CENTRO DE ESTUDIOS SUPERIORES DE

VERACRUZ

MAESTRA EN INGENIERA ADMINISTRATIVA

ANTOLOGA
MODELOS DE SIMULACIN
ME y ISC OSCAR FRIAS COELLO

INTRODUCCIN

En el mundo actual, tanto en el rea de los negocios, como en la industria y el

gobierno, los proyectos en gran escala y de gran complejidad son la regla y no la
excepcin.
Estos proyectos complejos requieren estudios previos a su construccin o
modificacin, denominados estudios pilotos.
Tales estudios pilotos se realizan utilizando la tcnica llamada modelizacin, es
decir, construccin de modelos donde se realiza el estudio con el fin de obtener
conclusiones aplicables al sistema real.
Construido el modelo, el proceso de ensayar en l una alternativa se llama
simular. El conjunto de alternativas que se definen para su ensayo constituye la
estrategia de la simulacin.
Los objetivos del proyecto definen cul es el sistema y cul el medio ambiente que
lo rodea.
El sistema procura satisfacer las necesidades cambiantes de ese medio ambiente
en el que est insertado. Cada nuevo sistema lo modifica y crea en l nuevas
necesidades.
El sistema para poder subsistir debe adaptarse a los cambios.
Uno de los objetivos de la simulacin es realizar ensayos de cambios en el
sistema probndolos en el modelo, con el fin de elegir la mejor alternativa, y as
enfrentar mejor a una realidad que vara da a da.

OBJETIVO GENERAL
Aplicar el desarrollo de modelos de simulacin estocstica para el estudio de
sistemas y las teoras subyacentes, diseos y alternativas de solucin que
permitan optimizar

sistemas de manufacturas ejecutando todas las tcnicas de

investigacin de operaciones

1. LINEAS DE ESPERA Y SIMULACIN

OBJETIVO DE LA UNIDAD
Determinar el nivel de servicio, ya sea por cantidad de entidades o por la velocidad
de ellas, proporcionar para minimizar el costo total de un sistema.

LINEAS DE ESPERA
Una lnea de espera es el efecto resultante en un sistema cuando la demanda de
un servicio supera la capacidad de proporcionar dicho servicio. Este sistema est
formado por un conjunto de entidades en paralelo que proporcionan un servicio a
las transacciones que aleatoriamente entran al sistema. Dependiendo del sistema
que se trate, las entidades pueden ser cajeras, mquinas, semforos, gras,
etctera, mientras que las transacciones pueden ser: clientes, piezas, autos,
barcos, etctera. Tanto el tiempo de servicio como las entradas al sistema son
fenmenos que generalmente tienen asociadas fuentes de variacin que se
encuentran fuera del control del tomador de decisiones, de tal forma que se hace
necesaria la utilizacin de modelos estocsticos que permitan el estudio de este
tipo de sistemas.
Una lnea de espera puede modelarse como un proceso estocstico en el cual la
variable aleatoria se define como el nmero de transacciones en el sistema en un
momento dado; el conjunto de valores que puede tomar dicha variable es {O, 1, 2,
. . . , N\ y cada uno de ellos tiene asociada una probabilidad de ocurrencia .
Objetivo
En las lneas de espera, existen dos costos perfectamente identificados: el costo
de las transacciones, que representa la cuantificacin monetaria de la prdida de
tiempo al esperar recibir un servicio o la prdida de clientes por abandono del
sistema, y el costo de proporcionar el servicio, que representa la cantidad de
dinero que hay que pagar por cuestin de sueldos y salarios, energa,
mantenimiento y depreciacin del personal o equipo.
De tal forma que en un estudio de lneas de espera el objetivo es determinar qu
nivel de servicio, ya sea por cantidad de entidades o por la velocidad de ellas,
proporcionar para minimizar el costo total del sistema. Este costo est formado
tanto por costo de servicio como por el que causa la espera. Matemticamente
podemos representarlo de la siguiente forma:

Estos conceptos se pueden representar grficamente de acuerdo con el esquema

mostrado

Estructura
Un sistema de espera se representa mediante la llegada de transacciones a un
sistema con el fin de recibir un servicio por cualquiera de una o ms entidades

dispuestas para ello, conocidas como servidores. En caso de que todas las
entidades se encuentren ocupadas, la transaccin permanece en espera en la fila
hasta que decide abandonar la fila sin ser atendido, o bien, es seleccionado de
acuerdo con cierta regla para recibir atencin. Una vez que el servicio ha sido
completamente proporcionado, la transaccin sale del sistema y se convierte de
nuevo en una transaccin potencial.

Servidores
Representan al mecanismo por el cual las transacciones reciben de una manera
completa el servicio deseado. Estas entidades se encuentran dispuestas en forma
paralela a la fila, de tal manera que las transacciones pueden seleccionar a
cualquiera de ellas para el suministro de dicho servicio. Las dos caractersticas
principales de los servidores son: la cantidad asignada por cada fila existente en el
sistema y la distribucin de probabilidad del tiempo de atencin a las
transacciones o de la velocidad de servicio; dentro de las distribuciones ms
comunes estn la exponencial, la Erlang, la hiperexponencial, la degenerada.
Transacciones potenciales
Representan el nmero total de clientes que podran requerir el servicio
proporcionado por el sistema y es necesario definir dos caractersticas para este
conjunto de elementos; la primera tiene que ver con el tamao del conjunto
potencial de clientes, dando, en consecuencia, conjuntos limitados o finitos y en
otros casos conjuntos ilimitados o infinitos.
La segunda caracterstica se refiere a la distribucin de probabilidad del tiempo
entre llegadas o bien a la tasa de entrada promedio. Es comn encontrarse la
suposicin de tasas de llegada que siguen un proceso Poisson, el cual ocurre
cuando las llegadas a un sistema se llevan a cabo de forma aleatoria; es
importante hacer notar que una de las propiedades de esta distribucin es su
relacin con el tiempo entre llegadas consecutivas, que se representa en forma
paralela, de acuerdo con un proceso de tipo exponencial.
Existen algunos sistemas donde la tasa de llegadas se ve afectada por la decisin
de una transaccin de rehusar su entrada al sistema por razones diversas, por
ejemplo del tamao de la fila.
Fila
Es el conjunto de transacciones que espera ser atendido por alguno de los
servidores del sistema. Una fila tiene tres caractersticas principales, la primera se
refiere a la capacidad, o sea, al nmero mximo de transacciones que pueden
permanecer en ella en un mismo instante y de acuerdo con este nmero se
clasifican como finitas o infinitas. Hay que hacer notar que en el caso de los

modelos con tamao finito, la solucin es mucho ms fcil de encontrar a partir de

las ecuaciones generales ya que la solucin del modelo se reduce a un sistema de
ecuaciones simultneas y a la evaluacin de las medidas de desempeo mediante
promedios ponderados, mientras que, en el caso de modelos de tipo ilimitado o
infinito, es necesario recurrir a la solucin del sistema de ecuaciones as como a la
evaluacin de las medidas de desempeo y a algunas series geomtricas que
dificultan en cierto grado el manejo algebraico de la solucin. La segunda
caracterstica es el orden en que las transacciones son extradas de la fila para su
atencin, en ese caso podemos encontrar: primeras llegadas, primeros servicios,
por prioridad, aleatorio, etctera y, por ltimo/la forma de salir de la fila, que puede
darse mediante el proceso de servicio o bien, mediante el abandono por factores
como desesperacin, hasto, etctera.

MODELACIN Y DISEO BSICO

OBJETIVO DE LA UNIDAD
Predecir una situacin mostrando lo que suceder en un sistema real cuando se
realicen determinados cambios bajo determinadas condiciones que se pueden
presentar, para de estar forma minimizar los gastos tanto econmicos como de
tiempo para el personal o empresa que lo requiera.
Introduccin a la simulacin
En aos recientes, el advenimiento de nuevos y mejores desarrollos en el rea de
la computacin ha trado consigo innovaciones igualmente importantes en los
terrenos de la toma de decisiones y el diseo de procesos y productos. En este
sentido, una de las tcnicas de mayor impacto es la simulacin.
Hoy en da, el analista tiene a su disposicin una gran cantidad de software de
simulacin que le permite tomar decisiones en temas muy diversos. Por ejemplo,
determinar la mejor localizacin de una nueva planta, disear un nuevo sistema de
trabajo o efectuar el anlisis productivo de un proceso ya existente pero que
requiere mejoras. Sin duda, la facilidad que otorga a la resolucin de stas y
muchas otras problemticas, ha hecho de la simulacin una herramienta cuyo uso
y desarrollo se han visto significativamente alentados.
Cada vez resulta ms sencillo encontrar paquetes de software con gran capacidad
de anlisis, as como mejores animaciones y caractersticas para generacin de
reportes. En general, dichos paquetes ya sea orientados a procesos, a servicios
o de ndole genera nos proveen de una enorme diversidad de herramientas
estadsticas que permiten un manejo ms eficiente de la informacin relevante
bajo anlisis, y una mejor presentacin e interpretacin de la misma.
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, en este
libro nos ocuparemos 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.
Por ejemplo, un proceso de inspeccin donde sabemos estadsticamente que
0.2% de los productos tiene algn tipo de defecto puede simularse con facilidad

mediante una simple hoja de clculo, considerando estadsticas de rechazos y

productos conformes, y asignando una distribucin de probabilidad con 0.2% de
oportunidad de defecto para cada intento de inspeccin.
Comenzaremos por definir el concepto de simulacin de eventos discretos como el
conjunto de relaciones lgicas, matemticas y probabilsimas que integran el
comportamiento de un sistema bajo estudio cuando se presenta un evento
determinado. El objetivo del modelo de simulacin consiste, precisamente, en
comprender, analizar y mejorar las condiciones de operacin relevantes del
sistema.
La definicin bsica de sistema nos dice que se trata de un conjunto de elementos
que se interrelacionan para funcionar como un todo; desde el punto de vista de la
simulacin, tales elementos deben tener una frontera clara. Por ejemplo, podemos
hablar del sistema de atencin de clientes en un banco, del sistema de inventarios
de una empresa o del sistema de atencin en la sala de emergencia de un
hospital. Cada uno de ellos puede dividirse en elementos que son relevantes para
la construccin de lo que constituir su modelo de simulacin; entre ellos tenemos
entidades, estado del sistema, eventos actuales y futuros, localizaciones,
recursos, atributos, variables y el reloj de la simulacin.
Una 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 los clientes que llegan a la caja de un banco, las piezas que
llegan a un proceso o el embarque de piezas que llega a un inventario.
El estado del sistema es la condicin que guarda el 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 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 equipo).
Un 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, imagine que cierta pieza entra a una mquina para que
sta realice un proceso. El evento actual sera precisamente que la entidad
llamada "pieza" se encuentra en 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 y

almacenamiento, inspeccin o entrada a otra mquina.
Las 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,
etctera.
Los recursos son aquellos dispositivos diferentes a las localizaciones
necesarios para llevar cabo una operacin. Por ejemplo, un montacargas que
transporta una pieza de un lugar a otro: una persona que realiza la inspeccin en
una estacin y toma turnos para descansar; una herramienta necesaria para
realizar un proceso pero que no forma parte de una localizacin especfica, sino
que es trasladada de acuerdo con los requerimientos de aquel.
Un 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 tiles para diferenciar entidades sin necesidad de generar una entidad nueva,
y pueden adjudicarse al momento de la creacin de la entidad, o asignarse y/o
cambiarse durante el proceso.
Como indica su nombre, las variables son condiciones cuyos valores se crean y
modifican por medio de ecuaciones matemticas y relaciones lgicas. Pueden ser
continuas (por ejemplo, el costo promedio de operacin de un sistema) o discretas
(por ejemplo, el nmero de unidades que deber empacarse en un contenedor).
Las variables son muy tiles para realizar conteos de piezas y ciclos de operacin,
as como para determinar caractersticas de operacin del sistema.
El 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.
Regresando al ejemplo de la pieza en la mquina, cuando el tiempo de proceso se
cumpla, la pieza seguir su camino hasta su siguiente localizacin; el reloj de la
simulacin simula precisamente ese tiempo.
Podemos hablar de dos tipos de reloj de simulacin: el reloj de simulacin
absoluto, que parte de cero y termina en un tiempo total de simulacin definido, y
el reloj de simulacin relativo, que slo considera el lapso de tiempo que
transcurre entre dos eventos. Por ejemplo, podemos decir que el tiempo de
proceso de una pieza es relativo, mientras que el tiempo absoluto sera el tiempo
global de la simulacin: desde que la pieza entr a ser procesada hasta el
momento en el que termin su proceso.

Como se mencion antes, existen distintos modelos de simulacin que permiten

representar situaciones reales de diferentes tipos. Podemos tener modelos fsicos
como el del avin que mencionamos en la seccin anterior o modelos
matemticos, a los cuales pertenecen los modelos de simulacin de eventos
discretos. Asimismo, los modelos pueden diferenciarse segn el tipo de
ecuaciones matemticas que los componen. Por ejemplo, se conoce como
modelos continuos a aquellos en los que las relaciones entre las variables
relevantes de la situacin real se definen por medio de ecuaciones diferenciales,
dado que stas permiten conocer el comportamiento de las variables en un lapso
de tiempo continuo. Problemas como saber de qu manera se transfiere el'calor
en un molde o determinar cmo fluye cierto material dentro de una tubera, e
incluso discernir el comportamiento del nivel de un tanque de gasolina al paso del
tiempo mientras el vehculo est en marcha, pueden simularse en estos trminos.
Adems de modelos continuos tenemos modelos discretos. En ellos el comporta- *
miento que nos interesa analizar puede representarse por medio de ecuaciones
evaluadas en un punto determinado. Por ejemplo, si hacemos un muestreo del
nmero de personas que llegaron a un banco en un lapso de tiempo especfico,
podemos simular esta variable con ecuaciones ligadas a distribuciones de
probabilidad que reflejen dicho comportamiento.
Otro tipo de clasificacin es el de los modelos dinmicos o estticos. Los modelos
dinmicos son aquellos en los que el estado del sistema que estamos analizando
cambia respecto del tiempo. Por ejemplo, el nmero de personas que hacen fila
para entrar a una sala de cine vara con el tiempo. Por otro lado, los modelos
estticos representan un resultado bajo un conjunto de situaciones o condiciones
determinado; por ejemplo, al lanzar un dado los nicos valores que se puede
obtener son 1,2,3,4,5 o 6, de manera que el resultado de la simulacin ser uno
de tales valores posibles; este tipo de simulacin generalmente se conoce como
simulacin de Monte Carlo.
Por ltimo, podemos hablar de modelos determinsticos y modelos probabilsticos,
conocidos tambin como estocsticos. Los primeros se refieren a relaciones
constantes entre los cambios de las variables del modelo. Por ejemplo, si las cajas
empleadas en un proceso contienen siempre 5 productos, cada vez que se aada
una caja al inventario ste se incrementar en 5 unidades. Si, por el contrario, se
da una distribucin de probabilidad en el proceso de manera que algunas cajas
contienen 3 productos, otras 4 y as por el estilo, el inventario se modificar segn
el nmero de piezas de cada caja y, en consecuencia, ser necesario un modelo
estocstico. En el caso de la simulacin de eventos discretos hablaremos de
modelos matemticos, discretos, dinmicos, y que pueden incluir variables
determinsticas y probabilsticas.
Ejemplo 1

Un taller recibe ciertas piezas, mismas que son acumuladas en un almacn

temporal en donde esperan a ser procesadas. Esto ocurre cuando un operario
transporta las piezas del almacn a un torno. Desarrolle un modelo que incluya el
nmero de piezas que hay en el almacn esperando a ser atendidas en todo
momento, y el nmero de piezas procesadas en el torno.
En la siguiente figura podemos observar cmo se vera un modelo de simulacin
para este ejemplo.

En este ejemplo podemos identificar algunos de los elementos que participan en

un modelo de simulacin, de acuerdo con las definiciones que hemos comentado:
Sistema: En este caso, el sistema est conformado por el conjunto de elementos
interre-lacionados para el funcionamiento del proceso: las piezas, el almacn
temporal, el operario, el torno.
Entidades: En este modelo slo tenemos una entidad: las piezas, que representan
los flujos de entrada al sistema del problema bajo anlisis.
Estado del sistema: Podemos observar que cuando llevamos 1 hora 10 minutos de
simulacin (vea el extremo superior derecho de la figura) en el almacn se
encuentran 9 piezas esperando a ser procesadas; el operario est transportando
una pieza ms para procesarla en el torno. El torno, por lo tanto, no est
trabajando en ese momento, aunque ya ha procesado 4 piezas. Adems de estos
datos, podemos llevar un control de otras estadsticas relacionadas con el estado
del sistema, como el tiempo promedio de permanencia de las piezas en los
estantes del almacn temporal o en el sistema global.

Eventos: Entre otros, podramos considerar como eventos de este sistema el

tiempo de descanso del operario o la salida de una pieza tras ser procesada por el
torno. Adems es posible identificar un evento futuro: la llegada de la siguiente
pieza al sistema (tendramos ms eventos de este tipo respecto de las piezas que
esperan a que el operario las tome).
Localizaciones: En este caso tenemos el almacn al que debern llegar las piezas
y en el que esperarn a ser procesadas, as como el torno en donde esto ocurrir.
Recursos: En este modelo, un recurso es el operario que transporta las piezas del
almacn al torno.
Atributos: Digamos que (aunque no se menciona en el ejemplo) las piezas pueden
ser de tres tamaos diferentes. En este caso, un atributo llamado tamao podra
agregarse a la informacin de cada pieza que llega al sistema, para
posteriormente seleccionar el tipo de operacin que deber realizarse y el tiempo
necesario para llevarla a cabo de acuerdo con dicho atributo.
Variables: Tenemos dos variables definidas en este caso: el nmero de piezas en
el almacn y el nmero de piezas procesadas en el torno.
Reloj de la simulacin: Como se puede ver en la esquina superior derecha de la
figura 1.1, en este momento la simulacin lleva 1 hora 10 minutos. El reloj de la
simulacin continuar avanzando hasta el momento que se haya establecido para
el trmino de la simulacin, o hasta que se cumpla una condicin lgica para
detenerla, por ejemplo, el nmero de piezas que se desean simular.
Otro concepto importante que vale la pena definir es el de rplica o corrida de la
simulacin.
Cuando ejecutamos el modelo en una ocasin, los valores que obtenemos de las
variables y parmetros al final del tiempo de simulacin generalmente sern
distintos de los que se producirn si lo volvemos a correr usando diferentes
nmeros pseudo aleatorios.
Por lo tanto, es necesario efectuar ms de una rplica del modelo que se est
analizando, con la finalidad de obtener estadsticas de intervalo que nos den una
mejor ubicacin del verdadero valor de la variable bajo los diferentes escenarios
que se presentan al modificar los nmeros pseudo aleatorios en cada oportunidad.
En este sentido, la pregunta clave es cunto tiempo se debe simular un modelo
para obtener resultados confiables. En general, podemos decir que todas las
variables que se obtienen en trminos de promedios presentan dos diferentes
etapas: un estado transitorio y un estado estable. El primero se presenta al
principio de la simulacin; por ejemplo, en el arranque de una planta, cuando no
tiene material en proceso: el ltimo de los procesos estar inactivo hasta que el
primer cliente llegue, y si el tiempo de simulacin es bajo, su impacto sobre la

utilizacin promedio de este proceso ser muy alto, lo cual no ocurrira si el

modelo se simulara lo suficiente para lograr una compensacin. En el estado
transitorio hay mucha variacin entre los valores promedio de las variables de
decisin del modelo, por lo que formular conclusiones con base en ellos sera muy
arriesgado, toda vez que difcilmente nos daran una representacin fiel de la
realidad.
Por otro lado, en el estado estable los valores de las variables de decisin
permanecen muy estables, presentando slo variaciones poco significativas. En
este momento las decisiones que se tomen sern mucho ms confiables. Sin
embargo no todas las variables convergen al estado estable con la misma rapidez:
algunas pasan con ms lentitud que otras de un estado transitorio a un estado
estable. Es responsabilidad del analista verificar que las variables de decisin del
modelo se encuentren en estado estable antes de detener el tiempo de la
simulacin.
Otro factor importante para decidir el tiempo de simulacin es el costo de la
corrida. Mayor tiempo de simulacin requiere ms tiempo computacional, lo cual
implica, necesariamente, un costo ms alto.
Dentro de las ventajas ms comunes que ofrece la simulacin podemos citar las
siguientes:
a) Es muy buena herramienta para conocer el impacto de los cambios en los
procesos sin necesidad de llevarlos a cabo en la realidad.
b) Mejora el conocimiento del proceso actual al permitir que el analista vea cmo
se comporta el modelo generado bajo diferentes escenarios.
c) Puede utilizarse como medio de capacitacin para la toma de decisiones.
d) Es ms econmico realizar un estudio de simulacin que hacer muchos
cambios en los procesos reales.
e) Permite probar varios escenarios en busca de las mejores condiciones de
trabajo de los procesos que se simulan.
f) En problemas de gran complejidad, la simulacin permite generar una buena
solucin.
g) En la actualidad los paquetes de software para simulacin tienden a ser ms
sencillos, lo que facilita su aplicacin.
h) Gracias a las herramientas de animacin que forman parte de muchos de esos
paquetes es posible ver cmo se comportar un proceso una vez que sea
mejorado.

Entre las desventajas que puede llegar a presentar la simulacin estn:

a) Aunque muchos paquetes de software permiten obtener el mejor escenario a
partir de una combinacin de variaciones posibles, la simulacin no es una
herramienta de optimizacin.
b) La simulacin puede ser costosa cuando se quiere emplearla en problemas
relativamente sencillos de resolver, en lugar de utilizar soluciones analticas que
se han desarrollado de manera especfica para ese tipo de casos.
c) Se requiere bastante tiempo generalmente meses para realizar un buen
estudio de simulacin; por desgracia, no todos los analistas tienen la disposicin
(o la oportunidad) de esperar ese tiempo para obtener una respuesta.
d) Es preciso que el analista domine el uso del paquete de simulacin y que tenga
slidos conocimientos de estadstica para interpretar los resultados.
Pasos para realizar un estudio de simulacin
Debemos considerar que igual a como ocurre con otras herramientas de
investigacin la realizacin de un estudio de simulacin requiere la ejecucin de
una serie de actividades y anlisis que permitan sacarle el mejor provecho. A
continuacin se mencionan los pasos bsicos para realizar un estudio de
simulacin, aunque en muchas ocasiones ser necesario agregar otros o suprimir
algunos de los aqu enumerados, de acuerdo con la problemtica en cuestin.
1. Definicin del sistema bajo estudio. En esta etapa es necesario conocer el
sistema a modelar. Para ello se requiere saber qu origina el estudio de
simulacin y establecer los supuestos del modelo: es conveniente definir con
claridad las variables de decisin del modelo, determinar las interacciones entre
stas y establecer con precisin los alcances y limitaciones que aquel podra llegar
a tener.
Antes de concluir este paso es recomendable contar con la informacin suficiente
para lograr establecer un modelo conceptual del sistema bajo estudio, incluyendo
sus fronteras y todos los elementos que lo componen, adems de las
interacciones entre stos, flujos de productos, personas y recursos, as como las
variables de mayor inters para el problema.
2. Generacin del modelo de simulacin base. Una vez que se ha definido el
sistema en trminos de un modelo conceptual, la siguiente etapa del estudio
consiste en la generacin de un modelo de simulacin base. No es preciso que
este modelo sea demasiado detallado, pues se requiere mucha ms informacin
estadstica sobre el comportamiento de las variables de decisin del sistema. La
generacin de este modelo es el primer reto para el programador de la simulacin,
toda vez que debe traducir a un lenguaje de simulacin la informacin que se
obtuvo en la etapa de definicin del sistema, incluyendo las interrelaciones de

todos los posibles subsistemas que existan en el problema a modelar. En caso de

que se requiera una animacin, ste tambin es un buen momento para definir
qu grfico puede representar mejor el sistema que se modela.
Igual que ocurre en otras ramas de la investigacin de operaciones, la simulacin
exige ciencia y arte en la generacin de sus modelos. El realizador de un estudio
de simulacin es, en este sentido, como un artista que debe usar toda su
creatividad para realizar un buen modelo que refleje la realidad del problema que
se est analizando. Conforme se avanza en el modelo base se pueden ir
incluyendo las variables aleatorias del sistema, con sus respectivas distribuciones
de probabilidad asociadas.
3. Recoleccin y anlisis de datos. De manera paralela a la generacin del modelo
base, es posible comenzar la recopilacin de la informacin estadstica de las
variables aleatorias del modelo. En esta etapa se debe determinar qu informacin
es til para la determinacin de las distribuciones de probabilidad asociadas a
cada una de las variables aleatorias innecesarias para la simulacin. Aunque en
algunos casos se logra contar con datos estadsticos, suele suceder que el
formato de almacenamiento o de generacin de reportes no es el apropiado para
facilitar el estudio. Por ello es muy importante dedicar el tiempo suficiente a esta
actividad. De no contar con la informacin necesaria o en caso de desconfiar de la
que se tiene disponible, ser necesario realizar un estudio estadstico del
comportamiento de la variable que se desea identificar, para posteriormente
incluirla en el modelo. El anlisis de los datos necesarios para asociar una
distribucin de probabilidad a una variable aleatoria, as como las pruebas que se
debe aplicar a los mismos, se analizarn ms adelante.
Al finalizar la recoleccin y anlisis de datos para todas las variables del modelo,
se tendrn las condiciones necesarias para generar una versin preliminar del
problema que se est simulando.
4. Generacin del modelo preliminar. En esta etapa se integra la informacin
obtenida a partir del anlisis de los datos, los supuestos del modelo y todos los
datos que se requieran para tener un modelo lo ms cercano posible a la realidad
del problema bajo estudio. En algunos casos sobre todo cuando se trata del
diseo de un nuevo proceso o esquema de trabajo no se cuenta con
informacin estadstica, por lo que debe estimarse un rango de variacin o
determinar (con ayuda del cliente) valores constantes que permitan realizar el
modelado. Si ste es el caso, el encargado de la simulacin puede, con base en
su experiencia, realizar algunas sugerencias de distribuciones de probabilidad que
comnmente se asocien al tipo de proceso que se desea incluir en el modelo. Al
finalizar esta etapa el modelo est listo para su primera prueba: su verificacin o,
en otras palabras, la comparacin con la realidad.
5. Verificacin del modelo. Una vez que se han identificado las distribuciones de
probabilidad de las variables del modelo y se han implantado los supuestos
acordados, es necesario realizar un proceso de verificacin de datos para

comprobar la propiedad de la programacin del modelo, y comprobar que todos

los parmetros usados en la simulacin funcionen correctamente. Ciertos
problemas, en especial aquellos que requieren muchas operaciones de
programacin o que involucran distribuciones de probabilidad difciles de
programar, pueden ocasionar que el comportamiento del sistema sea muy
diferente del que se esperaba. Por otro lado, no se debe descartar la posibilidad
de que ocurran errores humanos al alimentar el modelo con la informacin. Incluso
podra darse el caso de que los supuestos iniciales hayan cambiado una o varias
veces durante el desarrollo del modelo. Por lo tanto, debemos asegurarnos de que
el modelo que se va a ejecutar
est basado en los ms actuales.
Una vez que se ha completado la verificacin, el modelo est listo para su
comparacin con la realidad del problema que se est modelando. A esta etapa se
le conoce tambin como validacin del modelo.
6. Validacin del modelo. El proceso de validacin del modelo consiste en realizar
una serie de pruebas al mismo, utilizando informacin de entrada real para
observar su comportamiento y analizar sus resultados.
Si el problema bajo simulacin involucra un proceso que se desea mejorar, el
modelo debe someterse a prueba con las condiciones actuales de operacin, lo
que nos dar como resultado un comportamiento similar al que se presenta
realmente en nuestro proceso.
Por otro lado, si se est diseando un nuevo proceso la validacin resulta ms
complicada. Una manera de validar el modelo en este caso, consiste en introducir
algunos escenarios sugeridos por el cliente y validar que el comportamiento sea
congruente con las expectativas que se tienen de acuerdo con la experiencia.
Cualquiera que sea la situaciones importante que el analista conozca bien el
modelo, de manera que pueda justificar aquellos comportamientos que sean
contrarios a las experiencias de los especialistas en el proceso que participan de
su validacin.
7. Generacin del modelo final. Una vez que el modelo se ha validado, el analista
est listo para realizar la simulacin y estudiar el comportamiento del proceso. En
caso de que se desee comparar escenarios diferentes para un mismo problema,
ste ser el modelo raz; en tal situacin, el siguiente paso es la definicin de los
escenarios a analizar.
8. Determinacin de los escenarios para el anlisis. Tras validar el modelo es
necesario acordar con el cliente los escenarios que se quiere analizar. Una
manera muy sencilla de determinarlos consiste en utilizar un escenario pesimista,
uno optimista y uno intermedio para la variable de respuesta ms importante. Sin
embargo, es preciso tomar en cuenta que no todas las variables se comportan,
igual ante los cambios en los distintos escenarios, por lo que tal vez sea necesario
que ms de una variable de respuesta se analice bajo las perspectivas pesimista,

optimista e intermedia. El riesgo de esta situacin radica en que el analista podra

caer en un diseo de experimentos capaz de generar una gran cantidad de
rplicas, lo que redundara en un incremento considerable de costo, anlisis y
tiempo de simulacin. Es por ello que muchos paquetes de simulacin cuentan
con herramientas para realizar este proceso, eliminando la animacin y acortando
los tiempos de simulacin. Estas herramientas permiten realizar varias rplicas del
mismo escenario para obtener resultados con estadsticas importantes respecto
de la toma de decisiones (por ejemplo, los intervalos de confianza).
Por su parte, el analista tambin puede contribuir a la seleccin de escenarios,
sugiriendo aquellos que considere ms importantes; al hacerlo dar pie a que se
reduzca el nmero de combinaciones posibles.
9. Anlisis de sensibilidad. Una vez que se obtienen los resultados de los
escenarios es importante realizar pruebas estadsticas que permitan comparar los
escenarios con los mejores resultados finales. Si dos de ellos tienen resultados
similares ser necesario comparar sus intervalos de confianza respecto de la
variable de respuesta final. Si no hay interseccin de intervalos podremos decir
con certeza estadstica que los resultados no son iguales; sin embargo, si los
intervalos se traslapan ser imposible determinar, estadsticamente hablando, que
una solucin es mejor que otra. Si se desea obtener un escenario "ganador" en
estos casos, ser necesario realizar ms rplicas de cada modelo y/o incrementar
el tiempo de simulacin de cada corrida. Con ello se busca acortar los intervalos
de confianza de las soluciones finales y, por consiguiente, incrementar la
probabilidad de diferenciar las soluciones.
10. Documentacin del modelo, sugerencias y conclusiones. Una vez realizado el
anlisis de los resultados, es necesario efectuar toda la documentacin del
modelo. Esta documentacin es muy importante, pues permitir el uso del modelo
generado en caso de que se requieran ajustes futuros. En ella se deben incluir los
supuestos del modelo, las distribuciones asociadas a sus variables, todos sus
alcances y limitaciones y, en general, la totalidad de las consideraciones de
programacin. Tambin es importante incluir sugerencias tanto del uso del modelo
como sobre los resultados obtenidos, con el propsito de realizar un reporte ms
completo. Por ltimo, debern presentarse asimismo las conclusiones del proyecto
de simulacin, a partir de las cuales es posible obtener los reportes ejecutivos
para la presentacin final.
Se presenta una grfica de Gantt en donde se muestra, a manera de ejemplo, la
planificacin de los pasos para realizar una simulacin que hemos comentado en
esta seccin.

3.- MODELACIN Y DISEO GENERAL

OBJETIVO DE LA UNIDAD
Adquirir la capacidad de comparar y contrastar mtodos para la generacin de
nmeros aleatorios que permitan ser incorporados con el mnimo error en software
de simulacin de procesos.

Los nmeros pseudoaleatorios

Para poder realizar una simulacin que incluya variabilidad dentro de sus eventos,
es preciso generar una serie de nmeros que sean aleatorios por s mismos, y que
su aleatoriedad se extrapole al modelo de simulacin que se est construyendo.
Como puede comprender en la construccin del modelo los nmeros aleatorios
juegan un papel relevante.
As, una de las primeras tareas que es necesario llevar a cabo consiste en
determinar si los nmeros 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 tendramos que generar un
nmero infinito de valores que nos permitiera 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. Casi todas las aplicaciones comerciales
tienen varios generadores de nmeros pseudo aleatorios que pueden generar un
conjunto muy grande de nmeros sin mostrar correlacin entre ellos. En el
presente captulo discutiremos algunos de los mtodos de generacin de nmeros
pseudo aleatorios, y precisaremos qu caractersticas deben tener para
emplearlos como una fuente confiable de variabilidad dentro de los modelos.
Asimismo se mostrarn algunas de las pruebas ms comunes para comprobar
qu tan aleatorios son los nmeros obtenidos con dichos generadores.
Algoritmo de cuadrados medios
Este algoritmo no congruencial fue propuesto en la dcada de los cuarenta del
siglo xx por Von Neumann y Metrpolism. Requiere un nmero entero detonador
(llamado semilla) con D dgitos, el cual es elevado al cuadrado para seleccionar
del resultado los D dgitos del centro; el primer nmero r se determina
simplemente anteponiendo el "0."a esos dgitos. Para obtener el segundo r se
sigue el mismo procedimiento, slo que ahora se elevan al cuadrado los D dgitos

del centro que se seleccionaron para obtener el primer r. Este mtodo se repite
hasta obtener n nmeros rr A continuacin se presentan con ms detalle los pasos
para generar nmeros con el algoritmo de cuadrados medios.
1. Seleccionar una semilla (X0) con D dgitos (D > 3).
2. Sea X0 = resultado de elevar XQ al cuadrado; sea X, = los D dgitos del centro,
y sea r(. = 0.D dgitos del centro.
3. Sea Y. = resultado de elevar X al cuadrado; sea XM = los D dgitos del centro,
y sea f = 0.D dgitos del centro para toda / = 1,2,3,..., n.
4. Repetir el paso 3 hasta obtener los n nmeros r deseados.
Nota: Si no es posible obtener los D dgitos del centro del nmero Y-, agregue
ceros a la izquierda del nmero Y.
Para ilustrar la mecnica del algoritmo de cuadrados medios se presenta el
siguiente ejemplo.
Ejemplo 2
Generar los primeros 5 nmeros r a partir de una semilla XQ = 5 735, de donde
se puede observar que D = 4 dgitos.

El algoritmo de cuadrados medios generalmente es incapaz de generar una

secuencia de t con periodo de vida n grande. Adems, en ocasiones slo es
capaz de generar un nmero, por ejemplo, si X0 = 1 000, entonces X, = 0000; r =
0.0000 y se dice que el algoritmo se degenera con la semilla de XQ = 1 000.
Algoritmo de productos medios
La mecnica de generacin de nmeros pseudo aleatorios de este algoritmo no
congruencial es similar a la del algoritmo de cuadrados medios. La diferencia entre
ambos radica en que el algoritmo de productos medios requiere dos semillas,
ambas con D dgitos; adems, en lugar de elevarlas al cuadrado, las semillas se
multiplican y del producto se seleccionan los D dgitos del centro, los cuales
formarn el primer nmero pseudo aleatorio r = 0.D dgitos. Despus se elimina

una semilla, y la otra se multiplica por el primer nmero de D dgitos, para luego
seleccionar del producto los D dgitos que conformarn un segundo nmero r(..
Entonces se elimina la segunda semilla y se multiplican el primer nmero de D
dgitos por el segundo nmero de D dgitos; del producto se obtiene el tercer
nmero r. Siempre se ir eliminando el nmero ms antiguo, y el procedimiento
se repetir hasta generar los n nmeros pseudo aleatorios. A continuacin se
presentan con ms detalle los pasos del mtodo para generar nmeros con el
algoritmo de producto medios.
1. Seleccionar una semilla (X0) con D dgitos (D > 3).
2. Seleccionar una semilla (X}) con D dgitos (D > 3).
3. Sea V0 = XQ*X:; sea X2 = los D dgitos del centro, y sea r. = 0.D dgitos del
centro.
4. Sea f = X*X+1; sea X+2 = los D dgitos del centro, y sea r+1 = 0.D dgitos del
centro para toda f= 1,2,3,...,/?;
5. Repetir el paso 4 hasta obtener los n nmeros r deseados.
Nota: Si no es posible obtener los D dgitos del centro del nmero agregue ceros a
la izquierda del nmero Y.
Para ilustrar la mecnica del algoritmo de productos medios se presenta el
siguiente ejemplo.
Ejemplo 2
Generar los primeros 5 nmeros r a partir de las semillas X0 = 5 015 y X, = 5 734;
observe que ambas semillas tienen D = 4 dgitos.

Introduccin al uso de ProModel

ProModel es uno de los paquetes de software comercial para simulacin 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. La misma
compaa de desarrollo ofrece otros paquetes, como MedModel y ServiceModel,
diseados para simulacin de sistemas mdicos y de servicios, respectivamente.
Sin embargo, aunque no es su especialidad, podemos realizar buenas
simulaciones de operaciones de servicio usando ProModel, tal como se ver a lo
largo de este captulo.
Para conocer las noticias ms recientes sobre nuevos productos y casos de
aplicacin, visite la pgina Web http://www.promodel.com, la cual tambin pone a
su disposicin demos de sus artculos e informacin referente a los mismos.

Elementos bsicos
En ProModel 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 ProModel uno de
los mejores paquetes de simulacin que existen en el mercado. A continuacin
daremos una breve descripcin de cada uno de ellos.
ProModel. 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 modelo, tanto contadores como relaciones
lgicas, flujos, actividades y ciclos de produccin, por ejemplo.
Editor grfico. El editor grfico de ProModel 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. ProModel 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 (algunas de cuyas funciones se comentaron ya en el captulo 3),

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 ProModel
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. sta es una herramienta muy til en el anlisis posterior del modelo.
Con ella se pueden disear experimentos 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 ProModel facilitan el uso y la
programacin del software.
Estructura de programacin en ProModel
En ProModel, la programacin para la simulacin constituye slo 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 ProModel,
en este captulo utilizaremos varios ejemplos que nos llevarn de lo ms simple a
lo ms complejo. 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, le recomendamos
consultar los manuales de referencia que acompaan al paquete.
Construccin de un modelo
En esta seccin comenzaremos nuestro anlisis de algunas de las instrucciones
de programacin del paquete. Para empezar, comentaremos algunos modelos
bsicos de lneas de espera.
Modelo M/M/1 de lneas de espera
Un modelo sencillo de lneas de espera podra describirse como aquel en donde el
tiempo entre llegadas y el tiempo de servicio son exponenciales. Consideraremos
que el orden de atencin (clientes en espera de algn servicio, piezas
involucradas en un proceso de ensamble, etc.) sigue la estructura "primero que
llega, primero en recibir atencin" Por otro lado, daremos por sentado que tanto la

capacidad de clientes (o piezas) que puede haber en el sistema analizado en un

tiempo determinado como la poblacin que puede requerir del servicio, son
infinitas.
Modelado de un sistema que incluye ms de un proceso
A un sistema arriban 2 tipos de piezas. La primera es un engrane que llega a una
estacin de rectificado donde se procesa por 31 minutos; la distribucin de
probabilidad asociada a las llegadas de este engrane a la fila de la rectificadora es
una distribucin normal con tiempo promedio de 13 minutos y desviacin estndar
de 2 minutos. La segunda pieza es una placa de metal que llega a una prensa con
una distribucin de probabilidad exponencial con media de 12 minutos. La prensa
procesa un engrane cada 3 minutos con distribucin exponencial. Al terminar sus
procesos iniciales, cada una de estas piezas pasa a un proceso automtico de
lavado que permite limpiar 2 piezas a la vez de manera independiente; este
proceso, con distribucin constante, tarda 10 minutos. Finalmente, las piezas son
empacadas en una estacin que cuenta con 2 operadores, cada uno de los cuales
empaca un engrane en 51 minuto y una placa en 72 minutos. Se sabe que los
tiempos de transporte entre las estaciones es de 3 minutos con distribucin
exponencial.
No hay almacenes entre cada proceso: slo se tiene espacio para 30 piezas antes
de la prensa y 30 antes de la rectificadora. Asuma que cada da de trabajo es de 8
horas.
Simule este sistema por 40 das, indicando el momento en que se inicia y se
termina la simulacin.

Esquematizacin inicial del modelo

Antes de comenzar a definir el modelo en ProModel, es conveniente analizar el
problema. El primer paso consiste en esquematizar el sistema.
Recordemos que el modelado en ProModel comienza por la definicin de las
localizaciones fsicas de nuestros procesos, en este caso:
1. La fila de llegada para la rectificadora, con capacidad para 30 piezas.
2. La fila de llegada para la prensa, con capacidad para 30 piezas.
3. El proceso de rectificado, con capacidad para una pieza.
4. El proceso de prensado, con capacidad para una pieza.
5. El proceso de limpieza, con capacidad para limpiar dos piezas de manera
independiente.
6. El proceso de empaque, en el que participan dos operadores independientes.

Aplicaciones prcticas de modelos estadsticos

Sistemas de Colas

La distribucin del tiempo entre llegadas y la distribucin del nmero de

llegadas por periodo de tiempo son importantes a la hora de simular los
sistemas de colas.

El tiempo de servicio puede ser constante o probabilstico.

Distribuciones utilizadas:
o Exponencial. Si los tiempos de servicio son completamente
aleatorios.
o Normal. Si los tiempos de servicio son constantes pero existe una
variabilidad que produce fluctuaciones positivas y negativas.
o Normal Truncada. Si existen valores de la variable que deben ser
mayores o menores que un cierto valor y el resto siguen una
distribucin normal.
o Gamma y Weibull. Se utilizan para modelar Tiempos de Servicio.

Sistemas Inventario. Existen tres variables aleatorias:

a) Nmero de items solicitados en cada pedido o en cada periodo de tiempo
b) Tiempo entre pedidos

c) Tiempo entre realizar un pedido y recibir dicho pedido

La variable nmero de items o tamao del pedido suele ser representada por las
siguientes distribuciones:
o Geomtrica. Se caracteriza por tener la moda centrada en la unidad
o Binomial Negativa. Se caracteriza por tener una cola larga
o Poisson. Est tabulada y se conoce con profundidad. Tiene una cola ms
corta que la binomial negativa
Mantenimientos y Fiabilidad
El tiempo de fallo puede ser modelado por varias funciones:
o
o
o
o
o
o

Distribucin Exponencial. Si solamente ocurren fallos aleatorios

Distribucin Gamma. Surge del modelado por redundancia.
Distribucin Weibull. Cuando hay muchos componentes en un sistema
y el fallo se debe al defecto ms serio del conjunto de defectos
Distribucin Normal. Cuando los fallos se deben al desgaste normal
Distribucin Logonormal. Se utiliza para describir el tiempo de fallo de algn
tipo de componentes

Datos Limitados o Incompletos.

No se dispone del suficiente nmero de datos

Las funciones que se utilizan son:
o Distribucin uniforme. Se utiliza cuando se sabe que el tiempo entre
llagadas o
o de servicio es aleatorio pero no se dispone de ms informacin
o Distribucin Triangular. Se puede utilizar cuando se hacen suposiciones
sobre
o el mximo, el mnimo y la moda
o Distribucin Beta. Proporciona una gran variedad de formas en su
distribucin

Prueba Chi-cuadrado
Esta prueba puede utilizarse incluso con datos medibles en una escala nominal. La
hiptesis nula de la prueba Chi-cuadrado postula una distribucin de probabilidad
totalmente especificada como el modelo matemtico de la poblacin que ha generado la
muestra.

Para realizar este contraste se disponen los datos en una tabla de frecuencias. Para cada
valor o intervalo de valores se indica la frecuencia absoluta observada o emprica (Oi). A
continuacin, y suponiendo que la hiptesis nula es cierta, se calculan para cada valor o
intervalo de valores la frecuencia absoluta que cabra esperar o frecuencia esperada
(Ei=npi , donde n es el tamao de la muestra y pi la probabilidad del i-simo valor o
intervalo de valores segn la hiptesis nula). El estadstico de prueba se basa en las
diferencias entre la Oi y Ei y se define como:

Este estadstico tiene una distribucin Chi-cuadrado con k-1 grados de libertad si n es
suficientemente grande, es decir, si todas las frecuencias esperadas son mayores que 5.
En la prctica se tolera un mximo del 20% de frecuencias inferiores a 5.
Si existe concordancia perfecta entre las frecuencias observadas y las esperadas el
estadstico tomar un valor igual a 0; por el contrario, si existe una gran discrepancias
entre estas frecuencias el estadstico tomar un valor grande y, en consecuencia, se
rechazar la hiptesis nula. As pues, la regin crtica estar situada en el extremo
superior de la distribucin Chi-cuadrado con k-1 grados de libertad.
Para realizar un contraste Chi-cuadrado la secuencia es:
o Analizar
o Pruebas no paramtricas
o Chi-cuadrado

En el cuadro de dilogo Prueba chi-cuadrado se indica la variable a analizar en Contrastar

variables.
En Valores esperados se debe especificar la distribucin terica activando una de las dos
alternativas. Por defecto est activada Todas la categoras iguales que recoge la hiptesis
de que la distribucin de la poblacin es uniforme discreta. La opcin Valores requiere
especificar uno a uno los valores esperados de las frecuencias relativas o absolutas
correspondientes a cada categora, introducindolos en el mismo orden en el que se han
definido las categoras.
El recuadro Rango esperado presenta dos opciones: por defecto est activada Obtener de
los datos que realiza el anlisis para todas las categoras o valores de la variable; la otra
alternativa, Usar rango especificado, realiza el anlisis slo para un deteminado rango de
valores cuyos lmites Inferior y Superior se deben especificar en los recuadros de texto
correspondientes.
El cuadro de dilogo al que se accede con el botn Opciones ofrece la posibilidad de
calcular los Estadsticos Descriptivos y/o los Cuartiles, as como seleccionar la forma en
que se desea tratar los valores perdidos.
PRUEBA KOLMOGOROV-SMIRNOV PARA UNA MUESTRA
El contraste Kolmogorov-Smirnov compara los valores de las funciones de distribucin
de la muestra y de la poblacin que se ha postulado en la hiptesis nula. El estadstico
de prueba z se calcula en funcin de la mxima diferencia entre ambas funciones:

siendo Fn(x) la funcin de distribucin muestral y Fo(x) la

funcin terica correspondiente a la poblacin especificada en la hiptesis nula.
La secuencia para realizar este contraste es:
Analizar
Pruebas no paramtricas
K-S de 1 muestra

Se indica la variable trasladndola a Contrastar variables y se selecciona(n) la

Distribucin de contraste que puede ser Normal, Uniforme, Poisson o Exponencial.
El botn Opciones presenta las mismas opciones que las del contraste anterior:
valores missing y descripcin de los datos: Descriptivos y Cuartiles.

MODELACIN Y DISEO DETALLE

OBJETIVO DE LA UNIDAD
Aprender a identificar si los datos de una investigacin estadstica provienen de una
poblacin que tiene la distribucin terica que se ha especificado, de esta manera ofrece
la fiabilidad que sin ella no se proporcionada.
Contrastes de normalidad
Un caso especfico de ajuste a una distribucin terica es la correspondiente a la
distribucin normal. Este contraste se realiza para comprobar si se verifica la hiptesis de
normalidad necesaria para que el resultado de algunos anlisis sea fiable, como por
ejemplo para el ANOVA.
Para comprobar la hiptesis nula de que la muestra ha sido extrada de una poblacin con
distribucin de probabilidad normal se puede realizar un estudio grfico y/o analtico.
PRUEBA DE KOLMOGOROV-SMIRNOV
Cuando la prueba Kolmogorov-Smirnov kolmogorov se aplica para contrastar la hiptesis
de normalidad de la poblacin, el estadstico de prueba es la mxima diferencia:

siendo Fn(x) la funcin de distribucin muestral y Fo(x) la funcin terica o

correspondiente a la poblacin normal especificada en la hiptesis nula.
La distribucin del estadstico de Kolmogorov-Smirnov es independiente de la distribucin
poblacional especificada en la hiptesis nula y los valores crticos de este estadstico
estn tabulados. Si la distribucin postulada es la normal y se estiman sus parmetros, los
valores crticos se obtienen aplicando la correccin de significacin propuesta por
Lilliefors.
PRUEBA DE SHAPIRO-WILK
Cuando la muestra es como mximo de tamao 50 se puede contrastar la normalidad con
la prueba de shapiro Shapiro-Wilk. Para efectuarla se calcula la media y la varianza
muestral, S2, y se ordenan las observaciones de menor a mayor. A continuacin se
calculan las diferencias entre: el primero y el ltimo; el segundo y el penltimo; el tercero y
el antepenltimo, etc. y se corrigen con unos coeficientes tabulados por Shapiro y Wilk. El
estadstico de prueba es:

donde D es la suma de las diferencias corregidas.

Se rechazar la hiptesis nula de normalidad si el estadstico W es menor que el valor
crtico proporcionado por la tabla elaborada por los autores para el tamao muestral y el
nivel de significacin dado.
La secuencia para realizar los contrastes de normalidad es:
Analiza
Estadsticos Descriptivos
Explorar
En el cuadro de dilogo que aparece al activar el botn Grficos se activa la opcin
Grficos con pruebas de normalidad.
Ejemplo 1.
Con los datos correspondientes a la variable Trans de la encuesta Enctrans.sav y con
referencia a los encuestados que viven en Barcelona, se quiere comprobar si su
distribucin en cuanto al tipo de transporte utilizado se adapta a los resultados de un
estudio realizado por el Ayuntamiento de Barcelona, que son los siguientes: el 40% de los
desplazamientos al trabajo se realizan en metro; el 30% en autobs; el 20% en transporte
privado y 10% otros medios.
La distribucin de frecuencias de la variable Trans es:

En este caso para realizar el contraste Chi-cuadrado es necesario definir las cuatro
categoras contempladas en la hiptesis nula. Para ello, se crea una nueva variable,
Trans2, a partir de Trans con las siguientes categoras: Metro, Bus, Privado (que resultar
de agregar Coche y Moto) y Otros (que agrupar Tren y Otros).Una vez creada la nueva
variable, con la secuencia Analizar > Pruebas no paramtricas > Chi-cuadrado se llega al
cuadro de dilogo en donde se selecciona la variable Trans2 y se introduce en Valores
esperados las frecuencias relativas de cada categora segn la hiptesis nula
correctamente ordenadas: 0,4 para la categora 1; 0,3 para la 2; 0,2 para la 3 y 0,10 para
la 4. Al aceptar se obtienen los siguientes resultados:

Como todas las categoras presentan frecuencia esperada mayor que 5 se puede aplicar
el contraste Chi-cuadrado sin modificar el nmero de categoras. El valor del estadstico
Chi-cuadrado permite rechazar la hiptesis nula para niveles de significacin superiores al
2,7%. As pues, al 5% de significacin se llega a la conclusin de que la distribucin del
tipo de transporte que utilizan los alumnos no se adapta a la publicada por el
ayuntamiento.
Ejemplo 2.
Con la informacin correspondiente a la variable Pla de la base de datos Encinf.sav, se
desea comprobar si la valoracin que realizan los alumnos del plan de estudios sigue una
distribucin uniforme.

Para realizar la prueba de bondad de ajuste Kolmogorov-Smirnov la secuencia a seguir es

Analizar > Pruebas no paramtricas> K-S de 1 muestra. Se selecciona la variable Pla de
la base de datos Encinf.sav y se indica que la Distribucin de contraste es uniforme.
Los resultados son:

A la vista de los resultados se concluye que no se puede rechazar la hiptesis de que la

valoracin asignada por este grupo de alumnos al plan de estudios es uniforme para
cualquier nivel de significacin inferior al 7,1%.
Ejemplo 3.
Con la base de datos Encinf.sav, se desea comprobar si la variable gasto presenta una
distribucin normal.
Para realizar la prueba de normalidad la secuencia a seguir es Analizar> Estadsticos
Descriptivos> Explorar. Se selecciona la variable Gasto y en el cuadro de dilogo
correspondiente a los Grficos se activa la opcin Grficos con pruebas de normalidad.
Los resultados obtenidos son:

El estadstico de prueba Kolmogorov-Smirnov con la correccin de Lilliefors presenta un

nivel de significacin igual a 0,000. En consecuencia se rechaza la hiptesis de
normalidad. El grfico Q-Q normal ratifica la conclusin anterior, ya que los valores
observados no se sitan sobre la recta esperada bajo el supuesto de normalidad.

MODELACIN Y DISEO VISUAL

OBJETIVO DE LA UNIDAD
Aprender a utilizar un programa que permita simular procesos y eventos que
pudieran ser optimizados o bien ayuden a la toma de decisiones dentro de una
empresa.
PROMODEL
Para hacer una simulacin con ProModel se deben cumplir dos eventos:
1. Los elementos que conforman el modelo han de estar correctamente definidos,
porque el programa antes de hacer la simulacin comprueba la correccin en la
definicin del modelo.
2. El modelo debe contener al menos los siguientes elementos: Locaciones,
entidades, arribos y proceso.
La simulacin con ProModel es la forma como se animan las interacciones entre
los elementos (locaciones, entidades, ...) y la lgica definida. En la figura, se
presenta un esquema de las interacciones de los elementos del software
ProModel y el modelador.
Esquema del funcionamiento del software ProModel (en azul los elementos
indispensables para hacer una simulacin con este software).
Locaciones
Las locaciones representan los lugares fijos en el sistema a dnde se dirigen las
entidades por procesar, el almacenamiento, o alguna otra actividad o fabricacin.
Deben usarse locaciones para modelar los elementos como las mquinas, reas
de espera, estaciones de trabajo, colas, y bandas transportadoras.
Para acceder al Editor de locaciones: clic "Build>Locations" o Crtl+L.
Editor de locaciones
El Editor de locaciones consiste en tres ventanas: la ventana de Grficos ubicada
hacia la esquina inferior izquierda de la pantalla, la tabla de edicin de
locaciones a lo largo de la parte superior de la pantalla, y la ventana de Layout
(Esquema) ubicada hacia la esquina inferior derecha de la pantalla. Estas
ventanas pueden moverse y ajustar su tamao usando el ratn.
Tabla de edicin de locaciones
Las caractersticas de una locacin pueden modificarse con la Tabla de edicin de
locaciones.

La tabla de edicin de locaciones contiene campos para mostrar el icono grfico,

el nombre de la locacin y define otras caractersticas para cada locacin. Cada
uno de estos casos es explicado a continuacin.
Se puede editar el cuadro deseado directamente en cualquier caso, o por
seleccin de una fila y clic en la etiqueta o ttulo de la columna del cuadro
deseado.
"Icon" (Icono)
Icono grfico usado para representar la locacin.
Cambios en el grfico de la locacin se hacen usando las herramientas de la
ventana grficos de locacin.
Si una locacin ha sido definida usando mltiples grficos, el primer grfico usado
se muestra aqu.
"Name" (Nombre)
Nombre de cada locacin.
Los nombres pueden ser de hasta 80 caracteres de largo y deben empezar con
una mayscula. Un nombre de locacin puede ser editado en este campo.
"Cap."
Capacidad de la locacin se refiere al nmero de entidades que la locacin puede
sostener o puede procesar a la vez. La capacidad mxima de una locacin es
999999. Entrando INF o INFINITE se ajustar la capacidad al valor aceptable
mximo. La capacidad de una locacin no variar durante la simulacin.
En general, se usan locaciones de multi-capacidad para modelar las locaciones
como colas, almacenes, lneas de espera, hornos, procesos de curando, o
cualquier otro tipo de locacin dnde pueden mantenerse mltiples entidades o
pueden procesarse concurridamente.
"Units" (Unidades)
Nmero de unidades de una locacin es hasta 999. Una unidad locativa se define
como una mquina o estacin de operacin independiente. Cuando varias
locaciones o estaciones operan independientemente para cumplir la misma
operacin y son intercambiables, ellas forman una multi-unidad de locaciones.
Una multi-unidad de locaciones trabaja como varias locaciones con caractersticas
comunes.
"Stats . . ." (Estadsticas)
Clic en el botn del encabezado para especificar el nivel de detalle estadstico que
ser recogido para la locacin. (Para ver las estadsticas de una locacin despus
de correr la simulacin, escoja "View statistics" del men "Output".)
Se dispone de tres niveles que son:

None Ninguna estadstica se recoge.

Basic Slo la utilizacin y el tiempo promedio en la locacin se recoger.
Time Series Recoge las estadsticas bsicas y series de tiempo que rastrean los
volmenes de la locacin con el tiempo.
"Notes . . ." (Notas)
Este campo es para escribir cualquier nota optativa sobre una locacin, o clic en el
botn del ttulo de la columna para abrir una ventana de notas ms grande.

Dts...
Un tiempo fuera de servicio detiene una locacin o recurso de su operacin. Los
tiempos fuera de servicio pueden representar las interrupciones fijadas como
cambios, descansos o mantenimientos. O pueden representar los no
programados, como interrupciones por el azar fallas del equipo.
Para locaciones de capacidad simple, los tiempos fuera de servicio pueden ser
basados en tiempo de reloj, tiempo de uso, nmero de entidades procesadas, o un
cambio en el tipo de entidad. Las locaciones de multi-capacidad tienen un nico
tiempo fuera por reloj. Al seleccionar el botn en la etiqueta o ttulo se definen los
tiempos fuera de servicio de la locacin.
Entry...
Sirve para modelar los tiempos fuera de servicio cuando una locacin necesita ser
reparada despus de procesar un cierto nmero de entidades. Por ejemplo, si una
mquina que pinta automviles necesita ser tanqueada despus de pintar 100,
entonces debera definirse un tiempo fuera de servicio por entradas. El tiempo
fuera de servicio ocurre despus de que la entidad que lo activa deja la locacin.
El editor de tiempos fuera por entradas consiste en una tabla de edicin para
acceder a el seleccione Entry... del men que aparece luego de seleccionar el
encabezado DTs....
Frequency.
El nmero de entidades a ser procesadas entre ocurrencias de tiempo fuera de
servicio. Este puede ser un valor constante o una expresin numrica y es
evaluado durante la simulacin.
First Occurrence.
El nmero de entidades a ser procesadas antes del primer tiempo fuera de
servicio. ste puede ser un valor o una expresin numrica. Si el espacio es
dejado en blanco, el primer tiempo fuera de servicio ser basado en la frecuencia
entrada.

Logic. Cualquier estamento lgico para ejecutarse cuando el tiempo fuera de

servicio ocurre. Normalmente, esta lgica simplemente es una expresin que
determinar la duracin del tiempo fuera de servicio.
Disable. Seleccione YES para desactivar
temporalmente sin anularlo de la mesa.

el

tiempo fuera de servicio

Rules...
La caja de dialogo de reglas, se selecciona pulsando el botn de encabezado en
la tabla de edicin de locaciones, es usado para escoger la regla que ProModel
seguir cuando toma las siguientes decisiones:
1. Seleccionar las entidades entrantes.
2. Hacer cola para salir.
3. Seleccionar una unidad.
Selecting Incoming Entities.
Cuando una locacin esta disponible y hay ms de una entidad esperando para
entrar, deber ser tomada una decisin respecto a cual admitir.
Selecting Incoming Entities>Oldest by Priority.
Selecciona la entidad que a esperado ms para asignarle la mas alta prioridad de
ruta.
Selecting Incoming Entities>Random.
Selecciona aleatoriamente la entidad siguiente con igual probabilidad del grupo de
todas las entidades que esperan.
Selecting Incoming Entities>Least Available Capacity.
Selecciona la entidad que viene de la locacin que tiene la menor capacidad
disponible.
Selecting Incoming Entities>Last Selected Location.
Selecciona la entidad que viene de la locacin que se seleccion la ultima vez.
Selecting Incoming Entities>Highest Attribute Value.
Selecciona la entidad con el valor del atributo ms alto de un atributo especificado.
Selecting Incoming Entities>Lowest Attribute Value.
Selecciona la entidad con el valor del atributo ms bajo de un atributo
especificado.
Queuing For Output.
Cuando una entidad ha finalizado su operacin en una locacin y otras que han
finalizado adelante de ella no han partido. Una decisin debe tomarse, permitir a la
entidad salir o esperar segn alguna regla de formacin de colas de espera.
Si no se especifica alguna de las reglas de formacin de colas de espera,
"Ninguna formacin de colas de espera" ser usada.
Queuing For Output.>No Queuing.
Entidades que han completado su proceso en la locacin actual son libres de
dirigirse a otras locaciones independientemente de otras entidades que han

terminado su proceso. Si esta opcin se selecciona no se despliega en la Caja de

Reglas.
Queuing For Output>First In, First Out.
La primera entidad en completar el proceso debe salir para la prxima locacin
antes que la segunda en completar el proceso salga, y as.
Queuing For Output>Last In, First Out (LIFO).
Entidades que han finalizado su proceso esperan para salir con esta regla, la
ltima que finaliza o completa el proceso es la primera en salir.
Queuing For Output>By Type.
Entidades que han finalizado esperan para salir FIFO, pero se tiene en cuenta el
tipo de entidad para asignar su ruta especifica.
Queuing For Output>Highest Attibute Value.
Entidades que han completado su proceso hacen cola para salir de acuerdo con el
ms alto valor de un atributo especificado.
Queuing For Output>Lowest Attribute Value.
Entidades que han completado su proceso hacen cola para salir de acuerdo con el
menor valor de un atributo especificado.
Selecting a Unit.
Si la locacin tiene unidades mltiples, entonces las entidades entrantes deben
asignarse a una unidad en particular. Una de las siguientes reglas deber ser
seleccionada. Las reglas de decisin aplican solo para locaciones de multi-unidad.
Selecting a Unit>First Available.
Selecciona la primera unidad disponible.
Selecting a Unit>By Turn.
Rota la seleccin entre las unidades disponibles.
Selecting a Unit>Most Available Capacity.
Selecciona la unidad que tiene la mayor capacidad disponible. Esta regla no tiene
efecto con unidades de capacidad unitaria.
Selecting a Unit>Fewest Entries.
Selecciona una unidad disponible con la menor cantidad de entradas.
Selecting a Unit>Ramdom.
Selecciona una unidad disponible aleatoriamente.
Selecting a Unit>Longest Empty.
Selecciona una unidad disponible que ha estado ms tiempo vaca.
Clock...
Son usados para modelar tiempos fuera de servicio que ocurren dependiendo de
el tiempo transcurrido de la simulacin, como cuando un tiempo de fuera de
servicio ocurre cada varias horas, sin importar cuantas entidades ha procesado
cada locacin.
El editor de los tiempos fuera consiste de la tabla de edicin . Para acceder a ella
seleccione Clock despus de seleccionar el botn de encabezado DTs... .
Frequency

Tiempo entre ocurrencias de tiempos fuera de servicio sucesivos. Esta opcin

puede ser una expresin.
Este campo se evaluara con el progreso de la simulacin, por eso el tiempo entre
tiempos fuera puede variar.
First Time
Tiempo en el que el primer tiempo fuera ocurrir. Si este campo es dejado en
blanco el primer tiempo fuera ocurrir segn el cuadro de Frecuencia.
Frequency Priority
La prioridad (0-999) de la ocurrencia de tiempo fuera de servicio. La prioridad
predefinida es 99.
Scheduled...
Seleccione YES si el tiempo fuera de servicio ser contado como un tiempo fijado.
Seleccione NO si el tiempo fuera de servicio ser contado como un tiempo fuera
de servicio No-fijado.
Logic
Entre cualquier estamento lgico a ser procesado cuando el tiempo fuera de
servicio ocurre. Cuando la lgica se ha completado, la locacin se pone a
disposicin. En el caso ms simple, la lgica es simplemente un estamento WAIT
(ESPERA) con un valor de tiempo o expresin que representan la duracin del
tiempo fuera de servicio.
Disable
Seleccione S para desactivar el tiempo fuera de servicio temporalmente sin
anularlo de la tabla.
Usage...
Se usa para modelar tiempos fuera de servicio cuando ha ocurrido una cantidad
de tiempo. La diferencia con el tiempo fuera por reloj es que al modelar por uso el
tiempo fuera se basa en la operacin neta de la locacin. El editor de tiempos
fuera por uso consiste en una tabla de edicin ; para acceder a el seleccione
Usage... del men que aparece luego de seleccionar el encabezado DTs....
Frequency.
Tiempo de uso entre tiempos fuera.
First Time.

Tiempo de uso antes de que el primer tiempo fuera ocurra. Si se deja en blanco el
primer tiempo es basado en la frecuencia entrada.
Priority.
La prioridad entre 0 y 999 de que el tiempo fuera ocurra.
Logic.
Cualquier estamento lgico a ser procesado mientras el tiempo fuera ocurre,
usualmente este campo contiene un estamento que define la duracin del tiempo
fuera.
Disable. Seleccionando YES se desactiva temporalmente sin eliminarlo de la
tabla.
Setup...
Puede ser usado para modelar locaciones donde se pueden procesar diferentes
tipos de entidades pero necesita ser ajustada o preparada para hacerlo, como
cuando una estacin de taladrado procesa varios tipos de partes, cada una con
una herramienta adecuada. Estos tiempos fuera no se traslaparan o ocurrirn dos
a la vez sobre la misma locacin.
Un tiempo fuera por ajuste ocurrir solo cuando una entidad arriba a la locacin y
es diferente de la entidad anterior que arrib a la locacin. El editor de tiempos
fuera por ajuste consiste en una tabla de edicin; para acceder a el seleccione
Setup del men que aparece luego de seleccionar el encabezado DTs....
Entity.
Entidad entrante para que el ajuste ocurra.
Prior Entity.
Entidad precedente a la entidad por la cual el tiempo fuera por ajuste ocurrir.
Logic.
Se entra cualquier estamento lgico para ser procesado cuando el tiempo fuera
ocurra.
Disable.
Seleccionar YES para desactivar temporalmente el tiempo fuera por Setup sin
borrarlo de la tabla.

Ventana de Grficos de Locacin

La ventana de grficos de locacin provee un medio grfico para crear las
locaciones y cambiar sus iconos.
Iconos agregados al esquema representarn una nueva locacin o se agregaran
al icono de una locacin ya existente esto depender de la caja de la opcin New,
si se encuentra activa o no; estos dos modos se describen a continuacin. New
Activo
Permite crear un nuevo registro de locacin cada vez que se site un nuevo
grfico de locacin en el esquema. A la nueva locacin se le da un nombre
predefinido que puede cambiarse si se desea. Para activar la opcin New el
campo a la izquierda en la parte superior de la ventana de herramientas grficas
debe contener una equis [X].
New inactivo
Permite agregar grficos adicionales a una locacin existente, como una etiqueta
de texto, un sitio para entidad, o una luz de estado. Una locacin con
mltiples grficos se encerrara con una caja. Este modo se selecciona sin
comprobarel cuadro adjunto a New en el cuadro de herramientas grficas. Botn
Edit
Despliega el cuadro de dialogo de la Librera Grafica que se usa para cambiar el
color, dimensiones, y orientacin del grfico de la locacin. Botn Erase
Borra el grfico de la locacin seleccionada en la ventana del Esquema sin anular
el registro correspondiente en la Tabla de edicin de locaciones. Botn View
Muestra la locacin seleccionada en la tabla de edicin de locaciones dentro de la
ventana del Esquema.
Grficos de locacin
Una locacin puede tener cualquiera, uno o ms de los grficos seleccionados de
la ventana de grficos de locacin.
Contador
Representa el nmero actual de entidades en una locacin.
Medidor
Barra corrediza vertical u horizontal que muestra los volmenes actuales de la
locacin durante la simulacin (como un porcentaje de la capacidad). Este grfico
constantemente se actualizar durante la simulacin.

Tanque Barra corrediza vertical u horizontal que muestra el flujo continuo de

lquidos y otras substancias en y fuera de tanques o vasos similares. Esta
capacidad de modelado continuo puede combinarse con la simulacin de eventos
discretos para modelar el intercambio entre el material continuo y las entidades
discretas como cuando un lquido se pone en los contenedores. Tambin se
puede usar para modelar una alta tasa de partes discretas en manufactura.
Transportadores / Colas Smbolo que representa una banda transportadora o
una cola
Sitio de entidad
Sitio asignado sobre el esquema dnde la entidad o las entidades aparecern
mientras estn en la locacin.
Regin
Lmite usado para representar el rea de una locacin. Una regin puede ponerse
en el esquema encima de un fondo importado por ejemplo un dibujo de AutoCAD
para representar una mquina u otra locacin. Esta tcnica permite a los
elementos del fondo importado, trabajar como locaciones.
Biblioteca Grfica
Cualquiera de los grficos que aparecen en la biblioteca en el men grfico. la
barra del despliegue ubicada en su parte baja sirve para ver todos los grficos
disponibles. Pueden crearse los grficos de la biblioteca o pueden modificarse a
travs del Editor Grfico.
Entidades
Todo lo que el sistema procesa es llamado "Entidad", tambin puede pensarse en
ellas como las partes en los sistemas de manufactura, personas, papeles, tornillos,
productos de toda clase.
Para acceder al Editor de Entidades, seleccione el men Build y luego Entities;
Ctrl+E .
Editor de Entidades
Las entidades son creadas o editadas con el editor de entidades. Consiste en una
tabla de edicin para especificar las propiedades de la entidad en el sistema, y
una ventana grafica para seleccionar uno o ms grficos para representar la
entidad.
Tabla de edicin.

Cada campo de esta tabla es descrito a continuacin:

Icon.
Muestra el grafico de la entidad.
Name.
Nombre de la entidad.
Speed.
Esta entrada es opcional y se aplica para entidades que se muevan por si mismas
como los humanos. Su valor predefinido es de 50 metros por minuto, o 150 pies
por minuto dependiendo de las unidades ingresadas en el cuadro de dialogo de
Informacin General.
Stats.
El nivel de estadsticas que se coleccionaran de la entidad, hay tres niveles: None,
Basic y Time Series.
Notes.
Cualquier informacin puede entrarse por ejemplo el material de la parte o entidad,
la referencia, el proveedor, etc.
Path Networks
Se pueden conceptualizar como rutas, rieles o caminos fijos por los cuales se
mueven los recursos (operarios, maquinas, etc.) para transportar entidades. Para
acceder al editor de Path Networks, en el men Build, seleccione Path Networks,
Ctrl+N.
Editor de Path Networks
En sta tabla se rene la informacin bsica de la "ruta", cada uno de sus campos
se explica a continuacin.
Graphic.
Especifica el color de la red.
Name.
Nombre de la ruta.
Type.
Existen tres tipos de rutas; Passing, Non-Passing, Crane;

Passing es un tipo de ruta en la que las entidades pueden pasar a otras entidades,
es una forma de modelar algunas redes en las que los recursos se adelantan o se
traslapan sin ningn inconveniente;
Non-Passing es un tipo de ruta en la que las entidades no se adelantan unas a
otras, como una carrilera para vagones o cualquier otro tipo de casos en los que
fsicamente los adelantos o traslapos no puedan darse, esta es la opcin para
modelarlos;
Crane es especial para modelar gras y puentes gras.
T/S.
Se puede definir el movimiento en la ruta mediante dos tipos de unidades: Time,
Speed & Distance.
Paths.
El numero de segmentos de ruta en la red, consta de una tabla de edicin.
Paths>From.
El nodo de comienzo del segmento de ruta.
Paths>To.
El nodo de final del segmento de ruta.
Paths>BI.
Se ajusta con BI-direccional Uni-direccional dependiendo si el trafico puede
darse en una o en las dos direcciones.
Paths>Time.
Si el viaje a travs de la ruta va ha ser medido ms en trminos del tiempo que de
la distancia, entonces es el tiempo que un recurso o entidad tomara en recorrer el
segmento de ruta.
Paths>Distance.
Si el viaje a travs de la ruta va ha ser medido en trminos de la velocidad y
distancia muestra la longitud del segmento de ruta, el tiempo de viaje entonces se
determinara por la velocidad del recurso o la entidad.
Interfaces.

El nmero de conexiones locacin-nodo en la actual red.

Si una entidad ser tomada o dejada por un recurso en una locacin entonces
deber existir una interfaz entre el nodo y la locacin.
Interfaces>Node.
Nombre del Nodo
Interfaces>Location.
Nombre de la locacin o locaciones conectadas con el nodo, un nodo puede tener
interfaz con varias locaciones pero una locacin solo puede tener una interfaz con
un nodo por ruta.
Mapping.
Cuando hay varias rutas o segmentos que conecten un nodo de origen con un
nodo de destino y deba tomarse una decisin acerca de cual camino seguir
entonces ProModel escoger el ms corto pero mediante esta tabla de edicin
se puede establecer explcitamente el camino que deber seguirse.
Nodes.
Numero de nodos que conforman la ruta.
La tabla de edicin de nodos, consta de los siguientes campos:
Nodes>Node.
Nombre del nodo.
Nodes>Limit.
El numero mximo de entidades o recursos que pueden ocupar un nodo en un
momento dado, dejado en blanco significa que no existe limite.
Recursos.
Un recurso es un operario, o una maquina que sirve para transportar, realizar
operaciones puntuales, mantenimientos o asistencias complementarias para el
procesamiento de entidades. Un recurso tambin puede tener detenciones
tiempos fuera. Un tipo especial de recurso es la gra o puente gra.

Hay recursos dinmicos y estticos, esto depende si un recurso se mueve durante

la simulacin o permanece quieto, al asignar una ruta o path network el recurso
cumplir durante la simulacin las especificaciones y procesos asignados; por el
contrario muchos recursos pueden permanecer estticos en una locacin como
operarios o supervisores, etc.
Para acceder al editor de recursos, en el men Build, seleccione Resources,
Ctrl+R.
Modelos de pronstico
Mtodo de Promedio Mvil Simple
Este mtodo consiste en atenuar los datos al obtener la media aritmtica de cierto
nmero de datos histricos para obtener con este el pronstico para el siguiente
periodo. El nmero de datos a tomar en cuenta para calcular el promedio es una
decisin de la persona que realiza el pronstico.

Este modelo solo es recomendable para series de tiempo que no presentan

patrones de tendencia, estacionalidad, o ciclicidad en los datos.
Promedio Mvil Simple
Esta tcnica se utiliza cuando se quiere dar ms importancia a conjuntos de datos
ms recientes para obtener el pronstico. El pronstico se obtiene al calcular la
media aritmtica del conjunto de datos ms recientes seleccionado. Cada vez que
se tiene una nueva observacin se agrega esta al conjunto de datos, y se elimina
de ste la observacin o dato ms antiguo. El nmero de datos ms recientes a
considerar en el conjunto de observaciones del cual se calcula la media aritmtica
es una decisin del analista que realiza el pronstico; la sensibilidad a los cambios
en el comportamiento de la serie se reduce al utilizar un nmero mayor de
observaciones en el conjunto de datos. Este modelo no maneja muy bien los datos
con estacionalidad o con tendencia pero si lo hace mejor que la tcnica del
promedio simple.
La siguiente ecuacin establece el modelo del promedio mvil simple.

Aqu se muestra que el valor pronosticado es igual al promedio mvil.

En

donde

PMt es
Pt+1 es
Xt es

el
el
el

promedio

mvil

valor

pronosticado

valor

real

en
para

observado

el
el
en

periodo
siguiente
el

t.

periodo.

periodo

n es el nmero de datos utilizados para el clculo de la media aritmtica.

Tabla 3.1 Valores De Una Serie De Tiempo Mensual.

La grfica de lneas de los valores de la tabla es la que se muestra en seguida.

Grfica 3.1 Lneas de Unin Entre Valores De Una Serie De Tiempo Mensual.

t.

Para este ejemplo utilizaremos un promedio de 12 observaciones anteriores a la

que se desea pronosticar, es decir el valor de n es igual a 12. La primera
observacin a la que es posible calcular el promedio est determinada por el
nmero de observaciones que se desea tomar en cuenta en el promedio como se
muestra en la siguiente expresin:
X t = n ntese que t = n
Tenemos que:
n = 12, t = 12, X t = 12, X12, Pt = PMSt-1, P13 = PMS13-1, P13 = PMS12

por lo tanto el pronstico para la observacin correspondiente al momento o

periodo de tiempo 13 es P13 = 79.88. Para el clculo de los promedios mviles
simples de las observaciones posteriores utilizaremos la expresin corta vista con
anterioridad, esto lo podemos hacer ya que contamos con el primer promedio
mvil simple. El clculo del pronstico para la observacin correspondiente al
momento de tiempo 14 queda de la siguiente manera:

P14 = 82.54
En la siguiente tabla podemos observar el total de los valores pronosticados
obtenidos.
Tabla 3.2 Valores Pronosticados por el Mtodo del Promedios Mvil Simple.

Grfica 3.2 Grfica de Lneas de la Serie de Tiempo y de su Pronstico Obtenido

con el Mtodo del Promedio Mvil Simple.

En la grfica anterior podemos apreciar como la curva descrita por lo valores

pronosticados est sujeta a menos cambios bruscos de sus valores puntuales, o
como se acostumbra decir es ms suave o se suaviza respecto de la curva original
de la serie de tiempo. Y tambin se puede ver como en apariencia sigue el
comportamiento de la curva original, para conocer mejor la precisin del
pronstico serie conveniente utilizar alguna de las medidas del error comnmente
usadas y observar la variabilidad de este.
En la siguiente tabla se muestran los resultados obtenidos al calcular las medidas
de precisin para el ejemplo anterior.
Tabla 3.3 Medidas de Precisin Obtenidas al Aplicar el Mtodo de los Promedios
Mviles Simples.

CONCLUSION

Los tiempos actuales no permiten a las empresas arriesgar el ms mnimo detalle

que le pudiera afectar en trminos monetarios tanto en corto como largo plazo, por
eso cualquier tcnica o herramienta que permita minimizar los riesgos siempre
ser bienvenida en el mbito empresarial.

La simulacin ha sido una herramienta que es prcticamente necesaria en

grandes rubros de la vida, sin embargo siempre depender de los valores de
entrada que le son ingresados, por lo tanto el tiempo puede llegar a ser un poco
tardado, puesto que con una sola corrida no tenemos un alto porcentaje de
seguridad respecto a la puesta en marcha del sistema que fue analizado.