Pacheco VC

i
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
FACULTAD DE CIENCIAS MATEMTICAS

ESCUELA ACADMICO PROFESIONAL DE
INVESTIGACIN OPERATIVA
Estimacin y Localizacin de la Cantidad Adecuada

de los Depsitos de Residuos en el Bosque el Olivar
de San Isidro mediante Simulacin de Sistemas
TESIS
para Optar el Ttulo Profesional de Licenciado en Investigacin
Operativa
AUTOR
CSAR ABRAHAM PACHECO VERA
Lima Per
2015
ii
ESTIMACIN Y LOCALIZACIN DE LA CANTIDAD ADECUADA DE LOS
DEPSITOS DE RESIDUOS EN EL BOSQUE EL OLIVAR DE SAN ISIDRO
MEDIANTE SIMULACIN DE SISTEMAS
Csar Abraham Pacheco Vera
Tesis presentada a consideracin del cuerpo docente de la Facultad de

Ciencias Matemticas de la Universidad Nacional Mayor de San Marcos
como parte de los requisitos para obtener el ttulo profesional de Licenciado
en Investigacin Operativa.
Aprobada por:
Mg. Esther Berger Vidal

Presidenta
Lic. Lucy Haydee De la Cruz Cuadros

Miembro
Mg. Luis Antonio Durand Romero

Miembro Asesor
Lima Per
Enero 2015
iii
FICHA CATALOGRFICA
PACHECO VERA, CSAR ABRAHAM

ESTIMACIN Y LOCALIZACIN DE LA
CANTIDAD
ADECUADA
DEPSITOS
DE
DE
RESIDUOS
LOS
EN
EL
BOSQUE EL OLIVAR DE SAN ISIDRO

MEDIANTE SIMULACIN DE SISTEMAS,
(Lima) 2015.
xiii, 117p, 29.7 cm. (UNMSM, Licenciado,
Investigacin Operativa, 2015).
Tesis, Universidad Nacional Mayor de San
Marcos
Facultad de Ciencias Matemticas
Escuela
Acadmico
Investigacin Operativa
UNMSM / FCM
Profesional
de
iv
Dedico los resultados de esta investigacin a mi abuelo Manuel Vera

Manrique (Q.E.P.D), por haber sido el padre que estuvo incondicionalmente
durante mis primeros 20 aos y 2 meses de vida.
Agradezco de manera muy especial a los profesores Lic. Vicente Zapana

Beltrn (Q.E.P.D) y Mg. Ins Gambini Lpez Vda. de Chuquimuni por su
acertada orientacin en el inicio de esta investigacin, a la Mg. Carmela
Velsquez Pino, a la Mg. Esther Berger Vidal y a m asesor de tesis Mg. Luis
Antonio Durand Romero por su colaboracin en la estructura y presentacin
de la misma.
vi
RESUMEN
ESTIMACIN Y LOCALIZACIN DE LA CANTIDAD ADECUADA DE LOS

DEPSITOS DE RESIDUOS EN EL BOSQUE EL OLIVAR DE SAN ISIDRO
MEDIANTE SIMULACIN DE SISTEMAS

ENERO 2015
Asesor
Ttulo Obtenido
Licenciado en Investigacin Operativa
En la presente tesis se hace uso de la simulacin, para determinar el nmero

adecuado de depsitos de residuos asociado a la cantidad generada en el
bosque El Olivar de San Isidro. El periodo de estudio comprende el mes de
julio del 2009 hasta junio del 2012. Como resultado se obtiene el nmero de
depsitos de residuos adecuado para los desperdicios de mascotas y de
personas que ingresaron al bosque.
Luego con esos datos se obtiene la localizacin ptima de los depsitos para
minimizar la mxima distancia total recorrida por los usuarios que ingresan al
bosque. Este procedimiento se realiza utilizando el mtodo de cubrimiento
con el que se abarca de manera total los espacios del bosque disminuyendo
la cantidad de residuos no colocados en su lugar.
Palabras Clave: Simulacin, Localizacin, Mtodo de Cubrimiento.
vii
ABSTRACT
ESTIMATION AND LOCATION OF THE PROPER AMOUNT OF WASTE

DEPOSITS IN THE OLIVAR FOREST OF SAN ISIDRO BY SIMULATION
OF SYSTEMS

JANUARY 2015
Assessor
Title Obtained
Licensed in Operational Research
In this thesis is made use of the simulation to determine the appropriate

number of waste deposits associated with the amount generated in The
Olivar forest of San Isidro. The period of study includes the month of July
2009 to June 2012. As a result, it gets the appropriate number of waste
deposits for the trash of pets and people who entered the forest.
Then, with these data gets the optimal location of deposits to minimize the
maximum total distance travelled by the users who enter the forest. This
procedure is performed using the method of coverage, which includes the
total space of the forest decreasing the amount of trash not positioned in its
place.
Key words: Simulation, Location, Method of Coverage
viii
INDICE
INTRODUCCIN ................................................................................................ 1
CAPITULO I ........................................................................................................ 3
PLANTEAMIENTO DEL PROBLEMA ................................................................. 3
1.1. DESCRIPCIN DEL PROBLEMA EN ESTUDIO ........................................ 3
1.1.1. Resea del bosque el olivar de san isidro ......................................... 7
1.2. FORMULACIN DEL PROBLEMA ............................................................. 8
1.2.1. Problema General ............................................................................. 8
1.2.2. Problemas Especficos ...................................................................... 8
1.3. OBJETIVOS DEL ESTUDIO ........................................................................ 8
1.3.1. Objetivo General ............................................................................... 9
1.3.2. Objetivos Especficos ........................................................................ 9
1.4. IMPORTANCIA DE LA INVESTIGACIN .................................................... 9
1.5. JUSTIFICACIN DEL ESTUDIO ............................................................... 10
1.6. LIMITACIONES DE LA INVESTIGACIN ................................................. 11
CAPITULO II ..................................................................................................... 12
MARCO TEORICO CONCEPTUAL .................................................................. 12
2.1. ANTECEDENTES DEL PROBLEMA ........................................................ 12
2.1.1. Antecedentes Nacionales ............................................................... 12
2.1.2. Antecedente Internacional .............................................................. 16
2.2. BASES TERICAS .................................................................................... 17
2.2.1. Teora de Sistemas ......................................................................... 18
2.2.2. Modelo Estocstico de Inventario ................................................... 19
2.2.3. Simulacin de Sistemas .................................................................. 24
2.2.4. Problemas de Localizacin ............................................................. 39
2.3. DEFINICIN DE TRMINOS BSICOS.................................................... 52
CAPITULO III .................................................................................................... 64
FORMULACIN Y PROCESAMIENTO DEL MODELO ................................... 64
3.1. HIPTESIS DEL ESTUDIO ....................................................................... 64
3.1.1. Hiptesis General ............................................................................ 64
3.1.2. Hiptesis Especificas ...................................................................... 64
3.2. ESTRATEGIAS DE ESTUDIO ................................................................... 65
ix
3.3. MEDIDAS DE EFECTIVIDAD .................................................................... 65
3.4. VARIABLES DEL ESTUDIO ...................................................................... 66
3.4.1. Variables Independientes................................................................. 66
3.4.2. Variables Dependientes ................................................................... 66
3.4.3. Variables de Estado ......................................................................... 66
3.4.4. Parmetros ...................................................................................... 67
3.5. DISEO DE LA INVESTIGACIN ............................................................. 67
3.6. TCNICA DE RECOLECCIN DE DATOS ............................................... 71
3.7. TRATAMIENTO ESTADSTICO DE LA INFORMACIN ........................... 75
3.8. DESARROLLO DEL MODELO Y EXPERIMENTACIN ........................... 78
CAPITULO IV.................................................................................................... 95
ANLISIS E INTERPRETACIN DE LOS RESULTADOS .............................. 95
4.1. Anlisis e Interpretacin de los Resultados ............................................... 95
4.2. Consistencia del Modelo ............................................................................ 97
CONCLUSIONES ........................................................................................... 111
RECOMENDACIONES ................................................................................... 112
REFERENCIAS BIBLIOGRAFICAS................................................................ 113
ANEXO: Fotos del Bosque El Olivar de San Isidro ......................................... 115
x
INDICE DE TABLAS
2.1. Primera seleccin de la ubicacin .............................................................. 50

2.2. Segunda seleccin de la ubicacin ............................................................ 50
2.3. Formacin de las mejores combinaciones ................................................. 50
2.4. Mejoramiento de la combinacin y proceso de eliminacin ....................... 51
2.5. Asignacin de los valores del cubrimiento parcial...................................... 51
2.6. Solucin ptima del ejemplo 2.4 ................................................................ 52
3.1. Entidades del sistema de limpieza del bosque .......................................... 68
3.2. Variables con icono y tipo para simular el sistema
de limpieza del
bosque .............................................................................................................. 70
3.3. Registro de la generacin de residuos que arrojan las personas al
bosque el olivar durante los 4 ltimos meses del ao 2009 .............................. 72
3.4. Registro del ingreso de desperdicios, generados por las mascotas, al
bosque durante los 4 primeros meses del ao 2012 ........................................ 73
3.5. Registro de las coordenadas geogrficas y su equivalente en metros de
las ubicaciones de 50 depsitos de residuos que arrojan las personas ........... 74
las ubicaciones de los 16 depsitos de desechos que generan las mascotas . 75
las ubicaciones de 124 entradas al bosque ...................................................... 76
3.8. Matriz simtrica de distancias 0 = { } entre los depsitos de residuos
que arrojan las personas (k=1) y generan las mascotas (k=2), de j = 1.1, ,
2.29 ................................................................................................................... 85
3.9. Registro de las coordenadas y su equivalente en metros para la
localizacin de los 16 depsitos de residuos propuestos, para desperdicios
que arrojan las personas, a implementar dentro del bosque ............................ 86
localizacin de los 13 depsitos de residuos propuestos, para residuos que
generan las mascotas, a implementar dentro del bosque................................. 86
3.11. Matriz de cubrimiento A0 = {akij}, para k=1, 2 de i = 1, , 78 a j = 1.1,
, 2.29 ............................................................................................................. 87
xi
reubicacin de los 49 depsitos de residuos, que arrojan las personas,
propuestos a implementar dentro del bosque ................................................... 91
3.13. Registro de las coordenadas y su equivalente en metros para
reubicacin de los 26 depsitos de residuos, que generan las mascotas,
propuestos a implementar dentro del bosque ................................................... 92
3.14. Matriz simtrica de distancias 1 = { } entre los depsitos de
residuos que arrojan las personas (k=1) y generan las mascotas (k=2), de j =
1.1, , 2.26 ...................................................................................................... 93
4.1. Matriz de distancias = { }, = 1, , 124; = 1.1, , 2.16 .................. 101
4.2. Primera seleccin de un depsito con el mnimo de c ; = 1.1, , 2.16 .. 102
4.3. 42 iteraciones del paso 2 hasta llegar a = 0 y formando (x) ....... 103
4.4. Paso 3, formacin de las mejores combinaciones en = { } de
asignacin, = 1, , 124; 0 41
............................................................ 104
4.5. Paso 4 y 7 de asignacin de los valores de cubrimiento parcial

,
()
= { } de asignacin, = 1, ,124 .............................................................. 105

4.6. Solucin ptima al problema de cubrimiento parcial para el sistema de
limpieza actual ................................................................................................ 106
4.7. NS. Matriz de distancias = { }, = 1, , 124; = 1.1, , 2.26 ........... 109
4.8. Comparacin entre los modelos de cubrimiento parcial para los
depsitos de residuos que arrojan las personas y generan las mascotas ...... 109
4.9. Solucin ptima al problema de cubrimiento parcial para el nuevo
sistema de limpieza ........................................................................................ 110
xii
INDICE DE FIGURAS
1.1. Mapa de la ubicacin de los depsitos de residuos dentro del bosque ....... 6
1.2. Bosque, sistema de ingreso de desperdicios por parte de los usuarios ...... 7
2.1. Curva de la funcin de costo del modelo de inventario con demanda
continua ............................................................................................................ 22
2.2. Valores correlacionados de la distribucin beta ......................................... 32
2.3. Esquematizacin del mtodo de la aceptacin y rechazo para variables
continuas de tipo Beta (2, 4) ............................................................................. 36
2.4. Norma rectilnea y norma euclideana ........................................................ 41
2.5. Mapa de coordenadas geogrficas y UTM del Per .................................. 60
2.6. Proyeccin cilndrica de la tierra ................................................................ 60
2.7. Mapa de la tierra en proyeccin transversa de Mercator, centrado sobre
el meridiano 0 y el ecuador ............................................................................. 61
2.8. Geometra de huso .................................................................................... 62
2.9. Husos y zonas UTM ................................................................................... 63
3.1. Pseudocdigo para la operacin de la primera entidad denominada
personas ........................................................................................................... 70
3.2. Pseudocdigo para la operacin de la segunda entidad denominada
mascotas .......................................................................................................... 70
3.3. Modelo de simulacin del sistema de limpieza del bosque ........................ 71
3.4. Prueba de bondad de ajuste para residuos que arrojan las personas ....... 77
3.5. Prueba de bondad de ajuste para residuos que generan las mascotas .... 77
3.6. Diagrama de flujo del desarrollo completo del modelo .............................. 78
3.7. Grfica de la Distribucin Beta(2.6, 2.13, 1150, 2270) para residuos que
arrojan las personas ......................................................................................... 81
3.8. Grfica de la Distribucin Beta(2.89, 2.51, 297, 1490) para residuos
generados por las mascotas ............................................................................. 81
3.9. Resultados de la Simulacin realizada para hallar el nmero adecuado
de depsitos de residuos que arrojan las personas y generan las mascotas
del bosque ........................................................................................................ 82
xiii
3.10. Modelo lineal del problema de cubrimiento para depsitos de residuos
arrojados por las personas y generados por las mascotas ............................... 89
3.11. Anlisis de sensibilidad en lingo para el modelo de cubrimiento total ...... 90
3.12. Mapa de la reubicacin de los depsitos de residuos que arrojan las
personas y generan las mascotas dentro del bosque ....................................... 94
4.1. Resultados para la simulacin de 10000 entradas de residuos para
obtener el nmero de depsitos de residuos que arrojan las personas y
generan las mascotas ....................................................................................... 96
4.2. Mapa de la reubicacin al lado derecho de los depsitos de residuos
que arrojan las personas y generan las mascotas dentro del bosque .............. 98
4.3. Mapa de la ubicacin de los depsitos de residuos y las entradas que
existen dentro del bosque ............................................................................... 100
4.4. Mapa del modelo de cubrimiento parcial para la reubicacin de los
depsitos de residuos y las entradas que existen dentro del bosque ............. 108
A.1. Depsitos de residuos que arrojan las personas ..................................... 115
A.2. Depsitos de residuos generados por las mascotas ............................... 115
A.3. Localizacin del depsito 2.14 del NS de mascotas................................ 116
A.4. Localizacin cercana de los depsitos 2.11 y 2.12 de mascotas ............ 116
1
INTRODUCCIN
En la mayora de situaciones de la vida cotidiana el ser humano tiene la

necesidad de limpiar ya sea su hogar o su centro de labores. Esta necesidad
surge porque la suciedad genera incomodidad, mal aspecto y enfermedades.
Estas situaciones se ven reflejadas en el ornato de la ciudad, en particular, lo
vemos en la mayora de bosques que no tienen un sistema de limpieza
adecuado.
Es por ello que el objeto de este proyecto es el de analizar y simular datos

recolectados de la cantidad de desperdicios que existen en el bosque El
Olivar de San Isidro en periodos de tres das para obtener cuntos depsitos
de residuos se necesita en el bosque, luego con la ayuda del modelo de
localizacin denominado cubrimiento total se obtuvo la localizacin
adecuada de estos depsitos.
El objetivo del presente estudio es desarrollar un modelo de pronstico para

obtener el nmero adecuado de depsitos de residuos para que se
mantenga limpio el bosque El Olivar, para ello se hall el nmero y la
localizacin adecuados de los depsitos de residuos.
Se contrast el sistema observado, con el sistema propuesto, para ello se

recurri a la Simulacin, porque es la mejor herramienta para situaciones en
las cuales se desea estimar de manera adecuada el nmero de depsitos de
residuos, no puede ser otra herramienta porque se hizo una proyeccin a
largo plazo de la generacin de residuos que solo la simulacin puede hacer.
Tambin se utilizaron los modelos de Localizacin de cubrimiento total y
parcial, que son las herramientas adecuadas para estimar la localizacin de
los depsitos dentro del bosque y la factibilidad del modelo respectivamente.
En el Captulo I, se da una visin general de la problemtica del caso,

describiendo el sistema en estudio y se explica la dificultad para desarrollar
un modelo que minimice la cantidad de residuos que se arrojan fuera de los
2
depsitos que hay en el bosque, por ello se utiliz la simulacin y el modelo
de cubrimiento total.
En el Captulo II se realiza una revisin general de la teora bsica de la

simulacin y localizacin de lugares mediante cubrimiento.
En el Captulo III se plantea la hiptesis y se formula el modelo matemtico

de Investigacin Operativa, Cubrimiento Total, y la metodologa del estudio.
En el Captulo IV se presenta el anlisis e interpretacin de los resultados de

este modelo en el sistema de limpieza del bosque, cumpliendo con los
requerimientos necesarios para su puesta en marcha, comparando el
funcionamiento del sistema actual con el que se propone implementar en los
prximos meses con ayuda del modelo de cubrimiento parcial.
Finalmente se presentan las conclusiones y recomendaciones.
CAPITULO I
PLANTEAMIENTO DEL PROBLEMA
1.1.
Descripcin del problema en estudio
La ciudad de Lima que fue cinco veces coronada Ciudad de los Reyes
en la poca colonial y republicana destac por su limpieza en los
parques, bosques y jardines que existan y que emanaban el aroma a
flores.
El crecimiento desordenado de la poblacin que emigr a la ciudad de

Lima fue la causa para el desorden del crecimiento urbano horizontal,
perdiendo sus reas verdes y comenzando la sobrepoblacin de los
valles y de la falda de los cerros, en donde ha carecido de los
servicios bsicos como el agua, el desage y la luz.
Recin en estos ltimos 30 aos se ha comenzado a dar el impulso

del crecimiento urbano en forma vertical, es decir la construccin de
edificaciones multifamiliares y centros comerciales.
Este crecimiento por ende genera mayor poblacin y produce mayor

cantidad de desperdicios o residuos domsticos e industriales. Los
municipios son los encargados de recoger los desperdicios y
mantener limpia la ciudad.
En este caso se estudi el sistema de limpieza del bosque El Olivar

de San Isidro.
4
El problema principal del estudio es saber si los depsitos de residuos
son suficientes para almacenar adecuadamente estos desperdicios
dentro del bosque El Olivar de San Isidro.
El bosque el Olivar es el principal centro de atraccin del distrito de

San Isidro y no est ajeno a est crecimiento, ya que a pesar de ser
un distrito residencial, sus instalaciones estn disponibles para el
pblico en general que viene mayormente los fines de semana de la
zona sur de la ciudad.
Los factores que generaron la situacin problemtica son: la afluencia

de pblico que es crtica los das feriados y fines de semana sobre
todo a fin de ao en que es muy visitado por su decoracin navidea
que atrae la atencin masiva del pblico. La informacin que se
levant para el presente proyecto fue tomada entre los meses de Julio
del ao 2009 a Junio del ao 2012, donde la afluencia de pblico
vara en los meses de enero, febrero, marzo, julio y diciembre por los
meses de descanso en los colegios y/o universidades. En estos
meses la afluencia de pblico llega a ser de hasta 330 personas
dentro del bosque, ello implica que la cantidad de depsitos, que
existen actualmente, no cubra todos los espacios utilizados y se
generen desperdicios dentro del bosque que limpian los encargados
de ello. Debido a esto la contratacin de este personal se ha
incrementado en los ltimos aos, generando mayores gastos de
manutencin de reas verdes por parte del Municipio de San Isidro,
teniendo que elevar considerablemente los tributos a los propietarios
de predios dentro o en el permetro del bosque.
Se hizo el diagnstico de la situacin actual analizando como

Sistema el Bosque El Olivar con fines del estudio, se estima la
cantidad adecuada de depsitos de residuos. Este sistema est
constituido por dos subsistemas:
5
a. Subsistema de limpieza; servicio de limpieza del bosque El Olivar
tiene por objetivo almacenar y limpiar todos los desperdicios que
se desechan dentro del bosque. Est conformado por dos
componentes:
1. Encargados de limpieza; son los empleados municipales

encargados de limpiar y recoger los desperdicios que hay en el
bosque.
2. Depsitos de residuos; son los 50 depsitos destinados para

el almacenamiento de desperdicios que arrojan las personas y
16 depsitos destinados para el almacenamiento de residuos
que generan las mascotas. El peso mximo permitido dentro de
los depsitos es de 12 kilogramos por depsito. Cada depsito
tiene su ubicacin dentro del bosque, que est representada
por su coordenada geogrfica hki; donde k = 1 (personas), 2
(mascotas); i = 1,, 50 para personas e i = 1,, 16 para
mascotas.
b. Subsistema de Usuarios del bosque; son las personas que

llegan caminando, en motocicleta, bicicleta, patines y otros,
ambulantes que ofrecen sus productos y mascotas que ingresan
por una de las 124 entradas al bosque, cada una de ellas est
ubicada en su coordenada geogrfica he respectiva; donde e= 1,,
124. Algunos usuarios del bosque adquieren comidas, bebidas,
papeles y otros elementos dentro o fuera del bosque y cuando
estn dentro del bosque arrojan parte los residuos fuera de los
depsitos, ensuciando el rea verde o las veredas del bosque.
El mapa de ubicacin de depsitos se muestra en la figura 1.1. El

bosque permanece abierto las 24 horas del da. La afluencia de
usuarios vara dependiendo de la hora y los das. El ingreso de
elementos que generan desperdicios por parte de los usuarios se
muestra en la figura 1.2.
Depsitos:
Personas
Mascotas
Figura 1.1. Mapa de la ubicacin de los depsitos de residuos dentro del bosque
Nota: Google Maps con elaboracin propia.
7
reas verdes del bosque
Establecimientos o casas de donde
salen los residuos
Encargados de limpieza
Depsitos de residuos
Desperdicios
Figura 1.2. Bosque, Sistema de ingreso de desperdicios por parte de los usuarios
Fuente. Elaboracin propia.
1.1.1. Resea del bosque El Olivar de San Isidro
Segn las referencias de la municipalidad del distrito de San

Isidro [9] el bosque el Olivar es una joya vegetal que debe su
nombre a la cantidad de olivos que se encuentran dentro del
bosque
destacando
entre
los
bosques
del
hemisferio,
constituye no slo un recuerdo vivo de la historia limea, sino

un gran pulmn para la ciudad. El Olivar, que fuera del fundo
del Conde de San Isidro, a 6 Km. de la Plaza Principal de Lima
y sobre una extensin de 23 Hectreas, constituye el centro y
elemento caracterstico del distrito. El bosque El Olivar fue
declarado Monumento Nacional por Resolucin Suprema N
5773 del 16 de Diciembre de 1959. Este hermoso lugar
constituye el sector ms representativo de San Isidro y
simboliza la tradicin virreinal y republicana del distrito.
En l y en su entorno se ubican la sede del gobierno municipal,

la biblioteca municipal con su auditorio, galera de arte y la
laguna del Olivar con sus artificios de agua y luces. Por ser El
Olivar un gran atractivo turstico se construyeron varios centros
comerciales y casas. Debido a que este bosque es visitado por
un gran nmero de personas, las cuales son en su mayora
nios con sus mascotas, la municipalidad emiti una ordenanza
por la cual instal depsitos especiales para las mascotas, con
sealizaciones dentro del bosque, adems de los depsitos
8
para desperdicios arrojados por personas. La tenencia
responsable de canes se dio con una ordenanza municipal que
establece la importancia del recojo de los desperdicios de
canes, pues este es nocivo para el medio ambiente cuando se
desintegra; por esto es importante que los dueos de las
mascotas recojan estos desperdicios y los coloquen en el
depsito de residuos respectivo para proteger a los nios y
jardines del bosque. Adems la multa por no recogerlas es de
3% de una Unidad Impositiva Tributaria.
1.2.
Formulacin del Problema
1.2.1. Problema General
Los depsitos de residuos que hay dentro del bosque El

Olivar de San Isidro son suficientes para almacenar todos los
residuos?
1.2.2. Problemas Especficos
1. Cul ser la cantidad de depsitos de residuos, para

personas y mascotas, que debera haber dentro del
bosque?
2. Cul ser la ubicacin adecuada de depsitos de residuos,

para personas y mascotas, dentro del bosque?
1.3.
Objetivos del estudio
Esta investigacin pretende alcanzar:
9
1.3.1. Objetivo General
Determinar si los depsitos de residuos que hay dentro del

bosque El Olivar de San Isidro son suficientes para almacenar
todos los residuos.
1.3.2. Objetivos Especficos
1. Determinar cul ser la cantidad de depsitos de residuos,

para personas y mascotas, que debera haber dentro del
bosque.
2. Determinar cul ser la ubicacin adecuada de depsitos de

residuos, para personas y mascotas, dentro del bosque.
1.4.
Importancia de la investigacin
Importancia Terica
Con este proyecto de investigacin se ha buscado:
Aplicar y reforzar los conocimientos de Matemtica, Sistemas,

Simulacin y Modelos de la localizacin.
Aplicar Investigacin Operativa en la mejora de los bosques de

atraccin turstica y no solo en las diversas actividades de la
industria, el comercio, etctera.
Que
el
profesional
de
Investigacin
Operativa
conozca
detalladamente los modelos de cubrimiento que surgen de esta

ciencia, tanto como su respectiva aplicacin.
10
Encontrar la mejor forma de desarrollar esta situacin compleja

ya que de haber usado el Anlisis Matemtico se hubiera, partido
quizs, de suposiciones que podran haber afectado a los
resultados. Pero no es el caso de la simulacin por su flexibilidad
en su aplicacin y en el desarrollo de modelos de cubrimiento
porque son heursticas.
Importancia Prctica
Con este proyecto de investigacin se ha buscado:
Cubrir las zonas del bosque donde no hay depsitos de ambos

tipos.
Disminuir la distancia recorrida por un usuario hacia un depsito

de residuos.
Disminuir la cantidad de residuos arrojados en las veredas o

reas verdes del bosque.
1.5.
Justificacin del estudio
Con la solucin de este problema se beneficiarn:
Los usuarios del bosque porque ya no tendrn que recorrer

grandes distancias para depositar los residuos o dejarlos en
depsitos que no les corresponde.
El municipio de San Isidro porque podr disminuir los costos de

realizar la limpieza.
11
1.6.
Limitaciones de la investigacin
Se hizo el registro de los desperdicios de cada tipo que se

encontraron en el bosque en periodos de tres das, porque la
empresa RELIMA, encargada de la limpieza de los bosques y
jardines en el distrito de San Isidro, no accedi a brindarlos diarios
y por sectores como se solicitaron al principio de la investigacin.
No se consider el hecho de que en el periodo de tres das se

vaya a llenar un depsito de residuos puesto que, esto tambin es
irrelevante ya que los datos en kilogramos de desperdicios que
desechan personas, son el producto de la suma de todos los
depsitos de su tipo, reas verdes y los residuos acumulados en
sobre las veredas. En el caso de mascotas son todos los depsitos
y desperdicios de su tipo.
12
CAPITULO II
MARCO TEORICO CONCEPTUAL
2.1.
Antecedentes del problema
El bosque El Olivar tiene encargados de mantener la limpieza, ya que

muchos nios arrojan la residuos al bosque o al piso, las mascotas
ensucian las reas verdes y en el pavimento del bosque, las malezas
de los rboles y las flores que caen al bosque o a las veredas de tal
manera que no se mantiene limpio como es el deseo de todos. En
gran parte lo anterior se debe a la falta de depsitos tanto de
desperdicios de personas como los de desperdicios de las mascotas,
no hay antecedentes de que en otras oportunidades se haya tratado
este tipo de problema en esta institucin aplicando los criterios de
simulacin que se aplicaron en el presente proyecto de tesis. La
localizacin de los depsitos de residuos por parte de las autoridades
municipales se realiza hasta la actualidad con base en la experiencia.
2.1.1. Antecedentes Nacionales
No existen trabajos referidos al estudio del bosque El Olivar de

San Isidro con respecto al sistema de limpieza. Tampoco
existen
trabajos
relacionados
en
donde
hayan
usado
Simulacin de Sistemas ni modelos de localizacin dentro del

mismo.
13
Tan solo se ha aplicado el enfoque de sistemas de
Investigacin Operativa en la elaboracin de:
Ttulo: Plan Estratgico Institucional para el periodo 2007
2010 en la Municipalidad de San Isidro.
Autor: Municipalidad de San Isidro.
Ciudad: Lima
Ao: 2007
Tipo: Plan Estratgico
Este plan detalla la visin, misin, valores, lneas estratgicas,

objetivos generales, objetivos especficos, la articulacin de los
dos ltimos y un diagrama del Plan Estratgico.
Todo ello se refiere directamente al estudio de la Municipalidad

de San Isidro ms no especficamente al bosque El Olivar, pero
podemos tomar como referencia este anlisis para aplicar el
enfoque de sistemas.
Resultados
Se mostraron las pautas institucionales con respeto al ornato

en el distrito que es de importancia para poder reubicar los
depsitos.
Pero existen investigaciones relacionadas a los sistemas de

limpieza de los parques de otras disciplinas como es el caso de
la microbiologa y parasitologa:
Ttulo: Riesgo de contraer enfermedades parasitarias en los

parques pblicos de Lima y Callao
Autor: Amanda Chvez V., Eva Casas A., Marcos Serrano M.,
Junett Cajas U., Jos Velarde O., Virgilio La Rosa V. y Juan
Lpez T.
14
Ciudad: Lima
Ao: 2002
Tipo: Revista de Investigacin Veterinaria
Segn [4], La toxocariosis constituye una zoonosis parasitaria

producida por la ingestin de huevos infectivos de Toxocara
SP., parsito que frecuentemente se encuentra en el intestino
delgado del perro y el gato. La contaminacin de los parques
pblicos con huevos infectivos de Toxocara SP constituye un
problema en salud pblica, ya que la ingestin de estos huevos
infectivos por el hombre (especialmente nios) ocasiona
enfermedades conocidas como Sndrome de la Larva Migrante
Visceral (LMV) y Sndrome de la Larva Migrante Ocular (LMO)
(Schanstz y Glickman, 1981). Los signos clnicos incluyen tos e
infiltracin pulmonar signos evidentes en un tercio de los
pacientes. El asma y la bronquitis recurrente estn asociadas a
los anticuerpos contra Toxocara SP (Lpez - Vlez et al.,
1996). Estudios sobre contaminacin de parques realizados en
otros pases muestran grandes diferencias; as en Cuba y
Brasil se hallaron prevalencias de 42 y 56%, respectivamente,
mientras que en Osaka, Japn se encontr el 75% (Dumnico y
Glvez, 1995; Santarem et al., 1998; Abe y Yasukawa, 1997).
Los primeros estudios acerca de la contaminacin de parques
pblicos en Lima Metropolitana con huevos de Toxocara SP.,
fueron realizados por Guerrero (1975) quien hall una
prevalencia de 24%, en tanto que Buitrn (1976) report el 56%
de parques contaminados en el rea urbana de Paramonga.
El objetivo del presente trabajo fue evaluar la contaminacin

con huevos de Toxocara SP de los parques pblicos de Lima
Metropolitana y el Callao.
15
Resultados
El porcentaje de parques contaminados con huevos de

Toxocara SP fue de 34.3 9.0% en los distritos del cono norte,
29.6 9% en el cono sur, 41.1 7.8% en el cono este, 63.4
9% en el cono oeste, y 37.0 11% en el Callao. Las
prevalencias encontradas en este estudio son superiores al
24% que fuera reportado por Guerrero (1975) en un estudio
previo. El mayor porcentaje de parques positivos a Toxocara
SP
se
present
en
aquellos
que
tenan
estados
de
conservacin coincidentes con los niveles de bien y a

medianamente conservados, en tanto que los parques mal
conservados o baldos presentaron las tasas de contaminacin
ms bajas.
En relacin con el estrato socioeconmico, se encontr que los

parques correspondientes a los niveles alto y medio-alto
tuvieron los mayores porcentajes de contaminacin con huevos
de Toxocara SP. Los parques ubicados en estratos econmicos
medio-bajo y bajo tuvieron los menores porcentajes de
contaminacin.
En los niveles alto y medio-alto se obtuvieron los mayores

porcentajes de parques positivos, debido a que los parques de
esos distritos se encuentran mayoritariamente con reas
verdes
debidamente
establecidas
(niveles
bien
medianamente conservados de este estudio). Estas reas

constituyen para los dueos de mascotas los lugares
predilectos para llevar a los perros a ejercitar y realizar sus
deposiciones.
Aquellos
animales
que
se
encuentren
parasitados causarn la contaminacin del parque, que aunado

a las condiciones favorables del suelo (humedad, sombra y
otros), contribuirn a la sobrevivencia de los huevos infectivos
por un largo tiempo.
16
En el estrato socioeconmico bajo, a pesar que el terreno de
estos parques no es el adecuado para el desarrollo del
parsito, se pudo encontrar huevos de Toxocara SP., lo que
estara indicando la presencia de otros factores, tales como el
alto nivel de parasitismo, alta poblacin canina y otros factores
coincidentes como la escasez de recursos econmicos. Estos
factores estaran limitando la posibilidad de realizar controles
antiparasitarios a las mascotas. Se pudo aislar larvas migrantes
en hgado, pulmn y musculatura de los ratones y codornices
inoculadas experimentalmente, por lo que se pudo deducir que
los huevos de Toxocara SP., aislados de las reas en estudio
se encontraban viables e infectivos.
2.1.2. Antecedente Internacional
Ttulo: Modelos probabilsticos de localizacin por cubrimiento:

una panormica
Autor: Fernando Borrs y Jess Pastor
Ciudad: Alicante
Ao: 2004
Tipo: Artculo de investigacin del Centro de Investigacin
Operativa de la Universidad Miguel Hernndez de Elche.
Segn
[3]
en
este
trabajo
se
revisaron
los
modelos
probabilsticos de localizacin por cubrimiento utilizados

habitualmente para ubicar servicios de emergencia. Con el fin
de apreciar la evolucin de este tipo de modelos, se comenz
por presentar los modelos de localizacin por cubrimiento ms
sencillos y se continu con su desarrollo histrico pero
estructurado.
Los modelos a los que nos referimos son tpicamente discretos:

las llamadas de emergencia se generaron en un conjunto finito
de nodos-demanda y los servidores que los atendieron se
17
ubican, a travs del modelo, en un subconjunto de estaciones
que se seleccion dentro de un conjunto finito de posibles
nodos-servicio. A la hora que se seleccion el subconjunto de
estaciones hay dos planteamientos posibles, o bien se fija de
antemano el nmero total de servidores que se ubic, o bien el
modelo trata de minimizarlos.
En el primer caso, se distingui los modelos cuyo objetivo

radica en lograr la mxima eficiencia en la respuesta a las
llamadas de emergencia de aquellos cuyo objetivo consiste en
maximizar la equidad en el servicio que se presta al conjunto
de nodos-demanda. En el segundo caso, las restricciones del
modelo garantizaron la consecucin de unos niveles de servicio
que se fij de antemano.
Resultados
Se mostraron formas alternativas de estimar la fraccin de

ocupacin de cada vehculo, con sus respectivos modelos y
mtodos de resolucin. En el terreno de la modelizacin se
consiguieron modelos lineales. Se sugiri un mtodo para
estimar la eficiencia y la equidad alcanzada por una cierta
asignacin de vehculos sin necesidad de recurrir a la
simulacin.
2.2.
Bases Tericas
En el proceso de construccin del modelo se fija la frontera del

sistema, se identifica las partes y actividades que forman la estructura
del sistema como tambin se fija la informacin de entrada, dando
valores a los atributos y se define las relaciones entre las partes y el
entorno. La representacin de la estructura del sistema real en
trminos cuantitativos, puede manipularse y analizarse lo que permite
toda clase de experimentacin, porque las dificultades bsicas se
18
establecen previamente, para ello se necesita recolectar los datos.
Luego de ello se aplica la Teora de sistemas que permite desarrollar
el enfoque sistmico sobre la problemtica. Por ultimo para su
desarrollo y aplicacin se necesita del modelo probabilstico de
inventario con demanda continua, en que se basa, para al final aplicar
la simulacin de sistemas y las tcnicas de localizacin.
2.2.1. Teora de Sistemas [16]
Sistema (Concepto)
Objeto. Actividades a desarrollar a travs de la cual cumplir

el fin.
Objetivo. Expresin concreta de los resultados que deben

ser obtenidos.
Ambiente. Lugar donde existe el sistema y circundante al

sistema pero que es de inters para la formacin del
sistema.
Frontera.
Lmite
de
lnea
divisoria
entre
lo
que
consideramos parte del sistema y lo que definimos como

ambiente.
Entrada. Elementos que ingresan al sistema para ser

transformado
para
ayudar
en
el
proceso
de
transformacin.
Proceso. Elementos de accin en los aspectos informativo y

energtico.
Salida. Producto del sistema, resultados de los procesos

utilizados para transformar las entradas.
Retroalimentacin. Informacin de entrada / salida que

permite mantener, aumentar y modificar las operaciones.
19
2.2.2. Modelo Estocstico de Inventario
Segn [15], los modelos de inventario de un solo periodo

ocurren cuando un artculo es ordenado una sola vez para
satisfacer la demanda en un periodo. Este modelo incluye
demanda instantnea y uniforme con costo fijo y sin l, se
supone que el reaprovisionamiento ocurre instantneamente.
El nivel de inventario ptimo se deduce con base en la
minimizacin del costo total esperado de inventario, que
comprende los costos siguientes: costo fijo, costo de compra o
produccin, costo de mantenimiento y costo de escasez. Estos
modelos representan inventarios de artculos que:
1. Son obsoletos (desperdicios, peridico de da, revista

semanal, tarjeta de navidad, etctera).
2. Son perecederos (pescados, pollos, carnes, etctera).
3. Tienen un futuro incierto despus de un periodo.
Modelo de Inventario con demanda continua sin Inventario

Inicial
Suposiciones bsicas
1. La demanda D, es una variable aleatoria continua con

funcin de densidad de probabilidad. [f (D)].
2. Los tems son producidos o comprados para un solo
periodo.
3. Los tems se adquieren al inicio del periodo.
4. No existe inventario inicial X, antes de ordenar al inicio del
periodo.
5. Se aceptan demandas postergadas.
6. No hay costo fijo de orden A.
7. Cada unidad es producida o comprada a un costo C, costo
de compra o produccin de tem.
20
8. Cada unidad se vende a un precio V. (V>C), tambin se
interpreta como el costo de perdida de oportunidad cuando
no hay tems en el inventario.
9. El costo de mantenimiento del inventario por tem es H.
Consideraciones
Y = Cantidad producida o comprada
C = Costo unitario de compra o produccin
V = Precio de venta o de perdida de oportunidad por unidad
H = Costo de mantenimiento del inventario por tem
Objetivo
Determinar Y*, cantidad ptima a ordenar o producir que
minimice el costo total esperado C (Y).
CTE = COP + CEM + CEE (2.1)
Dnde:
CTE = Costo Total Esperado C (Y)
COP = Costo de Orden de Produccin.
CEM = Costo Esperado de Mantenimiento.
CEE = Costo Esperado de Escasez.
Cantidad Vendida
,
(, ) = {
,

>
Cantidad excedente al final del periodo
(, ) = {
,
,
>

21
Entonces el Costo Esperado de Mantenimiento (CEM) es:
= (, )()
0
= ( )() (2.2)
0
Condicin de escasez al final del Periodo
(, ) = {
,
,
>

Entonces el Costo Esperado de Escasez (CEE) es:
= (, )()
= ( )() (2.3)
Costo de Orden de Produccin = Costo Fijo A + CY (2.4)
Reemplazando 2.2, 2.3 y 2.4 en 2.1 y sabiendo que el Costo

Fijo A es cero tenemos:
= + 0 ( )() + ( )()
Como el objetivo es minimizar el Costo Total Esperado
derivamos C (Y) con respecto a Y e igualamos a cero para
hacerlo mnimo:
[()] =
[ + 0 ( )() + (
)()] = 0
22
[()] = + 0
( )() +
)() = 0
[()] = + 0 () () = 0 (2.5)
Para 0 () + () = 0 ()
Como 0 () = 1
() = 1 0 () (2.6)
Reemplazando 2.6 en 2.5 tenemos:
[()] = + 0 () = 0
0 () = + (2.7)
Hacemos 0 () = ( ) y obtenemos:
( ) =
(2.8)
+
La poltica es ordenar Y* unidades que minimice el Costo Total

Esperado como se ve en la figura 2.1
C (Y)
C (Y*)
0
Y*
Figura 2.1. Curva de la Funcin de Costo del Modelo de inventario con demanda continua
Fuente. [17].
23
Colocamos un ejemplo en el cual aplicamos lo expresado en el
tem de Modelo Estocstico.
Ejemplo 2.1. Supongamos que la demanda en galones para un

cierto jarabe para gaseosa durante una semana tiene una
distribucin exponencial con media de 100, el jarabe es
producido una vez por semana, sino se utiliza en la semana de
produccin se pierde. El costo de produccin es un dlar por
galn. El costo de mantener el inventario es de diez centavos
por galn. La no existencia de galones resulta en perdida de
ventas. Un galn de jarabe se vende normalmente en dos
dlares. Cunto se debe producir?
Datos
V = $ 2.00 / galn
C = $ 1.00 / galn
H = $ 0.10 / galn
=
() =
() = {
<

De 2.8 tenemos el valor de ( )
( ) =
21
0 () = 2+0.10
= 0.476190
= 2.10
= 0.476190
0
24
= 0.524
= ln(0.524)
= 100 ln(0.524)
= 64.62
2.2.3. Simulacin de Sistemas
La simulacin es el proceso de anlisis, diseo y desarrollo del

modelo de un sistema real, con el objeto de comprender y
explicar el comportamiento del sistema.
Segn [6], el concepto de simulacin engloba soluciones para

muchos propsitos diferentes. Por ejemplo, podramos decir
que el modelo de un avin a escala que se introduce a una
cmara por donde se hace pasar un flujo de aire, puede
simular los efectos que experimentar un avin real cuando se
vea sometido a turbulencia. Por otro lado, algunos paquetes
permiten hacer la representacin de un proceso de fresado o
torneado:
una
vez
que
el
usuario
establezca
ciertas
condiciones iniciales, podr ver cmo se llevara a cabo el

proceso real, lo que le permitira revisarlo sin necesidad de
desperdiciar material ni poner en riesgo la maquinaria.
Entre los distintos tipos de procesos de simulacin que

podemos utilizar, esta tesis se ocupa del que se basa en el uso
de ecuaciones matemticas y estadsticas, conocido como
simulacin de eventos discretos. Este proceso consiste en
relacionar los diferentes eventos que pueden cambiar el estado
de un sistema bajo estudio por medio de distribuciones de
probabilidad y condiciones lgicas del problema que se est
analizando.
25
Algoritmo de Simulacin
Segn [2], el algoritmo de simulacin para el modelo en estudio

se plante de la siguiente manera:
I. Definicin del Problema
1. Identificar los objetivos principales del problema.
2. Identificar las variables relevantes que tienen efectos

sobre los objetivos.
II. Construccin del Modelo
1. Identificar las variables y parmetros del modelo. Para

ello, se observa en el sistema real los factores que
permanecen constantes durante el perodo de estudio y
los que pueden cambiar sus valores (variables).
2. Formular una regla de decisin. En un modelo de

simulacin una regla de decisin define las condiciones
bajo las cuales se desarrollar la experimentacin. Estas
reglas pueden orientarse:
a. Al establecimiento de una decisin condicional (si
entonces).
b. A la asignacin de valores a los parmetros.
c. A la seleccin de valores de entrada para las variables.
3. Identificar el tipo de distribucin a usar para definir el

patrn de ocurrencia de eventos asociado a las variables
definidas. Las distribuciones pueden ser:
26
a. Tericas.
Son
distribuciones
conocidas
que
se
aproximan al problema.
b. Empricas. Se derivan de un problema especfico y se

manejan con base en frecuencias relativas.
4. Especificar la forma de cambio de tiempo
a. En incrementos fijos, en la cual el reloj es actualizado

en intervalos uniformes de tiempo (das, semanas,
meses y aos).
Dado el intervalo de tiempo el problema es analizado
en el punto apropiado del tiempo para determinar si
ocurrieron eventos en el intervalo de tiempo.
Examinada la ocurrencia o no de eventos en un
intervalo se actualiza el reloj, es decir, se avanza el
tiempo en una unidad o intervalo fijo y se repite el
proceso.
b. En incrementos variables o por eventos. En este caso,

los eventos pueden registrarse en el instante en que
ocurren. El reloj avanza en una cantidad igual al tiempo
que se requiere para que ocurra el siguiente evento.
5. Definir las relaciones entre variables y parmetros.
27
III. Preparar el modelo para la experimentacin
1. Definir las condiciones de inicio de la simulacin. Se dan

los valores iniciales de las variables y los valores de los
parmetros.
2. Indicar el nmero de eventos a simular o el tiempo a ser

simulado: longitud de la corrida de simulacin / regla de
parada.
IV. Experimentacin con el modelo
1. Definir una forma de relacin entre los factores de la parte

uno con los nmeros aleatorios que sern generados
para la simulacin.
2. Seleccionar un generador de nmeros aleatorios.
3. Generar los nmeros aleatorios a usar en la simulacin.
4. Relacionar los nmeros aleatorios con los factores

identificado en la parte uno.
5. Resumen de los resultados en forma tabular.
V. Evaluacin de resultados
Se hace uso de tcnicas estadsticas. Permite determinar si

se cumplen los objetivos de la simulacin. Los resultados de
la simulacin se pueden usar para probar hiptesis acerca
de sistemas existentes o para generar un conjunto de
alternativas dando varios valores de entrada a los
parmetros.
28
Nmeros Pseudo aleatorios
Segn [6], Los nmeros pseudo aleatorios se utilizan para

producir el comportamiento estocstico de los modelos que
involucran variables del tipo de relacionado al estudio. As, una
de las primeras tareas que es necesario llevar a cabo consiste
en determinar si los nmeros aleatorios que utilizaremos para
correr o ejecutar la simulacin son realmente aleatorios o no;
por desgracia, precisar lo anterior con absoluta certidumbre
resulta muy complicado, ya que para ello se debe generar un
nmero muy grande de valores que permita comprobar la
inexistencia de correlaciones entre ellos. Esto sera muy
costoso y tardado, volviendo imprctico el uso de la simulacin
aun con las computadoras ms avanzadas.
A pesar de lo anterior, podemos asegurar con altos niveles de

confiabilidad que el conjunto de nmeros que utilizaremos en
una simulacin se comportan de manera muy similar a un
conjunto de nmeros totalmente aleatorios; por ello es que se
les denomina nmeros pseudo aleatorios.
Propiedades de los nmeros pseudo aleatorios entre 0 y 1
En gran medida, conocer las propiedades que deben tener

estos nmeros aleatorios garantiza una buena simulacin, por
ello, se enumeran a continuacin.
Media de los nmeros aleatorios entre 0 y 1. En vista de que

estos nmeros deben tener la misma probabilidad de
presentarse, es preciso que su comportamiento muestre una
distribucin de probabilidad uniforme continua, con lmite
inferior cero y lmite superior uno. La funcin de densidad de
una distribucin uniforme es la siguiente:
29
1
() =
, = 0 = 1(2.9)
Para obtener la media de la distribucin multiplicamos la

funcin de densidad por x, y la integramos en todo el rango de
la misma distribucin de la siguiente manera:
1
() =
() =
|
2()
(2.10)
Sustituyendo los valores de a y b

1
() = 2
(2.11)
Por lo tanto, el valor esperado (es decir, la media de los

nmeros aleatorios entre 0 y 1) es = 0.5
Varianza de los nmeros aleatorios. Partiendo de la misma

distribucin uniforme obtenemos la varianza de la distribucin
por medio de la ecuacin:
() = 2 = ( 2 ) 2
(2.12)
Lo que nos queda ( 2 ):

1
( 2 ) =
( 2 ) =
|
3()
(2.13)
Al sustituir tenemos que:

( 2 ) =
1
3
Por lo tanto,
1
1 2
1
() = ( ) =
3
2
12
30
Dados estos resultados podemos decir que los nmeros
1
aleatorios entre 0 y 1 deben tener = 2 y 2 = 12.

Independencia. sta es una propiedad muy importante, e
implica que los nmeros aleatorios no deben tener correlacin
entre s; es decir, deben ser independiente, de manera que no
puedan dispersarse uniformemente dentro de todo el espectro
de valores posibles. Es posible realizar una serie de pruebas
para corroborar que no existe correlacin entre los nmeros
aleatorios, e incluso para garantizar que no exista un sesgo o
tendencia entre los dgitos de cada uno de ellos.
Uniformidad. Una de las propiedades ms importantes que

debe cumplir un conjunto de nmeros ri es la uniformidad. Los
nmeros del conjunto ri se distribuyen uniformemente en el
intervalo (0,1).
Definicin de Variable aleatoria
Podemos decir que las variables aleatorias son aquellas que

tienen un comportamiento probabilstico en la realidad. Por
ejemplo, la cantidad de residuos que ingresa al bosque El
Olivar en un intervalo de tres das depende del momento del
periodo y de otros factores: por lo general, la afluencia de
mascotas o personas que arrojan desperdicios dentro del
bosque ser mayor al medioda que de madrugada; la
demanda ser ms alta el viernes que el mircoles, etctera.
Dadas estas caractersticas, las variables aleatorias deben
cumplir reglas de distribucin de probabilidad.
31
Tipos de variables aleatorias
Podemos diferenciar las variables aleatorias de acuerdo con el

tipo de valores aleatorios que representan. Por ejemplo, si
hablramos de la cantidad de desperdicios en kilogramos que
arrojan las personas dentro del bosque El Olivar en un periodo
de tiempo determinado, podramos encontrar valores tales
como 4.25 kg, 245.01 kg, 361.78 kg y otros, es decir, un
comportamiento como el que presentan las distribuciones de
probabilidad continuas. Por otro lado, si hablramos del
nmero de clientes que solicitan cierto servicio en un periodo
de tiempo determinado, podramos encontrar valores tales
como 0, 1, 2,, n, es decir, un comportamiento como el que
presentan
las
distribuciones
de
probabilidad
discretas.
Considerando lo anterior podemos diferenciar entre variables

aleatorias discretas y variables aleatorias continuas. En esta
investigacin se estudiaron las variables aleatorias continuas
que definimos a continuacin.
Variables aleatorias continuas. Este tipo de variables se

representan mediante una ecuacin que se conoce como
funcin de densidad de probabilidad. Dada esta condicin,
usamos una integral para conocer la funcin acumulada de la
variable. Por lo tanto, las variables aleatorias continuas deben
cumplir los siguientes parmetros:
() 0 ( = ) = 0
()
=1
(2.14)
(2.15)
( ) = ( < < ) = ()
(2.16)
Entre las distribuciones de probabilidad tenemos la uniforme

continua, la exponencial la normal, la de Weibull, la Chicuadrada, la de Erlang y la Beta (vea la figura 2.2). Algunos
32
procesos pueden ser asociados con ciertas distribuciones. Por
ejemplo, es posible que el tiempo de llegada de cada cliente a
un sistema tenga distribucin de probabilidad muy semejante a
una exponencial, o que el tiempo que le toma a un operario
realizar una serie de tareas se comporte de manera muy similar
a la dispersin que presenta una distribucin normal. Sin
embargo, debemos hacer notar que este tipo de distribuciones
tienen sus desventajas, dado que el rango de valores posibles
implica que existe la posibilidad de tener tiempos infinitos de
llegada de clientes o tiempos de ensamble infinitos, situaciones
lejanas a la realidad. Por fortuna, es muy poco probable que se
presenten este tipo de eventos, aunque el analista de la
simulacin debe estar consciente de cmo pueden impactar
valores como los descritos en los resultados del modelo.
Figura 2.2. Valores correlacionados de la distribucin beta

Fuente. [7].
Usaremos la distribucin beta en la investigacin y la

detallamos como sigue:
33
Distribucin Beta
Usos
Debido a su gran flexibilidad se utiliza en situaciones en las que

la ausencia de datos concretos no impide, sin embargo, tener
una idea del comportamiento global de la variable aleatoria. Si
suponemos conocidos, o razonablemente supuestos, valores
tales como el mximo, mnimo, media o moda y el tipo de
simetra, o asimetra, entonces es posible encontrar una
distribucin Beta que se adapte a dichas suposiciones.
Tambin se utiliza para simular la proporcin, o el nmero total,
de productos defectuosos en un lote de fabricacin, la duracin
de un proceso, en PERT/CPM, o la mediana de una muestra
aleatoria.
Notacin y parmetros
La notacin habitual es XBe (, ) o bien XBeta (, ), los
dos parmetros son de forma (, >0). La distribucin puede
ser fcilmente re escalada a un intervalo (a, b) ya que si X Be
(, ) 0X1 al hacer X= a+ (b-a) X tendramos XBe (, )
pero ahora con aXb. As, la notacin es XBe (, , a, b); en
este caso los parmetros a y b son de escala en la distribucin.
Densidad y Distribucin
( )
() =
(, )
(, ) = ( )
Para la Beta de cuatro parmetros, tendremos:
34
( ) ( )
() =
(, )
( )+
F(x) no tiene, en general, forma cerrada.
Estadsticos.
La media y varianza son respectivamente:
+ ( + ) ( + + )
El sesgo, la curtosis y el coeficiente de variacin son

respectivamente:
( )
++
;
( + + )
( + + )[( + ) + ( + ) ]
( + + )( + + )
( + + )
Propiedades
Si = la distribucin es simtrica y centrada; si ==1 se
convierte en una Uniforme; Be (1,2) es la distribucin triangular
izquierda; Be (2,1) es la triangular derecha; si X Be (, )
(1X) Be (, ); Be (1/2,1/2) es la distribucin arco seno.
Caracterizacin.
Los parmetros pueden ser estimados de la forma siguiente:
35
(
)
(
)
= [[
] ] ; = ( ) [[
] ]
Generacin de variables aleatorias
La variabilidad de eventos y actividades se representa a travs

de funciones de densidad de probabilidad para fenmenos de
tipo continuo y discreto. La simulacin de estos eventos o
actividades se realiza con la ayuda de la generacin de
variables aleatorias.
El principal mtodo ms adecuado para generar variables

aleatorias beta es el mtodo de aceptacin y rechazo.
Mtodo de Aceptacin y Rechazo
Esta tcnica se puede usar si existe otra funcin de densidad

() tal que () supera la funcin de densidad (), es decir,
() > () para todos los valores de . Si esta funcin
existe, entonces se pueden aplicar los siguientes pasos:
1. Genere con la densidad ().
2. Genere y uniforme en [0, ()].
3. Si (), devuelva y retorne. De lo contrario repita
desde el paso 1.
Ejemplo 2.2. Consideremos la funcin de densidad Beta (2,4):

() = ( ) ;
Esta funcin se muestra en la figura 2.3 y puede ser limitada

por el rectngulo de altura 2,11. Por lo tanto podemos usar
36
= 2,11
() = 1
para
0 1.
Las
variables
(2,4) pueden ser generadas como sigue:

1. Genere uniforme en [0, 1].
2. Genere uniforme en [0, 2.11].
3. Si 20(1 )3 , devuelva y retorne. De lo contrario
vuelva al paso 1.
Los pasos 1 y 2 generan un punto (, ) distribuido
uniformemente en el rectngulo en la figura 2.3. Si el punto cae
sobre la densidad (), entonces el paso 3 rechaza .
La eficiencia del mtodo depende de que tan bien () limita a
(). Si hay una brecha muy grande entre () y (),
entonces un gran nmero de puntos generados en los pasos 1
y 2 sern rechazados. Similarmente, si la generacin de
variables aleatorias con () es compleja, entonces el mtodo
puede ser ineficiente.
Figura 2.3. Esquematizacin del mtodo de la aceptacin y rechazo para variables

continuas de tipo (2,4)
Fuente. [7].
37
Mtodo de Monte Carlo
Segn [9], el mtodo de Monte Carlo es un mtodo no

determinstico o estadstico numrico usado para aproximar
expresiones matemticas complejas y costosas de evaluar con
exactitud.
Introduccin al uso de Pro Model
Segn [17], Pro Model es un software comercial para

simulacin, est entre los ms usados en el mercado. Cuenta
con herramientas de anlisis y diseo que, unidas a la
animacin de los modelos bajo estudio, permiten al analista
conocer mejor el problema y alcanzar resultados ms
confiables respecto de las decisiones a tomar.
Bsicamente, este producto se enfoca a procesos de

fabricacin de uno o varios productos, lneas de ensamble y de
transformacin, entre otros.
Elementos bsicos
En Pro Model podemos distinguir una serie de mdulos que
permiten al analista hacer un estudio ms completo sobre el
modelo que quiere simular. Cada uno de estos mdulos cuenta
con herramientas de trabajo que hacen de Pro Model un
software de simulacin muy aplicado. A continuacin daremos
una breve descripcin de cada uno de ellos.
Pro Model. Es el rea de trabajo donde se definirn el modelo y

todos sus componentes. En este mdulo se programa todo lo
que tiene que ver con las relaciones entre las variables del
38
modelo, tanto contadores como relaciones lgicas, flujos,
actividades y ciclos de produccin, por ejemplo.
Editor grfico. El editor grfico de Pro Model cuenta con una

serie de bibliotecas que permiten dar una mejor presentacin
visual a los modelos realizados. Adems cuenta con la
capacidad de importar y crear las imgenes necesarias para
representar con mayor propiedad el problema a simular. Incluso
pueden importarse dibujos hechos con algn software para
dicho propsito.
Resultados. Pro Model cuenta con una interfaz de resultados

que facilita la administracin, el manejo y el anlisis de la
informacin. En este mdulo se pueden ver los resultados de
todas las variables del modelo. Algunas de ellas se reportan de
manera automtica, y otras se obtienen bajo solicitud expresa
del analista. Adems, el mdulo permite la interaccin con
programas de hoja de clculo, como Excel.
Stat: Fit. El software incluye una herramienta estadstica

llamada Stat: Fit, que permite hacer pruebas de bondad de
ajuste sobre datos muestra, produciendo informacin muy
importante para determinar las distribuciones asociadas a las
variables aleatorias del modelo. Adems, constituye una gran
ayuda
si
se
desconoce
cmo
alimentar
distribuciones
complejas de la biblioteca de Pro Model en el modelo de

simulacin.
Editor de turnos. El editor de turnos permite asignar turnos de

trabajo a los elementos del modelo que lo requieran, por
ejemplo, descansos programados, como el tiempo de comida.
Simrunner. Esta es una herramienta muy til en el anlisis

posterior del modelo. Con ella se pueden disear experimentos
39
destinados a conocer el impacto de factores crticos que se
generan a partir de la variacin en los valores de las variables
aleatorias seleccionadas para ello. Asimismo, permite discernir
cul es la mejor combinacin de factores para obtener el
mximo beneficio al mejorar un proceso.
Referencias y Ayuda. Estos mdulos de Pro Model facilitan el

uso y la programacin del software.
Estructura de programacin en Pro Model
En Pro Model, la programacin para la simulacin constituye

solo una parte del proceso de construccin del modelo ya que,
como se ha mencionado, el software tambin cuenta con
diversas herramientas de animacin, por ejemplo que el
analista debe aprender a manejar para obtener los mejores
resultados.
A fin de ayudarle a lograr una comprensin integral acerca del

uso de Pro Model, en el Captulo III se utiliz nuestro problema
como un ejemplo aplicativo. A pesar de lo anterior, esta obra no
pretende cubrir de manera exhaustiva todos y cada uno de los
elementos que componen el producto. Si desea obtener ms
detalles respecto de su funcionamiento, consultar los manuales
de referencia que acompaan al paquete.
2.2.4. Problemas de localizacin
Segn [13], los problemas de localizacin se presentan cuando

los encargados de tomar decisiones deben seleccionar el lugar
en que se ubicarn una o varias instalaciones, como podran
ser: industrias, bodegas, comercios, escuelas, hospitales,
mercados, aeropuertos, plantas de tratamiento de agua,
plantas de generacin de electricidad (hidroelctricas, trmicas,
40
nucleares), plantas de tratamiento de residuos, estadios
deportivos, estaciones de bomberos, estaciones de gasolina,
etctera; este tipo de problemas se presenta tambin en la
distribucin de maquinaria en un rea dada. Las decisiones
anteriores se toman bajo una serie de criterios preestablecidos
como por ejemplo la experiencia. Los modelos cuantitativos
analticos, que se presentan en esta investigacin son de tipo
normativo (Estos modelos prescriben un curso de accin que
optimiza una funcin objetivo dada y se diferencian de los
descriptivos, que tienden a explicar el comportamiento de un
sistema. Por ejemplo, la simulacin y la teora de colas son
modelos descriptivos; la programacin lineal, entera, dinmica
y matemtica son modelos normativos). Estos modelos tienen
varias limitaciones. La primera de ellas es la definicin de la
funcin objetivo, que generalmente localiza el lugar o lugares,
minimizando una funcin de costo.
Se ha establecido que minimizar ciegamente una funcin de

costos puede conducir a resultados absurdos. Por ejemplo:
encontrar que es tan deseable localizar una escuela para que
500 alumnos no recorran ms de 4 km. cada uno, que otra,
donde 498 alumnos recorran 0 km y 2 alumnos recorran 500
km. Ms adelante detallamos otras limitaciones.
Por ello, se ha llegado a considerar una variedad de funciones

objetivos, que incluye la minimizacin de la mxima distancia
recorrida (funciones minimx). Este tipo de funciones es
caracterstica de los problemas de localizacin de servicios de
emergencia (hospitales, estaciones de bomberos, etctera),
donde se desea que una comunidad no est a ms de cierta
cantidad de minutos de una clnica. Para medir distancias se
puede utilizar una norma rectilnea, o bien una euclideana. La
primera tiene mayor aplicacin en grandes ciudades, con trazos
rectos perpendiculares y paralelos de calles y avenidas, donde
41
la distancia entre dos puntos no puede medirse como la recta
que los une, sino como el mnimo nmero de calles que existe
entre ambos. En contrapartida, la norma euclideana dice que la
distancia entre dos puntos es la recta que los une. Esta norma
tiene sentido en zonas rurales y urbanas con trazo irregular de
calles. En la figura 2.4 se distinguen ambas normas:
= | | + | |
Norma rectilnea
(2.17)
1
2
Norma euclideana = [( )2 + ( )2 ]
(2.18)
Distancia rectilnea
B
(XB, YB)
A
(XA, YA)
0
Figura 2.4. Norma rectilnea y Norma euclideana
Fuente. [13].
Los problemas de localizacin se pueden dividir para su

estudio en relacin a:
1. Lo que se quiere localizar: en problemas de distribucin de

espacio (en ingls se conocen como layout problems) y
problemas de localizacin.
2. Las caractersticas de
las
nuevas instalaciones:
en
problemas de localizacin sencilla (una instalacin) o

mltiple (varias instalaciones), localizacin de punto o de
rea, donde el nmero de las nuevas instalaciones est
42
dado o es una variable adicional de decisin y donde la
localizacin es independiente o dependiente de las otras
localizaciones.
3. Las caractersticas de las instalaciones existentes; en
problemas
de
localizacin
esttica
dinmica,
determinstica o probabilstica.
4. La interaccin de las diversas instalaciones: en problemas
cualitativos o cuantitativos.
5. El
espacio:
en
problemas
unidimensionales
multidimensionales, discretos o continuos, restringidos o no

restringidos.
6. La funcin objetivo: en problemas cuantitativos o cualitativos
y, dentro de los primeros, problemas donde se minimizan
funciones de costo y tiempo o se minimizan funciones tipo
minimax.
7. A la norma (distancia): en problemas rectilneos y
euclideanos.
A continuacin se describen los modelos de localizacin de

cubrimiento que combinan algunas de las caractersticas
anteriores. La lista de limitaciones a los modelos de localizacin
es extensa si se considera que la gran mayora de stos se ha
diseado para el caso determinstico y que, para el caso
mltiple de localizacin de varias instalaciones, los modelos
que proporcionan resultados ptimos se reducen a unas
cuantas
decenas
de
instalaciones,
si
el
nmero
de
instalaciones sobrepasa esta cuota, se deben utilizar modelos

heursticos. Por qu es necesario usar modelos heursticos
para resolver el problema de localizacin? Suponiendo, por
ejemplo, que existan 15 parques industriales y 5 tamaos de
planta para una determinada actividad productiva, el nmero de
diferentes posibilidades a evaluar sera 515 = 3.05 X 1010, lo
cual es imposible de analizar exhaustivamente. De ah la
necesidad de poner en uso modelos de localizacin que, al
43
seguir algoritmos convergentes, lleguen a la solucin ptima o
cercan a la ptima, tras el anlisis de una fraccin muy
pequea de todas las posibles alternativas.
Problemas de localizacin por cubrimiento (cobertura)
Segn [13], se define el siguiente problema de localizacin.

Sea xj una variable binaria de decisin que es igual a
1,
= {
0,
(2.19)
Se formulan problemas de cubrimiento total son los que tienen

por objetivo cubrir a todos los clientes al menor costo o
distancia posible, aplicando algn algoritmo de solucin y
sealando su utilidad prctica en problemas de localizacin.
Sea aij un coeficiente binario que es igual a 1 si el cliente i
utiliza la instalacin j y es igual a 0 en los dems casos.
Entonces el problema de cubrimiento se define como aquel que
encuentra valores de xj que:
=
=1

=1 1,
= 0,1,
= 1, ,
(2.20)
= 1, ,
Donde cj es el costo de establecer una instalacin en el lugar j,

si se tiene m clientes y n lugares. La restriccin del problema
obliga a que cada uno de los m clientes sea cubierto cuando
menos por un lugar.
44
Para ilustrar lo anterior supongamos que los clientes son las

casas de una manzana y los lugares son estaciones de
bomberos y se requiere que toda casa i sea cubierta por una
estacin de bomberos en un radio no mayor de 5 minutos de
manejo. Otro caso sera aquel donde los lugares son plantas
manufactureras y los clientes pueden ser casas distribuidoras
que deben ser cubiertas por lo menos por una planta.
El mtodo que se explica a continuacin para resolver el

problema de cubrimiento total 2.20 pertenece a la familia de los
mtodos de los planos de corte. Se empieza por resolver el
siguiente problema lineal inicial P0
=
=1

=1 1,
0,
= 1, ,
(2.21)
= 1, ,
El cual es similar al problema 2.20 con la diferencia que se han

relajado las restricciones enteras binarias. Si la solucin ptima
de P0 es binaria, entonces, es la solucin ptima de 2.20. De lo
contrario, se resuelve el siguiente problema lineal
=
=1

=1 1,
= 1, ,
[0 ] + 1
=1
0,
= 1, , ,
(2.22)
45
Donde 0 es el valor ptimo de la funcin objetivo de 2.21 y la

notacin en corchetes ([]) indica la porcin entera de 0 . La
restriccin adicional en 2.22 es un plano de corte.
Ejemplo 2.3. Suponga que se desean abrir sucursales

bancarias en una ciudad dividida en 5 delegaciones policiales.
Se ha estipulado que cada sucursal debe encontrarse a no ms
de 5 km. del centro de cada delegacin policial. Se han
identificado 4 posibles lugares y se han medido las distancias
de los centros de cada delegacin poltica a cada uno de estos
lugares. De esa medicin se deriva la siguiente matriz de
cubrimiento A = {aij}:
()
1
= { } = () 1
0
0
{1
()
() ()
0
1
1
1
0
0
1
0
0
1
()
0
0
1
0
1}
El problema 2.21, es decir, el equivalente lineal del problema

de cubrimiento es
= 1 + 2 + 3 + 4

1
+ 3
1 + 2 + 3
1
4 1
3
1 + 2
0,
1
+ 4 1
= 1, 2, 3, 4.
46
El resultado ptimo es 3 = 4 = 1 1 = 2 = 0, y siendo un
resultado binario, es tambin solucin ptima del problema de
cubrimiento. El resultado indica que las sucursales debern
abrirse en las delegaciones 3 y 4.
Un problema relacionado al 2.20, es el de cubrimiento parcial,

en donde slo un subconjunto de clientes de la poblacin bajo
consideracin puede ser satisfecho, ya que se limita el nmero
de instalaciones a k. Este problema se diferencia del problema
de cubrimiento total en el cual se encuentra el mnimo nmero
de instalaciones, n, (nk), que cubren a toda la poblacin.
En el problema de cubrimiento parcial se desea localizar las k

instalaciones tal que se minimice el cubrimiento de la poblacin
(posiblemente no se pueda cubrir toda). Este problema se
formula como
=
=1

=1
= 0,1,
(2.23)
= 1, ,
Donde k es un nmero dado.
Una aplicacin de este tipo de modelos sera, por ejemplo,

localizar la ubicacin de 2 Grandes Unidades Escolares (GUE)
para cubrir 9 distritos, tal que a ningn aspirante le quede a
ms de 10 minutos el trayecto de su casa a la escuela. En este
ejemplo k = 2. Si ste hubiera sido un problema de cubrimiento
total, la k mnima que cubre a todos los distritos se convierte en
una variable de decisin. El problema de cubrimiento parcial
47
2.23 se puede presentar en versiones de minimizacin, como
por ejemplo
=

=1 ()

=1
= 0,1,
(2.24)
= 1, ,
Y () = {| = 1}. La expresin
significa que si un
()
cliente i puede ser atendido por varias instalaciones j, se

escoger aquella que est ms cercana al cliente. En caso de
que los coeficientes no sean binarios, sino enteros, los
problemas 2.20 y 2.23 se denominan respectivamente
problemas generalizados de cubrimiento total y parcial.
Se presenta a continuacin el algoritmo heurstico de Ignizio

que resuelve el problema 2.23.
1. Primera seleccin de la ubicacin. La matriz de

cubrimiento dada, A, consta de n vectores columna
denotados 1 , 2 , 3 , , . Se calcula =
=1 para j =
1, 2,, n. Sea t aquel subndice con Mn cj. Sea = y
haga = 1. El conjunto () contiene el subndice t. Si el
nmero de instalaciones k es igual a 1 ir al paso 7, de otra
manera continuar en el paso 2.
2. Seleccin de la segunda ubicacin. Para cada
() se
calcula.
=
=1 ( , 0)
(2.25)
48
Donde son los componentes del vector . Si todos los
= 0, ir al paso 4, de otra manera se hace t al subndice
j con mayor . Se hace xt = 1 y se coloca a t en la
siguiente posicin de (). Ir al paso 3.
3. Formacin de las mejores combinaciones. Sea = ( )
donde para cada i = 1, , m tiene
=

(2.26)
()
Si () = 2 y = 2 ir al paso 7. Si () = 2 y > 2
ir al paso 2. De otra manera ir al paso 4.
4. Formacin
de
una
asignacin.
Sea
= () .
Entonces () = {1 , , }. Sea = {1 , 2 , , }. Si al
paso 4 se llega directamente del paso 2, ir al paso 7, de otra
manera continuar en el paso 5.
5. Mejoramiento
de
la
combinacin
proceso
de
eliminacin. Por cada columna de R, calcular.
=
).
=1 (
(2.27)
()
Si = ir al paso 6 de otra manera eliminar

del conjunto R aquella columna at que tenga el Mn ,
elimine t de () y haga = 0. Defina =
e ir al
()
paso 2.
6. Verificacin. Si = () = ir al paso 7, de otra
manera ir al paso 2.
49
7. Asignacin. Encontrar para cada i en la matriz R aquel
subndice t que tenga
. Asignar el cliente i a la
()
localidad t slo para aquellos subndices i y t que

corresponden al .
A continuacin se ilustra el algoritmo con un problema
generalizado de cubrimiento parcial.
Ejemplo 2.4. Considerar el problema de localizar a lo sumo 3

instalaciones para atender a 5 clientes. Se tienen 4 lugares
posibles para ser utilizados. La distancia entre los 5 clientes y
los 4 lugares estn dadas por la siguiente matriz D
1
1 1
= { } = 2 10
3 16
4 20
5 [24
2
3
9
17
2
8
8
2
12
4
16
10
4
24
15
11
5
1]
El nmero de viajes por mes entre una instalacin y un cliente i,

es la componente del vector , siendo este = { } =
(75, 171, 153, 137, 805). Se requiere asignar instalaciones y
clientes a lugares tal que la distancia total de recorrido por mes
sea mnima y restrinja el problema a no ms de 3 instalaciones
( = 3). La matriz = { } de asignacin (ya no binaria) se
obtiene del producto =
= 1, 2, 3, 4, 5 ;
1, 2, 3, 4. Y es igual a
1
1 75
= { } = 2 1710
3 2448
4 2740
5 [19320
2
3
1275
675
1368
342
306
1224
1644
548
12880
8050
4
1800
2565
1683
685
805 ]
50
En el paso 1 se selecciona la primera ubicacin y se muestra
en la tabla 2.1.
Tabla 2.1. Primera seleccin de la ubicacin
i\
1
2
3
4
5
1
75
1710
2448
2740
19320
26293
2
675
342
1224
1644
12880
16765
3
1275
1368
306
548
8050
11547
4
1800
2565
1683
685
805
7538
Mn
1800
2565
1683
685
805
()
= {}
Fuente. [13]
En el paso 2 se selecciona la segunda ubicacin y se muestra

en la tabla 2.2.
Tabla 2.2. Segunda seleccin de la ubicacin
j
\
1
2
3
4
5
1
75
1710
2448
2740
19320
2580
2
675
342
1224
1644
12880
3807
Mx.
3
1275
1368
306
548
8050
3236
1800
2565
1683
685
805
() = {, }
Fuente. [13].
En el paso 3 se forman las mejores combinaciones, y estas se

mostraron en la tabla 2.3.
Tabla 2.3. Formacin de las mejores combinaciones
\
1
2
3
4
5
1
75
1710
2448
2740
19320
600
Fuente. [13].
3
1275
1368
306
548
8050
1055
Mx.
675
342
1224
685
805
() = {, , }
51
En el paso 4 se forma la asignacin y en el paso 5 se hizo el

mejoramiento de la combinacin y el proceso de eliminacin
(tabla 2.4).
Tabla 2.4. Mejoramiento de la combinacin y proceso de eliminacin
t
\
1
2
3
4
5
4
1800
2568
1683
685
805
7245
2
675
342
1224
1644
12880
1626
3
1275
1368
306
548
8050
1055
Mn
675
342
306
548
805
Fuente. [13].
Como: = y = 7
En el paso 7 se hace la asignacin de los valores del
cubrimiento parcial que estn en negrita y son el mnimo de
cada fila (tabla 2.5).
Tabla 2.5. Asignacin de los valores del cubrimiento parcial
\
1
2
3
4
5
i
4
1800
2568
1683
685
805
2
675
342
1224
1644
12880
3
1275
1368
306
548
8050
Fuente. [13].
El valor ptimo de la funcin es = 805 + 675 + 342 + 306 +

548 = 2676
La solucin ptima se proporciona en la tabla 2.6.
52
Tabla 2.6. Solucin ptima del ejemplo 2.4
Instalacin Localizacin
1
2
2
3
3
4
Fuente. [13].
2.3.
Clientes
1, 2
3, 4
5
Definicin de trminos bsicos
Sistema. Es un todo organizado y complejo; un conjunto o

combinacin de cosas o partes que forman un todo complejo o
unitario. Es un conjunto de objetos unidos por alguna forma de
interaccin o interdependencia.
Subsistema. Sistema que es parte de otro sistema. Un sistema

puede estar constituido por mltiples partes y subsistemas. En
general, desde el punto de vista de un sistema determinado, un
subsistema es fundamental para el funcionamiento del sistema que lo
contiene.
Sistema estable. Un sistema inicialmente en reposo es estable si

para cualquier seal de entrada acotada la respuesta del sistema es
acotada.
Entidad. Es la representacin de los flujos de entrada a un sistema;

ste es el elemento responsable de que el estado del sistema cambie.
Ejemplos de entidades pueden ser las personas que llegan al bosque
El Olivar y botan la residuos dentro del mismo, las piezas que llegan a
un proceso o el embarque de piezas que llega a un inventario.
Entorno. Ambiente, que rodea al sistema.
Estado del sistema. Es la condicin del sistema bajo estudio en un

momento determinado; es como una fotografa de lo que est
pasando en el sistema en cierto instante. El estado del sistema se
53
compone de variables o caractersticas de operacin puntuales
(digamos el nmero de piezas que hay en el sistema en ese
momento), y de variables o caractersticas de operacin acumuladas,
o promedio, como podra ser el tiempo promedio de permanencia de
una entidad en el sistema, en una fila, almacn o en el bosque El
Olivar como es el caso de estudio en esta tesis.
Evento. Es un cambio en el estado actual del sistema; por ejemplo, la

entrada o salida de una entidad, la finalizacin de un proceso en un
equipo, la interrupcin o reactivacin de una operacin (digamos por
un descanso del operario), o la descompostura de una mquina.
Podemos catalogar estos eventos en dos tipos: eventos actuales,
que son aquellos que estn sucediendo en el sistema en un momento
dado, y eventos futuros, que son cambios que se presentarn en el
sistema despus del tiempo de simulacin, de acuerdo con una
programacin especfica. Por ejemplo, cierta pieza entra a una
mquina para que sta realice un proceso. El evento actual sera
precisamente que la entidad llamada pieza ingresa a la mquina. El
evento futuro podra ser el momento en que la mquina concluir su
trabajo con la pieza y sta seguir su camino hacia el siguiente
proceso lgico, de acuerdo con la programacin: almacenamiento,
inspeccin o entrada a otra mquina.
Localizaciones. Son todos aquellos lugares en los que la pieza

puede detenerse para ser transformada o esperar a serlo. Dentro de
estas localizaciones tenemos almacenes, bandas transportadoras,
mquinas, estaciones de inspeccin y en el caso de estudio todo el
bosque El Olivar.
Recursos. Son aquellos dispositivos, diferentes a las localizaciones,

necesarios para llevar a cabo una operacin. Por ejemplo, para el
caso de estudio todos los establecimientos en los cuales se puede
comprar alimentos como los quioscos que hay en el interior o tiendas
cercanas al bosque; una herramienta necesaria para realizar un
54
proceso pero que no forma parte de una localizacin especfica, sino
que es trasladada de acuerdo con los requerimientos de aquel.
Atributo. Es una caracterstica de una entidad. Por ejemplo, si la

entidad es un motor, los atributos seran su color, peso, tamao o
cilindraje. Los atributos son muy buenos para diferenciar entidades sin
necesidad de generar una nueva.
Estructura. Distribucin y orden de las partes importantes que

componen un todo: estructura de una novela, de una sociedad.
Modelo. Representacin de la realidad por medio de abstracciones.

Los modelos enfocan ciertas partes importantes de un sistema, por lo
menos, aquella que le interesa a un tipo de modelo especfico,
restndoles importancia a otras. Los modelos son creados empleando
herramientas de modelado.
Variables Endgenas. Son las dependientes o de salida del sistema

y son generadas por la interaccin de las variables exgenas con las
de estado, de acuerdo con las caractersticas de operacin del ltimo.
Variables Exgenas. Son independientes, denominadas de entrada

del modelo y se supone que han sido predeterminadas y
proporcionadas independientes del sistema a modelar. Puede
considerarse que estas variables actan sobre el sistema, pero no
reciben accin alguna de parte de l. Tambin se denominan factores,
pueden emplearse de dos formas diferentes en los experimentos de
simulacin:
Tratadas como parmetros dados, determinados ya sea por el medio

ambiente o por los que toman las decisiones, las cuales deben
estimarse y almacenarse en la computadora como datos de entrada o
generarlas internamente en la computadora si corresponden a
variables estocsticas.
55
Variables de Estado. Describen la situacin de un sistema o de uno

de sus componentes, ya sea al comienzo, al final o durante un
periodo de tiempo. Estas variables interaccionan con las exgenas y
las endgenas del sistema, de acuerdo a las relaciones funcionales
dispuestas.
El valor que tome durante un periodo particular de tiempo, puede

depender no slo de una o ms variables exgenas en determinado
periodo precedente, sino adems del valor de ciertas variables
endgenas de periodos anteriores.
Reloj de la Simulacin. Es el contador de tiempo de la simulacin, y

su funcin consiste en responder preguntas tales como cunto tiempo
se ha utilizado el modelo en la simulacin, y cunto tiempo en total se
quiere que dure esta ltima. En general, el reloj de simulacin se
relaciona con la tabla de eventos futuros, pues al cumplirse el tiempo
programado para la realizacin de un evento futuro, ste se convierte
en un evento actual.
Relaciones Funcionales
Identidades.
Ellas
forman
las
definiciones
declaraciones
tautolgicas, relativas al comportamiento del sistema por ejemplo la

definicin de utilidad, definicin de activo, pasivo, capital.
Caractersticas de Operacin. Es una hiptesis, generalmente una

ecuacin matemtica, que relaciona las variables endgenas y de
estado del sistema, con las variables exgenas. Ejemplo: funciones
de consumo o inversin en una economa.
Correlacin. Una correlacin es una medida del grado en que dos

variables se encuentran relacionadas. Un estudio correlacional puede
intentar determinar si individuos con una puntuacin alta en una
56
variable tambin tiene puntuacin alta en una segunda variable y si
individuos con una baja puntuacin en una variable tambin tienen
baja puntuacin en la segunda. Estos resultados indican una relacin
positiva.
Lenguaje entre organismos generadores de cartografa
Segn [11], para el manejo de un lenguaje comn entre los

organismos generadores de cartografa, es importante entender y
cumplir los presentes lineamientos tcnicos, a travs de las
definiciones siguientes:
Cartografa Bsica Oficial. Es la cartografa elaborada por el Instituto

Geogrfico Nacional, sujeta a normas tcnicas en la que se
representa en forma detallada el paisaje terrestre, cuya edicin y
publicacin constituye un factor fundamental para el desarrollo y
defensa nacional. Sirve como base para la elaboracin de cartografa
temtica realizada por otras entidades.
Cartografa Bsica escala 1:1000. Es la Cartografa Topogrfica de

una determinada rea, que precisa bsicamente la siguiente
informacin: datos altimtricos, lmite de manzanas, de predios; vas
de comunicacin, nomenclatura, rasgos fsicos y culturales, toponimia
y sistema de coordenadas.
Coordenadas Geogrficas. Son los Valores de Latitud y de Longitud

que indican la posicin horizontal de un punto sobre la superficie de la
Tierra en un mapa. Aqu los detallamos:
Latitud (). Paralelo de Ecuador
Longitud (). Meridiano de Greenwich
Coordenadas UTM. Valores numricos Norte y Este que permiten

representar la posicin horizontal de un punto en una Zona de la
Proyeccin. Estos son:
57
X. Falso Este: 500 000 metros
Y. Falso Norte: 10 000 000 metros
Cuadrcula UTM. Es un sistema de lneas rectas verticales y

horizontales espaciadas uniformemente que se intersecan en ngulos
rectos.
Elipsoide de Referencia. Figura matemtica considerada la mejor

aproximacin local o global de la forma de la Tierra, siendo sus
parmetros:
Semieje mayor a (ecuatorial)
Semieje menor b (polar)
Aplanamiento
Excentricidad e
Equidistancia entre Curvas de Nivel. Diferencia de valores de altitud

establecida entre curvas de nivel sucesivas en un mapa.
Escala. Relacin entre una distancia cualquiera medida sobre el

mapa o fotografa y la correspondiente medida sobre el terreno.
Escala Numrica. Escala de un mapa expresada como fraccin o

razn que correlaciona la unidad de distancia en el mapa con la que le
corresponde en la misma unidad en el terreno.
Escala Grfica. Lnea graduada, mediante la cual las distancias en el

mapa se pueden medir en trminos de distancia en el terreno.
Lineamientos. Programa o plan de accin que rige a cualquier

institucin. De acuerdo a esta aceptacin, se trata de un conjunto de
medidas, normas y objetivos que deben respetarse dentro de una
organizacin.
58
Nombres Geogrficos. Son los nombres propios con los que se
designan a las entidades geogrficas (rasgos naturales y culturales
del relieve.
Normalizacin. La Normalizacin es una actividad colectiva que

establece soluciones a situaciones que se repiten. Esta actividad
consiste en: la elaboracin, difusin y aplicacin de las normas
tcnicas y est encaminada a establecer las caractersticas de calidad
que debe reunir un producto, proceso o servicio.
Norma Tcnica. Documento establecido por consenso y aprobado

por un organismo reconocido, que se establece para un uso comn y
repetitivo. Reglas, directivas o caractersticas para actividades,
procesos o resultados, con el fin de conseguir un grado ptimo de
orden en un contexto dado.
Proyeccin cartogrfica o proyeccin geogrfica. Es un sistema

de representacin grfica que establece una relacin ordenada entre
los puntos de la superficie curva de la Tierra y los de una superficie
plana (mapa). Estos puntos se localizan auxilindose en una red de
meridianos y paralelos, en forma de malla.
Precisin. Grado de consistencia entre los valores observados de

una determinada magnitud o su repetitividad basada en el grado de
discrepancia entre los valores observados.
Red Geodsica. Es el conjunto de puntos, fsicamente establecidos

mediante marcas, hitos o seales sobre el terreno, comnmente
denominados vrtices geodsicos, medidos con gran precisin, que
proporcionan las coordenadas geodsicas: Latitud, Longitud y Altitud.
Se encuentran enlazados y ajustados a marcos geodsicos
nacionales o mundiales, constituyen la infraestructura fundamental
para proporcionar alta precisin a la cartografa.
59
Simbologa. Smbolo convencional utilizado para incorporar en la
cartografa los rasgos fsicos y culturales del terreno que no se
puedan representar a escala.
Sistema de coordenadas. Es un conjunto de valores y puntos

convencionales que permita unvocamente la posicin de cualquier
punto
(P)
de
un
espacio
unidimensional,
bidimensional
tridimensional.
GPS: Global Positioning System (Sistema de posicionamiento global).
GNSS: Global navigation satellite systems (Sistema global de

navegacin por satlite).
Sistema de Proyeccin Cartogrfica
El Sistema de Proyeccin Cartogrfica para la Repblica del Per es

el Sistema Universal Transversa de Mercator (UTM), que es un
sistema cilndrico transverso conforme, secante al globo terrqueo
con las caractersticas tcnicas siguientes: Zonas de proyeccin del
territorio nacional de 6 de longitud cada una:
Zonas 17 con Meridiano central (MC) 81 Oeste
Unidad de medida: metro
Falso Norte: 10 000 000 metros
Falso Este: 500 000 metros
Factor de escala en el Meridiano Central: 0.9996
Clave: UTM
La figura 2.5 mostr el mapa de coordenadas geogrficas del Per.
60
Figura 2.5. Mapa de Coordenadas Geogrficas y UTM del Per

Fuente. [11].
La figura 2.6 mostr la proyeccin cilndrica de la Tierra para el huso

30.
Figura 2.6. Proyeccin Cilndrica de la tierra

Fuente. [11].
61
La figura 2.7 mostr el Mapa de la tierra en proyeccin transversa de
Mercator.
Figura 2.7. Mapa de la tierra en proyeccin transversa de Mercator, centrado sobre el

meridiano 0 y el ecuador
Fuente. [11].
Geometra del huso
Consideremos, a modo de ejemplo, el huso 31, que se extiende desde

los 0 a los 6 E. Este huso como, cualquier otro, posee un meridiano
denominado central que lo divide en dos partes exactamente iguales.
Su longitud ser de 3 E. Este meridiano central es el que se utiliza en
la proyeccin UTM del huso.
La proyeccin UTM, por las razones ya mencionadas, no recogen

latitudes superiores a los 84 N y a los 80 S. La primera zona, de
letra X, aparece entre los 84 N y los 72 N de latitud, y la ltima, con
la letra C, entre los 72 S y los 80 S.
62
En la figura 2.8 se ilustra el resultado de proyectar el huso 31 segn
su meridiano central (3 E). Como se ve, ste lo divide en dos partes
iguales.
Figura 2.8. Geometra de huso

Fuente. [11].
Esto permite establecer dos ejes cartesianos X e Y sobre el huso, de

tal manera que el eje X es el ecuador y el eje Y el meridiano central.
Estos ejes cartesianos permiten, pues, determinar puntos sobre el
huso haciendo uso de dos coordenadas rectangulares X e Y, que se
denominan coordenadas UTM. El origen del sistema de coordenadas
UTM se encuentra en la interseccin del Ecuador con el meridiano
central del huso. Cada huso, pues, posee su propio origen de
coordenadas. La idea de las coordenadas UTM es que sus dos
63
valores X e Y siempre sean positivos. Por ello no se han elegido las
coordenadas X=0 e Y=0 para el origen. Cada zona UTM, expresada
por un nmero de huso (del 1 al 60) y una letra de zona (de la C a la
X) como se vio en la figura 2.9, se descompone a su vez en regiones
rectangulares de 100 Km de lado, o sea con una superficie de 100 Km
x 100 Km = 10.000 Km2. Cada cuadrado de 100 Km de lado se
designa mediante una pareja de letras maysculas (con excepcin de
las letras I y O). Esto da lugar a una cuadrcula hectokilomtrica
(UTM).
Figura 2.9. Husos y Zonas UTM

Fuente. [11].
64
CAPITULO III
FORMULACIN Y PROCESAMIENTO DEL MODELO
3.1.
Hiptesis del estudio
3.1.1. Hiptesis General
La aplicacin de simulacin y cubrimiento en el sistema de

limpieza permitir determinar si los depsitos de residuos que
hay actualmente en el bosque El Olivar de San Isidro, son
suficientes.
3.1.2. Hiptesis Especificas
1. Mediante la tcnica de simulacin ser posible determinar

que la cantidad adecuada de los depsitos de residuos,
para personas y mascotas, depende de la cantidad de
residuos que ingresan al bosque El Olivar de San Isidro.
2. Mediante la tcnica de cubrimiento ser posible determinar

que la localizacin adecuada de los depsitos de residuos,
para personas y mascotas, depende del lugar del bosque El
Olivar de San Isidro por donde ingresen los usuarios a
depositar los residuos.
65
3.2.
Estrategias de Estudio
En el modelo desarrollado de simulacin, se experimentaron las

siguientes estrategias de estudio, que nos ayudaron a encontrar la
solucin al problema:
1.
Registrar la generacin de residuos de cada tipo en el bosque

durante julio del 2009 hasta junio de 2012.
2.
Tratar
estadsticamente
los
datos
para
convertirlos
en
informacin.
3.
Obtener el modelo de inventario de acuerdo a la distribucin de

densidad de probabilidad.
4.
Simular el sistema de generacin de desperdicios.
En el modelo desarrollado de localizacin, se experimentaron las

siguientes estrategias de estudio, que nos ayudaron a encontrar la
solucin al problema:
1.
Hallar las coordenadas geogrficas y UTM de todos los depsitos

del bosque.
3.3.
2.
Hallar las distancias entre depsitos en metros por tipo.
3.
Aplicar el modelo de localizacin de cubrimiento total.
Medidas de Efectividad
Mnimo de la mxima distancia total recorrida entre los depsitos y las

entradas del bosque.
66
3.4.
Variables del Estudio
Las variables del sistema en estudio son las siguientes:
3.4.1. Variables Independientes
Variables que interactan en el sistema directamente:
Cantidad de desperdicios derivados de tiendas de los

alrededores y de dentro del bosque y que los usuarios
arrojan.
Cantidad de desperdicios producto de la naturaleza del

bosque (hojas, flores marchitas o arrancadas y polvo).
Cantidad de veces que los usuarios arrojan residuos al

bosque en tres das.
3.4.2. Variables Dependientes
Variables que interactan en el sistema como consecuencia de

un proceso o de la experiencia:
Cantidad de depsitos de residuos de cada tipo.
Coordenada de localizacin del depsito de residuos hki y

de las entradas al bosque he.
Cantidad promedio de desperdicios que entran al bosque en

3 das.
3.4.3. Variables de estado
Informacin del sistema (Periodo: 3 das en 36 meses son 360

periodos):
Nmero de arribos de usuarios al bosque.
67
Cantidad de kilogramos de desperdicios acumulados en el

bosque.
Tiempo simulado.
3.4.4. Parmetros
Cantidad promedio de desperdicios por tipo, en el bosque

en periodos de tres das x; donde x = 1,....,360
Promedio de m periodos de tres das estudiados (donde m=

5000).
Distancia mnima entre los usuarios del bosque y los

depsitos segn la coordenada de entrada de estos al
mismo. Tambin entre cada depsito.
3.5.
Diseo de la investigacin
En nuestro pas no todas las organizaciones funcionan desde el punto

vista de sistemas, como es el caso del bosque El Olivar de San Isidro.
Se delimit el ambiente de trabajo definiendo la estructura que sirvi
cuando para se levant la informacin para la simulacin y la
localizacin, pero es la Teora de Sistemas la que facilit este proceso
de sistematizacin. De acuerdo a las normas establecidas por la
Municipalidad de San Isidro se levant informacin en el sistema del
Bosque El Olivar en periodos de tres das para el ingreso de residuos
y tambin se fue para tomar las coordenadas de los depsitos y las
entradas. Este levantamiento se realiz teniendo en consideracin las
entidades del sistema que a continuacin se mencionan en la tabla
3.1. Estos subsistemas interactan. Para fines de estudio suponemos
que en un momento t existen n usuarios del bosque El Olivar que
depositan un desperdicio que tiene un peso g (variable continua) en
un depsito de residuos, en el piso o en un rea verde. En el tiempo
inicial t = 0 no hay desperdicios dentro del bosque. No se consideran
colas al momento de depositar los desperdicios.
68
Tabla 3.1. Entidades del Sistema de limpieza del Bosque
SUBSISTEMA
Limpieza
Usuario
ENTIDAD
Encargados
ATRIBUTO
Capacidad
de
recojo.
ACTIVIDAD
Recoger los desperdicios.
Depsitos
Capacidad
recojo (12 kg.)
Coordenada
localizacin hki
Cantidad
Recibir los desperdicios en

su
coordenada
de
ubicacin.
Personas o mascotas
de
de
Coordenada
de
entrada al bosque.
Personas o mascotas que

compran elementos que
generan desperdicios
Las cantidades de desperdicios se registran en periodos de tres das

para cada tipo de depsito de residuos, para personas o mascotas.
Para fines del estudio se consideraron los pesos de los desperdicios
en los depsitos que fueran depositados aunque estos no
pertenezcan al tipo de depsito de residuos respectivo. Por ejemplo:
Si se coloc en el depsito de residuos de mascotas una botella de
plstico, esta se cont para el peso de los depsitos para
desperdicios de mascotas. Los das crticos de ingreso de residuos al
bosque son: jueves, viernes, sbado y domingo porque hay mayor
afluencia de pblico, sobre todo nios que vienen a jugar en el bosque
los fines de semana. En la simulacin no se tomaron en cuenta los
factores imprevistos o producto de un error. Por ejemplo el hecho de
que no se haya recogido todos los desperdicios del bosque afectando
as los datos del estudio. Es por ello que se utiliza la distribucin de
probabilidad continua Beta que se ajusta al modelo. Por una cuestin
de criterio se eligieron los intervalos de tres das para efectuar de una
manera ms rpida los clculos del modelo de pronstico.
Para los modelos de localizacin de cubrimiento total y parcial se
consider que los depsitos tienen que estar ubicados a una distancia
dkj (distancia entre depsitos). Donde k = 1,2; es el tipo de depsitos
(personas o mascotas), j = 1,, 50 para personas, j = 1,, 16 para
mascotas. Y para elaborar el modelo de cubrimiento total, que es una
heurstica que se utiliza para abarcar todos los espacios de un lugar
69
determinado, utilizando para ello un modelo de programacin lineal
con restricciones basadas en la condicin de distancia entre
depsitos, dada en este caso por el tesista en base al tamao de
bosque y la cantidad de depsitos de residuos adecuada que se
obtuvo en la simulacin. Las coordenadas de localizacin que se
propusieron de los depsitos hki fueron producto de la observacin del
sistema y del criterio que se utiliz para su ubicacin de acuerdo al
modelo. Para el modelo de cubrimiento parcial (que es una heurstica
que se utiliza para abarcar todos los espacios de un lugar
determinado, utilizando para ello solo un nmero limitado de depsitos
k) para los dos tipos de depsitos se supuso que siempre una
persona y/o mascota ingresa en el tiempo t = 0 por la coordenada he
de ingreso (donde e = 1,, 124; donde e es el nmero de que
denomina el orden de la entrada al bosque). El nmero de usuarios
por entrada es 1 ya sea si vive dentro o fuera del bosque, puesto que
solo se va a calcular la distancia entre un depsito y una entrada. Se
supuso que el usuario siempre ingresa al sistema por el mismo lugar.
Construccin del modelo en Promodel
Se definieron las variables y si cuentan con un icono para ser

mostradas como se mostr en la tabla 3.2.
Para crear nuestro programa, primero se hicieron tres entidades.
La primera se denomin personas (para simular el nmero de

depsitos de residuos que arrojan personas con cinco mil ocurrencias
en una corrida) que tuvo como operacin el pseudocdigo que se
mostr en la figura 3.1.
70
Tabla 3.2. Variables con icono y tipo para simular el sistema de limpieza del bosque
Variables
Aa
Bb
Cantidad
cantidad1
suma1
suma2
promedio1
promedio2
n1
n2
deposito1
deposito2
Con Icono
No
No
Si
Si
Si
Si
Si
Si
No
No
Si
Si
Tipo
Nmero Real
Nmero Real
Nmero Entero
Nmero Entero
Nmero Entero
Nmero Entero
Nmero Real
Nmero Real
Nmero Entero
Nmero Entero
Nmero Entero
Nmero Entero
Nota: Promodel 7.1 con elaboracin propia.
Figura 3.1. Pseudocdigo para la operacin de la primera entidad denominada personas

Nota. Promodel 7.1 con elaboracin propia.
La segunda denomin mascotas (para simular el nmero de depsitos

de desperdicios de mascotas con cinco mil ocurrencias en una
corrida) que tuvo como operacin el pseudocdigo que se mostr en
la figura 3.2.
Figura 3.2. Pseudocdigo para la operacin de la segunda entidad denominada mascotas

71
La tercera se denomin ALL que slo se utiliz para fines prcticos
del modelo y no tiene operaciones.
El modelo qued como podemos ver en la figura 3.3.
Figura 3.3. Modelo de simulacin del sistema de limpieza del bosque

Nota. Promodel 7.1 con elaboracin propia
3.6.
Tcnica de recoleccin de datos
El mtodo para la recoleccin de los datos fue el de la observacin.

Para lo cual se necesit registrar:
Periodo de registro (entre que das y el mes en el cual se est

haciendo la recoleccin).
Cantidad de desperdicios de cada tipo.
Coordenada de localizacin del depsito de residuos de cada tipo

hki.
Coordenada de localizacin de las entradas al bosque he.
72
Muestra representativa
Desperdicios recogidos por la Empresa Relima dentro del bosque

en 36 meses (Julio de 2009 a Junio de 2012).
La estructura a considerar en el proceso de simulacin:
Sistema de Limpieza del bosque El Olivar de San Isidro.
Los tiempos son periodos de tres das durante 36 meses para cada
tipo de desperdicios. En la tabla 3.3 se mostr el registro del ingreso
de desperdicios que botan personas al bosque El Olivar durante los 4
ltimos meses del ao 2009
Tabla 3.3. Registro de la generacin de residuos que arrojan las personas al bosque El Olivar
durante los 4 ltimos meses del ao 2009
MES:
SEPTIEMBRE
DEL
AL
1
4
6
10
13
16
19
22
25
28
MES:
3
6
9
12
15
18
21
24
27
30
NOVIEMBRE
DEL
AL
1
3
4
6
6
9
10
12
13
15
16
18
19
21
22
24
25
27
28
30
CANTIDAD EN
KILOGRAMOS
1575.52
1968.47
1377.08
1983.74
1570.40
1787.84
1738.64
1553.26
1953.57
1325.10
CANTIDAD EN
KILOGRAMOS
1572.52
1703.85
1762.32
1569.92
1980.23
1358.44
1975.30
1600.63
1746.81
1791.75
MES:
OCTUBRE
DEL
AL
1
4
6
10
13
16
19
22
25
28
MES:
3
6
9
12
15
18
21
24
27
30
DICIEMBRE
DEL
AL
1
4
6
10
13
16
19
22
25
28
3
6
9
12
15
18
21
24
27
30
CANTIDAD EN
KILOGRAMOS
1940.57
1570.12
1795.23
1700.36
1557.36
1950.99
1360.55
1956.78
1553.98
1758.82
CANTIDAD EN
KILOGRAMOS
1730.12
2196.52
1584.37
2182.72
1701.77
1901.03
1989.02
1792.74
2189.50
1485.19
Interpretacin: Por ejemplo, en el mes de Septiembre del ao 2009 del da 1 al da 3, se

registr que en el bosque hay 1575.52 kilogramos de residuos desechados por las personas.
73
En la tabla 3.4 se mostr el registro del ingreso de desperdicios de
mascotas al bosque El Olivar durante los 4 primeros meses del ao
2012.
Tabla 3.4. Registro del ingreso de desperdicios, generados por las mascotas, al bosque
durante los 4 primeros meses del ao 2012
MES:
ENERO
DEL
AL
1
4
6
10
3
6
9
12
13
15
16
19
22
25
28
MES:
18
21
24
27
30
MARZO
DEL
AL
1
3
4
6
6
9
10
12
13
15
16
18
19
21
22
24
25
27
28
30
MES:
FEBRERO
DEL
AL
1
4
6
3
6
9
CANTIDAD EN
KILOGRAMOS
1090.44
1062.08
888.92
825.47
10
12
1350.74
1236.91
669.68
1322.37
869.42
1126.42
1046.33
13
16
19
22
25
28
MES:
15
18
21
24
27
30
ABRIL
735.49
1344.42
982.70
1061.66
1189.93
850.04
DEL
AL
1
4
6
10
13
16
19
22
25
28
3
6
9
12
15
18
21
24
27
30
CANTIDAD EN
KILOGRAMOS
868.82
1052.12
1196.51
CANTIDAD EN
KILOGRAMOS
1223.22
986.66
1023.66
1122.68
888.08
1369.48
613.58
1369.78
961.87
1195.91
CANTIDAD EN
KILOGRAMOS
694.59
938.71
816.51
614.44
1078.44
512.24
1131.62
697.34
879.69
973.93
Interpretacin: Por ejemplo, en el mes de Enero del ao 2012 del da 1 al da 3, se registr

que en el bosque hay 868.82 kilogramos de desechos generados por las mascotas.
Para la localizacin de los depsitos de residuos de personas,

mascotas y de las entradas al bosque se utiliz la ayuda de un
localizador de coordenadas GPS, con el que se pudo obtener un
resultado aceptable que se presenta en las tablas 3.5, 3.6 y 3.7. Este
localizador se coloc en cada depsito y entrada, esperando
alrededor de 10 minutos por cada lugar para que el GPS nos diera la
ubicacin solicitada.
74
Tabla 3.5. Registro de las coordenadas geogrficas y su equivalente en metros de las ubicaciones de
50 depsitos de residuos que arrojan las personas
PERSONAS
Coordenadas Geogrficas
Ubicacin en grados
Longitud
Latitud
1.1
-77.0351058700269
-12.09739974576980
1.2
-77.0345891093172
-12.09751000413770
1.3
-77.0341456222793
-12.09749056789180
1.4
-77.0338620156891
-12.09829793359730
1.5
-77.0344341642337
-12.09762304903290
1.6
-77.0347320313509
-12.09795957648760
1.7
-77.0346054982549
-12.09904889408560
1.8
-77.0348377828555
-12.09823078795610
1.9
-77.0347312823254
-12.09844009689340
1.10
-77.0347982731433
-12.09872207128640
1.11
-77.0347522673746
-12.09910118318220
1.12
-77.0347975498057
-12.09941539153160
1.13
-77.0351663468279
-12.09942592511550
1.14
-77.0352038226232
-12.09945099370660
1.15
-77.0347045395896
-12.10010950445230
1.16
-77.0349913763904
-12.10023537849060
1.17
-77.0352139979751
-12.10032078982210
1.18
-77.0351058700269
-12.09739974576980
1.33
-77.0352738393438
-12.10229781236900
1.34
-77.0352044104341
-12.10264901354850
1.35
-77.0353601885954
-12.10327834660880
1.36
-77.0358173093081
-12.10321387585420
1.37
-77.0359116386762
-12.10330916568030
1.38
-77.0353198727321
-12.10364510338300
1.39
-77.0353262074495
-12.10391710814400
1.40
-77.0354981793026
-12.10438820604520
1.41
-77.0348091960337
-12.10388617697350
1.42
-77.0348124595756
-12.10382465055060
1.43
-77.0347168109317
-12.10379112795700
1.44
-77.0346883885737
-12.10366259149730
1.45
-77.0346426871452
-12.10349558319600
1.46
-77.0332185195977
-12.10185750043000
1.47
-77.0330919014226
-12.10170394572860
1.48
-77.0352905258098
-12.10170260069750
1.49
-77.0353701317406
-12.10314723087290
1.50
-77.0356981006675
-12.10160832112060
Depsito de
residuos N
Coordenadas UTM
Ubicacin en metros
Eje X al Este
Eje Y al Norte
278497.3081624910 8661851.372292060
278553.6653945000 8661839.591959680
278601.9375091090 8661842.101921040
278633.4822571230 8661753.002543990
278570.6293706210 8661827.209953310
278538.4740133300 8661789.734116020
278553.1486991810 8661669.311470530
278527.1829606710 8661759.640756410
278538.9514567680 8661736.568562110
278529.5998136150 8661687.296380150
278537.2112345000 8661663.407053920
278532.5396819030 8661628.605417120
278492.3929719380 8661627.140877890
278488.3331888750 8661624.336822080
278543.2387532360 8661551.882176030
278512.1111798010 8661537.722501180
278492.5194346880 8661518.244647310
278497.3081624910 8661851.372292060
278483.8991638920 8661292.084064620
278490.9051733130 8661270.498063880
278474.4627749750 8661200.740419010
278424.6380493050 8661207.502735400
278414.4459953950 8661196.883032830
278479.1547661650 8661160.194075950
278478.6893044710 8661130.093525670
278460.3534185870 8661077.830317850
278534.9561506530 8661133.935271140
278534.5501000230 8661140.740087210
278544.9367211790 8661144.526708480
278547.9254128900 8661158.771410580
278552.7637524780 8661177.286762810
278710.1734909130 8661365.156163860
278720.1384520510 8661376.775865030
278480.7486717690 8661375.142104850
278473.2720591050 8661215.239384110
278436.2937010580 8661385.242815200
Interpretacin: Por ejemplo, la fila 1.2 se interpreta de la siguiente manera: El depsito 1.2 de
residuos que arrojan las personas est ubicado a 77.0345891093172 de longitud al oeste del
meridiano de Greenwich en Londres y a 12.0975100041377 de latitud al sur con respecto al
Ecuador, esto quiere decir en metros que en un plano bidimensional este depsito est ubicado a
278553.665394500 metros al este y a 8661839.59195968 al norte con respecto al huso 18L, en el
cual se encuentra ubicado el distrito de San Isidro.
75
los 16 depsitos de desechos que generan las mascotas
MASCOTAS
Ubicacin en grados
Longitud
Latitud
2.1
-77.0358103578231
-12.1048399678129
2.2
-77.0342462512967
-12.1048939806255
2.3
-77.0342247437642
-12.1041445330667
2.4
-77.0351515411883
-12.1041515258402
2.5
-77.0357034596820
-12.1040515522687
2.6
-77.0357108326929
-12.1035769343955
2.7
-77.0355320913677
-12.1026816266647
2.8
-77.0356129196604
-12.1024664334176
2.9
-77.0350082305975
-12.1025451097755
2.10
-77.0351161016797
-12.1028096073296
2.11
-77.0346262461565
-12.1028311705328
2.12
-77.0346436170762
-12.1025166185058
2.13
-77.0351946439857
-12.1006733387409
2.14
-77.0352807246585
-12.1001701909974
2.15
-77.0345736251281
-12.1001049646010
2.16
-77.0336876342353
-12.1001571485154
Depsito de
residuos N
Coordenadas UTM
Ubicacin en metros
Eje X al Este
Eje Y al Norte
278419.356138918 8661023.42066265
278597.080235709 8661022.88553259
278598.804358928 8661105.82401961
278497.900278030 8661104.29857271
278437.724839315 8661114.91211021
278433.459419420 8661171.18661588
278455.253899581 8661266.62380478
278446.275818236 8661290.36784099
278512.179742449 8661282.15342155
278500.652682971 8661252.80113414
278554.006269736 8661250.81264593
278551.855678083 8661285.60150775
278490.340017210 8661489.10044086
278480.552699303 8661544.70035901
278557.489213371 8661552.49063003
278654.027026737 8661546.88437884
residuos que generan las mascotas est ubicado a 77.0358103578231 de longitud al oeste del
3.7.
Tratamiento Estadstico de la Informacin
Para el tratamiento estadstico de la informacin se trabaj con los

registros del ingreso de desperdicios de personas y mascotas al
bosque El Olivar durante los 36 meses, lo que se hizo es el conteo de
las repeticiones entre los n = 360 datos obtenidos de los ingresos de
residuos de cada tipo con el fin de que al momento en que se simul
el ingreso de la desperdicios, este sea lo ms acertado posible, por
ello se hicieron las pruebas de 2 , Kolmogorov Smirnov y Anderson
Darling para ver de qu tipo de distribucin continua provienen.
Estas pruebas vienen incluidas en el paquete promodel, herramienta
Stat: Fit, se hicieron y se mostraron en las figuras 3.4 y 3.5.
76
124 entradas al bosque
ENTRADA
Ubicacin en grados
N
Longitud
Latitud
1
-77.036215540956
-12.10525511724560
2
-77.036221245151
-12.10505361767410
3
-77.036206439663
-12.10410296811380
4
-77.036252017210
-12.10455980850680
5
-77.0361970008126
-12.10447383144960
6
-77.036262085640
-12.10436411321080
7
-77.035849024221
-12.10222633212700
8
-77.035806899516
-12.10168397936710
9
-77.035700408017
-12.10101732302340
10
-77.035658800425
-12.10106801810590
11
-77.035597803035
-12.10016635397010
12
-77.035223811466
-12.09882980800650
13
-77.035153868433
-12.09848110968690
14
-77.034956577390
-12.09807234851860
15
-77.0349018934818
-12.09783348936260
16
-77.034439695437
-12.09746945149370
17
-77.0341521642341
-12.09751584128200
18
-77.033926647974
-12.09757364072130
105
-77.034337829262
-12.09961392124630
106
-77.034815655906
-12.10047514302970
107
-77.034506684050
-12.09964669389730
108
-77.034505731412
-12.09934486677990
109
-77.034944983946
-12.09875723025730
110
-77.034862779756
-12.09911120678680
111
-77.035025725097
-12.09908857248390
112
-77.034512292096
-12.09878170341070
113
-77.034655805480
-12.09827546850490
114
-77.034692857390
-12.09872611142600
115
-77.034318714413
-12.09818136729590
116
-77.0343313446522
-12.09814806253310
117
-77.033597669406
-12.09772838329680
118
-77.033597376258
-12.09764513152130
119
-77.033777753047
-12.09801821581620
120
-77.034784536174
-12.09755499122730
121
-77.034658322679
-12.09793248040420
122
-77.0343987892146
-12.09801485442980
123
-77.034143489763
-12.09779271410500
124
-77.0341980711196
-12.09778940759820
Coordenadas UTM
Ubicacin en metros
Eje X al Este
Eje Y al Norte
278382.962122415 8660981.33043196
278382.174824921 8661003.62032266
278383.002654303 8661108.81507648
278378.417007147 8661058.23187997
278384.336275199 8661067.78930105
278431.749076443 8661190.85547272
278420.370552670 8661316.74177989
278424.509929791 8661376.78348402
278430.512746448 8661460.21515833
278440.127302376 8661445.05542626
278446.025467640 8661544.86769403
278485.644820683 8661693.05040807
278492.973028473 8661731.68812740
278514.117759004 8661777.07463160
278519.875084824 8661803.54703817
278569.900597958 8661844.19994010
278601.246017557 8661839.30029926
278625.848458104 8661833.08797470
278582.758553324 8661607.01225141
278531.441512612 8661511.33675999
278564.400311006 8661603.24929536
278564.255370316 8661636.64508742
278515.944408149 8661701.30673440
278525.186661760 8661662.20840412
278507.426160644 8661664.58059556
278563.077071966 8661698.94978055
278547.033932534 8661754.84471438
278543.370901088 8661704.95424455
278583.659746621 8661765.52961098
278582.257100547 8661769.20430689
278661.795964821 8661816.23340625
278661.759335912 8661825.44485367
278642.426639115 8661784.01959480
278532.423824709 8661834.45602535
278546.477287429 8661792.79186275
278574.803835982 8661783.88816047
278602.418550109 8661808.67333483
278596.472861301 8661808.99493711
Interpretacin: Por ejemplo, la fila 3 se interpreta de la siguiente manera: La entrada N 3 al bosque

est ubicada a 77.0362064396633 de longitud al oeste del meridiano de Greenwich en Londres y a
12.1041029681138 de latitud al sur con respecto al Ecuador, esto quiere decir en metros que en un
plano bidimensional este depsito est ubicado a 278383.002654303 metros al este y a
8661108.81507648 al norte con respecto al huso 18L, en el cual se encuentra ubicado el distrito de
San Isidro.
77
Figura 3.4. Prueba de bondad de ajuste para residuos que arrojan las personas
Figura 3.5. Prueba de bondad de ajuste para residuos que generan las mascotas
Y los resultados de las pruebas de bondad de ajuste fueron que los

dos tipos de registros de residuos provienen de una distribucin de
probabilidad
(2.6, 2.13, 1150, 2270)
(2.89, 2.51, 297, 1490) para mascotas.
para
personas
78
3.8.
Desarrollo del Modelo y Experimentacin

El desarrollo completo del modelo se present en el diagrama de flujo
de la figura 3.6.
INICIO
Generar 5000 CDB
Obtener el promedio de las

5000 CDB = .
ABREVIATURAS
CDB = Cantidad de desperdicios que hay en el bosque en
3 das.
= Promedio de las 5000 cantidades de desperdicios
que hay en el bosque en 3 das.
NDA = Nmero de Depsitos Adecuado.
NRD = Nmero Real de Depsitos.
NDE = Nuevos depsitos encontrados con el GPS.
D = Matriz de distancias.
Hallar NDA = /36
Hallar la = { } para
todos los tipos de depsitos
incluyendo NDE propuestos
Dar una condicin para la

distancia de los depsitos y
aplicar la heurstica de
cubrimiento total
NO
SI
NO
NDA < NRD o NDA
> NRD?
NDA = NRD?
SI
Se cumple de
condicin?
NO
SI
FIN
Figura 3.6. Diagrama de flujo del desarrollo completo del modelo

79
Desarrollamos primero la simulacin, teniendo en cuenta los factores
antes mencionados sobre el sistema de limpieza del bosque tenemos:
1. Subsistema de usuarios al bosque
Generar el tipo de usuario.
Generar llegada.
Generar arrojo de elementos que generan desperdicios dentro

del bosque.
Generar salida del usuario.
2. Subsistema de limpieza
Almacenar los desperdicios
Retirar los desperdicios en periodos de tres das
Condiciones iniciales para el proceso de simulacin
1. La simulacin se inici en el tiempo t = 0

2. Los clculos de los pesos de los desperdicios se hicieron en
kilogramos.
3. Los clculos se hicieron de acuerdo al modelo de inventario con
demanda continua elaborado con las observaciones reales que se
muestran en las tablas 3.3 y 3.4 (no es necesario obtener los
valores de C, H y V puesto que el cociente que dan estos nmeros
con la frmula del modelo para ver la frecuencia relativa
acumulada de la cantidad ptima (V - C) / (V + H) es equivalente al
nmero aleatorio generado por el computador en Promodel pues
esta entre cero y uno).
4. Inicio de la simulacin:
Subsistema de usuarios al bosque (se inici con 0 usuarios).
Subsistema de limpieza (se inici con 0 desperdicios).
5. Se inici los contadores de la cantidad de periodos simulados

6. El nmero total de corridas de simulacin es 5000
80
7. Se mostr el peso promedio final despus de haber simulado cinco
mil periodos de 3 das.
8. El nmero de depsitos se obtuvo dividiendo el promedio final
entre 36 (Capacidad del depsito de residuos (12) x Intervalo de
das (3)).
Mediante el uso del Promodel se generan los valores de la variable

aleatoria peso de las funciones de densidad de probabilidad para el
ingreso de desperdicios que arrojan las personas y generan las
mascotas, las cuales son:
Personas:
() =
(). ().
;
(.,.)
.
(). ().
;
(.,.)
.
Mascotas:
() =
Luego se aplic el mtodo de aceptacin y rechazo, haciendo uso de

las distribuciones de probabilidad Beta mostradas en las figuras 3.7 y
3.8. De acuerdo con el modelo de inventario para hallar la cantidad
adecuada se necesita de la siguiente formula (V - C) / (V + H) que
resulta un valor entre 0 y 1, se obtuvo este con el proceso de
generacin de las variables aleatorias aplicando el mtodo de
aceptacin y rechazo con el software Promodel durante 5000
entradas para cada tipo de residuo, hallndose el nmero de
depsitos adecuado en ese periodo que se muestra en la figura 3.9.
Se obtuvo al final de la simulacin 49 depsitos de personas y 26
depsitos de mascotas.
81
Beta Distribution
(The horizontal scale is determined by the parametric values)
0.0016
1.2
0.0014
0.8
0.001
0.0008
0.6
0.0006
0.4
0.0004
0.2
0.0002
Distribution function
Prob. density
0.0012
0
0
12.516
15.645
3.129
18.774
6.258
21.903
9.387
25.032
28.161
34.419
37.548
40.677
43.806
31.29
46.935
50.064
53.193
56.322
0
59.451
65.709
68.838
71.967
75.096
62.58
78.225
81.354
84.483
100.128
87.612
103.257
90.741
106.386
109.515
96.999
112.644
115.773
118.902
93.87
122.031
128.289
131.418
134.547
137.676
125.16
140.805
143.934
147.063
150.192
153.321
159.579
162.708
165.837
168.966
156.45
172.095
175.224
178.353
181.482
184.611
190.869
193.998
197.127
200.256
187.74
203.385
206.514
209.643
212.772
215.901
222.159
225.288
228.417
231.546
219.03
234.675
237.804
240.933
244.062
247.191
253.449
256.578
259.707
262.836
250.32
265.965
269.094
272.223
275.352
278.481
284.739
287.868
290.997
294.126
281.61
297.255
300.384
303.513
306.642
309.771
316.029
319.158
322.287
325.416
328.545
331.674
334.803
337.932
312.9
341.061
347.319
350.448
353.577
356.706
344.19
359.835
362.964
366.093
369.222
372.351
378.609
381.738
384.867
387.996
375.48
391.125
394.254
397.383
400.512
403.641
409.899
413.028
416.157
419.286
406.77
422.415
425.544
428.673
431.802
434.931
441.189
444.318
447.447
450.576
438.06
453.705
456.834
459.963
463.092
466.221
472.479
475.608
478.737
481.866
469.35
484.995
488.124
491.253
494.382
497.511
503.769
506.898
510.027
513.156
500.64
516.285
519.414
522.543
525.672
528.801
535.059
538.188
541.317
544.446
531.93
547.575
550.704
553.833
556.962
560.091
566.349
569.478
572.607
575.736
563.22
578.865
581.994
585.123
588.252
591.381
597.639
600.768
603.897
607.026
594.51
610.155
613.284
616.413
619.542
622.671
628.929
632.058
635.187
638.316
641.445
644.574
647.703
650.832
625.8
653.961
660.219
663.348
666.477
669.606
657.09
672.735
675.864
678.993
682.122
685.251
691.509
694.638
697.767
700.896
688.38
704.025
707.154
710.283
713.412
716.541
722.799
725.928
729.057
732.186
719.67
735.315
738.444
741.573
744.702
747.831
754.089
757.218
760.347
763.476
750.96
766.605
769.734
772.863
775.992
779.121
785.379
788.508
791.637
794.766
782.25
797.895
801.024
804.153
807.282
810.411
816.669
819.798
822.927
826.056
813.54
829.185
832.314
835.443
838.572
841.701
847.959
851.088
854.217
857.346
844.83
860.475
863.604
866.733
869.862
872.991
879.249
882.378
885.507
888.636
876.12
891.765
894.894
898.023
901.152
904.281
910.539
913.668
916.797
919.926
907.41
923.055
926.184
929.313
932.442
935.571
941.829
944.958
948.087
951.216
954.345
957.474
960.603
963.732
938.7
966.861
973.119
976.248
979.377
982.506
969.99
985.635
988.764
1004.409
991.893
1007.538
995.022
1010.667
998.151
1013.796
1001.28
1016.925
1020.054
1023.183
1026.312
1029.441
1035.699
1038.828
1041.957
1045.086
1032.57
1048.215
1051.344
1054.473
1057.602
1060.731
1066.989
1070.118
1073.247
1076.376
1063.86
1079.505
1082.634
1085.763
1088.892
1092.021
1098.279
1101.408
1104.537
1107.666
1095.15
1110.795
1113.924
1117.053
1120.182
1123.311
1129.569
1132.698
1135.827
1138.956
1126.44
1142.085
1145.214
1148.343
1151.472
1154.601
1160.859
1163.988
1167.117
1170.246
1157.73
1173.375
1176.504
1179.633
1182.762
1185.891
1192.149
1195.278
1198.407
1201.536
1189.02
1204.665
1207.794
1210.923
1214.052
1217.181
1223.439
1226.568
1229.697
1232.826
1220.31
1235.955
1239.084
1242.213
1245.342
1248.471
1254.729
1257.858
1260.987
1264.116
1267.245
1270.374
1273.503
1276.632
1251.6
1279.761
1286.019
1289.148
1292.277
1295.406
1282.89
1298.535
1301.664
1304.793
1307.922
1311.051
1317.309
1320.438
1323.567
1326.696
1314.18
1329.825
1332.954
1336.083
1339.212
1342.341
1348.599
1351.728
1354.857
1357.986
1345.47
1361.115
1364.244
1367.373
1370.502
1373.631
1379.889
1383.018
1386.147
1389.276
1376.76
1392.405
1395.534
1398.663
1401.792
1404.921
1411.179
1414.308
1417.437
1420.566
1408.05
1423.695
1426.824
1429.953
1433.082
1436.211
1442.469
1445.598
1448.727
1451.856
1439.34
1454.985
1458.114
1461.243
1464.372
1467.501
1473.759
1476.888
1480.017
1483.146
1470.63
1486.275
1489.404
1492.533
1495.662
1498.791
1505.049
1508.178
1511.307
1514.436
1501.92
1517.565
1520.694
1523.823
1526.952
1530.081
1536.339
1539.468
1542.597
1545.726
1533.21
1548.855
1551.984
1555.113
1558.242
1561.371
1564.5
Prob. density
Figura 3.7. Grfica de la Distribucin Beta (2.6, 2.13, 1150, 2270) para residuos que arrojan
las personas
Beta Distribution
0.0016
(The horizontal scale is determined by the parametric values)
0.0014
1.2
1
0.8
Prob. density
0.001
0.0008
0.6
0.0006
0.4
0.0004
0.2
0.0002
0
0
12.516
15.645
3.129
18.774
6.258
21.903
9.387
25.032
28.161
34.419
37.548
40.677
43.806
31.29
46.935
50.064
53.193
56.322
0
59.451
65.709
68.838
71.967
75.096
62.58
78.225
81.354
84.483
100.128
87.612
103.257
90.741
106.386
109.515
96.999
112.644
115.773
118.902
93.87
122.031
128.289
131.418
134.547
137.676
125.16
140.805
143.934
147.063
150.192
153.321
159.579
162.708
165.837
168.966
156.45
172.095
175.224
178.353
181.482
184.611
190.869
193.998
197.127
200.256
187.74
203.385
206.514
209.643
212.772
215.901
222.159
225.288
228.417
231.546
219.03
234.675
237.804
240.933
244.062
247.191
253.449
256.578
259.707
262.836
250.32
265.965
269.094
272.223
275.352
278.481
284.739
287.868
290.997
294.126
281.61
297.255
300.384
303.513
306.642
309.771
316.029
319.158
322.287
325.416
328.545
331.674
334.803
337.932
312.9
341.061
347.319
350.448
353.577
356.706
344.19
359.835
362.964
366.093
369.222
372.351
378.609
381.738
384.867
387.996
375.48
391.125
394.254
397.383
400.512
403.641
409.899
413.028
416.157
419.286
406.77
422.415
425.544
428.673
431.802
434.931
441.189
444.318
447.447
450.576
438.06
453.705
456.834
459.963
463.092
466.221
472.479
475.608
478.737
481.866
469.35
484.995
488.124
491.253
494.382
497.511
503.769
506.898
510.027
513.156
500.64
516.285
519.414
522.543
525.672
528.801
535.059
538.188
541.317
544.446
531.93
547.575
550.704
553.833
556.962
560.091
566.349
569.478
572.607
575.736
563.22
578.865
581.994
585.123
588.252
591.381
597.639
600.768
603.897
607.026
594.51
610.155
613.284
616.413
619.542
622.671
628.929
632.058
635.187
638.316
641.445
644.574
647.703
650.832
625.8
653.961
660.219
663.348
666.477
669.606
657.09
672.735
675.864
678.993
682.122
685.251
691.509
694.638
697.767
700.896
688.38
704.025
707.154
710.283
713.412
716.541
722.799
725.928
729.057
732.186
719.67
735.315
738.444
741.573
744.702
747.831
754.089
757.218
760.347
763.476
750.96
766.605
769.734
772.863
775.992
779.121
785.379
788.508
791.637
794.766
782.25
797.895
801.024
804.153
807.282
810.411
816.669
819.798
822.927
826.056
813.54
829.185
832.314
835.443
838.572
841.701
847.959
851.088
854.217
857.346
844.83
860.475
863.604
866.733
869.862
872.991
879.249
882.378
885.507
888.636
876.12
891.765
894.894
898.023
901.152
904.281
910.539
913.668
916.797
919.926
907.41
923.055
926.184
929.313
932.442
935.571
941.829
944.958
948.087
951.216
954.345
957.474
960.603
963.732
938.7
966.861
973.119
976.248
979.377
982.506
969.99
985.635
988.764
1004.409
991.893
1007.538
995.022
1010.667
998.151
1013.796
1001.28
1016.925
1020.054
1023.183
1026.312
1029.441
1035.699
1038.828
1041.957
1045.086
1032.57
1048.215
1051.344
1054.473
1057.602
1060.731
1066.989
1070.118
1073.247
1076.376
1063.86
1079.505
1082.634
1085.763
1088.892
1092.021
1098.279
1101.408
1104.537
1107.666
1095.15
1110.795
1113.924
1117.053
1120.182
1123.311
1129.569
1132.698
1135.827
1138.956
1126.44
1142.085
1145.214
1148.343
1151.472
1154.601
1160.859
1163.988
1167.117
1170.246
1157.73
1173.375
1176.504
1179.633
1182.762
1185.891
1192.149
1195.278
1198.407
1201.536
1189.02
1204.665
1207.794
1210.923
1214.052
1217.181
1223.439
1226.568
1229.697
1232.826
1220.31
1235.955
1239.084
1242.213
1245.342
1248.471
1254.729
1257.858
1260.987
1264.116
1267.245
1270.374
1273.503
1276.632
1251.6
1279.761
1286.019
1289.148
1292.277
1295.406
1282.89
1298.535
1301.664
1304.793
1307.922
1311.051
1317.309
1320.438
1323.567
1326.696
1314.18
1329.825
1332.954
1336.083
1339.212
1342.341
1348.599
1351.728
1354.857
1357.986
1345.47
1361.115
1364.244
1367.373
1370.502
1373.631
1379.889
1383.018
1386.147
1389.276
1376.76
1392.405
1395.534
1398.663
1401.792
1404.921
1411.179
1414.308
1417.437
1420.566
1408.05
1423.695
1426.824
1429.953
1433.082
1436.211
1442.469
1445.598
1448.727
1451.856
1439.34
1454.985
1458.114
1461.243
1464.372
1467.501
1473.759
1476.888
1480.017
1483.146
1470.63
1486.275
1489.404
1492.533
1495.662
1498.791
1505.049
1508.178
1511.307
1514.436
1501.92
1517.565
1520.694
1523.823
1526.952
1530.081
1536.339
1539.468
1542.597
1545.726
1533.21
1548.855
1551.984
1555.113
1558.242
1561.371
1564.5
Prob. density
0.0012
Figura 3.8. Grfica de la Distribucin Beta (2.89, 2.51, 297, 1490) para residuos generados
por las mascotas
82
Figura 3.9. Resultados de la Simulacin realizada para hallar el nmero adecuado de depsitos de
residuos que arrojan las personas y generan las mascotas del bosque
A continuacin se presenta la aplicacin del modelo de cubrimiento

para la reubicacin de depsitos:
Modelo de cubrimiento total para personas (NDA=49 < NRD=50) y
mascotas (NDA=26 > NRD=16)
Definicin de Variables
Se defini la variable dnde:
= {
1,
0,

= 1; = 1, ,66
= 2; = 1, , 29
Con esta definicin se hall la matriz simtrica de distancias 0 =

{ } (tabla 3.8) entre los depsitos de personas (k=1) y mascotas
(k=2) ms los depsitos propuestos a implementar, encontrados con
el GPS, que en un anlisis previo de la matriz de distancias se
83
definieron como 16 para personas y 13 para mascotas, los cuales se
muestran en las tablas 3.9 y 3.10.
Funcin Objetivo
Minimizar la cantidad de depsitos para cubrir todos los espacios del
bosque.
= 11 + 12 + 13 + 14 + 15 + 16 + 17 + 18 + 19 + 110 +
111 + 112 + 113 + 114 + 115 + 116 + 117 + 118 + 119 + 120 +
121 + 122 + 123 + 124 + 125 + 126 + 127 + 128 + 129 + 130 +
131 + 132 + 133 + 134 + 135 + 136 + 137 + 138 + 139 + 140 +
141 + 142 + 143 + 144 + 145 + 146 + 147 + 148 + 149 + 150 +
151 + 152 + 153 + 154 + 155 + 156 + 157 + 158 + 159 + 160 +
161 + 162 + 163 + 164 + 165 + 166 + 21 + 22 + 23 + 24 + 25 +
26 + 27 + 28 + 29 + 210 + 211 + 212 + 213 + 214 + 215 + 216 +
217 + 218 + 219 + 220 + 221 + 222 + 223 + 224 + 225 + 226 +
227 + 228 + 229
Restricciones
Condicin de ubicacin de depsitos
Si la distancia entre el depsito 1 y los dems depsitos de tipo
= 1 es mayor que 25 metros, el depsito se localiza en el lugar .
11 1
125 1
156 1
13 1
127 1
157 1
14 1
131 1
158 1
16 1
138 1
159 1
18 1
139 1
160 1
19 1
140 1
161 1
110 1
150 1
162 1
112 1
151 1
163 1
116 1
152 1
164 1
117 1
153 1
165 1
119 1
154 1
166 1
122 1
155 1
84
Si la distancia entre el depsito 2 y los dems depsitos de tipo
= 2 es mayor que 35 metros, el depsito se localiza en el lugar .
21 1
215 1
223 1
22 1
216 1
224 1
23 1
217 1
225 1
24 1
218 1
226 1
25 1
219 1
227 1
26 1
220 1
228 1
213 1
221 1
229 1
214 1
222 1
Condicin para la matriz simtrica de distancias y de cubrimiento

entre los depsitos de personas
Si la distancia entre los depsitos de residuos que arrojan las
personas (k=1) es menor o igual a 25 metros, al menos un depsito
se localiza en el lugar j.
12 + 15 1
123 + 124 1
136 + 137 1
17 + 111 1
126 + 146 1
142 + 144 1
113 + 114 1
128 + 132 1
143 + 144 1
115 + 118 1
133 + 134 1
144 + 145 1
120 + 121 1
135 + 149 1
146 + 147 1
141 + 142 + 143 1
129 + 130 + 148 1
Condicin para la matriz simtrica de distancias y cubrimiento

entre los depsitos de mascotas
Si la distancia entre los depsitos de residuos de mascotas (k=2) es
menor o igual a 35 metros, al menos un depsito se localiza en el
lugar j.
27 + 28 1
29 + 210 1
211 + 212 1
85
Tabla 3.8. Matriz simtrica de distancias 0 = { } entre los depsitos de residuos que arrojan las
personas (k=1) y generan las mascotas (k=2), de j = 1.1,, 2.29
Depsito
1.1
1.2
N
1.1
0.00
57.58
1.2
57.58
0.00
1.3
105.04
48.34
1.4
167.99 117.76
1.5
77.20
21.00
1.6
74.12
52.12
1.7
190.43 170.28
1.8
96.47
84.22
1.9
122.12 104.07
1.10
167.22 154.19
1.11
192.15 176.95
1.12
225.54 212.04
1.13
224.29 221.11
1.14
227.21 224.95
1.15
302.99 287.90
1.16
314.00 304.72
1.17
333.16 327.11
1.18
287.84 276.35
1.19
364.35 347.92
1.20
408.34 396.58
1.21
415.57 406.51
1.22
405.42 405.57
1.23
454.30 419.79
2.7
586.26 581.36
2.8
563.32 559.62
2.9
569.41 558.98
2.10
598.58 589.18
2.11
603.23 588.78
2.12
568.39 553.99
2.13
362.34 356.17
2.14
307.13 303.82
2.15
304.88 287.13
2.16
342.45 309.44
2.17
701.50 683.80
2.18
658.48 648.18
2.19
459.60 447.41
2.20
446.29 439.96
2.21
475.95 443.59
2.22
410.00 375.04
2.23
294.15 267.66
2.24
264.63 262.02
2.25
106.86
91.87
2.26
242.13 192.07
2.27
161.21 110.34
2.28
106.27
49.81
2.29
17.50
40.73
1.3
1.4
2.25
2.26
2.27
2.28
2.29
105.04
48.34
0.00
94.52
34.67
82.28
179.55
111.30
122.90
170.87
190.06
224.49
241.26
245.62
296.10
317.36
341.84
287.96
353.50
405.35
417.40
423.79
406.67
593.88
573.27
567.10
597.94
593.23
558.75
370.22
321.22
293.00
299.78
684.81
655.80
455.13
452.63
432.45
362.03
265.90
281.10
115.40
163.99
86.72
26.61
87.67
167.99
117.76
94.52
0.00
97.25
101.86
116.01
106.51
95.95
122.92
131.51
160.20
189.07
193.97
220.44
247.14
273.83
217.57
272.74
327.29
341.80
358.80
312.46
518.01
499.08
486.22
517.54
508.44
474.48
300.22
258.41
214.43
207.14
596.69
573.79
375.00
378.76
338.65
267.92
179.72
223.55
101.51
74.48
7.83
72.46
154.42
106.86
91.87
115.40
101.51
86.06
39.95
83.71
10.51
15.39
63.06
87.05
121.70
129.38
133.33
198.74
213.51
235.40
185.66
259.68
306.37
315.49
313.80
349.17
489.73
467.86
468.57
498.49
499.98
465.13
264.51
211.95
199.45
237.21
596.79
557.81
357.46
348.43
369.93
305.29
187.37
170.22
0.00
163.56
98.68
92.65
102.94
242.13
192.07
163.99
74.48
171.37
173.40
139.47
171.05
153.33
159.69
156.37
172.75
210.24
215.04
209.52
241.63
269.25
214.53
249.63
305.85
323.42
353.53
253.62
494.67
478.35
456.15
487.68
471.62
439.05
291.48
261.27
199.44
159.72
552.81
540.70
348.63
361.46
282.01
210.66
153.80
235.31
163.56
0.00
81.75
145.15
228.85
161.21
110.34
86.72
7.83
89.73
96.39
119.09
103.02
94.24
124.19
134.16
163.80
191.50
196.37
225.66
251.80
278.31
222.17
278.66
332.97
347.22
363.11
320.16
523.58
504.47
492.31
523.59
514.97
480.93
304.97
262.29
219.99
214.55
603.61
580.03
380.95
384.03
346.28
275.60
186.18
226.74
98.68
81.75
0.00
64.66
147.39
106.27
49.81
26.61
72.46
29.14
64.53
153.12
90.01
98.56
145.39
163.94
198.21
216.01
220.45
269.50
290.95
315.59
261.51
326.91
378.75
390.85
397.86
382.76
567.36
546.82
540.49
571.34
566.73
532.23
343.89
295.30
266.40
274.87
658.57
629.21
428.52
426.16
408.06
338.02
239.71
255.53
92.65
145.15
64.66
0.00
90.13
17.50
40.73
87.67
154.42
61.00
66.43
186.48
92.99
117.74
165.17
189.72
223.90
225.78
229.00
301.26
314.09
334.30
287.16
362.40
407.94
416.00
408.61
446.74
588.20
565.60
569.65
599.17
602.27
567.41
363.53
309.01
302.34
335.20
699.60
658.84
459.16
447.61
469.13
402.23
288.84
266.53
102.94
228.85
147.39
90.13
0.00
Interpretacin: Por ejemplo, la fila 1.5 se interpreta de la siguiente manera: 77,20 en la fila 1.5
columna 1.1 indica que existe una distancia de 77,20 metros entre ambos depsitos.
86
Tabla 3.9. Registro de las coordenadas y su equivalente en metros para la localizacin de los 16
depsitos de residuos propuestos, para desperdicios que arrojan las personas, a implementar dentro
del bosque
PERSONAS
Ubicacin en grados
Longitud
Latitud
1.51
-77.0361565310546
-12.1052787395637
1.52
-77.0339389137744
-12.1051672890748
1.53
-77.0350465135896
-12.1048285556211
1.54
-77.03337573350580
-12.1007789553594
1.64
-77.03369757697500
-12.0977409412610
1.65
-77.03438985994250
-12.0994065729951
1.66
-77.0342509663346
-12.1002607736193
Depsito de
residuos N
Coordenadas UTM
Ubicacin en metros
Eje X al Este
Eje Y al Norte
278389.4065951270 8660978.764691060
278630.7682962770 8660992.895129160
278509.8938602530 8661029.475212950
278688.4727614580 8661478.889389260
278650.9281001820 8661814.763002440
278576.9225321340 8661629.911674690
278592.7492330260 8661535.513072230
residuos que arrojan las personas est ubicado a 77,0361565310546 de longitud al oeste del
meridiano de Greenwich en Londres y a 12,1052787395637 de latitud al sur con respecto al
278389,4065951270 metros al este y a 8660978,764691060 al norte con respecto al huso 18L, en el
Tabla 3.10. Registro de las coordenadas y su equivalente en metros para la localizacin de los 13
depsitos de residuos propuestos, para residuos que generan las mascotas, a implementar dentro
del bosque
MASCOTAS
Depsito de
residuos N
Ubicacin en grados
Longitud
Latitud
2.17
-77.0342182821771
-12.1036793138732
2.18
-77.0350480298516
-12.1033506922220
2.19
-77.0348463980859
-12.1015457120508
2.20
-77.0352652634421
-12.1014301792830
2.26
-77.0333599044268
-12.0987550102866
2.27
-77.0338916695087
-12.0982334603645
2.28
-77.0341884504250
-12.0977272995371
2.29
-77.0349451469990
-12.0973970395971
Coordenadas UTM
Ubicacin en metros
Eje X al Este
Eje Y al Norte
278599.124534512
8661157.30245396
278508.510424436
8661192.98913419
278528.976517651
8661392.86096222
278483.274707096
8661405.30410294
278688.529695001
8661702.83717418
278630.200379771
8661760.11201237
278597.469234918
8661815.87454730
278514.805924123
8661851.80203017
Interpretacin: Por ejemplo la fila 2.29 se interpreta de la siguiente manera: El depsito 2.29 de
residuos para mascotas est ubicado a 77,0349451469990 de longitud al oeste del meridiano de
Greenwich en Londres y a 12,0973970395971 de latitud al sur con respecto al Ecuador, esto quiere
decir en metros que en un plano bidimensional este depsito est ubicado a 278514,805924123
metros al este y a 8661851,80203017 al norte con respecto al huso 18L, en el cual se encuentra
ubicado el distrito de San Isidro.
87
De la medicin de las distancias y las condiciones de las matrices, se
deriv la siguiente matriz de cubrimiento A0 = {akij} donde k=1 y
j=1,, 50, k=2 y j=1,, 29, i=1,..., 78, donde i son las restricciones
del problema de cubrimiento, que se mostr en la tabla la 3.11.
Tabla 3.11. Matriz de cubrimiento A0 = {akij}, para k=1, 2 de i = 1,, 78 a j = 1.1,, 2.29
Res\ Dep. N
1.1
1.2
1
1
0
2
0
0
3
0
0
4
0
0
5
0
0
6
0
0
7
0
0
8
0
0
9
0
0
10
0
0
11
0
0
12
0
0
13
0
0
14
0
0
15
0
0
16
0
0
17
0
0
18
0
0
19
0
0
20
0
0
59
0
1
60
0
0
61
0
0
62
0
0
63
0
0
64
0
0
65
0
0
66
0
0
67
0
0
68
0
0
69
0
0
70
0
0
71
0
0
72
0
0
73
0
0
74
0
0
75
0
0
76
0
0
77
0
0
78
0
0
1.3
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1.4
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1.5
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1.6
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2.25
2.26
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2.27
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2.28
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2.29
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Interpretacin: Por ejemplo, la fila 59 se interpreta de la siguiente manera: 1 en la fila 59 columna

1.2 y 1 en la fila 59 columna 1.5 indica que la distancia entre ambos depsitos es menor a 25 metros.
88
Luego se empez por resolver el problema 2.21, es decir, el
equivalente lineal del problema de cubrimiento es:
= 11 + 12 + 13 + 14 + 15 + 16 + 17 + 18 + 19 + 110 +
111 + 112 + 113 + 114 + 115 + 116 + 117 + 118 + 119 + 120 +
121 + 122 + 123 + 124 + 125 + 126 + 127 + 128 + 129 + 130 +
131 + 132 + 133 + 134 + 135 + 136 + 137 + 138 + 139 + 140 +
141 + 142 + 143 + 144 + 145 + 146 + 147 + 148 + 149 + 150 +
+151 + 152 + 153 + 154 + 155 + 156 + 157 + 158 + 159 + 160 +
161 + 162 + 163 + 164 + 165 + 166 + 21 + 22 + 23 + 24 + 25 +
26 + 27 + 28 + 29 + 210 + 211 + 212 + 213 + 214 + 215 + 216 +
217 + 218 + 219 + 220 + 221 + 222 + 223 + 224 + 225 + 226 +
227 + 228 + 229

11 1
140 1
166 1
223 1
136 + 137 1
13 1
150 1
21 1
224 1
142 + 144 1
14 1
151 1
22 1
225 1
143 + 144 1
16 1
152 1
23 1
226 1
144 + 145 1
18 1
153 1
24 1
227 1
146 + 147 1
19 1
154 1
25 1
228 1
27 + 28 1
110 1
155 1
26 1
229 1
29 + 210 1
112 1
156 1
213 1
12 + 15 1 210 + 211 1
116 1
157 1
214 1
17 + 111 1
117 1
158 1
215 1
113 + 114 1
119 1
159 1
216 1
115 + 118 1
122 1
160 1
217 1
120 + 121 1
125 1
161 1
218 1
123 + 124 1
127 1
162 1
219 1
126 + 146 1
131 1
163 1
220 1
128 + 132 1
138 1
164 1
221 1
133 + 134 1
139 1
165 1
222 1
135 + 149 1
141 + 142 + 143 1

0,
129 + 130 + 148 1

= 1; = 1, ,66
= 2; = 1, , 29
89
El
resultado
es
11
= 13
= 14
= 15
= 16
= 18
= 19
= 110
=
111
= 112
= 114
= 116
= 117
= 118
= 119
= 121
= 122
= 124
=
125
= 127
= 131
= 132
= 134
= 137
= 138
= 139
= 140
= 141
=
144
= 146
= 148
= 149
= 150
= 151
= 152
= 153
= 154
= 155
=
156
= 157
= 158
= 159
= 160
= 161
= 162
= 163
= 164
= 165
=
166
= 21
= 22
= 23
= 24
= 25
= 26
= 28
= 210
= 212
= 213
=
214
= 215
= 216
= 217
= 218
= 219
= 220
= 221
= 222
= 223
=
224
= 225
= 226
= 1 12
= 17
= 113
= 115
= 120
= 123
= 126
=
128
= 129
= 130
= 133
= 135
= 136
= 142
= 143
= 145
= 147
=
27
= 29
= 211
= 0, y siendo un resultado binario, es la solucin
ptima del problema de cubrimiento, ello y el anlisis de sensibilidad

se obtuvieron con LINGO y se mostraron en las figuras 3.10 y 3.11.
Figura 3.10. Modelo lineal del problema de cubrimiento para depsitos de residuos
arrojados por las personas y generados por las mascotas
Nota. LINGO con elaboracin propia.
90
Figura 3.11. Anlisis de Sensibilidad para el modelo de cubrimiento total

Nota. LINGO con elaboracin propia.
La figura 3.11 muestra que los 17 depsitos de residuos que arrojan

las personas que no deben localizarse en esos lugares son los
depsitos nmero: 1.2, 1.7, 1.13, 1.15, 1.20, 1.23, 1.26, 1.28, 1.29,
1.30, 1.33, 1.35, 1.36, 1.42, 1.43, 1.45 y 1.47, tambin otros 3
depsitos de residuos generados por mascotas no deben localizarse
en esos lugares que son: el 2.7, 2.9 y 2.11 esto quiere decir que estos
depsitos no cumplen la condicin de distancia del modelo. Dentro del
bosque solo quedaron 49 depsitos de residuos que arrojan las
personas, los cuales son el 1.1, 1.3, 1.4, 1.5, 1.6, 1.8, 1.9, 1.10, 1.11,
1.12, 1.14, 1.16, 1.17, 1.18, 1.19, 1.21, 1.22, 1.24, 1.25, 1.27, 1.31,
1.32, 1.34, 1.37, 1.38, 1.39, 1.40, 1.41, 1.44, 1.46, 1.48, 1.49, 1.50,
1.51, 1.52, 1.53, 1.54, 1.55, 1.56, 1.57, 1.58, 1.59, 1.60, 1.61, 1.62,
1.63, 1.64, 1.65 y 1.66 que se reenumeraron y se mostraron en la
tabla 3.12. Quedaron 26 depsitos de residuos generados por
mascotas que son el 2.1, 2.2, 2.3, 2.4, 2.5, 2.6, 2.8, 2.10, 2.12, 2.13,
2.14, 2.15, 2.16, 2.17, 2.18, 2.19, 2.20, 2.21, 2.22, 2.23, 2.24, 2.25,
2.26, 2.27, 2.28 y 2.29 que se reenumeraron y se mostraron en la
tabla 3.13, y siguiendo el proceso descrito en la figura 3.6 se concluy
91
con el proceso puesto el nmero de depsitos coincide con el que se
obtuvo en la simulacin y cumple con la condicin de distancia como
se mostr en la matriz 1 = { } de la tabla 3.14.
Tabla 3.12. Registro de las coordenadas y su equivalente en metros para la reubicacin de los 49
depsitos de residuos, que arrojan las personas, propuestos a implementar dentro del bosque
PERSONAS
Depsito
de
Ubicacin en grados
residuos
Longitud
Latitud
N
1.1
-77.0351058700269
-12.0973997457698
1.2
-77.0341456222793
-12.0974905678918
1.3
-77.0338620156891
-12.0982979335973
1.4
-77.0344341642337
-12.0976230490329
1.5
-77.0347320313509
-12.0979595764876
1.6
-77.0348377828555
-12.0982307879561
1.7
-77.0347312823254
-12.0984400968934
1.8
-77.0347982731433
-12.0987220712864
1.9
-77.0347522673746
-12.0991011831822
1.10
-77.0347975498057
-12.0994153915316
1.11
-77.0352038226232
-12.0994509937066
1.12
-77.0349913763904
-12.1002353784906
1.13
-77.0352139979751
-12.1003207898221
1.14
-77.0348775259367
-12.0999914624006
1.15
-77.0345971120695
-12.1000654398878
1.16
-77.0350551013686
-12.1011552469365
1.17
-77.0356445639574
-12.1010252838767
1.38
-77.0347255350024
-12.1031525735782
1.39
-77.0347653091489
-12.1023326438910
1.40
-77.0339824763846
-12.1031978522421
1.41
-77.0339712400551
-12.1018966452134
1.42
-77.0336387776283
-12.1007399676612
1.43
-77.0337774401913
-12.1004221082342
1.44
-77.0335963753846
-12.0996349258396
1.45
-77.0334562064268
-12.1005524584206
1.46
-77.0350381312583
-12.0995562419603
1.47
-77.0336975769750
-12.0977409412610
1.48
-77.0343898599425
-12.0994065729951
1.49
-77.0342509663346
-12.1002607736193
Coordenadas UTM
Ubicacin en metros
Eje X al Este
Eje Y al Norte
278497.308162491
278601.937509109
278633.482257123
278570.629370621
278538.474013330
278527.182960671
278538.951456768
278529.599813615
278537.211234500
278532.539681903
278488.333188875
278512.111179801
278492.519434688
278524.306415499
278555.384627502
278505.930821238
278441.642158220
278543.460529856
278538.454119612
278624.402455405
278624.553865459
278659.800026596
278644.440438813
278663.506793079
278679.524228967
278506.460743681
278650.928100182
278576.922532134
278592.749233026
8661851.37229206
8661842.10192104
8661753.00254399
8661827.20995331
8661789.73411602
8661759.64075641
8661736.56856211
8661687.29638015
8661663.40705392
8661628.60541712
8661624.33682208
8661537.72250118
8661518.24464731
8661564.80241491
8661491.68059216
8661435.89389162
8661449.79521795
8661215.17115038
8661305.85829918
8661210.76395485
8661354.74233403
8661482.98991737
8661518.04639744
8661605.28922853
8661503.88443296
8661740.82622486
8661814.76300244
8661629.91167469
8661535.51307223
residuos que arrojan las personas est ubicado a 77.0356445639574 de longitud al oeste del
92
Tabla 3.13. Registro de las coordenadas y su equivalente en metros para reubicacin de los 26
depsitos de residuos, que generan la mascotas, propuestos a implementar dentro del bosque
MASCOTAS
Depsito
de
Ubicacin en grados
residuos
Longitud
Latitud
N
2.1
-77.0358103578231
-12.1048399678129
2.2
-77.0342462512967
-12.1048939806255
2.3
-77.0342247437642
-12.1041445330667
2.4
-77.0351515411883
-12.1041515258402
2.5
-77.0357034596820
-12.1040515522687
2.6
-77.0357108326929
-12.1035769343955
2.7
-77.0356129196604
-12.1024664334176
2.8
-77.0351161016797
-12.1028096073296
2.9
-77.0346436170762
-12.1025166185058
2.10
-77.0351946439857
-12.1006733387409
2.11
-77.0352807246585
-12.1001701909974
2.12
-77.0345736251281
-12.1001049646010
2.13
-77.0336876342353
-12.1001571485154
2.14
-77.0342182821771
-12.1036793138732
2.15
-77.0350480298516
-12.1033506922220
2.16
-77.0348463980859
-12.1015457120508
2.17
-77.0352652634421
-12.1014301792830
2.18
-77.0332670014669
-12.1013021022875
2.19
-77.0333131194137
-12.1006583390594
2.20
-77.0341700347003
-12.0998936393277
2.21
-77.0354930072459
-12.0997872708186
2.22
-77.0347940766347
-12.0983154783739
2.23
-77.0333599044268
-12.0987550102866
2.24
-77.0338916695087
-12.0982334603645
2.25
-77.0341884504250
-12.0977272995371
2.26
-77.0349451469990
-12.0973970395971
Coordenadas UTM
Ubicacin en metros
Eje X al Este
Eje Y al Norte
278419.356138918
278597.080235709
278598.804358928
278497.900278030
278437.724839315
278433.459419420
278446.275818236
278500.652682971
278551.855678083
278490.340017210
278480.552699303
278557.489213371
278654.027026737
278599.124534512
278508.510424436
278528.976517651
278483.274707096
278700.742457146
278695.190950314
278601.258777248
278483.658590253
278532.011582624
278688.529695001
278630.200379771
278597.469234918
278514.805924123
8661023.42066265
8661022.88553259
8661105.82401961
8661104.29857271
8661114.91211021
8661171.18661588
8661290.36784099
8661252.80113414
8661285.60150775
8661489.10044086
8661544.70035901
8661552.49063003
8661546.88437884
8661157.30245396
8661192.98913419
8661392.86096222
8661405.30410294
8661421.09505740
8661492.28545610
8661576.19946928
8661587.09325531
8661750.30580140
8661702.83717418
8661760.11201237
8661815.87454730
8661851.80203017
residuos generados por mascotas est ubicado a 77.0349451469990 de longitud al oeste del
93
Tabla 3.14. Matriz simtrica de distancias 1 = { } entre los depsitos de residuos que arrojan las
personas (k=1) y generan las mascotas (k=2), de j = 1.1,, 2.26
Depsito
1.1
1.2
N
1.1
0.00 105.04
1.2
105.04
0.00
1.3
167.99
94.52
1.4
77.20
34.67
1.5
74.12
82.28
1.6
96.47 111.30
1.7
122.12 122.90
1.8
167.22 170.87
1.9
192.15 190.06
1.10
225.54 224.49
1.11
227.21 245.62
1.12
314.00 317.36
1.13
333.16 341.84
1.14
287.84 287.96
1.15
364.35 353.50
1.16
415.57 417.40
1.17
405.42 423.79
1.18
462.37 415.73
1.19
488.00 446.31
1.20
476.83 465.24
1.21
540.12 552.20
1.22
507.62 521.56
1.23
580.91 582.29
2.4
747.07 745.10
2.5
738.87 745.50
2.6
683.18 691.75
2.7
563.32 573.27
2.8
598.58 597.94
2.9
568.39 558.75
2.10
362.34 370.22
2.11
307.13 321.22
2.12
304.88 293.00
2.13
342.45 299.78
2.14
701.50 684.81
2.15
658.48 655.80
2.16
459.60 455.13
2.17
446.29 452.63
2.18
475.95 432.45
2.19
410.00 362.03
2.20
294.15 265.90
2.21
264.63 281.10
2.22
106.86 115.40
2.23
242.13 163.99
2.24
161.21
86.72
2.25
106.27
26.61
2.26
17.50
87.67
1.3
1.4
2.22
2.23
2.24
2.25
2.26
167.99
94.52
0.00
97.25
101.86
106.51
95.95
122.92
131.51
160.20
193.97
247.14
273.83
217.57
272.74
341.80
358.80
321.59
352.75
381.36
479.66
450.80
503.13
662.72
667.44
615.24
499.08
517.54
474.48
300.22
258.41
214.43
207.14
596.69
573.79
375.00
378.76
338.65
267.92
179.72
223.55
101.51
74.48
7.83
72.46
154.42
77.20
34.67
97.25
0.00
49.38
80.33
96.02
145.81
167.18
202.22
218.93
295.34
318.69
266.46
335.88
396.63
398.85
410.85
439.71
448.61
529.37
498.15
562.39
726.56
724.59
670.21
551.06
578.66
541.93
347.51
296.52
275.03
292.47
670.51
637.26
436.34
430.85
426.45
357.34
252.87
255.38
86.06
171.37
89.73
29.14
61.00
106.86
115.40
101.51
86.06
39.95
10.51
15.39
63.06
87.05
121.70
133.33
213.51
235.40
185.66
259.68
315.49
313.80
356.97
381.70
372.66
445.67
414.03
481.57
646.91
642.35
587.44
467.86
498.49
465.13
264.51
211.95
199.45
237.21
596.79
557.81
357.46
348.43
369.93
305.29
187.37
170.22
0.00
163.56
98.68
92.65
102.94
242.13
163.99
74.48
171.37
173.40
171.05
153.33
159.69
156.37
172.75
215.04
241.63
269.25
214.53
249.63
323.42
353.53
263.18
296.99
348.55
461.50
435.57
475.37
628.16
639.19
589.67
478.35
487.68
439.05
291.48
261.27
199.44
159.72
552.81
540.70
348.63
361.46
282.01
210.66
153.80
235.31
163.56
0.00
81.75
145.15
228.85
161.21
86.72
7.83
89.73
96.39
103.02
94.24
124.19
134.16
163.80
196.37
251.80
278.31
222.17
278.66
347.22
363.11
329.28
360.34
387.74
484.87
455.80
509.04
669.03
673.30
620.92
504.47
523.59
480.93
304.97
262.29
219.99
214.55
603.61
580.03
380.95
384.03
346.28
275.60
186.18
226.74
98.68
81.75
0.00
64.66
147.39
106.27
26.61
72.46
29.14
64.53
90.01
98.56
145.39
163.94
198.21
220.45
290.95
315.59
261.51
326.91
390.85
397.86
391.70
421.75
438.73
525.83
495.29
555.69
718.51
718.93
665.22
546.82
571.34
532.23
343.89
295.30
266.40
274.87
658.57
629.21
428.52
426.16
408.06
338.02
239.71
255.53
92.65
145.15
64.66
0.00
90.13
17.50
87.67
154.42
61.00
66.43
92.99
117.74
165.17
189.72
223.90
229.00
314.09
334.30
287.16
362.40
416.00
408.61
455.00
481.52
475.26
542.70
510.43
581.80
747.69
740.91
685.46
565.60
599.17
567.41
363.53
309.01
302.34
335.20
699.60
658.84
459.16
447.61
469.13
402.23
288.84
266.53
102.94
228.85
147.39
90.13
0.00
Interpretacin: Por ejemplo, en la fila 1.4 se interpreta de la siguiente manera: 77,20 en la fila 1.4
columna 1.1 indica que existe una distancia de 77,20 metros entre ambos depsitos.
94
El mapa de la reubicacin de los depsitos de residuos para
desperdicios que arrojan las personas y generan las mascotas dentro
del bosque se mostr en la figura 3.12.
Depsitos:
Personas
Implementacin
Personas
Mascotas
Implementacin
Mascotas
Figura 3.12. Mapa de la reubicacin de los depsitos de residuos para desperdicios que arrojan las
personas y generan las mascotas dentro del bosque
95
CAPITULO IV
ANLISIS E INTERPRETACIN DE LOS RESULTADOS
4.1.
Anlisis e Interpretacin de los Resultados
Los resultados que arroj la simulacin expresaron que la cantidad

adecuada de depsitos de residuos para personas es 49 y la cantidad
adecuada de depsitos de residuos para mascotas es 26. Estas
cantidades difieren de las reales, ello se debe a 3 factores que se
detallaron como sigue:
En la toma de datos se consider la cantidad total de

desperdicios en periodos de tres das, es decir no se tomaron
slo los datos de los depsitos de residuos sino que se
registraron las cantidades de desperdicios totales en todo el
bosque.
El modelo de inventario para la demanda con funcin de

distribucin de probabilidad Beta consider los lmites inferior y
superior con su respectiva probabilidad de ocurrencia para cada
tipo de desperdicio.
La simulacin del modelo se realiz con nmeros aleatorios

generados por el software Promodel.
96
No es necesario implementar nuevos depsitos para residuos
arrojados por personas, se debe eliminar un depsito, esto significa
que 49 depsitos son suficientes para almacenar los desperdicios que
arrojan las personas que visitan el bosque en un da cualquiera.
Como resultado, la simulacin indica que se deberan implementar 10

depsitos para residuos que generan las mascotas, esto quiere decir
que dentro del bosque hay actualmente 120 kilogramos de
desperdicios que no estn dentro de los depsitos para mascotas en
un da cualquiera.
Se infiere que los resultados son probabilsticamente estables debido

a que una extensin a diez mil corridas, arroja los mismos resultados,
como se muestra en la figura 4.1.
Figura 4.1. Resultados para la simulacin de 10000 entradas de residuos para obtener el
nmero de depsitos de residuos que arrojan las personas y generan las mascotas
Los resultados que arroj la localizacin expresaron que se

necesitaba emparejar la cantidad de depsitos dentro del bosque al
sector del lado derecho (de la Avenida Los Incas hacia Prolongacin
Arenales) para poder minimizar la distancia que recorre un usuario al
depsito de residuos, ello difiere de la situacin actual y se debe a
97
que en el modelo planteado la condicin de distancias entre los
depsitos de cada tipo, ayuda a cubrir todos los espacios no
considerados por el Municipio de San Isidro, sobre los cuales se ven
continuamente desperdicios en el piso. En la figura 4.2 se observa
que:
El modelo de cubrimiento total indico que se deben implementar

14 depsitos de residuos para desperdicios que arrojan las
personas al lado derecho del bosque, esto quiere decir que ese
lado debe contar con 18 depsitos para residuos que arrojan las
personas de los 49 que existen dentro del bosque, esta cantidad
es casi el doble de los depsitos que existen actualmente (10).
Con ello se empareja la cantidad de depsitos en el bosque en 2
espacios casi iguales, que era lo que se esperaba al plantear el
problema.
El modelo de cubrimiento total indico que se deben implementar 6

depsitos de residuos para desperdicios que generan las
mascotas al lado derecho del bosque, esto quiere decir que ese
lado debe contar con 9 depsitos para residuos que generan las
mascotas de los 26 que existen dentro del bosque, esta cantidad
es casi el triple de los depsitos que existen actualmente (3). Con
ello se empareja la cantidad de depsitos en el bosque en 2
espacios casi iguales.
4.2.
Consistencia del Modelo
Para realizar el procedimiento de consistencia al modelo propuesto en

la realidad se necesit hacer una comparacin con el modelo actual
para saber si efectivamente aquel proporciona una mejora en el
mnimo de la mxima distancia total recorrida desde cualquier punto
de entrada hacia el depsito de residuos ms cercano. Se compar
ello, con la ayuda de la heurstica de cubrimiento parcial.
98
Depsitos:
Personas
Implementacin
Personas
Implementados
Lado derecho
Personas
Mascotas
Implementacin
Mascotas
Implementados
Lado derecho
Mascotas
Figura 4.2. Mapa de la reubicacin al lado derecho de los depsitos de residuos que arrojan las
personas y generan las mascotas dentro del bosque El Olivar de San Isidro
99
En el procedimiento que se hizo comparando los dos sistemas de
limpieza, el actual y el propuesto, uno de los datos requeridos por la
heurstica es el nmero de personas que ingresan al bosque, todos
estos valores para cada entrada se tomarn como 1 para hallar el
mnimo de la mxima distancia total recorrida desde una entrada
hacia el depsito ms cercano.
Las entradas al bosque se observan en la figura 4.3 y son 124, de las

cuales, las primeras 70 entradas son las que estn en el permetro del
bosque, las otras 54 son las casas que estn dentro del bosque. Las
personas ingresan solas o acompaadas por una mascota, ello se
determin con la asignacin que se hace al final de la heurstica de
acuerdo a la cercana entre los depsitos y las entradas.
Modelo de Cubrimiento parcial del sistema de limpieza actual

para depsitos de residuos que arrojan las personas y que
generan las mascotas
Se consider el problema de localizar la mayor cantidad de depsitos

de residuos para minimizar el mximo alcance de la distancia de una
entrada determinada hacia un depsito. Se tienen 66 depsitos de
residuos posibles para ser utilizados. La distancia entre las 124
entradas y los 66 depsitos estn dadas por la matriz = { } que se
mostr en la tabla 4.1. La cantidad de personas que ingresan por una
entrada especfica a arrojar los residuos dentro de un depsito es la
componente = 1 del vector . Se requiri asignar el depsito ms
cercano a una entrada determinada tal que la mxima distancia total
de recorrido sea mnima.
La matriz = { } de asignacin (ya no binaria) se obtiene del
producto = , = 1, , 124; = 1.1, , 2.16. Para este caso
particular = puesto que = 1.
100
Depsitos:
Entrada
Permetro
Entrada
Casa
Personas
Mascotas
Figura 4.3. Mapa de la Ubicacin de los depsitos de residuos y las entradas que existen dentro del
bosque
101
Tabla 4.1. Matriz de distancias = { }, = 1, , 124; = 1.1, , 2.16
i\j
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
.
.
.
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
1.1
877.52
855.53
751.30
802.00
791.68
663.76
540.14
480.14
396.82
410.32
310.77
158.75
119.76
76.18
52.88
72.95
104.64
129.83
196.83
166.87
95.68
165.14
160.07
225.68
309.00
327.41
287.76
.
.
.
403.69
399.88
383.26
399.41
389.32
364.11
306.16
258.87
341.74
257.03
224.92
151.22
191.21
187.07
166.01
108.58
153.49
121.76
118.19
168.20
166.48
159.99
38.98
76.48
102.76
113.45
107.84
1.2
875.07
853.38
750.44
800.77
790.16
660.09
539.57
480.49
398.87
410.55
313.77
161.56
123.80
73.98
49.41
16.88
47.58
72.48
154.11
124.21
67.46
128.72
121.29
189.83
274.50
287.31
246.43
.
.
.
371.27
370.18
352.04
368.29
362.67
334.92
282.40
234.39
329.01
236.59
203.22
143.34
179.66
181.02
140.96
85.01
135.03
79.91
75.97
110.62
109.02
104.72
21.85
47.35
59.58
57.73
52.62
1.3
888.19
866.80
765.27
815.12
804.31
673.12
555.85
498.00
418.60
428.75
335.64
189.05
155.13
109.27
90.67
32.11
2.89
25.55
139.54
112.86
86.50
125.14
115.74
181.50
264.13
270.15
228.90
.
.
.
361.04
362.77
343.41
359.46
358.44
328.68
282.86
235.87
338.19
241.78
208.88
164.98
195.58
201.11
148.33
103.09
149.13
78.72
75.51
65.21
62.10
70.80
69.93
74.21
64.23
33.43
33.55
1.4
811.32
790.40
691.17
740.11
729.10
597.25
485.53
430.36
356.26
363.62
280.11
159.53
142.12
121.77
124.34
111.17
92.12
80.45
47.96
32.11
84.67
53.55
44.80
92.68
171.50
175.64
134.40
.
.
.
267.78
270.79
250.93
266.79
268.46
237.69
198.37
154.55
262.33
164.92
135.39
128.40
141.32
153.98
88.76
86.47
102.12
51.37
53.73
69.28
77.77
32.28
129.80
95.67
66.31
63.75
67.12
1.5
866.45
844.88
742.49
792.64
781.94
651.33
532.12
473.53
392.83
403.82
308.62
158.81
123.11
75.55
56.00
17.01
32.92
55.53
135.29
105.76
58.42
112.35
104.25
172.75
257.25
268.51
227.45
.
.
.
354.28
353.95
335.44
351.66
347.36
318.96
268.39
220.53
318.29
224.05
190.67
137.27
171.14
174.48
128.48
76.11
125.26
63.04
59.16
91.83
91.15
83.79
38.89
42.05
43.52
36.80
31.62
2.11
319.18
301.05
222.27
260.61
249.57
136.17
149.01
180.66
243.11
225.16
313.25
447.49
484.73
527.77
553.79
593.60
590.38
586.69
460.60
482.26
521.38
468.10
477.62
415.76
344.77
362.46
393.63
.
.
.
265.93
252.16
272.83
260.74
245.18
277.42
310.76
357.36
261.50
352.59
385.97
452.10
412.40
416.38
448.23
504.08
454.27
515.57
519.16
575.60
584.65
540.49
584.04
542.03
533.48
559.96
559.80
2.12
348.00
329.10
244.47
285.97
274.78
152.98
135.12
156.62
212.64
194.70
280.03
412.79
449.96
492.92
518.93
558.89
555.90
552.46
426.70
448.02
486.58
433.65
443.20
381.81
312.14
331.36
361.43
.
.
.
236.49
221.53
241.94
230.61
213.03
245.21
276.52
322.89
226.66
317.90
351.26
417.25
377.55
381.57
413.50
469.27
419.44
480.98
484.56
541.90
550.92
506.58
549.20
507.22
498.81
525.51
525.29
2.13
519.00
497.38
395.14
445.17
434.44
303.95
186.02
130.19
66.44
66.79
71.23
204.00
242.60
288.95
315.83
363.90
367.34
369.72
256.89
269.31
289.51
250.43
260.38
215.17
184.04
222.35
229.70
.
.
.
183.39
162.40
167.81
172.37
137.62
149.53
121.83
149.81
46.73
136.07
165.02
213.75
176.58
176.31
222.10
271.72
222.27
291.76
294.80
369.34
377.51
331.82
347.91
308.84
306.65
338.66
337.04
2.14
571.76
549.95
446.67
497.07
486.52
357.19
235.77
177.02
98.19
107.53
34.53
148.44
187.40
234.79
261.82
312.54
318.36
322.92
218.77
226.58
238.14
206.29
216.07
181.23
172.66
213.73
210.78
.
.
.
201.25
182.84
181.80
190.83
159.12
159.72
110.21
119.70
60.85
102.27
124.34
160.56
125.70
122.86
174.94
220.41
172.13
243.71
246.47
326.46
334.15
288.92
294.36
256.70
257.09
290.75
288.60
2.15
597.23
576.19
476.75
525.70
514.70
382.87
272.73
220.36
156.96
159.11
111.72
157.86
190.46
228.73
253.86
291.97
290.13
288.80
168.73
185.19
219.79
168.66
178.48
125.19
96.30
136.97
138.50
.
.
.
132.80
117.88
111.54
123.50
97.80
88.26
33.03
60.09
48.70
51.23
84.43
154.51
114.37
122.76
146.57
202.62
153.12
214.64
218.12
283.62
292.19
246.62
283.08
240.55
232.04
260.09
259.45

Interpretacin: Por ejemplo, en la fila 109 se interpreta de la siguiente manera: 143.34 en la fila 109
y columna 1.2 indica que existe una distancia de 143.34 metros entre la entrada n 109 y el depsito
1.2 para residuos que arrojan las personas.
2.16
627.16
607.49
515.13
561.02
549.79
419.72
327.96
285.68
239.73
236.90
208.01
222.97
245.13
269.37
289.61
308.99
297.14
287.59
160.30
187.65
247.73
180.74
188.29
119.73
35.67
53.76
81.24
.
.
.
61.84
64.01
43.80
59.70
67.55
35.58
65.49
93.24
127.64
105.88
126.95
207.15
172.91
188.00
177.19
233.87
192.95
229.69
233.62
269.46
278.67
237.42
312.23
268.40
249.89
266.83
268.36
102
Se aplic la heurstica de Cubrimiento Parcial que se vio en el ejemplo
2.4 de la seccin 2.2.4, problemas de localizacin del Captulo II. En
el paso 1 que consisti en hallar el mnimo entre las sumatorias de
las columnas de A, este valor se encuentra en 1.27 y es 31707.22, en
consecuencia los valores de la columna 1.27 pasan a ser los valores
de , entradas de la columna 1.27 e ingresan a formar parte del
conjunto () = {1.27}, donde () es el conjunto de todos los
depsitos que van a formar parte de la asignacin del mximo
alcance. Todo ello se muestra en la tabla 4.2.
Tabla 4.2. Primera seleccin de un depsito con el mnimo de c ; = 1.1, , 2.16
i\j
1.1
1.2
1.27
2.15
2.16
(x)
cj
56788.96
54038.62
31707.22
33289.65
33392.74
Min cj
(x)={1.27}
31707.22

Interpretacin: Por ejemplo, en la fila cj se interpreta de la siguiente manera: 31707.22 en la fila cj y
columna 1.27 se indica que la suma de las distancias entre las 124 entradas para personas y el
depsito 1.27 es 31707.22 metros.
Como se busca localizar la mayor cantidad de depsitos se ejecut de

manera iterativa los pasos 2 y 3 hasta llegar a = 0, esto se logr
luego de 41 iteraciones siendo 42 los elementos del conjunto
(x)= {1.27, 1.9, 2.4, 2.16, 1.23, 2.1, 1.3, 1.22, 2.2, 1.45, 1.7, 1.19, 1.46, 1.26,
1.6, 1.4, 2.15, 1.32, 1.41, 2.6, 2.12, 1.40, 1.10, 1.20, 2.14, 1.29, 1.2, 1.47, 2.5,
1.12, 1.50, 1.21, 1.16, 1.31, 1.11, 2.11, 1.42, 1.24, 1.8, 1.43, 1.5, 1.36} , este
procedimiento se mostr en las tablas 4.3 y 4.4. Segn la heurstica si
= 0 (resultado de la iteracin 42) tenemos que ir al paso 4 que
consiste en formar la asignacin y luego si llegamos del paso 2 ir
directamente al paso 7 que consiste hallar la asignacin para cada fila
de acuerdo al
. Estos 2 pasos se mostraron en la tabla 4.5.
()
El valor ptimo de la funcin objetivo es = 4656.38 metros, que es el

mnimo de la mxima distancia total que se recorre al ingresar al
bosque El Olivar a arrojar los residuos dentro de los depsitos desde
las 124 entradas. La solucin ptima se mostr en la tabla 4.6.
103
Tabla 4.3. 42 iteraciones del Paso 2 hasta llegar a = 0 y formando (x)
Iteracin
Max
9932.68
(x)={1.27, 1.9}
8606.18
(x)={1.27, 1.9, 2.4}
2831.65
(x)={1.27, 1.9, 2.4, 2.16}
767.56
(x)={1.27, 1.9, 2.4, 2.16, 1.23}
689.69
(x)={1.27, 1.9, 2.4, 2.16, 1.23, 2.1}
664.93
(x)={1.27, 1.9, 2.4, 2.16, 1.23, 2.1, 1.3}
521.38
(x)={1.27, 1.9, 2.4, 2.16, 1.23, 2.1, 1.3, 1.22}
438.76
(x)={1.27, 1.9, 2.4, 2.16, 1.23, 2.1, 1.3, 1.22, 2.2}
410.92
(x)={1.27, 1.9, 2.4, 2.16, 1.23, 2.1, 1.3, 1.22, 2.2, 1.45}
10
299.91
(x)={1.27, 1.9, 2.4, 2.16, 1.23, 2.1, 1.3, 1.22, 2.2, 1.45, 1.7}
11
267.79
(x)={1.27, 1.9, 2.4, 2.16, 1.23, 2.1, 1.3, 1.22, 2.2, 1.45, 1.7, 1.19}
12
258.30
(x)={1.27, 1.9, 2.4, 2.16, 1.23, 2.1, 1.3, 1.22, 2.2, 1.45, 1.7, 1.19, 1.46}
13
239.27
14
185.98
15
159.93
16
157.01
33
15.61
34
15.32
35
11.75
36
8.28
37
7.86
38
7.72
39
3.39
40
1.94
41
1.64
42
0.00
Conjunto (x) de depsitos seleccionados
(x)={1.27, 1.9, 2.4, 2.16, 1.23, 2.1, 1.3, 1.22, 2.2, 1.45, 1.7, 1.19, 1.46,
1.26}
(x)={1.27, 1.9, 2.4, 2.16, 1.23, 2.1, 1.3, 1.22, 2.2, 1.45, 1.7, 1.19, 1.46,
1.26, 1.6}
(x)={1.27, 1.9, 2.4, 2.16, 1.23, 2.1, 1.3, 1.22, 2.2, 1.45, 1.7, 1.19, 1.46,
1.26, 1.6, 1.4}
(x)={1.27, 1.9, 2.4, 2.16, 1.23, 2.1, 1.3, 1.22, 2.2, 1.45, 1.7, 1.19, 1.46,
1.26, 1.6, 1.4, 2.15}
(x)={1.27, 1.9, 2.4, 2.16, 1.23, 2.1, 1.3, 1.22, 2.2, 1.45, 1.7, 1.19, 1.46,
1.26, 1.6, 1.4, 2.15, 1.32, 1.41, 2.6, 2.12, 1.40, 1.10, 1.20, 2.14, 1.29,
1.2, 1.47, 2.5, 1.12, 1.50, 1.21, 1.16, 1.31}
(x)={1.27, 1.9, 2.4, 2.16, 1.23, 2.1, 1.3, 1.22, 2.2, 1.45, 1.7, 1.19, 1.46,
1.26, 1.6, 1.4, 2.15, 1.32, 1.41, 2.6, 2.12, 1.40, 1.10, 1.20, 2.14, 1.29,
1.2, 1.47, 2.5, 1.12, 1.50, 1.21, 1.16, 1.31, 1.11}
(x)={1.27, 1.9, 2.4, 2.16, 1.23, 2.1, 1.3, 1.22, 2.2, 1.45, 1.7, 1.19, 1.46,
1.26, 1.6, 1.4, 2.15, 1.32, 1.41, 2.6, 2.12, 1.40, 1.10, 1.20, 2.14, 1.29,
1.2, 1.47, 2.5, 1.12, 1.50, 1.21, 1.16, 1.31, 1.11, 2.11}
(x)={1.27, 1.9, 2.4, 2.16, 1.23, 2.1, 1.3, 1.22, 2.2, 1.45, 1.7, 1.19, 1.46,
1.26, 1.6, 1.4, 2.15, 1.32, 1.41, 2.6, 2.12, 1.40, 1.10, 1.20, 2.14, 1.29,
1.2, 1.47, 2.5, 1.12, 1.50, 1.21, 1.16, 1.31, 1.11, 2.11, 1.42}
(x)={1.27, 1.9, 2.4, 2.16, 1.23, 2.1, 1.3, 1.22, 2.2, 1.45, 1.7, 1.19, 1.46,
1.26, 1.6, 1.4, 2.15, 1.32, 1.41, 2.6, 2.12, 1.40, 1.10, 1.20, 2.14, 1.29,
1.2, 1.47, 2.5, 1.12, 1.50, 1.21, 1.16, 1.31, 1.11, 2.11, 1.42, 1.24}
(x)={1.27, 1.9, 2.4, 2.16, 1.23, 2.1, 1.3, 1.22, 2.2, 1.45, 1.7, 1.19, 1.46,
1.26, 1.6, 1.4, 2.15, 1.32, 1.41, 2.6, 2.12, 1.40, 1.10, 1.20, 2.14, 1.29,
1.2, 1.47, 2.5, 1.12, 1.50, 1.21, 1.16, 1.31, 1.11, 2.11, 1.42, 1.24, 1.8}
(x)={1.27, 1.9, 2.4, 2.16, 1.23, 2.1, 1.3, 1.22, 2.2, 1.45, 1.7, 1.19, 1.46,
1.26, 1.6, 1.4, 2.15, 1.32, 1.41, 2.6, 2.12, 1.40, 1.10, 1.20, 2.14, 1.29,
1.2, 1.47, 2.5, 1.12, 1.50, 1.21, 1.16, 1.31, 1.11, 2.11, 1.42, 1.24, 1.8,
1.43}
(x)={1.27, 1.9, 2.4, 2.16, 1.23, 2.1, 1.3, 1.22, 2.2, 1.45, 1.7, 1.19, 1.46,
1.26, 1.6, 1.4, 2.15, 1.32, 1.41, 2.6, 2.12, 1.40, 1.10, 1.20, 2.14, 1.29,
1.2, 1.47, 2.5, 1.12, 1.50, 1.21, 1.16, 1.31, 1.11, 2.11, 1.42, 1.24, 1.8,
1.43, 1.5}
(x)={1.27, 1.9, 2.4, 2.16, 1.23, 2.1, 1.3, 1.22, 2.2, 1.45, 1.7, 1.19, 1.46,
1.26, 1.6, 1.4, 2.15, 1.32, 1.41, 2.6, 2.12, 1.40, 1.10, 1.20, 2.14, 1.29,
1.2, 1.47, 2.5, 1.12, 1.50, 1.21, 1.16, 1.31, 1.11, 2.11, 1.42, 1.24, 1.8,
1.43, 1.5, 1.36}

Interpretacin: Por ejemplo, en la fila 1 se mostr la primera iteracin del pas 2 donde el valor de
mxima distancia total recorrida es 9938.68 metros que es el valor del Max para el depsito
1.9 que ingresa al conjunto (x).
104
Tabla 4.4. Paso 3, formacin de las mejores combinaciones en = { } de asignacin, =
1, , 124; 0 41
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
.
.
.
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
435.17
415.25
322.94
368.51
357.28
227.64
153.05
135.81
153.26
137.27
201.66
323.07
359.33
401.02
426.74
465.58
462.39
459.07
333.70
354.63
393.57
340.15
349.70
288.77
222.01
245.19
272.07
220.24
.
.
.
229.39
135.72
224.56
257.95
325.62
285.65
290.71
320.24
376.36
326.67
387.51
391.10
449.13
458.10
413.53
456.59
414.30
405.42
432.01
431.79
435.17
415.25
322.94
368.51
357.28
227.64
153.05
135.81
153.26
137.27
201.66
68.81
46.24
47.51
69.64
111.99
120.14
129.87
95.50
72.83
37.60
57.99
59.31
109.92
189.62
212.83
176.01
220.24
.
.
.
136.76
135.72
135.73
103.08
42.10
75.62
78.59
44.69
19.98
31.92
53.27
54.23
146.41
151.59
113.84
98.10
56.72
59.37
96.06
92.49
168.32
153.39
114.99
128.06
119.29
108.94
153.05
135.81
153.26
137.27
201.66
68.81
46.24
47.51
69.64
111.99
120.14
129.87
95.50
72.83
37.60
57.99
59.31
109.92
189.62
212.83
176.01
220.24
.
.
.
136.76
135.72
135.73
103.08
42.10
75.62
78.59
44.69
19.98
31.92
53.27
54.23
146.41
151.59
113.84
98.10
56.72
59.37
96.06
92.49
168.32
153.39
114.99
128.06
119.29
108.94
153.05
135.81
153.26
137.27
201.66
68.81
46.24
47.51
69.64
111.99
120.14
129.87
95.50
72.83
37.60
57.99
59.31
109.92
35.67
53.76
81.24
48.11
.
.
.
93.24
127.64
105.88
103.08
42.10
75.62
78.59
44.69
19.98
31.92
53.27
54.23
146.41
151.59
113.84
98.10
56.72
59.37
96.06
92.49
168.32
153.39
114.99
128.06
119.29
108.94
153.05
135.81
153.26
137.27
201.66
68.81
46.24
47.51
69.64
111.99
120.14
129.87
95.50
72.83
37.60
57.99
59.31
109.92
35.67
53.76
81.24
48.11
.
.
.
93.24
127.64
105.88
103.08
42.10
75.62
78.59
44.69
19.98
31.92
53.27
54.23
146.41
151.59
113.84
98.10
56.72
59.37
96.06
92.49
55.64
42.12
55.06
53.74
56.52
19.74
19.15
14.51
15.25
4.98
34.53
44.33
46.24
27.45
23.17
16.88
2.89
25.55
47.96
32.11
21.57
53.55
44.80
66.50
35.67
53.76
81.24
48.11
.
.
.
54.66
32.71
40.72
32.72
19.56
12.08
29.81
31.26
19.98
22.39
51.26
48.36
65.21
62.10
32.28
21.85
8.57
36.80
33.43
33.55
55.64
42.12
55.06
53.74
56.52
19.74
19.15
14.51
15.25
4.98
34.53
44.33
44.18
21.79
23.17
16.88
2.89
25.55
47.96
32.11
21.57
53.55
44.80
66.50
35.67
53.76
81.24
48.11
.
.
.
54.66
32.71
40.72
32.72
19.56
12.08
29.81
31.26
19.98
22.39
51.26
48.36
65.21
62.10
32.28
21.85
8.57
36.80
33.43
33.55
55.64
42.12
55.06
53.74
56.52
19.74
19.15
14.51
15.25
4.98
34.53
44.33
44.18
21.79
23.17
16.88
2.89
25.55
47.96
32.11
21.57
53.55
44.80
66.50
35.67
53.76
81.24
48.11
.
.
.
54.66
32.71
40.72
32.72
19.56
12.08
29.81
31.26
19.98
22.39
51.26
48.36
65.21
62.10
32.28
21.85
8.57
36.80
33.43
33.55
55.64
42.12
55.06
53.74
56.52
19.74
19.15
14.51
15.25
4.98
34.53
44.33
44.18
21.79
23.17
16.88
2.89
25.55
47.96
32.11
21.57
53.55
44.80
66.50
35.67
53.76
81.24
48.11
.
.
.
54.66
32.71
40.72
32.72
19.56
12.08
29.81
31.26
19.98
22.39
51.26
48.36
65.21
62.10
32.28
21.85
8.57
36.80
33.43
31.62
55.64
42.12
55.06
53.74
56.52
18.10
19.15
14.51
15.25
4.98
34.53
44.33
44.18
21.79
23.17
16.88
2.89
25.55
47.96
32.11
21.57
53.55
44.80
66.50
35.67
53.76
81.24
48.11
.
.
.
54.66
32.71
40.72
32.72
19.56
12.08
29.81
31.26
19.98
22.39
51.26
48.36
65.21
62.10
32.28
21.85
8.57
36.80
33.43
31.62

Interpretacin: Por ejemplo, en la fila 124 se interpreta de la siguiente manera: 431.79 en la fila 124
y columna 0 indica que la distancia hacia la entrada n 124 fue en total 431.79 metros como mnimo
para depositar los residuos.
105
Tabla 4.5. Paso 4 y 7 de asignacin de los valores de cubrimiento parcial
, = { } de
()
asignacin, = 1, ,124
i\t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
.
.
.
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
1.27
435.17
415.25
322.94
368.51
357.28
227.64
153.05
135.81
153.26
137.27
201.66
323.07
359.33
401.02
426.74
465.58
462.39
459.07
333.70
354.63
393.57
340.15
.
.
.
156.95
183.17
229.39
135.72
224.56
257.95
325.62
285.65
290.71
320.24
376.36
326.67
387.51
391.10
449.13
458.10
413.53
456.59
414.30
405.42
432.01
431.79
1.9
771.18
749.53
646.83
697.07
686.42
556.14
436.25
377.55
296.87
307.81
213.04
68.81
46.24
47.51
69.64
111.99
120.14
129.87
95.50
72.83
37.60
57.99
.
.
.
242.20
184.21
136.76
225.36
135.73
103.08
42.10
75.62
78.59
44.69
19.98
31.92
53.27
54.23
146.41
151.59
113.84
98.10
56.72
59.37
96.06
92.49
2.4
168.32
153.39
114.99
128.06
119.29
108.94
226.15
282.20
362.24
345.62
443.61
588.88
627.41
672.97
699.59
743.40
742.23
739.94
615.11
635.57
669.99
620.37
.
.
.
434.13
464.38
509.83
408.42
503.36
536.47
597.28
558.58
560.36
598.21
652.40
602.37
666.77
670.24
730.56
739.53
694.92
730.97
690.20
683.93
712.09
711.56
2.16
627.16
607.49
515.13
561.02
549.79
419.72
327.96
285.68
239.73
236.90
208.01
222.97
245.13
269.37
289.61
308.99
297.14
287.59
160.30
187.65
247.73
180.74
.
.
.
35.58
65.49
93.24
127.64
105.88
126.95
207.15
172.91
188.00
177.19
233.87
192.95
229.69
233.62
269.46
278.67
237.42
312.23
268.40
249.89
266.83
268.36
1.8
791.56
769.80
666.60
717.01
706.44
576.74
455.60
396.39
314.64
326.41
229.60
78.48
44.18
21.79
44.51
94.74
108.77
123.00
115.59
89.45
26.93
78.82
.
.
.
268.06
209.69
162.43
248.34
160.76
128.46
59.41
97.45
97.09
70.51
20.42
57.03
56.78
55.90
146.03
149.80
117.79
75.00
38.36
53.44
89.80
85.07
1.43
1.5
1.36
229.93
866.45
229.98
215.28
844.88
208.26
165.83
742.49
107.11
187.55
792.64
156.26
177.99
781.94
145.41
122.30
651.33
18.10
212.54
532.12
109.32
261.62
473.53
169.28
335.79
392.83
252.78
318.28
403.82
238.06
412.38
308.62
338.04
551.72
158.81
489.37
589.46
123.11
528.62
633.30
75.55
576.56
659.50
56.00
603.60
700.12
17.01
653.06
697.05
32.92
656.02
693.30
55.53
657.15
567.01
135.29
538.12
588.89
105.76
554.55
627.68
58.42
578.65
574.78
112.35
537.02
.
.
.
.
.
.
.
.
.
382.22
318.96
374.30
417.39
268.39
388.81
464.03
220.53
429.66
367.06
318.29
322.06
459.14
224.05
419.70
492.50
190.67
451.28
557.53
137.27
502.17
518.06
171.14
465.69
521.40
174.48
464.51
554.72
128.48
510.57
610.32
76.11
560.86
560.43
125.26
511.42
622.21
63.04
580.24
625.79
59.16
583.40
681.80
91.83
653.30
690.87
91.15
661.88
646.88
83.79
616.28
690.04
38.89
636.15
648.27
42.05
597.84
640.06
43.52
595.63
666.63
36.80
626.91
666.46
31.62
625.56
Valor ptimo de la FO es:
MIN
55.64
42.12
55.06
53.74
56.52
18.10
19.15
14.51
15.25
4.98
34.53
44.33
44.18
21.79
23.17
16.88
2.89
25.55
47.96
32.11
21.57
53.55
.
.
.
35.58
33.03
54.66
30.98
40.72
32.72
19.56
12.08
29.81
31.26
19.98
22.39
51.26
48.36
65.21
62.10
32.28
21.85
8.57
36.80
33.43
31.62
4656.38

Interpretacin: Por ejemplo, en la fila 124 se interpreta de la siguiente manera: 31.62 en la fila 124 y
columna 1.5 indica que la distancia recorrida por las personas que ingresan por la entrada n 124 al
depsito 1.5 es 31.62 metros y es la distancia mnima entre todos los depsitos del conjunto ()
para , que es la entrada n 124 para las personas que ingresan al bosque a depositar los residuos.
106
Tabla 4.6. Solucin ptima al problema de cubrimiento parcial para el sistema de limpieza actual
Localizacin
del Depsito
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Depsito
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
1.10
1.11
1.12
1.16
1.19
1.20
1.21
1.22
1.23
1.24
1.26
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
1.36
1.40
1.41
1.42
1.43
1.45
1.46
1.47
1.50
2.1
2.2
2.4
2.5
2.6
2.11
2.12
2.14
2.15
42
2.16
Detalle de las entradas al bosque

16, 120
17, 18, 117, 118 y 123
19, 20, 22, 23, 29 y 119
124
15, 21, 115, 116, 121 y 122
24 y 112
13 y 14
70 y 113
12, 109 y 114
110 y 111
105, 107 y 108
Ninguna
39, 41, 42 y 106
Ninguna
88
9 y 10
35, 36, 37, 38, 89, 90, 92, 93 y 98
34
32 y 48
6
59, 60, 61, 65, 66 y 73
74, 79 y 81
77 y 80
82
76, 83 y 84
31 y 33
30
8
1, 2, 4, 5, 67, 68 y 69
53, 54, 55, 56, 57 y 58
62, 63, 64, 71, 72, 75 y 78
3
Ninguna
51 y 52
49, 50 y 87
11
104
25, 26, 27, 28, 40, 91, 94, 95, 96, 97, 99, 100,
101, 102 y 103

Interpretacin: Por ejemplo, para la fila 1 se interpreta de la siguiente manera: El primer depsito
que se localiz fue el depsito 1.2, los usuarios que ingresan por las entradas n 16 y 120 tienen
que arrojar los residuos en el depsito 1.2 porque es el ms cercano.
107
Modelo de cubrimiento parcial del Nuevo Sistema (NS) de
limpieza para depsitos de residuos que arrojan las personas y
generan las mascotas
La figura 4.4, muestra el mapa de la reubicacin de los depsitos de

residuos del nuevo sistema de limpieza con las 124 entradas. Se
consider el problema de localizar la mayor cantidad de depsitos de
residuos para minimizar el mximo alcance de la distancia de una
entrada determinada hacia un depsito. Se tienen 75 depsitos de
residuos posibles para ser utilizados. La distancia entre las 124
entradas y los 75 depsitos estn dadas por la matriz = { } que se
mostr en la tabla 4.7. La cantidad de personas que ingresan por una
entrada especfica a arrojar los residuos dentro de un depsito es la
componente = 1 del vector . Se requiri asignar el depsito ms
cercano a una entrada determinada tal que la mxima distancia total
de recorrido sea mnima. La matriz = { } de asignacin (ya no
binaria)
se
obtiene
del
producto
= , = 1, , 124; =
1.1, , 2.26. Para este caso particular = puesto que = 1, se

aplic la heurstica de Cubrimiento Parcial que se vio en el ejemplo
2.4 de la seccin 2.2.4, problemas de localizacin del Captulo II y se
obtuvo luego de 52 iteraciones del paso 2 y 3, siendo 53 los
elementos del conjunto (x)={1.20, 1.7, 2.4, 1.42, 2.25, 2.1, 1.40, 2.20,
1.17, 2.2, 1.30, 2.19, 1.44, 1.15, 1.28, 1.8, 1.3, 1.5, 1.22, 1.41, 1.47,
2.6, 1.18, 1.48, 1.34, 1.36, 1.43, 2.11, 1.27, 2.16, 1.2, 1.39, 1.16, 1.46,
1.29, 2.5, 1.4, 1.35, 1.33, 1.21, 1.9, 2.26, 1.45, 2.24, 2.23, 1.6, 2.22,
2.13, 1.31, 2.3, 2.18, 1.24, 2.9}. Segn la heurstica si = 0
tenemos que ir al paso 4 que consiste en formar la asignacin y luego
si llegamos del paso 2 ir directamente al paso 7 que consiste hallar la
asignacin para cada fila de acuerdo al
. El valor ptimo de
()
la funcin objetivo es = 3310.93 metros, que es el mnimo de la

mxima distancia total que se recorre al ingresar al bosque El Olivar a
arrojar los residuos dentro de los depsitos desde las 124 entradas.
La solucin ptima se mostr en la tabla 4.9. A continuacin se
108
muestra la tabla 4.8, que muestra una comparacin entre los modelos
de cubrimiento parcial presentados.
Depsitos:
Entrada
Permetro
Entrada
Casa
Personas
Implementacin
Personas
Mascotas
Implementacin
Mascotas
Figura 4.4. Mapa del modelo de cubrimiento parcial para la reubicacin de los depsitos de residuos
y las entradas que existen dentro del bosque
109
Tabla 4.7. NS. Matriz de distancias = { }, = 1, , 124; = 1.1, , 2.26
i\j
1
2
3
4
5
6
7
8
9
10
11
12
112
113
114
115
116
117
118
119
120
121
122
123
124
1.1
877.52
855.53
751.30
802.00
791.68
663.76
540.14
480.14
396.82
410.32
310.77
158.75
166.01
108.58
153.49
121.76
118.19
168.20
166.48
159.99
38.98
76.48
102.76
113.45
107.84
1.2
888.19
866.80
765.27
815.12
804.31
673.12
555.85
498.00
418.60
428.75
335.64
189.05
148.33
103.09
149.13
78.72
75.51
65.21
62.10
70.80
69.93
74.21
64.23
33.43
33.55
1.3
811.32
790.40
691.17
740.11
729.10
597.25
485.53
430.36
356.26
363.62
280.11
159.53
88.76
86.47
102.12
51.37
53.73
69.28
77.77
32.28
129.80
95.67
66.31
63.75
67.12
1.4
866.45
844.88
742.49
792.64
781.94
651.33
532.12
473.53
392.83
403.82
308.62
158.81
128.48
76.11
125.26
63.04
59.16
91.83
91.15
83.79
38.89
42.05
43.52
36.80
31.62
2.22
783.29
761.57
658.57
708.91
698.31
568.36
447.71
388.68
307.33
318.78
222.71
73.68
60.02
15.69
46.75
53.85
53.68
145.57
149.93
115.45
84.15
44.88
54.40
91.45
87.18
2.23
783.55
763.39
667.99
715.32
704.14
572.77
470.08
419.54
354.17
357.99
289.42
203.12
125.51
150.75
145.17
122.18
125.29
116.50
125.50
93.36
204.19
168.14
139.65
136.44
140.51
2.24
817.08
796.11
696.63
745.67
734.68
602.86
490.52
435.03
360.30
367.95
283.29
159.35
90.81
83.33
102.87
46.85
48.80
64.40
72.56
26.85
122.83
89.88
60.28
55.95
59.39
2.25
861.67
840.30
738.87
788.67
777.85
646.62
529.62
471.93
392.90
402.82
310.45
166.10
121.88
79.17
123.41
52.20
49.09
64.33
65.00
55.10
67.65
55.97
39.20
8.74
6.95
2.26
880.40
858.49
754.59
805.21
794.79
666.14
543.33
483.52
400.56
413.55
314.55
161.41
160.29
102.17
149.60
110.38
106.64
151.23
149.30
144.50
24.72
66.97
90.62
97.65
92.21

Interpretacin: Por ejemplo, en la fila 124 se interpreta de la siguiente manera: 33.55 en la fila 109 y
columna 1.2 indica que existe una distancia de 33.55 metros entre la entrada n 124 y el depsito
1.2 para residuos que arrojan las personas.
Tabla 4.8. Comparacin entre los modelos de cubrimiento parcial para los depsitos de residuos que
arrojan las personas y generan las mascotas
Modelo de Cubrimiento Parcial.
Sistema Actual
Criterios
Mnimo de la mxima
distancia total
Depsitos
intervienen
encontrar el
alcance
que
para
mximo
Distancia
promedio
recorrida por un usuario
Modelo de Cubrimiento Parcial.

Nuevo Sistema
4656.38 metros
3310.93 metros
Son 42 depsitos en (x)={1.27,

1.9, 2.4, 2.16, 1.23, 2.1, 1.3,
1.22, 2.2, 1.45, 1.7, 1.19, 1.46,
1.26, 1.6, 1.4, 2.15, 1.32, 1.41,
2.6, 2.12, 1.40, 1.10, 1.20, 2.14,
1.29, 1.2, 1.47, 2.5, 1.12, 1.50,
1.21, 1.16, 1.31, 1.11, 2.11,
1.42, 1.24, 1.8, 1.43, 1.5, 1.36}
Son 53 depsitos en (x)={1.20,

1.7, 2.4, 1.42, 2.25, 2.1, 1.40, 2.20,
1.17, 2.2, 1.30, 2.19, 1.44, 1.15,
1.28, 1.8, 1.3, 1.5, 1.22, 1.41, 1.47,
2.6, 1.18, 1.48, 1.34, 1.36, 1.43,
2.11, 1.27, 2.16, 1.2, 1.39, 1.16,
1.46, 1.29, 2.5, 1.4, 1.35, 1.33,
1.21, 1.9, 2.26, 1.45, 2.24, 2.23,
1.6, 2.22, 2.13, 1.31, 2.3, 2.18,
1.24, 2.9}
42.33 metros
30.10 metros
110
Tabla 4.9. Solucin ptima al problema de cubrimiento parcial para el NS de limpieza
Localizacin
Depsito
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Depsito
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
1.15
1.16
1.17
1.18
1.20
1.21
1.22
1.24
1.27
1.28
1.29
1.30
Detalle de las entradas al bosque

17 y 18
19, 20, 22 y 23
16
15, 21, 116, 121 y 122
14
70
12, 109, 112 y 114
110 y 111
39, 41, 42 y 106
88
9 y 10
35 y 89
43 y 46
7
Ninguna
6
60, 61, 65, 66 y 73
74, 79, 80 y 81
77 y 83
30, 31, 32 y 33
36
2.1
37
2.2
38
2.3
39
2.4
40
2.5
41
2.6
42
2.9
43
2.11
44
2.13
45
2.16
46
2.18
47
2.19
48
2.20
49
2.22
50
2.23
51
2.24
52
2.25
53
2.26
4, 5 y 68
53, 55, 56 y 57
82
63, 64, 72, 75 y 78
3
Ninguna
49
11
28 y 97
44 y 45
34
36, 90, 91, 92 y 93
104
113
29
115 y 119
123 y 124
120
Interpretacin: Por ejemplo, para la fila 1 se interpreta de la siguiente manera: El primer depsito
que se localiz fue el depsito 1.2, los usuarios que ingresan por las entradas n 17 y 18 tienen que
arrojar los residuos en el depsito 1.2 porque es el ms cercano.
111
CONCLUSIONES
1. La aplicacin de simulacin y cubrimiento en el sistema determin el

almacenaje adecuado de los residuos en el bosque El Olivar de San
Isidro puesto que se hall la cantidad adecuada de los depsitos de cada
tipo y su respectiva localizacin.
2. La cantidad adecuada de los depsitos de residuos, que arrojan las

personas y generan las mascotas, depende de la cantidad de residuos
que ingreso al bosque El Olivar de San Isidro puesto que cuando se hizo
la simulacin con la informacin obtenida y las cantidades de depsitos
de cada tipo cubren las necesidades de limpieza, dado que las medias de
los ingresos de residuos de personas y mascotas en el bosque en
periodos de 3 das son 1765.29 y 933.75
kilogramos lo que sera
equivalente a necesitar 49 y 26 depsitos respectivamente y como se

tienen 49 y 26 depsitos obtenidos por la simulacin para personas y
mascotas respectivamente, se cumple la primera hiptesis especfica.
3. La localizacin adecuada de los depsitos de residuos, que arrojan las

personas y generan las mascotas, depende del lugar del bosque El Olivar
de San Isidro por donde ingresen los usuarios a depositar los residuos
dado que cuando se ubicaron los depsitos en el escenario propuesto
para comprobar la condicin de la heurstica de cubrimiento total, se us
el criterio de que se tenan que colocar los nuevos depsitos en los
espacios del bosque del lado derecho, 14 para personas y 6 para
mascotas, puesto que tienen la mayor cantidad de entradas y todas estas
localizaciones son adecuadas para el modelo. Con ello se cumple la
segunda hiptesis especfica.
112
RECOMENDACIONES
1. Se espera que se implemente el nuevo sistema de limpieza con 49

depsitos para residuos que arrojan las personas y 26 depsitos para
residuos que generan las mascotas puesto que el mnimo de la mxima
distancia total recorrida se reduce en 1345.45 metros con respecto al
sistema actual, eso quiere decir que los depsitos en el sistema actual no
son suficientes con respecto a las entradas para minimizar la mxima
distancia total recorrida con la condicin de distancia dada para el
modelo.
2. Implementar el nuevo sistema de limpieza implica un costo que

comparado al beneficio en distancia total recorrida es nfimo (Costo: Una
implementacin de depsitos en un periodo de tiempo vs Beneficio:
Ahorro en el sueldo mensual de empleados de limpieza por turnos), pues
al hacer este proceso se obtuvo un resultado que redujo en 28.90% el
mnimo de la mxima distancia total recorrida en el sistema actual segn
la heurstica de cubrimiento parcial.
3. Hacer el anlisis segn la teora de colas para saber en qu sistema los

usuarios se demoran menos tiempo en depositar los residuos, puesto
que se hubiera tenido que hacer una toma de datos adicional para hacer
la teora de colas en el sistema y comprobar lo anteriormente dicho y ya
se haba definido como medida de efectividad el mnimo de la mxima
distancia total recorrida.
113
REFERENCIAS BIBLIOGRAFICAS
[1] vila A., R. (2000). Libro: Estadstica Elemental. Lima: Estudios y

Ediciones R.A.
[2] Berger V., E. (2008). Notas de Clase: Simulacin de Sistemas. Lima.
[3] Borras, F. y Pastor, P. (2004). Artculo de Investigacin: Modelos
probabilsticos de localizacin por cubrimiento: una panormica. Elche:
Centro de Investigacin Operativa de la Universidad Miguel Hernndez
de Elche.
[4] Chvez, A. et al. (2002). Revista: Riesgo de contraer enfermedades
parasitarias en los parques pblicos de Lima y Callao. Lima: Revista de
Investigacin Veterinaria.
[5] Durand R., L. (2011). Notas de Clase: Investigacin de Operaciones II,
Casos especiales de programacin entera Uso del Lingo. Lima.
[6] Garca, E., Garca, H. y Crdenas, L. (2006). Libro: Simulacin y anlisis
de sistemas con ProModel. Mxico: Pearson Educacin
[7] Garca, R. y Fauln, Francisco (2001). Artculo: Variables Aleatorias
Continuas. Espaa: Universidad Oberta de Catalua.
[8] Hillier, F. y Lieberman, G. (2002). Libro: Investigacin de Operaciones
(Sptima Edicin). Mxico: Mc Graw Hill
[9] McMillan, C. y Gonzlez, R. (1999). Libro: Anlisis de sistemas, Modelos
de toma de decisiones por computadora. (Segunda Edicin). Mxico.
[10]
Microsoft Visio 2010 Seccin de ayuda al usuario.
[11]
Ministerio de Defensa, Instituto Geogrfico Nacional (2011). Norma

Tcnica: Especificaciones Tcnicas para la Produccin de Cartografa
Bsica Escala 1:1000. Lima.
[12]
Municipalidad de San Isidro Pgina Web: www.msi.gob.pe
[13]
Prawda W., J. (1986). Libro: Mtodos y Modelos de Investigacin de

Operativa Volumen 2 Modelo Estocsticos. Mxico: LIMUSA.
[14]
Schmidt, J. y Taylor, R. (1979). Libro: Anlisis y Simulacin de

Sistema Industriales.
[15]
Velsquez P., C. (2006). Notas de Clase: Modelos Probabilsticos.

Lima.
114
[16]
Von B., K. (1968, Sptima Reimpresin: 1989) Teora General de

los Sistemas; Fundamentos, Desarrollo y aplicaciones. Madrid: Fondo
de Cultura Econmica.
[17]
Winston, W. (2006). Investigacin de Operaciones: Aplicaciones y

Algoritmos. (Cuarta Edicin). Mxico: Iberoamericana.
115
ANEXO
FOTOS DEL BOSQUE EL OLIVAR DE SAN ISIDRO
Figura A.1. Depsitos de residuos que arrojan las personas

Fuente: Elaboracin propia.
Figura A.2. Depsitos de residuos generados por las mascotas

116
Figura A.3. Localizacin del depsito 2.14 del NS de mascotas

Figura A.4. Localizacin cercana de los depsitos 2.11 y 2.12 de mascotas

117



Pacheco VC

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Pacheco VC

Enviado por

Direitos autorais:

Formatos disponíveis

i

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

FACULTAD DE CIENCIAS MATEMTICAS

Estimacin y Localizacin de la Cantidad Adecuada

CSAR ABRAHAM PACHECO VERA

Csar Abraham Pacheco Vera

Tesis presentada a consideracin del cuerpo docente de la Facultad de

Mg. Esther Berger Vidal

Lic. Lucy Haydee De la Cruz Cuadros

Mg. Luis Antonio Durand Romero

PACHECO VERA, CSAR ABRAHAM

BOSQUE EL OLIVAR DE SAN ISIDRO

Dedico los resultados de esta investigacin a mi abuelo Manuel Vera

Agradezco de manera muy especial a los profesores Lic. Vicente Zapana

ESTIMACIN Y LOCALIZACIN DE LA CANTIDAD ADECUADA DE LOS

CSAR ABRAHAM PACHECO VERA

Mg. Luis Antonio Durand Romero

Licenciado en Investigacin Operativa

En la presente tesis se hace uso de la simulacin, para determinar el nmero

Palabras Clave: Simulacin, Localizacin, Mtodo de Cubrimiento.

ESTIMATION AND LOCATION OF THE PROPER AMOUNT OF WASTE

CSAR ABRAHAM PACHECO VERA

Mg. Luis Antonio Durand Romero

Licensed in Operational Research

In this thesis is made use of the simulation to determine the appropriate

Key words: Simulation, Location, Method of Coverage

2.1. Primera seleccin de la ubicacin .............................................................. 50

4.5. Paso 4 y 7 de asignacin de los valores de cubrimiento parcial

= { } de asignacin, = 1, ,124 .............................................................. 105

En la mayora de situaciones de la vida cotidiana el ser humano tiene la

Es por ello que el objeto de este proyecto es el de analizar y simular datos

El objetivo del presente estudio es desarrollar un modelo de pronstico para

Se contrast el sistema observado, con el sistema propuesto, para ello se

En el Captulo I, se da una visin general de la problemtica del caso,

En el Captulo II se realiza una revisin general de la teora bsica de la

En el Captulo III se plantea la hiptesis y se formula el modelo matemtico

En el Captulo IV se presenta el anlisis e interpretacin de los resultados de

Finalmente se presentan las conclusiones y recomendaciones.

PLANTEAMIENTO DEL PROBLEMA

Descripcin del problema en estudio

El crecimiento desordenado de la poblacin que emigr a la ciudad de

Recin en estos ltimos 30 aos se ha comenzado a dar el impulso

Este crecimiento por ende genera mayor poblacin y produce mayor

En este caso se estudi el sistema de limpieza del bosque El Olivar

El bosque el Olivar es el principal centro de atraccin del distrito de

Los factores que generaron la situacin problemtica son: la afluencia

Se hizo el diagnstico de la situacin actual analizando como

1. Encargados de limpieza; son los empleados municipales

2. Depsitos de residuos; son los 50 depsitos destinados para

b. Subsistema de Usuarios del bosque; son las personas que

El mapa de ubicacin de depsitos se muestra en la figura 1.1. El

1.1.1. Resea del bosque El Olivar de San Isidro

Segn las referencias de la municipalidad del distrito de San

constituye no slo un recuerdo vivo de la historia limea, sino

En l y en su entorno se ubican la sede del gobierno municipal,

Formulacin del Problema

1.2.1. Problema General

Los depsitos de residuos que hay dentro del bosque El

1.2.2. Problemas Especficos

1. Cul ser la cantidad de depsitos de residuos, para

2. Cul ser la ubicacin adecuada de depsitos de residuos,

Objetivos del estudio

Esta investigacin pretende alcanzar: