6 Modelos Matemáticos

Modelos
matemticos para la planificacin y anlisis de operaciones 198

6
Modelos matemticos para la planificacin
y anlisis de operaciones

Al trmino de este captulo el lector ser capaz de:
1. Explicar los modelos matemticos y su rol para el anlisis de operaciones de construccin.

2. Explicar los modelos bsicos de fenmenos de espera o teora de colas.
3. Aplicar los modelos de espera a situaciones propias de las obras de construccin.
4. Explicar y aplicar los modelos de transporte y asignacin.
5. Explicar el potencial de la simulacin para el anlisis y planificacin de las operaciones de
construccin.

6.1 INTRODUCCIN
Los modelos matemticos para mejorar y optimizar operaciones productivas son ampliamente utilizados
en la produccin industrial, pero raramente en la construccin. Sin embargo, la creciente complejidad de
los proyectos de construccin y la competitividad del mercado, ha creado mayor inters por estudiar y
aplicar nuevas herramientas de apoyo a la toma de decisiones, tales como los modelos matemticos.
Estos modelos son representaciones idealizadas y simplificadas o abstracciones selectivas de la realidad,

tal como se grafica en la Figura 6.1. Normalmente, esto constituye una de sus principales limitaciones.
Sin embargo, pese a esta limitacin, el uso de estos modelos permite contar con una base de referencia
de gran utilidad para entender y resolver situaciones complejas de la vida prctica.
Mundo real
Mundo real
Modelo
asumido
Fig. 6.1 Abstraccin del mundo real a travs de un modelo (adaptado de Taha, 2007)
Propiedad intelectual de Alfredo Serpell Bley, 2015

Modelos matemticos para la planificacin y anlisis de operaciones 199

Los modelos matemticos de anlisis de operaciones tienen varias ventajas:
1. El administrador est obligado a pensar en su problema antes de que la operacin comience, ya que
el uso de cualquier modelo requiere de un completo anlisis previo de la realidad a modelar.
2. El administrador est obligado a una comprensin ms acabada del problema, para poder definirlo y
posteriormente obtener los datos necesarios para una solucin matemtica.
3. Los modelos matemticos consideran solamente los parmetros relevantes del problema, y
entregan una respuesta basada en esos datos y esos parmetros, y no en consideraciones
irracionales tales como opiniones preconcebidas, presiones externas o ideas personales.
Cualquier solucin que un modelo matemtico produzca, es slo tan buena como lo sean los datos que
se le ingresen. Por lo tanto, ser necesario evaluar todas las soluciones para verificar la lgica de los
datos y la definicin del problema. Despus de llegar a una solucin lgica, lo importante es utilizarla
como una buena base para la toma de decisiones, en conjunto con la experiencia y criterio de la persona
que decide. La Figura 6.2 muestra un esquema de la interaccin que se produce entre un administrador y
un modelo matemtico.
Situacin real (identificacin

del problema)
Formulacin y construccin del modelo

(incluyendo la adquisicin de datos de entrada)
Salidas del modelo

(decisiones, predicciones y otros datos tiles)
Comparacin de las salidas con la experiencia,

juicio e intuicin del administrador
Modelo es
Revisin requerida
implementado

Figura 6.2 Interaccin entre un modelo y el administrador (adaptado de Gould y Eppen).
Los principales modelos que se revisan en este captulo corresponden a modelos de investigacin
operacional. La investigacin operacional es un enfoque cientfico de la toma de decisiones, comenzando
con la descripcin de algn sistema mediante un modelo, que luego se manipula para determinar la


mejor forma de operacin del sistema. Sus aplicaciones ms valiosas se encuentran en dos tipos de
problemas decisionales:
a. Aquellos en que existe una cantidad tan grande de soluciones alternativas, que no se puede derivar
fcilmente una decisin racional a partir de un anlisis intuitivo.
b. Aquellos en que la decisin debe basarse en factores probabilsticos y en que slo es posible
obtener una decisin ms probable o no determinstica.
Estos tipos de problemas son caractersticos de los proyectos de construccin, lo que justifica en mayor
medida la utilizacin de los modelos matemticos en el anlisis y solucin de ellos.
Las principales etapas en la realizacin de un estudio de investigacin operacional, son:
1. Formulacin del problema: objetivos, alternativas, restricciones y efectos sobre sistemas

relacionados.
2. Construccin de un modelo para representar el sistema bajo estudio: ecuacin objetivo,

restricciones, variables.
3. Deduccin de una solucin a partir del modelo: solucin ptima o buena.
4. Prueba del modelo y de la solucin deducida de ste: datos histricos comparados del modelo o
estudio directo del sistema modelado.
5. Establecimiento de controles sobre la solucin: detectar cambios en las condiciones sobre las que se
basa el modelo.
6. Poner la solucin a trabajar: procedimiento de operacin.
Varios modelos de investigacin de operaciones son aplicables en la administracin de la construccin. A

continuacin, se revisan aquellos que aparecen como ms prcticos y verstiles y cuya aplicacin es ms
directa en el mbito de la construccin, como son los siguientes: teora de colas, modelo de asignacin y
modelo de transporte.
6.2 TEORA DE COLAS
En muchas disciplinas aparecen situaciones en que unidades discretas llegan a una instalacin que presta
algn servicio, en demanda de ste. Si la estacin de servicio est ocupada atendiendo a otra unidad, la
unidad que llega est forzada a esperar, producindose as una lnea de espera o cola. Si por otro lado, se


colocan estaciones de servicio adicionales para eliminar la cola, puede producirse una utilizacin
ineficiente de las unidades o estaciones de servicio, con un exceso de tiempo ocioso.
Los fenmenos de espera son comunes en todos los procesos industriales y particularmente en los
procesos u operaciones de la construccin. Este tipo de modelo permite analizar el diseo y la operacin
de stas. Ejemplos clsicos de este tipo de situaciones en la construccin son, entre otros:
1. Camiones que son cargados o servidos por una pala en una faena de movimiento de tierras
2. Trallas que deben esperar por un tractor empujador para ser cargadas
3. Operaciones de hormigonado en obra, que son abastecidas por camiones betoneros.
4. Materiales que son servidos por una gra para su transporte vertical
5. Albailes que son servidos por jornales para su abastecimiento de materiales
Para el administrador de una obra hay varias interrogantes de inters en relacin a los problemas de
colas:
1. Cunto tiempo debern esperar las unidades en la cola para ser servidas?
2. Cun larga ser la cola de unidades esperando?
3. Cuntas unidades pueden ser atendidas por el servidor, considerando las demoras causadas por la
cola?
4. Cuntos servidores deben proveerse para lograr una capacidad de servicio adecuada?
5. Cmo puede relacionarse la falta de servicio, con el ocio y el uso ineficiente de los servidores? Por
ejemplo, en diversas obras se ha detectado una demanda insatisfecha de capacidad de gra para
transporte de materiales. Sin embargo, al realizar estudios sobre utilizacin de estos equipos, se han
encontrado factores reales de utilizacin de la gra menores al 40% de la jornada de trabajo.
El anlisis que se presenta en esta seccin, permitir entender mejor este tipo de problemas y dar
respuesta a las interrogantes planteadas.
Una ilustracin general del modelo de lneas de espera se muestra en la Figura 6.3, en la que se
identifican los principales componentes que forman parte de este tipo de sistemas. Los parmetros
asociados a estos componentes, permiten definir una clasificacin de estos sistemas.


SISTEMA DE SERVICIO
Unidades que ESTADO Unidades que

UNIDAD
llegan al sistema DE ESPERA salen del sistema
DE
O COLA SERVICIO
Tasa de llegada
Disciplina Tasa de servicio

de la cola
Figura 6.3 Modelo general de lnea de espera o de cola
6.2.1 Clasificacin de los sistemas de colas o lneas de espera
Las caractersticas de una lnea de espera pueden ser definidas por los siguientes elementos:
1. Distribucin de las llegadas: En la mayora de las situaciones, las llegadas son controladas por
algunos factores externos que producen incertidumbre en el tiempo de ocurrencia entre ellas. Por
esta razn, el tiempo entre llegadas sucesivas es una variable aleatoria y su distribucin de
probabilidades es llamada distribucin de las llegadas.
2. Distribucin de los servicios: Debido a factores como el tipo de servicio requerido y la inherente
variabilidad entre los servidores, la duracin de un servicio es tambin una variable aleatoria y su
distribucin de probabilidades es llamada distribucin de los servicios.
3. Nmero de canales de servicio: Puede haber uno o ms servidores. Si hay mltiples servidores,
debe especificarse si estn en paralelo o en serie.
4. Poblacin de clientes: Existen dos clases distintas de lneas de espera, de acuerdo al tamao de la
poblacin: poblacin infinita y poblacin finita (en general, se considera este ltimo caso cuando el
nmero de unidades de la poblacin es menor que 30 unidades).
5. Disciplina de la cola: Se refiere al orden en que los clientes son atendidos. La disciplina ms comn
es el sistema FIFO (First In, First Out).
En la construccin, el modelo que ms interesa corresponde al de poblacin finita, ya que el nmero de

unidades a ser servidas en la mayora de los casos es limitado (camiones servidos por un cargador,


trallas servidas por tractores, etc.). Un modelo de poblacin finita se entrega en la Figura 6.4, el cual
podra ser aplicado a cualquiera de los ejemplos mencionados, como se ver ms adelante.
SISTEMA
Unidad de
servicio
Figura 6.4 Modelo finito de lnea de espera.
6.2.2 Desarrollo conceptual del modelo
Las variables usadas para describir los estados de un sistema en un instante de tiempo, son llamadas
variables de estado. Un estado particular de un sistema, es entonces identificado por un conjunto de
valores instantneos de las variables de estado. Si el valor de una o ms variables del sistema cambia,
una nueva configuracin puede ser reconocida existiendo un nuevo estado.
Los modelos de teora de colas pueden ser fcilmente descritos a travs de estados definidos por el
nmero de unidades en el sistema, estados que van cambiando a medida que pasa el tiempo. Por
ejemplo, en el modelo finito representado en la Figura 6.4, estara definido el estado E3 (donde E=
estado y el nmero 3 corresponde al nmero de unidades en el sistema). En este ejemplo, dado que el
nmero de unidades es finito e igual a cinco, el nmero de estados posibles de identificar son seis, como
se indica en la Figura 6.5.
E0 E1 E2 E3 E4 E5

Figura 6.5 Estados posibles del sistema de la Figura 5.3


En general, el nmero de estados en que un sistema finito puede encontrarse es M + 1, donde M es el

nmero de unidades totales (por ejemplo: una flotilla de camiones que son servidos por una pala
mecnica).
El nmero de estados caractersticos de un sistema dado es una funcin del nmero de parmetros
usados para definir el sistema y el rango de valores asociado a cada parmetro. En nuestro ejemplo se ha
usado un parmetro solamente (unidades en el sistema), y los estados posibles se pueden representar
por Ei, con i=1, M + 1. Si se usan dos parmetros, el nmero de estados ser:
Eij= ni x mj (6-1)
donde: -ni = nmero de valores posibles de i.
-mj = nmero de valores posibles de j.
La formulacin de modelos de lneas de espera de ciertos procesos de construccin, se han ampliado

para incluir el concepto de almacenamiento en el sistema mediante buzones o tolvas. Esta ampliacin
permite al servidor (por ejemplo: pala en movimiento de tierras) almacenar esfuerzo productivo durante
los perodos de tiempo en que no hay unidades para servir.
Para definir este tipo de sistema pueden usarse dos parmetros; el parmetro i corresponder a las
unidades en el sistema, y el parmetro j indicar el nmero de cargas en la tolva o almacenador. Por
ejemplo, si i = 0, 1, 2, 3 y j = 0, 1, 2, los estados del sistema pueden representarse como se indica en la
Figura 6.6.
j E00 E10 E20 E30
E01 E11 E21 E31
E02 E12 E22 E32

Figura 6.6 Estados posibles para i=0,1,2,3, y j=0,1,2


La utilizacin de estados para definir un modelo de lneas de espera simplifica enormemente el

desarrollo de las ecuaciones de estado que definen una situacin particular.
Dado un conjunto particular de estados, existe una probabilidad Pk de estar en alguno de los estados Ek
en el instante t, y un conjunto de probabilidades Tkl de pasar de un estado Ek a otro estado El. Por
consiguiente, existe un conjunto de probabilidades de transicin Tkl que describen la posibilidad de
moverse desde Ek a El. El grfico que representa esta situacin se muestra a continuacin en la Figura
6.7.
En el esquema se han considerado slo aquellas probabilidades de transicin desde el estado En a En+1,
o del estado En a En-1. En otras palabras, se consideran transiciones movindose desde E3 a E4 o de E3 a
E2 para el estado E3.
T01 T12 T23 T34 T45
E0 E1 E2 E3 E4 E5
P0 P1 P2 P3 P4 P5
T10 T21 T32 T43 T54

Figura 6.7 Diagrama de estados con probabilidades de estado (Pk) y de transicin (Tkl)
En realidad podra ser posible moverse desde E3 a E0 si tres unidades abandonan el sistema
simultneamente o de E1 a E3 si llegaran dos unidades simultneamente. Las llegadas o salidas
simultneas son llamadas llegadas o salidas en masa. Por simplicidad matemtica, se asume que el
perodo de tiempo t en que pueden ocurrir llegadas o salidas, se ha definido lo suficientemente
pequeo como para que slo pueda ocurrir una llegada o salida en t. Finalmente, los diagramas de
estado que representan las probabilidades de transicin como arcos, son referidos como modelos
markovianos.
6.2.3 Modelos Markovianos
Los modelos Markovianos son muy tiles en la representacin de situaciones en que un sistema se
mueve desde un estado a otro, estado basado en un conjunto de probabilidades de transicin. En
particular, los modelos Markovianos son tiles en situaciones de fenmenos de espera.


Cuando el modelo grfico de Markov es definido apropiadamente, el desarrollo de las ecuaciones de

estado para el correspondiente modelo se reduce a balancear las relaciones de entrada y salida. En
cualquier instante t, existe una probabilidad Pn de estar en el estado En. Hay varias formas en que el
sistema pueda estar en el estado En durante un intervalo de tiempo t (t+t):
1. El sistema est en En en el instante t y no se producen llegadas ni salidas durante t.
2. El sistema est en En en el instante t y se produce una llegada y una salida en el intervalo t.
3. El sistema est en En+1 en el instante t y se produce una salida en el intervalo t.
4. El sistema est en En-1 en el instante t y se produce una llegada en el intervalo t.
Los dos primeros casos cubren la posibilidad de partir en el estado n (En), y terminar en el mismo estado.
Esto es, la probabilidad de transicin de partir en el estado En y permanecer en el mismo estado es:
Tnn= P(no llegada) x P (no servicio) + P (una llegada) x P(un servicio) (6-2)
Se asume que los sucesos "no llegada", "no servicio", "una llegada" y "un servicio", son estadsticamente
independientes.
En el caso 3, la probabilidad de transicin de partir en un estado mayor E(n+1) y llegar al estado En

durante el instante t, est dada por la siguiente expresin:
Tn+1,n= P (no llegada) x P (un servicio) (6-3)
El caso 4 especifica la probabilidad de transicin de partir de un estado menor E(n-1) y llegar al estado En
durante el intervalo t, como:
Tn-1,n= P (una llegada) x P (no servicio) (6-4)
En general, la probabilidad de estar en el estado En en el instante t+t est dada por:


Pn (t+t) = Pn x Tnn + Pn+1 x Tn+1,n+ Pn-1 x Tn-1,n (6-5)
Por ejemplo, considerando el caso de que n=3, entonces se tiene la siguiente expresin:
P3 (t+t) = P3 T3,3 + P4 T4,3 + P2 T2,3
6.2.4 Distribucin exponencial de las llegadas y los servicios
Las tasas de llegada o de servicio de un sistema de lneas de espera pueden ser descritas en trminos de
intervalos aleatorios o determinsticos de tiempo. Las soluciones matemticas de los modelos bsicos de
teora de colas, normalmente asumen que los tiempos entre llegadas y tiempos de servicio se
distribuyen exponencialmente, y que las llegadas de las unidades al sistema pueden ser modeladas a
travs de un proceso de Poisson, el cual asume lo siguiente:
1. Un evento puede ocurrir aleatoriamente y en cualquier instante de tiempo.
2. La ocurrencia de un evento en un intervalo de tiempo dado es independiente de aquellos que

ocurran en cualquier otro intervalo de tiempo, siempre y cuando los intervalos no se traslapen.
3. La probabilidad de ocurrencia de un evento en un intervalo pequeo t es proporcional a t, y

puede expresarse por t, donde es la tasa promedio de ocurrencia del evento, la cual se asume
constante. La probabilidad de dos o ms ocurrencias en t es despreciable.
La distribucin exponencial se relaciona con el proceso de Poisson de la siguiente manera: si los eventos
ocurren de acuerdo a un proceso de Poisson, entonces el tiempo T hasta la primera ocurrencia del
evento tiene una distribucin exponencial, y se cumple que:
t
P(t< T) = P (Xt = 0 ) = e (6-6)
donde T es el tiempo entre dos ocurrencias consecutivas del evento, t es un intervalo de tiempo dado, y
Xt es el nmero de ocurrencias en dicho intervalo. Por otro lado,


t
P (t T ) = 1 e (6-7)
Si es constante (independiente de t), el valor esperado de T es igual a:
1
T= = t f (t ) dt (6-8)

Si se aplican estos conceptos al modelo de lneas de espera, se tiene que para un intervalo t,
P[no llegadas en t]= e-t (6-9)
donde = tasa promedio de llegadas de unidades al sistema. Expandiendo la expresin en una serie de
Taylor.
P[no llegada en t]= e-t = 1 - t+(-t)2/2! + (-t)3/3! + ...
Para t muy pequeo, la expresin se reduce a:
P[no llegadas en t]= 1 - t (6-10)
y por lo tanto, la probabilidad de una llegada en t es
P[una llegada en t]= t (6-11)


con 1/ = la esperanza matemtica del tiempo entre llegadas. Anlogamente, siguiendo el mismo
procedimiento,
P[no servicio en t] = 1 - t (6-12)
P[un servicio en t] = t (6-13)
con 1/ = la esperanza matemtica del tiempo de realizacin de un servicio.
6.2.5 Modelos de lneas de espera de poblacin infinita
Para estos sistemas con distribucin exponencial para las llegadas y los servicios, las probabilidades de
transicin que estn expresadas en las ecuaciones (5-1), (5-2) y (5-3) se transforman en lo siguiente:
Tn,n = (1 - t) x (1 - t) + (t) x (t)
= 1 - t - t + (t)2 + (t)2
Para t muy pequeo, (t)2 @ 0
Tn,n= 1 - ( + ) t (6-14)
A su vez,
Tn+1,n= (1 - t) x t @ t (6-15)
Tn-1,n= t x (1 - t) @ t (6-16)


La probabilidad de estar en En en el instante t + t, se transforma en:
Pn(t+t) = Pn[1- (+) t] + Pn+1 [t] + Pn-1 [t]
Pn(t+t) = Pn(t) - (+) Pn(t)t + Pn+1(t)t + Pn-1(t) t (6-17)
Pasando Pn(t) hacia el lado izquierdo de la ecuacin y dividiendo por t, queda:
[Pn(t+t)-Pn(t)]/t= -(+)Pn(t)+Pn+1(t)+Pn-1(t) (6-18)
Haciendo t infinitesimalmente pequeo (t @ 0)
dPn(t)/dt = - ( + )Pn(t) + Pn+1(t) + Pn-1(t) (6-19)
Asumiendo que la probabilidad de estar en un estado cualquiera no vara con el tiempo:
dPn(t)/dt=0
Entonces:
- ( + )Pn(t) + Pn+1(t) + Pn-1(t) = 0 (6-20)
Pn + Pn = Pn+1 + Pn-1 (6-21)


Flujo de Entrada = Flujo de Salida
La ecuacin (6-21) puede ser escrita directamente a partir de la Figura 6.8, sumando los flujos que entran
al nodo n e igualndolos con los flujos de salida del mismo nodo.
b b b b
Pn-1 Pn Pn+1
m m m m

Figura 6.8 Estado En en una cadena de Markov.
En el diagrama de la Figura 6.8, se grafica el balance que se produce entre el flujo de entrada y el flujo de
salida. Ahora si se tiene el diagrama de la Figura 5.8 a continuacin,
b b b
P0 P1 P2
m m m

Figura 6.9 Estado E0 en una cadena de Markov.
y aplicando el concepto recin deducido, para el estado 0 (cero):
Flujo de entrada = Flujo de salida
P0 = P1
P1 = [/] P0 (6-22)


donde / = , conocido como factor de utilizacin, el que debe ser siempre menor que 1.
Definiendo un modelo de lnea de espera con poblacin infinita y con tiempo entre llegadas y tiempo de
servicio exponencialmente distribuidos, y resuelto en funcin de P0, se obtiene la siguiente expresin
para la solucin de Pn:
Pn= (/)n P0 (6-23)
A partir de la ecuacin deducida, pueden obtenerse un conjunto de ecuaciones bsicas que se utilizan
para el anlisis de los modelos de lneas de espera con poblacin infinita.
a. Canal simple
P0= 1 - / (6-24)
Nmero esperado de unidades en la cola: Lq = 2/ (-) (6-25)
Tiempo esperado en la cola: Wq= / (-)= Lq/ (6-26)
Nmero esperado de unidades en el sistema: L=/(-) (6-27)
Tiempo esperado en el sistema: W=1/(-)=L/ (6-28)
b. Canal mltiple. Se asume 1 = 2= ...= k


1
n=k1 n k
P 0 = (1 n!) ( ) + (1 k!) ( ) (k (k )) (6-29)
n=0
donde k = nmero de canales de servicio.
La probabilidad Pk de que una unidad que llegue al sistema tenga que esperar (probabilidad de que haya
k o ms unidades en el sistema en un instante dado),
Pk = (1/k! ) x (/)k x [k / k(-)] x P0 (6-30)
L = {[ x (/)k x P0] / (k-1)! x (k-)2} + / (6-31)
W = {[ x (/)kx P0] / (k-1)! x (k-)2 }+1/ = L/ (6-32)
Lq= [ x (/)k x P0] / [(k-1)! x (k-)2] (6-33)
Wq= [(/)k x P0] / [(k-1)! (k-)2] = Lq/ (6-34)
Los modelos de poblacin infinita tienen varias aplicaciones tiles en la construccin, en situaciones tales
como:
a. Plataforma de carga que debe atender un gran nmero de elementos distintos para su movilizacin
vertical.
b. El servicio que presta una gra en una faena de hormigonado.
c. Servicio dado por un paol de herramientas, o bodega de materiales en la entrega de stos al

personal.


Ejemplo 6.1 Una gra tiene un tiempo medio de servicio de 10 minutos y las cargas llegan a una tasa de
3 por hora. Suponiendo distribucin exponencial para las llegadas y los servicios:
1. Qu porcentaje del tiempo estar ociosa la gra?
2. Despus de llegar, cunto tiempo debe esperar una carga antes de ser movilizada?
3. Cul es el nmero esperado de cargas en la cola?
Solucin:
a) P0 = 1 - / = 1 - 3/6 = 0.5
Esto equivale a un 50% del tiempo de la gra ociosa.
b) Wq = /(-) = 3/6(3) = 0.17 horas
c) Lq = Wq x = 0.5 cargas en espera en la cola por hora.
Ejemplo 6.2 Una secretaria copia una carta en un tiempo promedio de 8 minutos, el que se distribuye
exponencialmente. Si ella necesita el 40% de su tiempo para otras actividades, cuntas cartas diarias se
espera que ella escriba?
= 60/8 = 7.5 cartas/hora
P0= 1 - / = 0.4
l = 0.6 x = 0.6 x 7.5 = 4.5 cartas/hora
Por lo tanto, diariamente es capaz de escribir 8 x 4.5 = 36 cartas considerando una jornada de 8 horas
diarias.
6.2.6 Modelos de lneas de espera de poblacin finita
Este tipo de modelos son de gran inters en la construccin, dado que en muchas situaciones un nmero
finito de recursos son servidos por uno o ms servidores en un modo cclico. Este reciclaje de unidades
servidas conduce a un modelo de poblacin finita. Para sistemas de poblacin finita, con tiempos entre
llegadas y de servicio exponencialmente distribuidos, es tambin posible utilizar los modelos grficos
Markovianos.
Para este tipo de modelos sin embargo, las probabilidades de transicin de las llegadas deben ser
modificadas, dado que varan en funcin del nmero de unidades que estn fuera del sistema. O sea, la
probabilidad de llegada es proporcional al nmero de unidades que son externas al sistema, nmero que
en este caso es finito.

La Figura 6.10 muestra un sistema con una poblacin finita de 6 unidades (camiones) y un servidor
(pala).
C
C
PALA
C C C
C CAMIONES

Figura 6.10 Un sistema finito de camiones y pala mecnica
En la Figura 6.10 se puede apreciar que hay tres unidades dentro del sistema y tres fuera de l. Las
unidades dentro del sistema no pueden afectar la probabilidad de llegada, dado que ya llegaron. En este
caso, la probabilidad de llegada es igual a la tasa de llegada , que corresponde al valor recproco del
tiempo promedio entre llegadas, multiplicada por 3, para indicar la proporcionalidad dependiente del
nmero de unidades fuera del sistema. Por consiguiente, la probabilidad de llegada del sistema
mostrado es 3. Si hubiera cinco unidades fuera del sistema, la probabilidad de llegada para ese caso
sera de 5.
En general, la probabilidad de llegada de las unidades entrando al sistema est dada por:
(M - i) x
donde:
M = nmero de unidades de la poblacin finita.
i = nmero de unidades dentro del sistema
= 1/Tpr donde Tpr es el tiempo promedio que permanece una unidad fuera del sistema.
El modelo Markoviano que representa este sistema se muestra a continuacin, en la Figura 6.11.


6b 5b 4b 3b 2b b
P0 P1 P2 P3 P4 P5 P6
m m m m m m

Figura 6.11 Modelo Markoviano para M=6 unidades
Nuevamente, las probabilidades de estado han sido asociadas con cada estado y los arcos representan
las probabilidades de transicin entre los estados. Utilizando nuevamente el mtodo de igualar los flujos
de ingreso y egreso a cada estado, es posible determinar las siguientes ecuaciones de estado para el
sistema:
Nodo Ingreso = Egreso
0 P1 = 6P0
1 6P0 + P2 = 5P1 + P1
2 5P1 + P3 = 4P2 + P2
3 4P2 + P4 = 3P3 + P3
4 3P3 + P5 = 2P4 + P4
5 2P4 + P6 = P5 + P5
6 P5 = P6
Es posible determinar la productividad de un modelo de lneas de espera finito, calculando la

probabilidad de que no hayan unidades en el sistema, P0. Habindose determinado P0, la probabilidad
de que hayan unidades en el sistema es (1-P0), lo cual establece el porcentaje de tiempo esperado de
ocupacin del sistema. La produccin del sistema se define como:
Prod = L (1 - P0) C = L (P.I.) C (6-35)


donde = tasa de servicio (por ejemplo: cargas por hora).
C = capacidad de la unidad cargada en unidades fsicas

3
(por ejemplo: m , ton).
L = perodo de tiempo considerado.
P.I. = ndice de productividad. (Porcentaje del tiempo en que

el sistema est ocupado).
El valor de P0 puede determinarse a partir de las ecuaciones de estado. En adicin a estas ecuaciones, la
suma de todas las probabilidades de estado debe sumar 1, o sea, se tiene la siguiente ecuacin adicional:
P i = 1.0 (6-36)
i =0
Esta ecuacin reemplaza una de las ecuaciones de estado que es redundante, teniendo as las
ecuaciones requeridas para resolver el sistema. Suponiendo = 6 y =12, la solucin de las ecuaciones
de estado indicadas anteriormente dara:
P0 = 0.0121
P1 = 0.0363
P2 = 0.0906
P3 = 0.1813
P4 = 0.2719
P5 = 0.2719
P6 = 0.1359
Ahora, si L = 1.5 horas

3
Y C = 15 m

3
Prod = 1.5 x (1-0.0121) x 12 x 15 = 267m


La solucin general para un sistema finito de M unidades con distribucin exponencial de los servicios y
las llegadas, es:

1
M
P0 = M! ( )
i
( ) (M i )! (6-37)
i =o
[
Pi = M !( ) P0
i
] (M i)! (6-38)
con las M unidades de igual capacidad. El nmero medio de unidades en el sistema est dado por:

M
N= Pi Xi = M [ (1 P 0 ) / ] (6-39)
i=0
donde:
Pi = Probabilidad del estado i.
Xi = nmero de unidades en el estado asociado con Pi
Por otro lado, el largo promedio de la cola de unidades que estn en espera, est dado por la siguiente
expresin:

M
Q = Pi ( X i 1) = M [( + ) (1 P0 ) / ] (6-40)
i =0
6.2.7 Modelos de poblacin finita con multiservicio
En el caso de existir ms de una unidad de servicio, se introduce una pequea modificacin en el modelo
de Markov en relacin a las probabilidades de transicin asociadas a los servicios. Si, por ejemplo,
hubieran dos unidades de servicio, la probabilidad de transicin para pasar del estado En+1 al estado En
sera de 2, siempre que las tasas de servicio de las unidades de servicio sean iguales. En un esquema
markoviano la representacin sera la mostrada en la Figura 6.12 a continuacin.


6b 5b 4b 3b 2b b
P0 P1 P2 P3 P4 P5 P6
m 2m 2m 2m 2m 2m

Figura 6.12 Modelo de Markov con dos servidores de igual tasa de servicio.
Es necesario hacer notar que el multiplicador asociado con no puede exceder el nmero de unidades
asociadas al estado de origen. En el caso de que las tasas de servicio no sean iguales, stas se suman.
Cuando corresponda disminuir la tasa de servicio debido al nmero de unidades asociadas al estado
original, la tasa considerada depender de la disciplina que se haya asumido para la confeccin del
modelo. A travs del siguiente ejemplo se muestra una situacin de este tipo.
Ejemplo 6.3 Supngase que se tienen 5 unidades y tres servidores con tasas de servicios 1, 2 y 3
respectivamente. El esquema que sigue grafica esta situacin en la Figura 6.13.
El clculo de la produccin para este sistema tambin debe ser modificado. La expresin que
corresponde para este caso en particular, es la siguiente:
Produccin =L[1P1+(1+2)P2+(1+2+3)x(P3+P4+P5+P6)]C (6-41)
6b 5b 4b 3b 2b b
P0 P1 P2 P3 P4 P5 P6
m1 m1+m2 Sm Sm Sm Sm
S m = m1 + m2 + m3

Figura 6.13 Modelo finito con tres servidores, con tasas de servicio diferentes


6.2.8 Modelos finitos con almacenamiento
En los procesos de construccin, a menudo es ventajoso almacenar la productividad del servidor de

modo de evitar que ste permanezca ocioso cuando no hay unidades para servir. Con este
almacenamiento, se logra una mayor tasa de servicio del sistema para atender a las unidades una vez
que llegan. En el caso de la construccin, el ejemplo ms clsico es el de la utilizacin de una tolva en
faenas de movimiento de tierras. En el anlisis de este tipo de sistemas es conveniente desarrollar los
estados del sistema. Como fue previamente mencionado, se usan dos parmetros para definir los
estados de un sistema que incluye una tolva o buzn:
I = nmero de unidades de la poblacin, cuyo rango de valores vara de 0 a M.
J = nmero de cargas de servicio en el almacenamiento, cuyo rango vara de 0 a H, donde H es la

capacidad mxima del almacenamiento expresado en nmero de cargas.
El nmero total de estados estar dado por la expresin:
(H+1) x (M+1)
Para el desarrollo del modelo Markoviano de este tipo de situacin, supngase el siguiente caso:
M = 6 camiones
H = 2 cargas (camiones)
Se cuenta con una pala mecnica con una tasa de servicio de , y con una tolva cuya tasa de servicio es
. La distribucin de los tiempos est dada por los parmetros 1/, 1/, y 1/, asumindose que se
distribuyen exponencialmente. El modelo markoviano correspondiente a esta situacin se indica en la
Figura 6.14.


6b 5b 4b 3b 2b b
P00 P10 P20 P30 P40 P50 P60
m m m m m m
m
W W W W W W
P01 P11 P21 P31 P41 P51 P61
6b 5b 4b 3b 2b b
m
W W W W W W
P01 P11 P21 P31 P41 P51 P61
6b 5b 4b 3b 2b b

Figura 6.14 Modelo Markoviano de un sistema con almacenamiento
Se puede apreciar en el modelo que cuando un camin llega al sistema y la tolva est cargada, el camin
es cargado por aquella, con una tasa de servicio de cargas por hora. De esta forma el sistema transita
del estado Eij al estado Ei-1,j-1, o sea hacia arriba y a la izquierda en el esquema.
La produccin del sistema puede determinarse a travs de la resolucin de las ecuaciones de estado,
utilizando la siguiente expresin:
M H M
Pr oduccin = Pi 0 + Pij CL (6-42)
i =1 j =1 i =1
Ejemplo 6.4. Una compaa constructora est realizando una excavacin para lo cual cuenta con una
pala mecnica, cuya capacidad es de 12 cargas por hora, y con una flotilla de 4 camiones con una
3
capacidad de 10 m cada uno. Se ha determinado que el tiempo promedio entre las llegadas de los
camiones es de 10 minutos. Adems la empresa dispone de una tolva con capacidad para una carga, y
con un tiempo de carga de 2 minutos. Determinar cual es la produccin horaria esperada del sistema. El
modelo Markoviano que representa el sistema es el indicado en la Figura 6.15.


4b 3b 2b b
P00 P10 P20 P30 P40
m m m m
m
W W W W
P01 P11 P21 P31 P41
4b 3b 2b b

Figura 6.15 Modelo markoviano para el ejemplo.
El valor de los parmetros del problema es:
= 12 cargas/hora
= 60/10 = 6 camiones/hora
= 60/2 = 30 cargas/hora
Las ecuaciones de estado del sistema son las siguientes:
P00(+4) = P10 + P11
P10 (+3) = P20 + P21 + 4P00
P20 (+2) = P30 + P31 + 3P10
P30 (+) = P40 + P41 + 2P20
P40 = P30
P01 4 = P00
P11 (+3) = 4P01
P21 (+2) = 3P11
P31 (+ ) = 2P21
P41 = P31
Pij = 1


Resolviendo convenientemente el sistema de ecuaciones, se obtienen los siguientes resultados:
P10 = 0.176 P01 = 0.037
P20 = 0.272 P11 = 0.019
P30 = 0.274 P21 = 0.0079
P40 = 0.137 P31 = 0.0026
P00 = 0.0742 P41 = 0.00053
La produccin del sistema estar dada por:
Prod = [(P10+P20+P30+P40) + (P11+P21+P31+P41)]C
Prod = [12x0.859+30x0.03] x 10
Prod= 112 m3/hora
6.2.9 Aplicacin en terreno
Para calcular la produccin de un sistema utilizando datos de terreno, es necesario determinar valores
para y . Si se usa un sistema con tolva (almacenamiento) se requiere tambin el valor de . Estos
parmetros deben ser obtenidos a partir de observaciones realizadas en terreno.
Para una situacin de cola finita, es posible de obtener registrando el tiempo desde que una unidad
deja el sistema hasta que regresa, determinando as el tiempo de ciclo. Repitiendo este procedimiento,
es posible obtener un valor promedio a partir de la siguiente expresin:
M N j M
A = IAC ij ITC(i1),j / N j ( ) (6-43)
j=1 i=1 j=1
donde:
= tiempo promedio entre llegadas.
IACij = instante de arribo a la cola de la unidad j en el ciclo i.


ITC(i-1)j = instante de trmino del servicio de la unidad j en el ciclo (i-1)
M = nmero de unidades (j=1, M)
Nj = el nmero de ciclos por unidad j (i=1, Nj)
As, el tiempo promedio entre llegadas para una unidad es la suma de los tiempos de ciclo para todas las
unidades, dividido por el nmero total de ciclos para todas las unidades.
Por otro lado, el clculo de debe ser hecho cuidadosamente, existiendo dos situaciones posibles:
1. Si la cola est vaca en el momento que llega una unidad no hay demora y el instante de comienzo
del servicio es el mismo de la llegada de la unidad al sistema, de tal manera de mantener las
suposiciones del modelo. En este caso, el tiempo de servicio est dado por:
Sij = ITCij - IACij (6-44)
donde:
Sij = tiempo de carga de la unidad j en el ciclo i.
ITCij = instante de trmino del servicio de la unidad j en el ciclo i.
IACij = instante de llegada a la cola de la unidad j en el ciclo i.
2. Si la cola no est vaca, el tiempo de servicio pasa a ser:
Sij = ITCij - ITC(unidad precedente) (6-45)
Nuevamente, el factor de control no es el instante de inicio del servicio propiamente tal, dado que el
modelo asume que el inicio del servicio se produce simultneamente con la partida de la unidad
precedente.
Otra modificacin de los datos es requerida para mantener las suposiciones del modelo, y se refiere a
que ste asume una disciplina de la cola del tipo FIFO (primero que llega, primero que es atendido). Sin
embargo, en terreno se producen algunas veces ciertos quiebres de esta disciplina, llegando una unidad
primero que otra, pero siendo atendida despus de la segunda. Una solucin para el problema
planteado es la modificacin del instante registrado de llegada de la primera unidad, colocndole una
hora igual al instante de arribo de la unidad posterior (que es atendida primero) ms 1 segundo,
cumplindose as la disciplina.


Siguiendo el procedimiento anteriormente descrito, es posible entonces obtener los valores de y ,

donde:
1
0 = , donde 0 = observado (6-46)
A
y
1
0 = donde 0 = observado (6-47)
S
6.2.10 Modelo econmico de las lneas de espera
Los problemas de lneas de espera generalmente se relacionan con la solucin de, entre otras, las
siguientes interrogantes:
1. Cuntas unidades de servicio deben considerarse?
2. Cul ser el efecto de incrementar la tasa de servicio?
3. Qu espacio deber haber disponible para las unidades que llegan y deben esperar?
Las soluciones de estas interrogantes conllevan una decisin econmica, la cual deber balancear los
costos debidos a la espera de las unidades con los costos del servicio de las mismas.
La Figura 6.16 ilustra el comportamiento de los costos de servicio y espera en funcin del nivel de
servicio. El costo total esperado por perodo es la suma del valor esperado del costo de espera y el costo
de servicio por perodo, por ejemplo:
Ct = Ce.L + Cs.k (6-48)
donde:
Ce = costo de espera de una unidad por perodo.
L = nmero esperado de unidades en el sistema en funcin de k.
Cs = costo de servicio por perodo.
k = nmero de servidores.


Costo
Costo Total
Costo de
servicio
Costo de espera
Nivel de servicio
Nivel de servicio 100%
ptimo
Figura 6.15 Solucin conceptual de costos de un modelo de espera
En la utilizacin de la expresin anterior, cuando se desee optimizar el costo total, se debe tener especial
cuidado con la composicin de los costos involucrados. Por ejemplo, se debe definir con precisin lo que
se incluye en el costo de espera de una unidad por perodo. En el caso de camiones de transporte de
material excavado, ser necesario incluir costos tales como el costo por perodo de poseer (arrendar) y
operar cada camin.
Al igual que con el costo de espera por perodo, es tambin importante definir claramente los
componentes del costo de servicio. Una vez identificados ambos costos, se debe buscar la combinacin
que d como resultado el costo mnimo. Esto se puede hacer variando la capacidad del servicio hasta
llegar al punto de costo mnimo. En el caso de cola finita, es tambin posible variar el nmero de
unidades, manteniendo la capacidad de servicio constante y, de ese modo, encontrar el punto de costo
mnimo. En ambos casos se debe tener presente si existe algn nivel de produccin mnima que
representa una restriccin para el modelo.
Finalmente es necesario recalcar que, sin dudar de la gran utilidad de los modelos de fenmenos de
espera finitos e infinitos, en el anlisis de situaciones reales de este tipo es conveniente considerar
cuidadosamente las posibles desviaciones que se pueden producir en la realidad y que afectan o
modifican las suposiciones en que se basa el desarrollo terico.


6.3 MODELOS DE TRANSPORTE Y ASIGNACIN
La programacin matemtica comprende las tcnicas usadas para resolver en forma ptima, problemas
del mundo real, a travs de representaciones matemticas de dichos problemas. Hay dos clases
especiales de programacin lineal a los que se hace referencia frecuentemente con el nombre de
modelos de distribucin. Estos son los modelos de transporte y asignacin. Como se ver ms adelante,
existe un gran nmero de situaciones que se presentan en la construccin que pueden ser
eficientemente modeladas utilizando estas herramientas.
6.3.1 El problema de transporte
El problema de transporte es un caso particular de la programacin lineal, y consiste en distribuir un

producto o recurso desde varios orgenes a varios destinos o usuarios, en tal forma que la colocacin sea
ptima. Un problema de transporte puede definirse completamente por la matriz que se indica a
continuacin:
DESTINOS
ORIGEN 1 2.........................n OFERTA
1 C11 C12.........................C1n O1
2 C21 C22.........................C2n O1
. . . .
. . . .
. . . .
m Cm1 Cm2.........................Cmn Om
DEMANDA D1 D2.........................Dn
donde Cij es el costo de transportar 1 unidad de producto o recurso desde el origen i hasta el destino j.
Este costo puede estar compuesto de varios elementos tales como: costo de adquisicin y/o produccin
de una unidad de recurso o producto, costo de transporte propiamente tal, derechos, aranceles, etc.
Matemticamente, el problema se define como sigue:


m n
Funcin objetivo = C ij Xij (6-49)
i=1 j=1
donde Xij = cantidad de unidades asignada desde el origen i hasta el destino j.
sujeta a las restricciones:

n
Xij = Oi i= 1,2, ........,m (6-50)
j=1
m
Xij = D j j= 1,2..........,n (6-51)
i=1
m n
Oi = D j (6-52)
i=1 j=1
y Xij 0 para todos los pares ij (6-53)
La ecuacin (6-52) indica que la suma de los valores Oi y Dj deben ser iguales. Esta restriccin no impone
limitaciones serias al problema, ya que en caso de no cumplirse, bastar introducir un origen o un
destino ficticio para satisfacerla.
Los problemas de transporte son normalmente resueltos usando el mtodo de la esquina noroeste, o el
mtodo de aproximacin de Vogel. Aunque ambos mtodos entregan soluciones ptimas, se
desarrollar a continuacin el mtodo de aproximacin de Vogel debido a su mayor eficiencia.
6.3.1.1 Mtodo de aproximacin de Vogel (MAV)
La mejor forma de explicar el desarrollo de este mtodo es a travs de un ejemplo:
Ejemplo 6.5: Una empresa constructora recibe 4 pedidos de ladrillos de diferentes obras de edificacin
que est ejecutando. La empresa puede acudir a tres proveedores, con diferentes costos y ofertas. En la
Tabla 6.1 se entregan los costos de colocar 100 ladrillos desde cada proveedor a cada obra, las
demandas de cada obra y las ofertas de cada proveedor. Determinar la asignacin que minimice el costo
de transporte.


Tabla 6.1 Datos para el ejemplo (costos en cientos de $)
Obras
Proveedores 1 2 3 4 Ofertas
A 30 35 25 30 1500
B 28 30 30 34 1000
C 32 29 33 31 2000
Demandas 500 1200 2000 800 4500
El mtodo de aproximacin de Vogel (MAV) se resume en los siguientes pasos:
1. Formar la matriz inicial origen-destino como se muestra en la siguiente pgina. Los costos asociados
se indican en las celdas de la esquina superior derecha de cada cuadro de asignacin.
2. Determinar las diferencias entre los dos coeficientes de costo menores para cada fila y cada
columna. Estos valores se muestran al lado derecho y en la parte inferior de la matriz.
3. En la fila o columna con la mayor diferencia encontrada en el paso anterior, asignar la mxima
cantidad permitida por los requerimientos de demanda y oferta a la casilla que tiene el menor
coeficiente de costo. En caso de empate entre valores, elegir uno en forma arbitraria. En este caso
se elige el valor correspondiente a la fila A, que es igual a 25. Tambin se podra haber elegido la
columna 3.
4. Asignar cero a las casillas restantes de la fila o columna donde la demanda o suministro se haya
agotado. En este ejemplo se asigna cero a la casilla A1, A2 y A4.
5. Repetir los pasos 2 a 4 hasta obtener una solucin completa. Las casillas que ya han recibido
asignacin o cero no deben ser consideradas para efecto de los clculos.
6. Verificar si la solucin es ptima y hacer la prueba de degeneracin. Cuando el nmero de casillas

con asignacin es menor que m + n - 1, se dice que la solucin es degenerada. En este ejemplo m+n-
1 = 3+4-1 = 6, y hay 5 asignaciones; por lo tanto, la solucin es degenerada.


OBRAS
PROVEEDORES 1 2 3 4
30 35 25 30
A 1500 5
- - 1500 -
28 30 30 34
B 1000 2 2 0
500 - 500 -
32 29 33 31
C 2000 2 2 2
e 1200 - 800
DEMANDAS 500 1200 2000 800
2 1 5 1
4 1 3 3
1 3 3
La degeneracin puede resolverse en cualquier etapa de la solucin, situando una asignacin

infinitesimalmente pequea en una casilla apropiada. La asignacin de se hace mediante inspeccin y
no afecta a los totales de la fila o columna ya que sta es una cantidad muy pequea. El tratamiento de
la asignacin de a una casilla es el mismo que para cualquier asignacin. Cuando se obtiene la solucin
ptima, se hace igual a cero. Cuando se requiere ms de un , se debe seleccionar arbitrariamente uno
de ellos como mayor ( > ').
Para el ejemplo, se ha asignado un a la casilla C1, ya que de esta manera ser posible comprobar si la
solucin es ptima o no. Para verificar si una solucin es ptima, se debe realizar lo siguiente:
6.1 Formar una matriz que contenga los costos asociados de las casillas en las cuales se han hecho
asignaciones.
6.2 Utilizando esta matriz, establecer un conjunto de nmeros ui y otro conjunto de nmeros vj, tales
que su suma iguale los costos obtenidos en el paso anterior. Matemticamente esto se expresa
por:
Cij = ui + vj (6-54)
En la siguiente matriz se muestran los dos pasos sealados.
Normalmente se asigna a v1 el valor 0 para comenzar a obtener los otros valores.


vj
ui 0 -3 2 -1
23 25
28 28 30
32 32 29 31

6.3 Se coloca el valor ui + vj en las casillas que no tienen asignaciones de acuerdo a la siguiente matriz:
ui + vj
23 20 - 22
- 25 - 27
- - 34 -

6.4 Restar los valores as obtenidos a los respectivos coeficientes de costo de la matriz original, es decir:
Cij - (ui + vj)
Para el ejemplo, esto queda como sigue:
Cij - (ui + vj)

7 15 - 8
- 5 - 7
- - -1 -

Si cualquier valor obtenido de la operacin anterior es negativo, la solucin no es ptima. En este caso se
tiene que el casillero C3 tiene un valor -1 y, por lo tanto, la solucin no es ptima.
7. En el caso de que la solucin no sea ptima, hacer un desplazamiento hacia una solucin ptima
siguiendo el procedimiento descrito a continuacin:
7.1 Identificar la casilla de la matriz anterior que no tenga asignacin inicial, cuyo valor de la expresin
Cij - (ui +vj) sea el menor. En el ejemplo, este valor es -1 en la casilla C3.
7.2 Trazar una trayectoria ms-menos en la matriz de transporte. Esta trayectoria debe comenzar y
terminar en la casilla identificada en el paso anterior, la cual comienza con signo positivo. Las
esquinas donde la trayectoria cambia de direccin, se designan alternativamente menos y ms,
siendo todas ellas casillas con asignaciones. Este proceso se muestra a continuacin:


OBRAS
PROVEEDORES 1 2 3 4
30 35 25 30
A
- - 1500 -
+ 28 30 - 30 34
B
500 - 500 -
- 32 29 + 33 31
C
e 1200 - 800

7.3 Seleccionar en las esquinas negativas, la cantidad ms pequea y hacer una nueva asignacin,
sumando o restando esta cantidad de las esquinas ms o menos, respectivamente. La matriz
resultante para el ejemplo queda:
OBRAS
PROVEEDORES 1 2 3 4
A - - 1500 -
B 500+e - 500-e -
C - 1200 e 800

Despus de cada iteracin, es necesario comprobar si la solucin es ptima, siguiendo el mismo

procedimiento explicado anteriormente. Para el ejemplo queda como sigue:
1. Determinacin de los ui y vj.
vj
0 -2 2 0
23 - - 25 -
28 28 - 30 -
31 - 29 33 31



2. Determinacin de ui + vj
ui + vj
23 21 - 23
- 26 - 28
31 - - -

3. Determinacin de Cij - (ui + vj)
Cij - (ui + vj)

7 14 - 7
- 4 - 6
1 - - -

Dado que todos los valores son positivos, la solucin es ptima y se puede hacer igual a cero. De esta
forma, la asignacin es:
Proveedor A 1500 ladrillos a obra 3
Proveedor B 500 ladrillos a obra 1
Proveedor B 500 ladrillos a obra 3
Proveedor C 1200 ladrillos a obra 2
Proveedor C 800 ladrillos a obra 4
El costo total de la solucin es:
C (total) = 15x2500 + 5x2800 + 5x3000 + 12x2900 + 8x3100
C (total) = $126.100.
El ejemplo anterior ha servido de ilustracin para presentar el desarrollo del modelo de transporte. En la
construccin existen muchas situaciones en las cuales este modelo puede aplicarse convenientemente,
tales como:
a) Distribucin de emprstitos y botaderos.
b) Distribucin de hormign a varias obras, as como de materiales en general.


6.3.2 El problema de asignacin
Este modelo est relacionado con la asignacin de un determinado nmero de orgenes al mismo
nmero de destinos con el objeto de optimizar alguna funcin de efectividad. Matemticamente, el
modelo de asignacin se define como la optimizacin de la funcin:
n n
C ij Xij (6-55)
i=1 j=1
donde Cij son los coeficientes de costo (ganancia), sujeto a las restricciones:
n
Xij = 1,0 ; j=1,2,3, ...., n (6-56)
i=1
n
Xij = 1, 0; i=1,2,3,...., n (6-57)
j=1
Xij= 0 1 para todas las Xij (6-58)
Este tipo de problema es una situacin especial del problema de transporte. Para su resolucin se ha
desarrollado un algoritmo especial cuyos pasos, a partir de la confeccin inicial de la matriz de
asignacin, son los siguientes:
1. Restar el elemento ms pequeo de cada fila de los dems elementos de la misma fila.
2. Restar el elemento menor de cada columna de los dems elementos de la misma columna.
3. Verificar si la solucin es ptima, trazando el mnimo nmero de lneas que puedan pasar a travs
de todos los ceros de la matriz resultante de los dos primeros pasos. Las lneas deben ser verticales
u horizontales.
4. Despus de trazar el nmero mnimo de lneas, se hace la prueba de optimizacin. Si el nmero de

lneas es igual a n (nmero de filas o columnas), puede hacerse una asignacin ptima. En caso
contrario, deber hacerse una iteracin, la que consiste en seleccionar el elemento ms pequeo de
los elementos no cruzados por una lnea, restarlo de todos los elementos no cruzados por las lneas,
y sumarlo a todos los elementos situados en las intersecciones de las lneas.
5. Comprobar nuevamente si la solucin es ptima, por el mismo procedimiento explicado en 3.
6. Hacer una asignacin ptima, determinando en la matriz final las posiciones de los ceros y
recordando las restricciones impuestas por las ecuaciones (6-56) y (6-57).


Frecuentemente en algunos problemas es posible hacer ms de una asignacin ptima. Por otro lado, en
algunos casos, por definicin del problema en estudio, no se tiene una matriz nxn necesaria para utilizar
el modelo de asignacin. En estos casos, se soluciona el problema agregando filas o columnas ficticias en
que todos sus elementos son cero, conformando as una matriz nxn.
Ejemplo 6.6 Una empresa constructora tiene cinco cargadores frontales en diferentes depsitos. Por
otro lado, desde cinco obras han solicitado una de estas mquinas. La siguiente tabla muestra la
distancia en kilmetros entre cada obra y cada depsito. Cul debe ser la asignacin de los cargadores
frontales a las obras, de forma de satisfacer la demanda y minimizar la distancia total de transporte?
DEPSITOS
Elemento
OBRAS 1 2 3 4 5
menor
A 53 74 89 66 98 53
B 67 10 32 87 52 10
C 11 81 43 24 93 11
D 80 43 92 69 53 43
E 18 76 63 19 72 18

Paso 1
OBRAS 1 2 3 4 5
A 0 21 36 13 45
B 57 0 22 77 42
C 0 70 32 13 82
D 37 0 49 26 10
E 0 58 45 1 54
Elemento 0 0 22 1 10
menor
Paso 2


OBRAS 1 2 3 4 5
A 0 21 14 12 35
B 57 0 0 76 32
C 0 70 10 12 72
D 37 0 27 25 0
E 0 58 23 0 44

Paso 3
Se trazan el nmero mnimo de lneas que crucen todos los ceros. En total 4 lneas, menor que n=5.
Paso 4
Se debe hacer una iteracin. El elemento menor no cruzado es 10. Se resta a los elementos no cruzados
y se suma a los elementos que estn en las intersecciones de las lneas, tal como se muestra a
continuacin.
OBRAS 1 2 3 4 5
A 0 11 4 12 25
B 67 0 0 86 32
C 0 60 0 12 62
D 47 0 27 35 0
E 0 48 13 0 34

Paso 5
La prueba de optimizacin da un total de 5 lneas = n. Se puede hacer una asignacin ptima.
Paso 6
Asignacin ptima. En la tabla que se presenta a continuacin, se entrega la asignacin ptima

correspondiente al problema planteado y como resultado del procedimiento seguido. Como se puede
apreciar, la distancia total mnima que entrega esta solucin es de: 53+10+43+19+53= 178km.


Depsitos Obra
1 A
2 B
3 C
4 E
5 D
Ejemplo 6.7. En el terreno de una universidad, cuatro contratistas diferentes 1,2,3, y 4 se proponen para
construir cuatro edificios diferentes A,B,C y D. Debido a que los contratistas contribuyen generosamente
a la universidad, se ha decidido asignar una obra a cada uno de ellos. Cada contratista ha remitido
propuestas para la construccin de los cuatro edificios, en millones de pesos.
Determinar que edificio debe adjudicarse a cada contratista para lograr un mnimo costo de construccin
de los cuatro edificios.
CONTRATISTA
Elemento
EDIFICIOS 1 2 3 4
menor
A 48 48 50 44 44
B 56 60 60 68 56
C 96 94 90 85 85
D 42 44 54 46 42

Paso 1
A 4 4 6 0
B 0 4 4 12
C 11 9 5 0
D 0 2 12 4
0 2 4 0

Paso 2


A 4 2 2 0
B 0 2 0 12
C 11 7 1 0
D 0 0 8 4

Paso 3
Es posible trazar un mnimo de tres lneas, menor que n=4.
Paso 4
El elemento menor no cruzado es 1. Se resta a los elementos no cruzados y se suma a los elementos en
las intersecciones de las lneas.
A 3 1 1 0
B 0 2 0 13
C 10 6 0 0
D 0 0 8 5

Paso 5
La prueba de optimizacin da un total de 4 lneas, lo que es igual a n. Se puede hacer una asignacin
ptima.
Paso 6
Asignacin ptima
Depsitos Obra
A 4
B 1
C 3
D 2
Costo total = 44 + 56 + 90 + 44 = 234 millones


6.4 SIMULACIN
Muchos problemas reales no permiten el uso de soluciones analticas, debido a que son muy complejos,
incluyendo la presencia de situaciones de incertidumbre o no se cuenta con la capacidad analtica para
resolverlos. Es as como se considera que en esas situaciones la nica solucin posible es la simulacin,
hasta el punto que se dice que cuando todo lo dems falla, entonces se debe usar la simulacin.
En la construccin existen muchas situaciones que presentan estas caractersticas. La simulacin, para el
estudio y solucin de problemas de operaciones de construccin se realiza normalmente con el apoyo
del computador.
La metodologa general a seguir cuando se usa simulacin es la siguiente (Schroeder 1992):
Definicin del problema a simular, estableciendo sus lmites, objetivos, limitaciones y suposiciones a
considerar
Desarrollo del modelo de simulacin, incluyendo:
- Definicin de las variables controlables
- Definicin de las variables no controlables
- Definicin de los parmetros de desempeo
- Definicin de las reglas de toma de decisiones y las funciones del modelo
Elaboracin de un diagrama de flujo de la solucin del modelo de computacin con el objeto de

poder programarlo en una computadora. El diagrama de flujo ayuda a aclarar la lgica
computacional precisa del modelo
Programacin del modelo en la computadora, para lo cual existen variados sistemas de

programacin disponibles en el mercado
Obtencin de datos para especificar los parmetros de entrada del modelo. Normalmente, esta
etapa en una de las ms costosas del estudio de simulacin
Validacin del modelo y revisin en caso necesario. Interesa determinar si el modelo es una
representacin lo suficientemente precisa de la realidad, sobre la base a una validacin de los
parmetros, datos, resultados y nmero de iteraciones del modelo. Uno de los aspectos ms
relevantes es la validacin de las distribuciones probabilsticas que se usan en el modelo


Anlisis de sensibilidad del modelo, hacindose variaciones de los parmetros del modelo y
analizando los resultados que se obtienen
Implementacin de los resultados a travs de la toma de decisiones en funcin de la informacin

proporcionada por el modelo
6.4.1 Modelacin y simulacin de operaciones de construccin
En esta seccin se expone una metodologa de estudio de la productividad de operaciones de

construccin, que utiliza un lenguaje orientado a la representacin de procesos constructivos. Para ello
se cuenta con las etapas de modelacin o creacin del modelo, que representa el sistema de inters y
simulacin o procesamiento computacional de modelos.
El desarrollo que se presenta a continuacin, hace uso del lenguaje de modelacin CYCLONE (CYCLic
Operations NEtwork system), creado por Daniel W. Halpin (1977). Este lenguaje fue creado en forma
especfica para la modelacin y anlisis de operaciones de construccin, continundose su desarrollo
hasta el da de hoy. En la actualidad existen otras alternativas disponibles.
Como se mencion anteriormente en este captulo, un modelo es una representacin simplificada de

una situacin o problema de construccin, que hace uso de un conjunto de hiptesis que establecen la
forma en que se relacionan las variables involucradas. Adaptando el proceso general de un estudio de
simulacin recin presentado, para este caso, la concepcin de un modelo requiere que se siga las
siguientes etapas:
- Definicin del problema o sistema
- Identificacin de los recursos o unidades de flujo relevantes
- Identificacin de todos los estados posibles (actividad y ocio) de las unidades de flujo e
identificacin de los ciclos individuales de recursos
- Integracin de los ciclos de los recursos
- Inicializacin o ubicacin inicial de los recursos
- Determinacin de la duracin de las actividades
- Validacin del modelo a travs de verificacin de resultados con casos reales
Ya que cada modelo representa a un sistema, se querr conocer la respuesta de ste a los estmulos que
el analista seleccione. Esto se consigue gracias al proceso de simulacin del modelo, por medio de un
anlisis y sntesis no determinstico. Es decir, se analiza la respuesta del modelo ya estructurado ante


variaciones de los estados temporales de las actividades, para luego variar la estructura del modelo,
dejando constante las caractersticas de entrada o salida (anlisis de sensibilidad). Al indicar un estudio
no determinstico, se quiere decir que es posible estimar una probabilidad de ocurrencia para ciertos
estados e incorporar la incertidumbre propia de las variables de una operacin de construccin.
Dado que es muy complicado realizar manualmente las iteraciones de todos los ciclos, se cuenta con
programas computacionales de procesamiento de datos que, por lo general, permiten seguir los
siguientes pasos:
- Ingreso computacional de una representacin grfica ("malla") del modelo y de los datos asociados
- Procesamiento y extraccin de resultados
- Control de las variables cruciales y optimizacin del manejo de recursos
- aplicacin terica de soluciones y evaluacin de las consecuencias
En la Figura 6.16 se esquematiza la relacin de las tareas de observacin de terreno, adquisicin de

datos, anlisis estadstico, construccin del modelo matemtico y, finalmente, su simulacin
computacional. En caso que no se cuente con informacin previa ni se tenga una biblioteca de datos
concernientes al proceso, la adquisicin de informacin se puede realizar en terreno, por medio de
observaciones visuales o filmaciones de video.
Figura 6.16 Relacin de las actividades para un estudio de simulacin de procesos


6.4.2 Descripcin del sistema CYCLONE
CYCLONE est basado en tres estados temporales bsicos en que se puede encontrar cualquier recurso:
estado activo o de procesamiento, estado pasivo o de espera, y transicin entre estados. La
representacin de estos estados otorga un formato grfico para la construccin del modelo, el cual se
transcribe a un lenguaje computacional en el proceso de simulacin.
Siguiendo la convencin de representar el estado activo con un cuadrado, el pasivo por un crculo y los
arcos de unin por flechas, CYCLONE define los elementos que se muestran en la Figura 6.17.
NODO NORMAL: indica un proceso activo de transformacin de unidades de

recurso. Este nodo no presenta restricciones a la entrada de recursos
NODO COMBI: similar al anterior, pero existen limitaciones al ingreso de

unidades de recurso en flujo
NODO QUEUE: indica un estado de ocio o desocupacin de un recurso, esperando

a ser activado
ARCO DE UNIN: indica la direccin del flujo de los recursos.
NODO COUNTER: permite contar las unidades que lo atraviesan.

(o Accumulator)
NODO FUNCTION: permite que se definan funciones de consolidacin de

unidades y de recoleccin de datos estadsticos.
Figura 6.17 Elementos del sistema CYCLONE
A continuacin se expone una descripcin ms precisa de estos elementos:
Nodo NORMAL: es un elemento con una funcin intrnseca de demora del flujo de unidades y con
propiedad de libre acceso. La magnitud y caractersticas de distribucin probabilstica de las demoras las
establece inicialmente el modelador. De un nodo NORMAL pueden salir y entrar cuantos arcos se desee.
En caso que salgan, por ejemplo, dos arcos con distinto rumbo, se estar procesando una unidad por
cada va. En este caso, una unidad de recurso procesada se encontrar con la misma probabilidad de
continuar por un camino u otro. Si a los caminos de salida se les especifica una probabilidad de ruta, se
estar satisfaciendo slo un camino por unidad, con distinta posibilidad de continuar por cada ruta.
Nodo COMBI: es un elemento con una funcin intrnseca de demora del flujo de unidades, que opera en
el instante en que ciertos recursos se encuentran disponibles. Es por ello que cada arco que ingresa al

nodo COMBI debe provenir directamente de un nodo QUEUE. Al igual que el nodo NORMAL, el nodo
COMBI permite una definicin de duraciones constantes (determinsticas) o aleatorias dentro de un
rango con distribucin probabilstica. Tambin cabe la asignacin probabilstica de rutas que salgan
desde l.
Nodo QUEUE: es un elemento que define disponibilidad de recursos que espera ser utilizados o servidos
en el nodo COMBI. Es en estos nodos donde se asignan los recursos que circularn en la malla del
modelo. Si un QUEUE libera recursos a dos o ms COMBI y tales recursos deben satisfacer varias
actividades, se preferir aquellos COMBI que primero cumplan sus condiciones de admisin y, en caso
que ocurra lo mismo en ms de uno, la unidad optar por aquel nodo COMBI etiquetado con el nmero
ms bajo. Los informes finales de simulacin demuestran particular inters en los nodos QUEUE, ya que
indican el porcentaje de desocupacin de los recursos que se definieron en l. Otra utilidad de este nodo
es una funcin intrnseca de generacin de unidades a partir de las que recibe, donde gracias a su
funcin GENERATE amplifica las unidades que arriban a l por un nmero predeterminado por el
modelador.
ARCO de unin: es un elemento que define la direccin del flujo de unidades y no tiene demora de
tiempo asignada. El paso de unidades a travs de l puede ser probabilstico, pero cabe recordar que no
se puede asociar probabilidad a ARCOS que salgan de nodos QUEUE.
Nodo COUNTER o ACCUMULATOR: es un elemento que permite contar las unidades que lo atraviesan,
con lo que se puede cuantificar la productividad del proceso y determinar el fin de ste despus de una
cantidad de ciclos preestablecida. Slo se debe colocar un nodo de este tipo en cada modelo.
Nodo FUNCTION: es un elemento que no presenta funciones intrnsecas, sino que deben ser definidas
por el modelador. Una de ellas es la de consolidar unidades (CONSOLIDATE) al dividir las unidades segn
un nmero predefinido por el modelador. Otras funciones de menor inters y con fines estadsticos son
las de STATISTICS y MARKING, ms una funcin COUNT muy similar al COUNTER.
En la Tabla 6.2 se resumen las relaciones de precedencia entre cada uno de estos elementos,
entendindose por: R = requerido por definicin; N = no factible; P = posible.


Tabla 6.2 Tabla de precedencia, del elemento A precediendo al elemento B.
B
A
N P P P P
N P P P P
R N N N N
N P P P P
N P P P N
6.4.3 Proceso de Simulacin
Una vez que la tecnologa operacional haya sido decidida, corresponder asignar duraciones de tiempo a
cada actividad. Para ello se puede acudir a bibliotecas o bases de datos de tiempos medios y su
variacin, en caso que existan, o simplemente realizar observaciones en terreno que satisfagan los
requerimientos de validacin estadstica para el ajuste de distribucin de ocurrencias. Por ejemplo, si se
realiza X cantidad de observaciones al ciclo de transporte de material en camiones, se podr utilizar la
duracin ms probable y su variabilidad de acuerdo a un ajuste estadstico como el representado en
Figura 6.18, en el cual se compara la distribucin de frecuencias obtenida con una variedad de
distribuciones tericas.


S fi = X
Frecuencia
OBSERVADO:
Histograma de ocurrencias
fi
Tiempo
(min.)
Probabilidad
REPRESENTADO EN:
Distribucin probabilstica
5 5
Ej: x = 15 min
s = 5 min
Tiempo
(min.)
Figura 6.18 Relacin entre frecuencias (de demoras) y distribucin probabilstica ajustada
Para resumir la informacin de los recursos involucrados y sus relaciones en los ciclos, es conveniente
utilizar un esquema como el de la Tabla 6.3. A ello se puede agregar el clculo de costos operacionales,
desagregados en variables y fijos, de modo de incluir parmetros de control factibles de modificar
durante la simulacin, para analizar su influencia en la respuesta del sistema.


Tabla 5.3 Parmetros relevantes
# Nodo Descripcin Tipo de Nodo Recursos

Duracin (min.)
Para la simulacin computacional puede usar el programa MicroCYCLONE, creado por Daniel W. Halpin,
de la Universidad de Purdue, EE.UU. Aunque no es de inters mostrar los comandos de manejo del
programa MicroCYCLONE, vale la pena indicar que cuenta con un lenguaje natural especialmente
orientado al problema de emulacin de procesos (POL = process-oriented language).
La organizacin del software MicroCYCLONE considera una serie de mdulos independientes que
controlan segmentos particulares de procesamiento, segn se muestra en la Figura 6.19.
MEN PRINCIPAL
MEN DE PROCESAMIENTO
MDULO DE INGRESO MDULO DE MDULO DE GENERACIN

DE DATOS SIMULACIN DE REPORTES
MDULO DE ANLISIS DE
SENSIBILIDAD

Figura 6.19 Organizacin del paquete computacional MicroCYCLONE.


6.4.4 Ejemplo de aplicacin
La descripcin del proceso de simulacin se entiende mejor por medio de un ejemplo de aplicacin. Este
ejemplo consiste en la operacin de hormigonado de losas de un edificio.
El hormigonado de losas se realiza con una gra torre que traslada capachos de 0.7m3 de capacidad. Se
dispone de dos capachos, con dos obreros que se encargan de dirigir la ubicacin de los capachos,
adems de su enganche y desenganche de la gra. El abastecimiento de hormign est determinado por
la llegada de camiones de hormign premezclado, cada 35 minutos. Luego del transporte del capacho
cargado, y dirigido por dos ayudantes hacia la zona de colocacin, el hormign es descargado por dos
"concreteros", esparcido por tres "paleros", vibrado por dos operarios "concreteros" con un vibrador de
inmersin y con un ayudante cada uno, regleado por tres "concreteros" y finalmente platachado por tres
"albailes".
Los ciclos de los recursos son bastante elementales, explicndose por s solos en las Figuras 6.20, 6.21,
6.22, 6.23 y 6.24.
1: Obreros esperando 3: Paleros esperando

1 3
2: Carguo de capacho o 4: Esparcido de hormign
descarga de capacho
2 4
Figura 6.20 Obreros cargando o descargando capacho y operacin de esparcido de hormign
5: Concreteros esperando 7: Concreteros esperando

5 7
8: Regleado de hormign
6: Vibrado de hormign
6 8
Figura 6.21 Operacin de vibrado de hormign y operacin de regleado de hormign


9: Albailes esperando 11: Vibradores desocupados

9 11
10: Platachado de 12: Vibrado de hormign
hormign
10 12
Figura 6.22 Operacin de platachado de hormign y operacin de vibrado de hormign (equipos)
18 13: Capacho esperando a ser cargado

14: Cargo de capacho
15: Capacho esperando a ser transportado
13 17 16: Transporte del capacho
17: Descarga del capacho
18: Retorno del capacho vaco
14 15 16
Figura 6.23 Ciclo del capacho
22
19: Gra esperando enganchar capacho
20: Enganche y transporte de capacho cargado
21: Espera para descarga de capacho
19 21 22: Descarga y transporte de retorno de
capacho vaco
20
Figura 5.24 Ciclo de la gra


El ciclo de la operacin de colocacin de hormign observado en terreno, se reduce al representado en

Figura 5.25. Los esfuerzos de optimizacin de recursos se realizarn sobre una base de operacin
favorable y conservadora, de modo que incrementos de la productividad a travs de la simulacin
computacional optimicen el uso de los recursos ideado originalmente por diseadores o en terreno. La
pregunta que cabe formularse en este caso es cmo mejorar la operacin de las cuadrillas (o del
sistema) desde la situacin conservadora que se opera segn se program?
Figura 5.25 Integracin de los recursos de un modelo que representa lo observado en terreno.
Haciendo uso del esquema de tabulacin de datos propuesto en la seccin 5.4.3, en la Tabla 5.4 se
resumen los parmetros de inters del modelo que se pretende simular.
Tabla 5.4 Parmetros relevantes del modelo.


#NODO DESCRIPCION TIPO DE NODO RECURSOS DURACIONES (min.)
2 obreros carguo esperando Q 2 Ayudantes

3 capacho disponible Q 2 Capachos
5 capacho esper. transporte Q

6 gra disponible Q 1 Gra
7 transporte hormign COMBI Beta u=.77 desv.=0.14
mn.=0.40 mx.=0.92
8 hormign disponible Q
9 obreros decarg. esperando Q 2 Concreteros
10 descarga hormign COMBI Beta u=0.25 desv.=0.11
mn.=0.12 mx.=0.55
11 retorno gra NORMAL Beta u=0.47 desv.=0.06
mn.=0.38 mx.=0.62
12 retorno capacho NORMAL Beta u=0.25 desv.= 0.11
mn.=0.38 mx.=0.62
13 horm. descarg. disponible Q
14 obreros esparcido esper. Q 3 Paleros
15 esparcido hormign COMBI Beta u=1.07 desv.=0.22
mn.=0.70 mx.=1.43
16 horm. esparcido disponible Q
17 vibrador disponible Q 2 Vibradores
18 obreros vibrado esperando Q 2 Concreteros
+ 2 Ayudantes
19 vibrado hormign COMBI CTE.=1.2
20 consolidate FUNCTION Consolida 4 unidades
21 horm. vibrado disponible Q
22 obreros esperando Q 3 Concreteros
23 reglear hormign COMBI CTE.=1.5
24 horm. regleado Q
25 obreros esperando Q 3 Albailes
26 platachado hormign COMBI CTE.=3.5
27 counter CONTADOR cantidad= 2.2 m3

Si tambin se incluyen los costos operacionales de los recursos involucrados, se puede evaluar el costo
por hora y por m3 de hormign colocado. En esta oportunidad no vale la pena detallar el desglose de
costos unitarios, aunque ser interesante observar las disminuciones porcentuales en costos por
concepto de ahorros en equipo y mano de obra.
Del anlisis de ociosidad de recursos, despus de una simulacin de 200 minutos, o lo que es equivalente
a 32 ciclos de carga de capacho, se aprecia que la gra tiene un tiempo de desocupacin relativamente
bajo en los estados de operacin en rgimen, supeditado a la capacidad del capacho y a la habilidad para
enganchar y desocupar capachos.
Los resultados demuestran lo siguiente:


- Los obreros relacionados al transporte presentan bajo grado de utilizacin (75% del tiempo estn
esperando)
- Los concreteros-paleros que esparcen el hormign cuentan con un 28% del tiempo desocupado
- Uno de los vibradores est esperando gran parte del tiempo (97.7%)
- Los concreteros del regleado esperan demasiado tiempo (75.3%)
- Los albailes del platachado estn cerca de la mitad de su tiempo desocupados (44%)
Del anlisis de tiempos muertos de equipos y maquinaria, se puede observar que la gra es el recurso
mayormente utilizado en la colocacin de hormign, de tal manera que la eficiencia de su utilizacin
determina en gran medida la productividad de la mano de obra que participa en la operacin de
hormigonado. En la Tabla 5.5 se demuestra que si se reduce uniformemente la duracin de las
actividades en que se ve envuelta la gra (nodos 7, 10, 11 y 12), se obtendr una consecuente
disminucin del tiempo ocioso de los recursos humanos involucrados. De esta forma, al aumentar
ficticiamente la productividad de la mano de obra y gra, hasta alcanzar un incremento del 30% sobre el
rendimiento inicial, se conseguir una ocupacin total de los esparcidores de hormign. Ello es difcil de
alcanzar en la prctica, no obstante, un anlisis de este tipo permite cuantificar las condiciones de borde
de una poltica de aumento de rendimientos.
Tabla 5.5. Reduccin de esperas y su influencia en la productividad. Objetivo: alcanzar aumentos de

rendimientos del 30%.
Nmero de Duracin de tareas % de reduccin Productividad % de tiempo

simulacin de la gra (min) de duracin (m3/hr) en esperas
tarea# tarea #
7 10 11 12 9 14 18 22 26
1 .63 .25 .47 .47 0 16.70 77 28 98 75 44
2 .53 .23 .42 .42 10 20.48 81 10 91 70 30
3 .50 .20 .37 .37 20 23.10 81 2 85 66 22
4 .44 .18 .33 .33 30 23.63 81 0 84 66 21

Los siguientes pasos corresponden a sucesivas modificaciones de las relaciones entre recursos, con el fin
de reducir la cantidad de recursos ociosos o aumentar su rendimiento. En la Figura 6.26 se representa
una modificacin de la estructura del modelo inicial, la cual consta de una reduccin de 18 a 12
operarios y un reordenamiento de sus funciones, manteniendo el rendimiento inicial de colocacin de
hormign de 16.7 m3/hr. Se estima que en este ejemplo se ha conseguido disminuir en un 25% los


costos directos relativos a la mano de obra, a travs de una disminucin de la ociosidad de los recursos y
modificaciones del proceso productivo en que stos participan, cuidando no disminuir el rendimiento de
produccin de la cuadrilla.
Figura 6.26 Integracin de los recursos en un modelo modificado.
La modificacin de la cuadrilla de hormigonado de losas consiste en: un obrero encargado de cargar

capacho, cuatro descargan capacho y esparcen hormign, un slo vibrador con un concretero, y cuatro
obreros que reglean y platachan hormign. Los tiempos ociosos se reducen, en promedio, desde el 86%
hasta un 21%, aunque el tiempo de desocupacin de obreros relacionados con el transporte se mantiene
alto (75%).
6.4.5 Duracin de las actividades modeladas
Es importante mencionar dos tipos de factores que determinan la eleccin del tiempo o demora
asignados a cada actividad: ellos son la naturaleza de la operacin y las habilidades del estimador. En
vista de ello, a continuacin se proponen cuatro mtodos simples (adicionales a las filmaciones) de
obtencin de datos relativos a la duracin de actividades.
(i) Experiencia: quienes participan del proceso de trabajo en cuestin normalmente conocen el
tiempo requerido para cada tarea, debido a su experiencia y a la frecuencia con que ejecutan
tareas similares o de magnitud comparable.
(ii) Estimaciones: quienes realizan la planificacin o estimaciones relativos al trabajo comnmente

obtienen informacin de otras obras, previas o similares, permitindoles establecer tasas de


productividad y rendimientos en funcin del tamao y combinacin de los recursos utilizados en

cada actividad.
(iii) Ensayos iniciales propios: en aquellos casos en que la experiencia no sea aplicable a la realidad que
se enfrenta, o no se cuente con expertos cercanos, es conveniente crear cuadrillas y faenas
"piloto" para medir rendimientos por tarea y factores de variabilidad.
(iv) Uso de modelos predictivos: conocindose las tareas componentes de una actividad y el
rendimiento de sus recursos, se podra variar la magnitud de combinaciones de ellos por medio de
un modelo simple, con el fin pronosticar las posibles duraciones de las actividades.
En lo que concierne a las duraciones determinsticas, que es la asignacin de un valor especfico y fijo
para la duracin de la tarea, se pueden presentar los siguientes casos de variabilidad:
a. El tiempo est relacionado a factores inherentes o complementarios de la actividad, por ejemplo,

por el tiempo de revoltura del hormign en la betonera, o los tiempos de curado del hormign, o la
duracin de jornadas de trabajo complementario.
b. La duracin de cada tarea que conforma una actividad puede estar sujeta a muy pequeas
variaciones alrededor de un valor promedio, de tal modo que se pueden fijar valores constantes a
las duraciones de tareas, y mediante la combinacin de ellas (adicin, traslapos, etc.) se establece
una duracin para la actividad que las globaliza en un slo tem de trabajo.
c. El propsito de la modelacin es tal que se permite ignorar cualquier variacin probabilstica.
Por el contrario, en aquellos sistemas donde las duraciones de tareas estn gobernadas por una
asignacin de tiempo aleatoria, la productividad de las operaciones puede verse influida por sus
duraciones y variabilidad, y por consiguiente, por una excesiva acumulacin de tiempo en estados
ociosos y de espera.
Lo usual es que los sistemas de administracin en obras de construccin estn postulados desde un
concepto de "administracin por excepcin", basados en la deteccin de desviaciones del plan de
trabajo y readecuacin de recursos para nuevas metas de plazo y costo. Los mtodos de modelacin y
simulacin computacional responden efectivamente a este esquema de administracin, en tanto se
tenga una medida del tiempo transcurrido en los ciclos de cada recurso. De esta manera, no slo se
pueden detectar las causas de ineficiencia, sino que se cuenta con una herramienta para el
mejoramiento de procesos y para la instruccin de supervisores.
Sin embargo, el esfuerzo profesional adicional al tradicional y la exactitud de las respuestas se veran
justificados para operaciones de una importancia o envergadura tal que los recursos invertidos en


modelar y simular fueran menos costosos que los beneficios de las mejoras factibles de aplicar. Este
puede ser el caso actividades crticas para el avance del proyecto o para maquinaria y mano de obra cara
y escasa.
Otro factor determinante se refiere al tamao del proyecto de construccin y de las operaciones que se
pretende modelar y simular. Actualmente, el programa MicroCYCLONE no permite archivos de datos
demasiado extensos en la definicin de relaciones entre recursos, debindose parcelar los problemas o
simplificar los ciclos. Otros casos factibles de evaluar mediante modelacin y simulacin de actividades
son la edificacin residencial e industrial, construccin de caminos y canales, instalacin de tuberas,
construccin de tneles y represas, excavaciones, movimientos de tierra, explotacin minera, procesos
agrcolas repetitivos y de carcter lineal, procesos industriales de fabricacin y reparacin, etc.
En resumen, se puede asegurar que la tcnica de modelacin presenta notables ventajas para el anlisis
de procesos, al exigir una definicin de los recursos y ciclos que ellos comprenden, y al aceptar
incertidumbres previas a la ejecucin. La simulacin computacional permite iterar el flujo de los recursos
y evaluar rendimientos y costos. Por ltimo, en la etapa de materializacin de las faenas de construccin,
se pueden evaluar modificaciones en un muy corto plazo.
6.5 RESUMEN
Se han presentado en este captulo algunos modelos matemticos que presentan un gran potencial de
utilizacin en la construccin junto con algunos antecedentes de la herramienta de simulacin y su
aplicacin para el anlisis de operaciones de construccin. Con esto se pretende estimular a los
ingenieros administradores de obras a utilizar estas herramientas como ayudas para el anlisis de
problemas complejos, que requieren una decisin correcta. Es importante enfatizar que los modelos son
tan slo una ayuda y, por lo tanto, no reemplazan en ningn caso a la persona que debe decidir, cuyo
criterio y experiencia profesional son ingredientes fundamentales en cualquier proceso de toma de
decisiones.
6.6 PREGUNTAS DE REPASO

1. Matemticamente, tanto el modelo de transporte como el de asignacin pueden expresarse por la
funcin:
Cij.Xij
Indique qu significa cada variable y explique verbalmente las restricciones, para los dos modelos.


2. Explique en forma conceptual, el proceso de modelacin y simulacin, y sus objetivos. Aplique este
proceso a una operacin especfica, indicando la descomposicin que usara para ello.
6.7 EJERCICIOS

1. Una empresa constructora compr hace algn tiempo atrs 5 excavadores frontales, que
incrementaron considerablemente la productividad de las operaciones de excavacin y movimiento
de tierras. Uno de los problemas que enfrenta la empresa en la actualidad es el mantenimiento de
estas mquinas. Debido a la gran variabilidad en las panas que se producen, la empresa no aplica
mantenimiento preventivo. Cada mquina tiene una distribucin exponencial de ocurrencia de
averas, con un tiempo promedio de 200 horas entre una y otra pana. Cada hora mquina perdida
como tiempo ocioso cuesta a la empresa $21.000, lo cual significa que la empresa tiene que
reaccionar con rapidez cada vez que se produce una falla. La empresa ha decidido contratar a una
cuadrilla de mantenimiento formada por un tcnico y un ayudante, la que necesita 10 horas de
trabajo para reparar una mquina. Los tiempos de reparacin estn distribuidos exponencialmente.
El costo de la cuadrilla de mantenimiento es de $20.000 por hora de trabajo. Calcule el costo diario
por concepto de tiempo ocioso de la cuadrilla de mantenimiento y de las mquinas, si la jornada de
trabajo es de 9 horas diarias.

2. Ud. debe realizar una faena de movimiento de tierras, para lo cual tiene que excavar y transportar
un total de 120.000 m3 de material. Las caractersticas del equipo disponible son las siguientes:
o Camiones de 20 m3 de capacidad con un costo horario de $25.000 cada uno.
o Cargadores frontales con una produccin horaria de 250 m3/hora, con un factor de operacin
de 0,8 y con un costo horario de $20.000 cada uno.
o El tiempo de ciclo estimado para un camin es de 12 min. sin considerar tiempo de carga (fuera
del sistema).

1) Disee su operacin de tal manera de terminar la faena en 30 das de 8 horas cada uno, e indique
el costo por m3 de su solucin. Utilice los bacos para esta pregunta. Optimice al mximo su
solucin.
2) Construya un modelo markoviano de su solucin final.



3. Ud. desea analizar la operacin de abastecimiento de hormign premezclado a una obra de

pavimentacin de su empresa utilizando simulacin, con el objeto de optimizar la utilizacin de
recursos y asegurar un rendimiento mximo de la mquina pavimentadora. La operacin consiste
en transportar hormign desde una planta que produce hormign premezclado al frente de
pavimentacin, por medio de camiones. Los camiones descargan en el frente de pavimentacin, el
que se va alejando de la planta a medida que avanza la faena de pavimentacin, y regresan a buscar
ms hormign.
o Defina cuidadosamente el problema, identificando aquellos aspectos de ste, que pueden ser
modelados y simulados. Utilice grficos para representar su problema.
o Describa el modelo de simulacin que utilizara, indicando las variables principales del modelo,
las medidas de rendimiento o de desempeo que Ud. usara para medir los resultados de su
modelo y los algoritmos de ste.
o Elabore un diagrama de flujo general (proceso) del modelo de simulacin.
o Defina los datos que debera obtener inicialmente para usar el modelo.
4. La simulacin es una poderosa herramienta para obtener informacin sobre sistemas complejos.
Considere la situacin en que es necesario remover material suelto de una excavacin por una
flotilla de camiones. Los camiones son cargados por un cargador frontal y viajan a un sector de
relleno, donde descargan el material. A medida que aumenta la extensin de la zona de relleno, los
camiones deben retroceder cuidadosamente, a travs de material descargado previamente, antes
de descargar. Esto significa que el tiempo que toman los camiones para regresar a cargar
nuevamente aumenta un poco para cada vuelta. Se intenta simular esta operacin de modo de
encontrar el nmero de camiones requeridos para asegurar que el cargador frontal no tenga que
parar su labor debido a que no hay camiones para cargar.
o Describa su modelo y defina las variables de entrada necesarias para ste.
o Defina las variables de salida del modelo que proveern informacin para la administracin de
la operacin. Sugiera como ejemplo, un par de acciones (o decisiones) que podran derivarse
del anlisis del modelo.

5. Un contratista se gana una propuesta para ejecutar una faena de movimiento de tierras. El material
de relleno puede obtenerse de tres emprstitos o yacimientos: 1, 2 y 3, con una capacidad de
60.000, 80.000 y 120.000 m3 respectivamente. Los rellenos se van a hacer en tres lugares: A, B y C,


que requieren 90.000, 50.000 y 40.000 m3 de material respectivamente. Los costos en pesos de
colocar 1 m3 de relleno desde cada emprstito a cada sector de relleno son los siguientes:

Emprstitos o yacimientos Relleno A Relleno B Relleno C Ofertas en m3
1 70 40 100 60.000
2 50 30 90 80.000
3 60 50 95 120.000
Demandas en m3 90.000 50.000 40.000

Determinar la asignacin que minimice el costo de transporte, e indique el costo final de su
asignacin.

6. Dibuje el diagrama de Markov, para la siguiente operacin, indicando todos los parmetros:
o 8 camiones con tasa de llegada
o 3 palas (p1,p2,p3), con tasas de carga 1, 2 y 3 respectivamente
o 1 tolva con tasa de carga y con capacidad de carga = 3 camiones

La disciplina del sistema es como sigue:
a) Estando la tolva cargada, se le da prioridad a sta para la carga.
b) El orden de prioridad de carga para las palas es p2,p3,p1 (siempre se carga con p2 si est
disponible, con p3 si p2 est ocupada y con p1 si tanto p2 y p3 estn ocupadas).

7. Una empresa constructora cuenta con una pala mecnica y tres camiones para una faena de
movimiento de tierras, y desea saber la produccin de este sistema. De la informacin que ella le ha
entregado, Ud. determina que la tasa de carga es de 21 cargas por hora, y la razn de llegada de
los camiones es de = 6 unidades por hora.
a) Dibuje el modelo Markoviano para el sistema.
b) Escriba las ecuaciones de estado y resulvalas.
c) Cul es la produccin del sistema?

8. Se ha planificado la construccin de una carretera que cruza un sector de muchos desniveles. Por lo
tanto ser necesario realizar cortes a travs de colinas y rellenar hondonadas para la construccin
del camino. La alineacin vertical del camino ha sido elegida de modo de balancear los cortes de
terreno con los volmenes de relleno. La siguiente figura ilustra el perfil vertical.


400 200 800 400 100 600 Perfil

0 1 2 4 6 7 9

Los nmeros sobre el perfil corresponden a la cantidad de corte o relleno en metros cbicos para
cada sector. Los nmeros bajo el perfil, indican la distancia en kilmetros desde el inicio del perfil
hasta el centro de cada sector de corte o relleno.
Asumiendo que el costo de mover material de relleno desde un sector de corte a un sector de
relleno es proporcional a la distancia entre el centro del sector de corte y el centro del sector de
relleno, determine como distribuira el material de corte a los sectores de relleno de modo de
minimizar el costo total.

9. Un operador maneja una gra en una obra de construccin. La tasa promedio de servicio es de 5
cargas por hora. Las cargas que demandan uso de la gra llegan con un promedio de 4 cargas por
hora. Los clientes son atendidos sobre una base del primero que llega, es el primero en ser atendido
y proceden de una poblacin muy grande (puede considerarse infinita). A partir de esta
descripcin, se pide lo siguiente:
a) Cul es la produccin del sistema?
b) Cul es la probabilidad de que no hayan cargas en el sistema?
c) Dibuje el diagrama markoviano para este sistema.

10. Los registros del Departamento de Adquisiciones de una empresa constructora muestran que cada
una de las 3 impresoras lser para computadora que el depto tiene, necesita reparacin
aproximadamente cada 10 horas de uso. El nico tcnico de turno puede dar servicio a una
impresora en un tiempo promedio de 4 horas. El tiempo en que la impresora est en mal estado
tiene un costo de $50.000 por hora. A los tcnicos se les paga $12.500 por hora. Recomendara Ud.
contratar a otro tcnico? Justifique su recomendacin. (Nota: Npromedio = M [ x (1-P0)/])

Un contratista ha ganado las propuestas de cinco proyectos, A, B, C, D y E, cada uno de ellos de
caractersticas diferentes. Despus de considerar cuidadosamente todos los factores, ha


seleccionado a cinco administradores, cuyas habilidades han sido evaluadas en funcin de cada
proyecto, asignndoles una nota de 0 a 100. Las evaluaciones individuales son las siguientes:

Administradores 1 2 3 4 5
Proyecto A 75 28 61 48 59
Proyecto B 78 71 51 35 19
Proyecto C 73 61 40 49 68
Proyecto D 55 50 52 48 63
Proyecto E 71 60 61 74 70

Cul administrador asignara Ud. a cada proyecto, si desea distribuirlos de la forma ms efectiva
para la empresa?


6 Modelos Matemáticos

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

6 Modelos Matemáticos

Diunggah oleh

Hak Cipta:

Format Tersedia

Modelos

matemticos para la planificacin y anlisis de operaciones 198

1. Explicar los modelos matemticos y su rol para el anlisis de operaciones de construccin.

Estos modelos son representaciones idealizadas y simplificadas o abstracciones selectivas de la realidad,

Propiedad intelectual de Alfredo Serpell Bley, 2015

Los modelos matemticos de anlisis de operaciones tienen varias ventajas:

Situacin real (identificacin

Formulacin y construccin del modelo

Salidas del modelo

Comparacin de las salidas con la experiencia,

Figura 6.2 Interaccin entre un modelo y el administrador (adaptado de Gould y Eppen).

Propiedad intelectual de Alfredo Serpell Bley, 2015

Las principales etapas en la realizacin de un estudio de investigacin operacional, son:

1. Formulacin del problema: objetivos, alternativas, restricciones y efectos sobre sistemas

2. Construccin de un modelo para representar el sistema bajo estudio: ecuacin objetivo,

3. Deduccin de una solucin a partir del modelo: solucin ptima o buena.

6. Poner la solucin a trabajar: procedimiento de operacin.

Varios modelos de investigacin de operaciones son aplicables en la administracin de la construccin. A

6.2 TEORA DE COLAS

Propiedad intelectual de Alfredo Serpell Bley, 2015

3. Operaciones de hormigonado en obra, que son abastecidas por camiones betoneros.

5. Albailes que son servidos por jornales para su abastecimiento de materiales

2. Cun larga ser la cola de unidades esperando?

Propiedad intelectual de Alfredo Serpell Bley, 2015

Unidades que ESTADO Unidades que

Disciplina Tasa de servicio

Figura 6.3 Modelo general de lnea de espera o de cola

6.2.1 Clasificacin de los sistemas de colas o lneas de espera

En la construccin, el modelo que ms interesa corresponde al de poblacin finita, ya que el nmero de

Propiedad intelectual de Alfredo Serpell Bley, 2015

Figura 6.4 Modelo finito de lnea de espera.

6.2.2 Desarrollo conceptual del modelo

Figura 6.5 Estados posibles del sistema de la Figura 5.3

Propiedad intelectual de Alfredo Serpell Bley, 2015

En general, el nmero de estados en que un sistema finito puede encontrarse es M + 1, donde M es el

donde: -ni = nmero de valores posibles de i.

-mj = nmero de valores posibles de j.

La formulacin de modelos de lneas de espera de ciertos procesos de construccin, se han ampliado

j E00 E10 E20 E30

E01 E11 E21 E31

E02 E12 E22 E32

Figura 6.6 Estados posibles para i=0,1,2,3, y j=0,1,2

Propiedad intelectual de Alfredo Serpell Bley, 2015

La utilizacin de estados para definir un modelo de lneas de espera simplifica enormemente el

T01 T12 T23 T34 T45

6.2.3 Modelos Markovianos

Propiedad intelectual de Alfredo Serpell Bley, 2015

Cuando el modelo grfico de Markov es definido apropiadamente, el desarrollo de las ecuaciones de

1. El sistema est en En en el instante t y no se producen llegadas ni salidas durante t.

2. El sistema est en En en el instante t y se produce una llegada y una salida en el intervalo t.

3. El sistema est en En+1 en el instante t y se produce una salida en el intervalo t.

4. El sistema est en En-1 en el instante t y se produce una llegada en el intervalo t.

En el caso 3, la probabilidad de transicin de partir en un estado mayor E(n+1) y llegar al estado En

Tn+1,n= P (no llegada) x P (un servicio) (6-3)

Tn-1,n= P (una llegada) x P (no servicio) (6-4)

En general, la probabilidad de estar en el estado En en el instante t+t est dada por:

Propiedad intelectual de Alfredo Serpell Bley, 2015

Pn (t+t) = Pn x Tnn + Pn+1 x Tn+1,n+ Pn-1 x Tn-1,n (6-5)

P3 (t+t) = P3 T3,3 + P4 T4,3 + P2 T2,3

6.2.4 Distribucin exponencial de las llegadas y los servicios

1. Un evento puede ocurrir aleatoriamente y en cualquier instante de tiempo.

2. La ocurrencia de un evento en un intervalo de tiempo dado es independiente de aquellos que

3. La probabilidad de ocurrencia de un evento en un intervalo pequeo t es proporcional a t, y