htm>
83
84

Algoritmo para El Calculo de Cargas de T PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Algoritmo para El Calculo de Cargas de T PDF

Caricato da

Copyright:

Formati disponibili

ISSN 0717-9103 revista Ingeniería Industrial-Año 15 Nº1: 35-50, 2016

ISSN Online 0718-8307 Algoritmo para el cálculo de cargas ...Becerra et al.

ALGORITMO PARA EL CÁLCULO DE CARGAS DE TRABAJO

Mauricio Becerra Fernández1,♦, Stefany Ayala Lozano1, Jenny Alexandra Astros

Palabras claves: Algoritmo, cargas de trabajo, productividad laboral.

Keywords: Algorithm, labor productivity, workloads.

Recibido. 12.02.2014 Aceptado: 15.01.2016

Las etapas del estudio de métodos se presentan en la figura 1.

Figura 1. Etapas del estudio de métodos

Figura 2. Composición del tiempo total de operación

Figura 3. Etapas de la medición del trabajo

En el desarrollo del estudio de tiempos es primordial la selección del trabajador al que

pueda alcanzar y mantener un trabajador calificado sin excesiva fatiga.

En el desarrollo del estudio de tiempos se debe determinar el tamaño de la muestra o el

La oficina internacional del trabajo propone un método estadístico o un método tradicional.

Tabla 1. Tamaño de la muestra (método tradicional)

De manera consolidada en la figura 4 se muestra los pasos para el estudio de tiempos.

Figura 4. Pasos para el estudio de tiempos

El tiempo estándar se calcula según la fórmula que se relaciona en la ecuación 2.

Técnicas de la medición del trabajo

Las principales técnicas que se emplean en la medición del trabajo son:

- Métodos en los que no se utilizan medidas de tiempo.

Métodos en los que se utilizan medidas de tiempo

Algunos de los métodos empleados en la medición de tiempos son:

- Estudio de tiempos: esta técnica es la más utilizada y calcula el tiempo estándar

Análisis de la carga de trabajo

Mediante el análisis de la carga de trabajo se determinan los recursos necesarios y el esfuerzo

La Organización Europea para la Seguridad de la Navegación Aérea (Eurocontrol) (2003)

Las siguientes son las variables incluidas en el modelo:

Determinar el cargo a analizar

Seleccionar teniendo en cuenta el periodo , de la siguiente forma:

Se debe tomar como referencia la tabla 2 y la siguiente restricción:

Tabla 2. Tabla para calcular

De acuerdo con la tabla 2 se selecciona , como muestra a continuación:

Determinar , de acuerdo con el desempeño observado por el analista encargado de las

Hallar el tiempo normal :

Determinar , de acuerdo con las condiciones de trabajo observadas por el analista.

Hallar el tiempo estándar :

Para determinar se debe tener en cuenta lo siguiente:

Finalmente se define si el trabajador tiene tiempo ocioso, sobrecarga o se encuentra nivelado:

En la figura 5 se puede observar un análisis gráfico de los resultados posibles:

Figura 5. Representación gráfica de los resultados obtenidos con el modelo

Análisis de cargas de trabajo para dos o más trabajadores en el mismo cargo

Realizar el análisis presentado por trabajador.

Finalmente se define si el grupo de trabajo tiene tiempo ocioso, sobrecarga o se encuentra

Tabla 3. Análisis carga de trabajo inicial (aplicación en manufactura)

Recibir el turno - informe de

Tabla 4. Análisis carga de trabajo con modificaciones (aplicación en manufactura)

Recibir el turno - informe de

cargas de trabajo son:

DIAZ, H. A. Medición de la gestión del talento humano y su incidencia en la competitividad de

EUROCONTROL. Review of Workload Measurement, Analysis and Interpretation

GARCIA, R. Estudio del trabajo, 2005. México D.F./McGraw-Hill.

KELLER, J. Human performance modeling for discrete-event simulation: workload. In:

OIT. Introducción al estudio del trabajo, 2011. Mexico D.F./Limusa.

RIGGS, J. Sistemas de producción, 2008. México D.F./Limusa.

USAID. Workload best practices: a methodology to analyze workload in public sector

COMPARACIÓN DE TRES METAHEURÍSTICAS PARA LA

Palabras clave: Optimización, Metaheurísticas, Modelos de Inventarios, Pronósticos.

Keywords: Optimization, Metaheuristics, Inventory Models, Forecasts.

Recibido: 16.03.2015 Aceptado: 18.01.2016

La optimización es la selección de la mejor alternativa posible. Sus componentes se resumen

En la industria manufacturera, la planificación de los inventarios juega un papel fundamental