See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/259043035

Estudio Sobre la Simulacion de Eventos Discretos

Thesis · December 2012

DOI: 10.13140/RG.2.2.33228.92809

CITATIONS READS

0 1,914

1 author:

Luis Quevedo
Universidad Católica Boliviana "San Pablo"
1 PUBLICATION   0 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Simulacion View project

All content following this page was uploaded by Luis Quevedo on 04 June 2014.

The user has requested enhancement of the downloaded file.

Contenido
Introducción ............................................................................................................................................ 4
Antecedentes del problema................................................................................................................ 6
Formulacion del problema .................................................................................................................. 6
Objetivos ................................................................................................................................................. 7
Objetivo general.................................................................................................................................. 7
Objetivos específicos .......................................................................................................................... 7
Alcance ................................................................................................................................................ 7
Metodología ........................................................................................................................................ 8
1. Generación de números aleatorios................................................................................................... 10
1.1 Introducción ................................................................................................................................ 10
1.2 Generadores Físicos .................................................................................................................... 11
1.2.1 Introducción ......................................................................................................................... 11
1.2.2 La tabla de 1 millón de dígitos aleatorios de RAND Corporation ........................................ 11
1.2.3 Generador de bits aleatorios de Vincent ............................................................................. 13
1.2.4 Aplicación a la simulación .................................................................................................... 13
1.3 Generadores Aritméticos ............................................................................................................ 14
1.3.1 Introducción ......................................................................................................................... 14
1.3.2 Uniformidad ......................................................................................................................... 15
1.3.2 Independencia ..................................................................................................................... 15
1.3.3 Características deseables de un generador ......................................................................... 16
1.3.4 Generadores congruenciales lineales .................................................................................. 16
1.3.5 Tipos de generadores........................................................................................................... 17
1.3.6 Periodo del generador ......................................................................................................... 17
2. Distribución de probabilidad............................................................................................................. 19
2.1 Introducción ................................................................................................................................ 19
2.2 Variable aleatoria discreta (x) ..................................................................................................... 19
2.3 Variable aleatoria continua (x) .................................................................................................... 20
2.4 Distribución de probabilidad en la simulación............................................................................ 20
2.4.1 Distribución binomial (Eventos Discretos) ........................................................................... 20
2.4.2 Distribución Poisson (Eventos Discretos) ............................................................................. 21
2.4.3 Distribución exponencial (Eventos Continuos) .................................................................... 22

1
 2.4.4 Distribución normal (Eventos Continuos) ............................................................................ 23
3. Programas de Simulación.................................................................................................................. 26
3.1. Introducción .............................................................................................................................. 26
3.2 Vensim ........................................................................................................................................ 28
3.2.1 Introducción ......................................................................................................................... 28
3.2.2 Interface de usuario ............................................................................................................. 28
3.3 Flexsim ........................................................................................................................................ 33
3.3.1 Introducción ......................................................................................................................... 33
3.3.2 Terminología del software Flexsim ...................................................................................... 33
3.3.3 Objetos del software de Flexsim .......................................................................................... 33
4. Simulación en universidades / empresas ......................................................................................... 36
4.1 Introducción ................................................................................................................................ 36
4.2 Simulación en las empresas ........................................................................................................ 37
4.3 Simulación en las Universidades ................................................................................................. 39
4.3.1 Materia de simulación en Universidades de Bolivia ............................................................ 39
4.3.2 Materia de simulación en otras Universidades ................................................................... 41
5. Implementación ............................................................................................................................ 44
5.1 Introducción ................................................................................................................................ 44
5.2 Objetivos ..................................................................................................................................... 45
5.2.1 Objetivo general................................................................................................................... 46
5.2.2 Objetivos específicos............................................................................................................ 46
5.3 Alcance ........................................................................................................................................ 46
5.4 Estudio de simulación ................................................................................................................. 46
5.4.1 Formulación del problema y plan de estudio ...................................................................... 46
5.4.2 Recolección de datos y definición del modelo .................................................................... 50
5.4.3 Construcción del modelo y verificación ............................................................................... 62
5.4.4 Corridas piloto...................................................................................................................... 65
5.4.5 Diseño de experimentos ...................................................................................................... 70
6. Anexos ............................................................................................................................................... 77
6.1 Entrevista YANBAL - BOLIVIA ...................................................................................................... 77
6.2 Entrevista FLEXSIM – BOLIVIA ..................................................................................................... 80
6.3 Plano del área de sondeo de productos ..................................................................................... 84
6.4 Formulario del método parar y observar .................................................................................... 85

2
 6.5 Tiempos de traslado de paquetes ............................................................................................... 86
6.6 Verificación de paquetes de salida ............................................................................................. 89
6.7 Carta de presentación Flexsim .................................................................................................... 92
6.8 Resumen de distribuciones de probabilidad .............................................................................. 99
6.8.1 Caso discreto - Distribución Bernoulli .................................................................................. 99
6.8.2 Caso discreto - Distribución Poisson .................................................................................... 99
6.8.3 Caso continuo - Distribución Exponencial............................................................................ 99
6.8.4 Caso continuo - Distribución Normal ................................................................................. 100
Bibliografía .......................................................................................................................................... 102

3
INTRODUCCIÓN

4
Introducción
La idea de la simulación es el poder ayudarnos a encontrar respuestas sobre un sistema. La vida real
esta compuesta de sistemas que en todo momento están generando datos. Estos datos pueden ser
estudiados de varias formas.

Figura 1.1: Formas de estudiar un sistema

Cuando se puede trabajar directamente con el sistema real, el método experimental es la más
ventajosa. Esto es debido a que se puede hacer un análisis sobre cada uno de los factores que
afectan al sistema.

Pero así mismo, no nos permite realizar experimentos (o no es aconsejable) con el sistema real. Es
por este motivo que se la modelación de un sistema real, puesto en una simulación, es la técnica
adecuada para el análisis de sus datos.

Para poder realizar una simulación tenemos que tener un modelo matemático. Estos modelos
mostraran las relaciones entre las cantidades que pueden ser observadas en el sistema (distancias,
velocidades, flujos, etc.) y estarán descritas mediante relaciones matemáticas. En este sentido, la
mayoría de las leyes de la naturaleza son modelos matemáticos.

En algunos casos estas relaciones se podrán resolver de forma analítica, pero en muchos otros, se
tendrá que realizar mediante el manejo de computadores, aplicando métodos numéricos.

Este experimento numérico realizado sobre el modelo matemático, recibe el nombre de

simulación.

Existen diferentes tipos de clasificación de modelos matemáticos, que representan diferentes

sistemas. Entre estas diferencias pueden ser determinísticos o estocásticos, estáticos o dinámicos,
de tiempo continuo o tiempo discreto.

La simulación a la cual estamos haciendo el estudio, es la que utilizara variables aleatorios, es decir
que los valores que serán ingresados al sistema serán de tipo estocástico, los modelos podrán
representar el sistema de forma dinámica o estática, y el tiempo en el cual varían en el sistema
podrán ser de forma discreta.

5
Por este motivo en el primer capitulo se presentara la generación de números aleatorios, que
mostraran como es que se generan estas variables. Seguidamente se muestra como es que se
comportan los valores dentro de los modelos, con las distribuciones de probabilidades. Una vez que
se entienda como un modelo puede ser representado de forma matemática, se procederá a ver en
el tercer capitulo, cuales o cual es la mejor opción para simular un modelo de forma computacional,
utilizando programas disponibles. El cuarto capitulo es un resumen de cómo es que se esta
tomando en cuanta la simulación en universidades y empresas. El motivo de este capitulo es poder
mostrar que estos modelados, no solo quedan como teoría, sino que también son aplicados en las
empresas.

Antecedentes del problema

En el siglo XX se presentaron los avances mas grandes en el mundo computacional con los avances
de hardware (parte física). En ese siglo, pudimos ver que los procesadores empezaron con 2300
transistores (Intel 4004), ahora en el presente tenemos computadoras que tienen 2270 millones de
transistores (Core i7). Dando como resultado, que el siglo XXI, sea la era del desarrollo de software
(parte lógica). Esto se da a que en el presente se tiene la suficiente capacidad de memoria y
procesamiento de tareas para cumplir con los requisitos básicos de programas que tienen que
realizar millones de cálculos.

Los cambios que se pueden apreciar en los últimos 20 años, en el desarrollo de software, es que se a
pasado de interfaces que eran manejas con comandos a interfaces totalmente graficas. En cuanto a
la simulación computacional, también podemos ver estos cambios. En el año 2000 teníamos
programas que funcionaban utilizando modelación simbólica o solo tablas, ahora en el presente, ya
contamos con programas de simulación que funcionan con gráficos 3D (tres dimensiones). Así
mismo la forma de manejar estos programas se han vuelto más fáciles de utilizar, ya que se tiene
interfaces más amigables con el usuario.

Así mismo podemos ver que en la Universidad Católica Boliviana (UCB) presento la materia de
simulación tres veces en los últimos 20 años, que fueron en los años 1998, 2001 y el 2011 de forma
opcional. La materia fue presentada únicamente para alumnos de Ing. de Sistemas. En esta materia
se introdujo a la simulación de forma teórica junto a todos sus conceptos, pero no se llego a
profundizar la materia como aplicación. Se realizaron distintas simulaciones utilizando papel y lápiz y
manejando MS Excel.

Como podemos ver las computadoras que se tienen en la actualidad tienen los requisitos necesarios
para hacer simulaciones y en la UCB se tiene la teoría básica para hacer modelados. El problema
aparece en que no se esta pasando del modelado a la aplicación, que es pasar de lo teórico al
manejo de programas de aplicación.

Formulacion del problema

En la actualidad la materia de simulación se la ve forma esporádica (por ser electiva), tiene un
enfoque anticuado (por no aplicar tecnología actual) y esta restringida a una sola carrera.

6
Objetivos

Objetivo general
Realizar una investigación y aplicación de métodos de simulación estocástica a procesos reales: Caso
de estudio proceso de despacho en la empresa Yanbal.

Objetivos específicos
Para lograr el objetivo general se desea lograr los siguientes objetivos específicos:

 Diagnosticar los tipos de generación de números aleatorios

o Físicamente
o Aritméticamente
 Análisis del comportamiento de los números aleatorios, según los diferentes tipos de
distribución de probabilidades
 Comparar los diferentes programas de simulación aplicados a diferentes empresas y
universidades
o Análisis de características
o Análisis de interfaces de usuario
o Ejemplos de modelos
 Aplicar el método de simulación estocástica a un caso de estudio: caso proceso de Yanbal

Alcance
Espacial

La siguiente tesis esta dirigida a las empresas y universidades de Santa Cruz, más concretamente a
las carreras de Ing. de Sistemas e Ing. Industrial.

Temporal

El estudio está estimado para un tiempo de seis meses.

Temático

Los análisis que se realizaran están dirigidos a:

 Generación de números aleatorios

 Distribuciones de probabilidad
 Programas de simulación
 La simulación en empresas y universidades

7
Metodología
Para este trabajo se pretende utilizar la metodología de la investigación documental y de campo1.

Investigación documental:

Este tipo de investigación es la que se realiza, como su nombre lo indica, apoyándose en fuentes de
carácter documental, esto es, en documentos de cualquier especie. Como subtipos de esta
investigación encontramos la investigación bibliográfica, la hemerográfica y la archivística; la primera
se basa en la consulta de libros, la segunda en artículos o ensayos de revistas y periódicos, y la
tercera en documentos que se encuentran en los archivos, como cartas, oficios, circulares,
expedientes, etcétera.

Investigación de campo:

Este tipo de investigación se apoya en informaciones que provienen entre otras, de entrevistas,
cuestionarios, encuestas y observaciones.

Se utiliza estos tipos de investigación, puesto que los dos son compatibles, en cuanto al tipo de
información que se pretende recolectar.

1
Erick Pablo Ortiz Flores, IMPORTANCIA DE LA INCORPORACIÓN TEMPRANA A LA INVESTIGACIÓN CIENTÍFICA
EN LA UNIVERSIDAD DE GUADALAJARA. Pág. 83

8
CAPITULO 1

1. GENERACIÓN DE NÚMEROS ALEATORIOS

1.1 Introducción
1.2 Generadores Físicos
1.2.1 Introducción
1.2.2 La tabla de 1 millón de dígitos aleatorios de RAND Corporation
1.2.3 Generador de bits aleatorios de Vincent
1.2.4 Aplicación a la simulación
1.3 Generadores Aritméticos
1.3.1 Introducción
1.3.2 Uniformidad
1.3.3 Independencia
1.3.4 Características deseables de un generador
1.3.5 Generadores congruenciales lineales
1.3.6 Tipos de generadores
1.3.7 Periodo del generador

9
1. Generación de números aleatorios

1.1 Introducción
Los números que son generados de forma aleatoria, son la base fundamental para la
simulación estocástica (probabilístico). Utilizando cualquier método, para cualquier tipo
de simulación, que contenga componentes aleatorias, requiere de un procedimiento
para la generación de números aleatorios, partiendo de cualquier distribución de
probabilidad. Estos números son obtenidos utilizando diferentes transformaciones
(dependientes de la distribución de probabilidad) a partir de números distribuidos U(0,
1). Estos números U(0, 1) tienen el nombre de números aleatorios2.

Estos números aleatorios se los pueden generar dos formas: físicamente y

aritméticamente. La forma en que se seleccione la forma de generar estos números
depende de la aplicación que se desea dar.

 Generadores físicos. La forma para generar números aleatorios físicos es

utilizando dispositivos físicos, es decir, utilizando fuentes externas, como por
ejemplo desintegrar algún material radioactivo o utilizar ruido eléctrico. Una de
las formas mas utilizadas es utilizando circuitos eléctricos que producen un
ruido (resistencias o diodos), para luego ser amplificados y utilizar estas señales
para producir una secuencia de bits. Por ejemplo, si el ruido es menor a una
medida se produce un 0 y si es mayor un 1. Para luego formar agrupación de bits
y tener bytes que puedan ser convertidos numero enteros o reales.

 Generadores aritméticos. Estos son algoritmos que se utilizan para producir una
secuencia de números. En este tipo de generadores aritméticos, existen dos tipos
de generadores: lineales y no lineales. En simulación los generadores mas
utilizados son los lineales.

En la simulación, es imprescindible el manejo de valores aleatorios, y es recomendable

saber que tipo de generación de números aleatorios se esta manejando. Para así poder
someter a este generador a prueba, utilizando métodos estadísticos.

Existen dos tipos de test estadísticos: empíricos y teóricos.

 Test empírico. Permite analizar una sola secuencia de números generados. Este
análisis solo se da a una muestra; por tanto, solo nos permite afirmar resultados
de esta secuencia y no de otras secuencias que podría realizar el generador.

2
THE DISTRIBUTED SYSTEMS GROUP, Computer Science Department, TCD.
TRINITY COLLEGE DUBLIN. Abril 2001

10
  Test teórico. Permite analizar al generador en base a los valores de sus
parámetros, para así poder dar resultados globales; por tanto, es aplicable para
cualquier número generado.

1.2 Generadores Físicos

1.2.1 Introducción
La forma en que se genera números al azar tiene una larga historia, ya que se utilizo
métodos simple, tales como: tirar dados, utilizar cartas, sacar bolas al azar de una urna,
etc.

Entre las muchas formas de generar números aleatorios, el propósito siempre fue el
mantener estos números para luego ser analizados y disponer de estos en cualquier
momento para ser utilizados. En algunos casos, estos números, eran publicados en
formas de tablas para que pudieran ser utilizados en modelos de Monte Carlos por
diferentes investigadores.

La tabla generada más grande fue elaborada por RAND Corporation3 en el año 1995.
Una de sus mayores ventajas de esta era el tamaño de la tabla que contiene: un millón
de dígitos aleatorios.

1.2.2 La tabla de 1 millón de dígitos aleatorios de RAND Corporation

La forma en que se genero esta tabla de números aleatorios, fue utilizando un circuito
electrónico que trabajaba en la forma que lo hace una ruleta. El circuito tenía una fuente
de pulsaciones de frecuencias aleatorias, que daba un promedio de 100.000 pulsos por
segundo.

Una vez por segundo se conectaba estos pulsos aleatorios a un contador de 5 bits. Una
vez se llenaban los 5 bits, es decir que llega al valor máximo 31, el contador se detenía y
al siguiente pulso se le asignaba el valor 0, a continuación el 1 y se repetía el proceso.

Esta cuenta se puede asemejar a una ruleta de 32 números donde se gira varias veces,
recorriendo todos los números, hasta finalmente detenerse en uno de ellos4.

3
RAND Corporation (1955): A Million Random Digits with 100,000 Normal Deviates. Free Press.
La tabla puede descargarse gratuitamente de la dirección:
http://www.rand.org/publications/MR/MR1418/
4
RAND Corporation (1955): A Million Random Digits with 100,000 Normal Deviates. Free Press.
La descripción de todo el proceso a detalle se lo puede bajar gratuitamente de la dirección:
http://www.rand.org/content/dam/rand/pubs/monograph_reports/MR1418/MR1418.introduction.pdf

11
Figura 1.1 Generación de un dígito aleatorio mediante el método de RAND Corporation.

Fuente: RAND Corporation

El tiempo en el cual se contaban los pulsos era aproximadamente el equivalente a 3000

vueltas. Una vez que se terminaba el intervalo de tiempo de cuenta de las pulsaciones, se
lo convertía en un número decimal. Cuando el número era mayor a 20, se lo descartaba.
Cuando era menor a 20, el digito menos significativo se lo grababa en una tarjeta
perforada.

Estos circuitos tuvieron que ser alterados varias veces, para así poder pasar los
diferentes test probabilísticos. Y finalmente la empresa RAND Corporation, entre Mayo y
Junio de 1947, llego a formar una tabla con 1 millón de dígitos. Esta tabla esta dividida
en columnas y filas, en las cuales se puede elegir al azar por donde comenzar para así
poder utilizarla (RAND Corporation, 2012).

Figura 1.2 Comienzo de la tabla de un millón de dígitos aleatorios de RAND Corporation.

Fuente: RAND Corporation

12
1.2.3 Generador de bits aleatorios de Vincent
Otro generador físico con gran importancia en historia de números aleatorios es el
generador de bits aleatorios de Vincent. En 1970, C. Vincent propuso el método de
generación de bits aleatorios: contar la cantidad de pulsos generados en un
determinado tiempo, y en base a la suma de estos pulsos si es el numero es par o impar,
se selecciona el numero 1 ó 0 respectivamente. Los pulsos pueden ser determinados
utilizando un circuito que detecte los picos que sean superados a una cantidad
determinada5.

Figura 1.3 Esquema del funcionamiento del generador de Vincent.

Esta maquina tiene un número k de pulsaciones, contados en un intervalo de tiempo s,

los cuales están distribuidos según una distribución de Poisson con media l * s:

𝑒 −  ∗𝑠 ∗ (  ∗ 𝑠 )𝑘
Prob { (𝑁 (𝑡 + 𝑠) − 𝑁 (𝑡)) = 𝑘 } =
𝑘!
La diferencia entre la probabilidad de que se obtenga pulsos par e impar, es igual a:
∞
𝑒 −  ∗ 𝑠 ∗ (  ∗ 𝑠 )𝑘
Prob {𝑘 𝑒𝑠 𝑝𝑎𝑟} − Prob {𝑘 𝑒𝑠 𝑖𝑚𝑝𝑎𝑟} = ∑(−1)𝑘 ∗ = 𝑒 −2 ∗  ∗ 𝑠
𝑘!
𝑘:0

Ya que 𝑒 −2∗  ∗𝑠 es igual a 10−13 para un valor de l * s tan pequeño como 15, la
probabilidad de obtener un 0 es igual que la de tener un 1, por lo cual este método es
aceptable para la generación de valores aleatorios.

1.2.4 Aplicación a la simulación

El interés por hacer maquinas que generen números aleatorios sigue vigente hoy en día.
Pero aun así, este tipo de generación de números aleatorios tiene algunas desventajas,
como:

 El poder conectar una maquina a un ordenador. La desventaja de esta técnica es

que una vez generada una serie de valores aleatorios, no se la puede volver a
repetir. Esta repetición es necesaria, ya que es necesario para poder aplicar
técnicas de reducción de varianza.
5
Alfonso Urquía Moraleda (2009). “SIMULACIÓN Texto Base de Teoría”. UNED.

13
  Generar números aleatorios y poder guardar estos en una tabla, para luego poder
utilizar estos datos. Existen simulaciones que son muy complejas, y es necesario
utilizar millones de números, por lo cual esto reduce el tiempo de procesamiento
a lo igual que aumenta a la cantidad de memoria utilizable.

1.3 Generadores Aritméticos

1.3.1 Introducción
La ventaja de utilizar tablas de números aleatorios es su reproductibilidad. La desventaja es la
lentitud y el riesgo de agotar la tabla.

En vista a estas dificultades, John von Neumann sugirió en 1951 introducción el manejo
de variables aleatorias utilizando procedimientos aritméticos, llamado “método de los
cuadrados medios”6. Este método es considerado como el inicio de los generadores
aritméticos actuales.
El método consiste en extraer los dígitos centrales del resultado de elevar al cuadrado el
último número de la secuencia generada. Por ejemplo, si se esta generando números de
4 dígitos, y el numero siguiente es 2424, se obtiene este elevando al cuadrado,
24242 = 5875776, y extrayendo los 4 dígitos centrales, es decir, 8757.
Este tipo de generación de valores aleatorios es factible, pero el problema nace al no
tener buenas propiedades estadísticas, motivo por el cual no debe ser empleado.
Aun así, de este método, se pudo rescatar algunas características, como el poder generar
valores secuenciales, es decir que el nuevo número es determinado a partir del valor
anterior.
Los números generados por métodos de generadores aritméticos no son aleatorios
genuinos. Ya que conociendo el algoritmo interno se puede saber el valor de los
siguientes números que se generan, a diferencia de los números generados de forma
física, que no se pueden predecir. Por este motivo es que a los números generados de
forma aritmética se los llama “números pseudo aleatorios”.
Algunos generadores de números aleatorios aritméticos tienen una gran calidad ya que
las secuencias que producen “parecen” ser muestras independientes de una distribución
uniforme. Es decir que cumplen con todos los test estadísticos. La hipótesis nula para
estos test, es definida de la siguiente forma:
H0: Los números son muestras independientes de una distribución U (0,1)
El problema para ambos métodos de generación de números aleatorios (físico o
aritmético) es que existen muchas pruebas para probar que no son números aleatorios,
pero no existe ninguna forma de probar que si lo son.
Dos conceptos fundamentales para la generación de números aleatorios son: la
uniformidad y la independencia.

6
Eduardo García Dunna (2006). “Simulación y análisis de sistemas con ProModel”. Pearson Educación. Pág. 20

14
1.3.2 Uniformidad
Si se desea asegurar que existe uniformidad en una secuencia de números aleatorios, se puede
seguir los siguientes pasos que pertenecen al método del test serial7:

 Los números generados, cuando están graficados como puntos en una línea que va del 0 al
1, deben estar aproximadamente uniformemente distribuidos.
 Las parejas de números {u1, u2}, {u3, u4},…, deben estar uniformemente distribuidos.
 Las tuplas de n números agrupados {u1, u2,…, un}, {un+1, un+2,…, u2n},…, cuando se los trate
como puntos en un plano, deben tener una distribución uniforme.

Los valores generados podrán ser considerados uniformes si siguen estas reglas para agrupaciones
de n-veces. En la práctica exista un límite de n por encima de 10.

1.3.2 Independencia
Una serie de números son independientes si estos números no dependen de uno de otro8. Por este
motivo se puede decir que una serie es independiente si esta no se la puede especificar con un
algoritmo.

Por ejemplo, si tenemos una serie de bits:

0100101000111101011…

Esta serie es independiente, ya que la forma más rápida de escribirla es simplemente escribirla. A
diferencia de la siguiente secuencia:

1010101010101010101…

Puede escribirse de forma más rápida utilizando un algoritmo.

7
“FING” Facultad de Ingeniería Universidad de la República de Uruguay (2010). “Apuntes del curso Depto. Inv.
Operativa Publicados por el CEI”. Recuperado el 23 de mayo de 2012. Pág. 157
8
Azarang M., García E. (2009). “SIMULACIÓN Y ANÁLISIS DE MODELOS ESTOCÁSTICOS”.
Mc. Graw Hill. México. Pág. 10

15
1.3.3 Características deseables de un generador
Para utilizar los números aleatorios en la simulación es necesario que estos tengan
ciertas propiedades de “aleatoriedad”. Algunas de estas son:
1. Los números generados deben ser uniformes e independientes en un intervalo
[0,1]. Si no cumplen con estas dos propiedades los resultados simulados, serán
errados9.
2. El generador de números aleatorios debe ser práctico. Es decir que debe ser
rápido y no debe almacenar grandes cantidades de datos.
3. Debe ser posible repetir una serie de números, esto es necesario por dos razones
básica. Esto facilita el depurado de programas, es decir que nos ayuda a
encontrar errores para ser corregidos. La segunda, y la más importante, es que a
veces es necesario utilizar una misma secuencia en diferentes programas, para
así poder hacer una comparación de resultados.
4. Un generador debe permitir generar varias secuencias de números aleatorios.
Una secuencia es un grupo de números: una secuencia empieza donde termina
otra secuencia. Esto con el propósito de poder usar múltiples secuencias para
diferentes eventos.
En estas propiedades se puede decir que la numero 1 y 2 son satisfechas en todo
generador. La propiedad 4 es cumplida si la 2 y 3 son realizadas con facilidad. Pero la
propiedad mas importante es la numero 1, ya que es la que definirá si los resultados son
correctos o no en una simulación.
A continuación se va a describir algunos tipos de generación de números aleatorios de
forma aritmética.

1.3.4 Generadores congruenciales lineales

En la geometría, el término congruencia, se la utiliza de la siguiente forma: dos figuras
son congruentes si tienen la misma forma y tamaño, aunque su posición u orientación
sean distintas. A si mismo, para la generación de números aleatorios; atreves de
algoritmos matemáticos, se desea hacer una congruencia de los generadores físicos.
En 1949, Lehmer introduce un método que puede generar números aleatorios mediante
el cual un término de la serie se obtiene en función del término anterior (𝑥𝑛 = 𝑓(𝑥𝑛−1 )).
La función utilizada para generar estos números es10:
𝑥𝑛+1 = (𝑎𝑥𝑛 + 𝑐) 𝑚𝑜𝑑 𝑚 ; 𝑆𝑖𝑒𝑛𝑑𝑜 0 ≤ 𝑥𝑛 ≤ 𝑚
Donde:
 𝑥0 : Valor inicial o semilla
 𝑎: Multiplicador
 𝑐: Incremento
 𝑚: Modulo

9
Louise Foley (2001). “Analysis of an On-line Random Number Generator”. Management Science and
Information Systems Studie. Pág. 32
10
Serrano Chica, José María (2009). “Apuntes de Computación Estadística”.
Universidad de Jaén. España. Recuperado el 12 de Abril de 2012. Pág. 3

16
Los valores que se utilizan para el modulo, multiplicador e incremento son los que
diferenciaran a un generador de otro, también determinaran la calidad estadística.

Debe satisfacerse que el valor del modulo (m), sea mayor que el multiplicador (m > a),
que el incremento (m > c) y que el valor inicial con el que se inicial la secuencia (m > 𝑥0 ).

1.3.5 Tipos de generadores

Podemos distinguir dos tipos de generadores congruentes (G.C.) que se diferencian por el valor del
incremento (Serrano Chica, 2009, Pág. 4).

 G.C. Multiplicativos. En este tipo de generadores el incremento, c es 0.

𝑥𝑛+1 = 𝑎𝑥𝑛 𝑚𝑜𝑑 𝑚

 G.C. Mixtos. En este tipo de generador el incremento es distinto de 0.

𝑥𝑛+1 = (𝑎𝑥𝑛 + 𝑐) 𝑚𝑜𝑑 𝑚

El primer tipo de generadores tiene la ventaja de poder generar valores de forma más
rápida, ya que realiza menos operaciones. A diferencia del segundo tipo, la longitud del
periodo de generación es menor.

1.3.6 Periodo del generador

El concepto del periodo de generador se lo puede describir utilizando el siguiente ejemplo11:

Generar los números aleatorios con los datos del siguiente generador de valores aleatorios:

𝑥 = (5 ∗ 𝑥 −1 + ) 𝑚𝑜𝑑 16

Se utiliza como semilla el valor 𝑥0 = 7. La secuencia formada para los primeros 42 valores es:

7 6 1 8 11 10 5 12 15 14 9 0 3 2 13 4

7 6 1 8 11 10 5 12 15 14 9 0 3 2 13 4

7 6 1 8 11 10 5 12 15 14 9 0 3 2 13 4

Se puede observar:
𝑥1 = 𝑥1 = 𝑥33 = 6

𝑥2 = 𝑥1 = 1

… y así sucesivamente

Este comportamiento se repite una y otra vez, a la longitud de este ciclo se lo llama
periodo del generador, y se representa con p.

11
En este ejemplo se utiliza un valor de m bajo, pero en la practica nunca se utilizaría un valor de este tamaño.

17
CAPITULO 2

2. DISTRIBUCIÓN DE PROBABILIDAD
2.1 Introducción
2.2 Variables aleatorias discreta (x)
2.3 Variables aleatorias continuas (x)
2.4 Distribución de probabilidad en la simulación
2.4.1 Distribución binomial (Eventos discretos)
2.4.2 Distribución de Poisson (Eventos discretos)
2.4.3 Distribución exponencial (Eventos continuos)
2.4.4 Distribución normal (Eventos continuos)

18
2. Distribución de probabilidad

2.1 Introducción
Una distribución de probabilidad describe los posibles valores que pueden tomar una variable
aleatoria y las probabilidades asociadas de la ocurrencia de esos valores. Es decir, que
describe la probabilidad de que un evento se realice en el futuro, esto sirve como una
herramienta fundamental para la simulación de eventos, puesto que se puede diseñar un
escenario de acontecimientos futuros considerando las situaciones actuales de diversos
fenómenos naturales12.
Toda distribución de probabilidad nace de una variable aleatoria x (ya que puede tomar varios
valores), y puede ser de dos tipos: Variable Aleatoria Discreta o Variable Aleatoria Continua.

2.2 Variable aleatoria discreta (x)

Una distribución de probabilidad discreta presenta un número finito de posibles valores que
podría tomar una variable aleatoria. Porque solo puede tomar valores enteros y un número
finitos de ellos. Por ejemplo:
x → Variable que nos define el número de alumnos aprobados en una materia con 42
alumnos (1, 2, 3... ó los 42)
Las propiedades de una variable aleatoria discreta son:
 p(x) ≥ 0 Las probabilidades asociadas a cada uno de los valores que toma x deben ser
mayores ó iguales a cero. Dicho de otra forma, la función de densidad de probabilidad
deberá tomar solo valor mayor ó igual a cero.
 Σ p(x) = 1 La sumatoria de las probabilidades asociadas a cada uno de los valores que
toma x debe ser igual a 1.
𝑥

𝐹(𝑥) = 𝑃 (𝑋 ≤ 𝑥) = ∑ 𝑓(𝑘)
𝑘=−∞

Tal como corresponde a la definición de distribución de probabilidad, esta expresión

representa la suma de todas las probabilidades desde -∞ hasta el valor x.
Las distribuciones de variable discreta más importantes son las siguientes:
 Distribución binomial.
 Distribución binomial negativa.
 Distribución Poisson.
 Distribución geométrica.
 Distribución hipergeométrica.
 Distribución de Bernoulli.

12
Gordon J. Alexander, Nina, William F. Sharpe, Jeffery V. Baile (2010).
“Fundamentos de inversiones: teoría y práctica”, Pearson Educación, Pag.139

19
2.3 Variable aleatoria continua (x)
Una distribución de probabilidades continua contiene un número infinito de valores para la
variable aleatoria. Porque puede tomar tantos valores enteros como fraccionarios y un
número infinito de ellos dentro de un mismo intervalo. Por ejemplo:
x → Variable que define la distribución de temperaturas que puede ocurrir durante el
día (4.24, 24.20, 42.22, …, ∞)
Las propiedades de una variable aleatoria continua son:
 p(x) ≥ 0 Las probabilidades asociadas a cada uno de los valores que toma x deben ser
mayores ó iguales a cero. Dicho de otra forma, la función de densidad de probabilidad
deberá tomar solo valores mayores ó iguales a cero.
 El área definida bajo la función de densidad de probabilidad deberá ser de 1.
𝑥
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∫ 𝑓(𝑡)
−∞
Por tanto, se denomina variable continua a aquella que puede tomar cualquiera de los
infinitos valores existentes dentro de un intervalo. En el caso de variable continua la
distribución de probabilidad es la integral de la función de densidad13.

Las distribuciones de variable continua más importantes son las siguientes:

 Distribución ji cuadrado.
 Distribución exponencial.
 Distribución t de Student.
 Distribución normal.

2.4 Distribución de probabilidad en la simulación

Para utilizar las teorías de simulación es necesario manejar y manipular variables discretas ó
continuas. Por este motivo, es que es necesario utilizar la distribución de probabilidad de
variables. Para este trabajo presentaremos las distribuciones de probabilidad mas
significativas y utilizadas para la simulación de eventos.

2.4.1 Distribución binomial (Eventos Discretos)

La distribución binomial es una distribución de probabilidad discreta donde se indica el
número de éxitos en una secuencia de n ensayos independientes entre si, con una
probabilidad de p ocurrencias de éxito entre cada uno de los ensayos.
En estos ensayos solo se permite tener dos posibles resultados (dicotómico). A uno de estos
resultados se asigna como éxito y tiene una probabilidad de ocurrir p veces y al otro, fracaso,
con una probabilidad: q = 1 – p.

13
Distribución de Probabilidad, Recuperado el 16 de Mayo de 2012.
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_probabilidad

20
Resumiendo podemos mencionar, que sus características, son14:
 Cada situación conlleva n experiencias idénticas.
 Solo son posibles dos resultados, que, por ser contrarios, son incompatibles. Estos
sucesos se denominan: cara-cruz, acierto-fallo, blanco-negro, correcto-incorrecto, etc.
y en general, éxito (A) y fracaso (Ā).
 Cada experiencia es independiente de las otras.
 La probabilidad p de que ocurra éxito A es la misma para cada una de las
experiencias. Lo mismo ocurre para q de Ā. Se verifica: q = 1 – p

Por tanto decimos que toda experiencia que tiene las características anteriores sigue el
modelo de la distribución binomial o distribución de las pruebas de Bernoulli.
Para representar que una variable aleatoria X sigue una distribución binomial de parámetros n
y p, se escribe:

X ~ B(n, p)

En base a lo mencionado anteriormente podemos decir que su función de probabilidad es:

𝑛
𝑓(𝑥) = ( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑥

Donde x = {0, 1, 2,…, n}

𝑛 𝑛!
Siendo (𝑥 ) = las combinaciones de n en x (n elementos tomados de x en x).
𝑥!(𝑛−𝑥)!

2.4.2 Distribución Poisson (Eventos Discretos)

La distribución de Poisson es una distribución de probabilidad discreta que expresa, a partir
de una frecuencia de ocurrencia media, la probabilidad que ocurra un determinado número de
eventos durante cierto periodo de tiempo.
Las características que tiene esta distribución, son (Rigoberto Perez, 2010, Pág. 83):
 Los sucesos que ocurren en un intervalo de tiempo son independientes de los que
ocurren en cualquier otro intervalo de tiempo.
 En un periodo determinado de tiempo, se conoce el número medio de veces que
ocurre este suceso.
 En un intervalo pequeño de tiempo, la probabilidad de que dos o mas sucesos se
presenten es 'casi despreciable'.

14
César Gonzales. “Distribución exponencial”. Monografias.com. Recuperado el 23 de mayo de 2012. Pág. 334
http://www.monografias.com/trabajos84/distribucion-exponencial/distribucion-exponencial.shtml

21
En estas situaciones, la variable que indica el número de veces que aparece el suceso en un
intervalo de tiempo, se dice que sigue una distribución de Poisson.
Los valores que puede tomar esta variable son: 0, 1, 2,…, k y su función de probabilidad es
(Distribución de Poisson, 2012):
𝑒 −λ λ𝑘
𝑓(𝑘; λ) =
𝑘!
Donde:
 k es el número de ocurrencias del evento o fenómeno (la función nos da la
probabilidad de que el evento suceda precisamente k veces).
 λ es un parámetro positivo que representa el número de veces que se espera que
ocurra el fenómeno durante un intervalo dado.
 e es la base de los logaritmos naturales (e = 2,71828 ...)

2.4.3 Distribución exponencial (Eventos Continuos)

La distribución exponencial es un modelo adecuado para la distribución de probabilidad de
tiempo de espera entre dos hechos que sigan un proceso de Poisson. Es más, la distribución
exponencial puede derivarse de un proceso experimental de Poisson con las mismas
características que las que enunciábamos al estudiar la distribución de Poisson, pero tomando
como variable aleatoria, en este caso, el tiempo que tarda en producirse un hecho.
Mientras que la distribución de Poisson describe las llegadas por unidad de tiempo, la
distribución exponencial estudia el tiempo entre cada una de estas llegadas. Si las llegadas
son de Poisson el tiempo entre estas llegadas es exponencial. Mientras que la distribución de
Poisson es discreta la distribución exponencial es continua porque el tiempo entre llegadas no
tiene que ser un número entero. Esta distribución se utiliza mucho para describir el tiempo
entre eventos. Más específicamente la variable aleatoria que representa al tiempo necesario
para servir a la llegada (Distribución exponencial, 2012).
El uso de la distribución exponencial supone que los tiempos de servicio son aleatorios, es
decir, que un tiempo de servicio determinado no depende de otro servicio realizado
anteriormente ni de la posible cola que pueda estar formándose.
La distribución exponencial es una distribución de probabilidad continúa con un parámetro
 > 0 cuya función de densidad es (César Augusto, 2012):
−λx
𝑓(𝑥) = { λ𝑒 𝑝𝑎𝑟𝑎 𝑥 ≥ 0
0 𝑑𝑒 𝑜𝑡𝑟𝑜 𝑚𝑜𝑑𝑜

Su función de distribución es:

0 𝑝𝑎𝑟𝑎 𝑥 < 0
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = { −λx
1− 𝑒 𝑝𝑎𝑟𝑎 𝑥 ≥ 0

Se pueden calcular una variable aleatoria de distribución exponencial x por medio de una
variable aleatoria de distribución uniforme u = (0, 1):
1
𝑥= − 𝑛(1 − )
λ

22
2.4.4 Distribución normal (Eventos Continuos)
Este tipo de distribución es una de las mas importantes dentro las distribuciones de probabilidad
continua. La distribución normal fue desarrollada por varios matemáticos, entre los que se puede
mencionar es al astrónomo- matemático del siglo XVIII Karl Gauss. En su honor, también la
distribución normal se la llama distribución Gaussiana.

Esta distribución de probabilidad es muy importante por razones: 1) Sus propiedades la hacen
aplicable para un gran numero de situaciones de la vida real, ya que se maneja en mediante la toma
de datos. Segundo, la distribución normal se ajusta a distribuciones de frecuencias reales observadas
en muchas situaciones, como en características humanas (peso, altura, coeficiente intelectual),
resultados de procesos físicos (dimensiones y rendimientos), y muchas otras medidas que se pueden
simular.

Fig. 2.1 Curva de frecuencia para la distribución normal

Observando la fig. 2.1, se tiene las características siguientes (Richard I, 2004, Pág. 209):

 La curva tiene un solo pico; por tanto, es unimodal. Dándole la forma de campana
mencionada.
 La media de una población distribuida normalmente cae en el centro de la curva normal.
 Debido a la distribución normal de probabilidades, la moda y la media se encuentran
también el centro, como consecuencia, para la curva normal, la media, mediana, y la moda
tienen el mismo valor.
 Las dos colas de la distribución, se extienden hacia el infinito y nunca llegar a tocar el eje
horizontal.

No hay una sola curva normal, sino una familia de curvas normales. Para definir una curva normal se
necesita definir dos parámetros: la media () y la desviación estándar (). La fig. 2.2 nos muestra
cuatro distribuciones normales, cada una con la diferente media y diferente desviación estándar.
Este grafico muestra como la distribución normal puede describir varias situaciones, diferenciadas
por sus paramentos.

23
 Fig. 2.2 Cuatro distribuciones normales

Se dice que una variable aleatoria continua X sigue una distribución normal de parámetros μ y σ y se
denota X ~ N (μ, σ) si su función de densidad está dada por:

1 1 𝑥−
− ( )
𝐹(𝑥) = 𝑒 2
√2
Donde:

 μ (mu) es la media
2
 σ (sigma) es la desviación estándar ( es la varianza)

Se llama distribución normal "estándar" a aquélla en la que sus parámetros toman los valores μ = 0 y
σ = 1. En este caso la función de densidad tiene la siguiente expresión:

𝑥
−
𝑒 2
𝐹(𝑥) = 𝑓0,1 (𝑥) =
√2
Como consecuencia a su propiedad de que su media es simétrica; es posible relacionar todas las
variables aleatorias normales con la distribución normal estándar. Si X ~ N (μ, 2 ), entonces:

𝑋−
=

A la inversa, si Z, es una distribución normal estándar, Z ~ N (0,1), entonces:

𝑋= +

24
CAPITULO 3

3. PROGRAMAS DE SIMULACIÓN
3.1 Introducción
3.2 Vensim
3.2.1 Introducción
3.2.2 Interface de usuario
3.2.2.1 Barra de títulos
3.2.2.2 Menú
3.2.2.3 Barra de herramientas principales
3.2.2.4 Barra de herramientas de dibujo
3.2.2.5 Barra de formato
3.2.2.6 Barra de herramientas de análisis
3.3 Flexsim
3.3.1 Introducción
3.3.2 Terminología del software Flexsim
3.3.3 Objetos del software Flexsim

25
3. Programas de Simulación

3.1. Introducción
El mundo en el que vivimos es un supra-sistemas, es decir que esta compuesto por varios sistemas,
en el cual todos trabajan e influyen unos a otros. Estos sistemas, están compuestos por procesos, los
cuales contienen tareas y variables que dan un resultado final. Este resultado final puede variar si
alguna de sus variables o tareas es modificada en pequeña o gran escala. Por esto motivo la cantidad
de posibles resultados finales es inmenso y muy complejo al momento de querer predecirlas.

En la actualidad se tiene computadoras que superan el millón de procesos por segundo. Al tener
este tipo de herramienta, y contar con las teorías de probabilidad, se tiene en combinación
programas de simulación que pueden imitar un sistema deseado. Y al mismo tiempo, nos dan la
ventaja, de poder modificarlos para así poder ver que resultados se puede obtener.

La finalidad de querer tener un sistema en computadora radica en el entendimiento de que se pueda

lograr un comportamiento del sistema real, así como también en la obtención de conclusiones o
evaluaciones de posibles estrategias para su funcionamiento.

En la simulación se utiliza el computador para poder analizar de forma numérica el modelo con el
cual trabaja un sistema. En este caso, los modelos se los prueba utilizando algún tipo de Software de
simulación, para así poder tener una validación de que si los resultados que entrega el programa son
estadísticamente correctos, para así se tenga la confianza necesaria de poder modificar y ver los
cambios que se pueden hacer.

Para poder hacer estas simulaciones, se tiene en el presente innumerables programas o se puede
realizar programas propios. Debido a que hoy en día, el desarrollo de Software esta mejorando, se
puede decir que se tiene programas bastante confiables.

Al hacer una comparación de los programas de simulación (Tabla 3.1), se puede decir que existen
dos formas de realizar una simulación por computador. Diseñar el modelo utilizando alguna notación
simbólica o simular modelos utilizando gráficos 3D. Entre estos dos tipos los más significativos, en
cuanto fácil manejo de interface, se tiene a Vensim y Flexsim. Para poder demostrar esto se vera a
continuación sus características.

26
Tabla 3.1 Comparación de programas de simulación

Arena Enterprise Suite

L-SIM Simulation

SimEvents 4.1
inControl Sim

PowerDevs

Modellus
GALATEA

Facsimile
AnyLogic

MASON
SIMUL8
Flexsim

Vensim
NetSim
Simcad

SimPy
Stella
Windows x x x x x x x x x x x x x x x x x
MAC x x x x x x x x x x x
Linux x x x x x x x x x
Simulación 3D x x x x x
Notación 3D x x x x
Notación simbólica x x x x x x x x x x x x x x
Importación dibujos CAD x x x x
Diagramas Gantt x
Diagrama de árbol x x x
Diagrama de flujo x x x x x x x x x x x x x
Control de simulación x x x x x x x x x x x x x x x
Funciones de eventos discretos x x x x x x x x x x x x x x x
Sistemas dinámicos x x x x x x x
Importar/exportar BD x x x x x x x x x x x x x x
Reportes de resultados x x x x x x x x x x x x x x x
Estadísticas x x x x x x x x x x x
Selección de distribución x x x x x x x x x
Licencia Profesional - 6000 - - 4995 - - - 4995 169 1899 0 0 0 0 0 0
Licencia Universitaria - 485 - - - - - - 1995 169 649 0 0 0 0 0 0
Fuente: Paginas web de cada Software

27
3.2 Vensim

3.2.1 Introducción
Vensim es una herramienta visual de modelización que permite conceptualizar, documentar,
simular, analizar y optimizar modelos de sistemas. Vensim provee una forma simple y flexible de
construir modelos de simulación mediante diagramas de influencias y diagramas de Forrester.

Este apéndice se tiene como fin la introducción al uso y manejo del programa Vensim, mostrando las
características fundamentales del programa de simulación. Para facilitar el aprendizaje de Vensim, se
mostrará el desarrollo paso a paso de un ejemplo práctico.

3.2.2 Interface de usuario

Vensim usa una interfaz compuesta por un Espacio de Trabajo (Área de Dibujo) y un conjunto de
herramientas. La ventana principal de Vensim es el Espacio de Trabajo que siempre incluye la Barra
de Títulos, el Menú, la Barra de Herramientas Principal, la Barra de Herramientas de Análisis, la Barra
de Herramientas de Dibujo y la Barra de Formato (Fig. 3.1).

Fig. 3.1 Interfaz Vensim

28
3.2.2.1 Barra de títulos
La Barra de Títulos muestra dos puntos importantes: el modelo que está abierto (en el caso de la
Figura 1 como no se ha abierto ninguno el nombre es Unnamed) y la variable del Espacio de Trabajo
que esté seleccionada (en la Figura 1 cono no hay ninguna seleccionada muestra la variable por
defecto FINAL TIME).

Una variable del Espacio de Trabajo se selecciona haciendo clic sobre ella.

3.2.2.2 Menú
Desde el Menú de Vensim (Figura 2) pueden realizarse muchas funciones, de las cuales se describen
a continuación las más significativas.

Fig. 3.2 Menú de Vensim

 El menú File (Archivo) contiene las funciones comunes a cualquier aplicación Windows,
como Open Model (Abrir Modelo), Save (Guardar), Print (Imprimir), etc...
 El menú Edit (Edición) permite copiar y pegar las partes seleccionadas del modelo.
 El menú View (Ver) tiene las opciones para manipular el dibujo del modelo.
 El menú Layout (Diseño) permite manipular la posición y el tamaño de los elementos en el
dibujo.
 El menú Model (Modelo) proporciona el acceso al Control de la Simulación y a los diálogos
de Límites de Tiempo, a las características de comprobación del modelo y a la importación y
exportación de los Grupos de Datos.
 El menú Options (Opciones) permite modificar opciones globales del modelo.
 El menú Windows (Ventanas) permite cambiar entre diferentes ventanas abiertas.
 El menú Help (Ayuda) proporciona el acceso al sistema de ayuda en línea.

3.2.2.3 Barra de herramientas principal

Fig. 3.3 Barra de herramientas principal de Vensim

29
Además de disponer de las herramientas típicas de cualquier aplicación en Windows, la Barra
de Herramientas Principal contiene las herramientas necesarias para realizar la simulación de
los modelos. A continuación se destacan las más utilizadas:

 Iniciar una simulación: permite seleccionar el método de integración que se desea

utilizar para realizar la simulación (Euler o Runge-Kutta).
 Nombre de la simulación: a cada simulación que se realice con un modelo se le puede dar
un nombre distinto. De esta forma, se pueden tener tantas bases de datos distintas como
simulaciones se realicen. Es muy útil para poder comparar distintas simulaciones.
 Elegir una simulación: permite seleccionar una determinada simulación con el fin de
analizarla o para sobrescribir los valores de la base de datos que tenga en ese momento
almacenado.
 SyntheSim: A partir de la versión 5.0, nos va a permitir que en las constantes o parámetros
del modelo aparezcan unos “deslizadores” para poder cambiar su valor y ver de forma
automáticamente cómo afectan esos cambios a la evolución del resto de variables.
 Panel de control: permite cambiar configuraciones interiores que gobiernan el
funcionamiento de Vensim. Una vez pulsada la herramienta del Panel de Control se abre
la ventana que se muestra en la Figura 3.4.

Entre las funciones más destacables de esta herramienta mencionar las tres siguientes:

 Eje Temporal (Time Axis): permite cambiar el periodo de tiempo sobre el que operan las
herramientas de análisis.
 Bases de Datos (Datasets): permite manipular las bases de datos de las distintas
simulaciones que se hayan realizado.
 Gráficos (Graphs): permite personalizar la salida gráfica de las simulaciones.

Fig. 3.4 Herramientas del panel de control de Vensim

30
3.2.2.4 Barra de herramientas de dibujo
Fig. 3.5 Barra de herramientas de dibujo de Vensim

 Candado: el dibujo está bloqueado. El puntero del ratón puede seleccionar objetos del
dibujo y variables del Espacio de Trabajo, pero no puede mover los objetos del dibujo.
 Mover/Tamaño: mueve, cambia el tamaño y selecciona los objetos del dibujo: las
variables, las flechas, los comentarios, etc...
 Variables constantes y auxiliares: se utiliza para introducir las variables constantes y
variables auxiliares del modelo.
 Variables de estado: se utiliza para introducir las variables de estado del modelo.
 Flecha (canal): se utiliza para introducir, mediante flechas, las relaciones entre las
distintas variables del modelo.
 Variables de flujo: se utiliza para introducir las variables de flujo del modelo. Sirve para
dibujar los canales entre las variables de estado.
 Variable sombra: se utiliza para introducir una variable al modelo sin introducir sus
causas.
 Comentario: se utiliza para introducir comentarios al modelo.
 Borrar: se utiliza para eliminar cualquier tipo de objeto del modelo.
 Ecuaciones: se utiliza para crear y editar las ecuaciones de un modelo utilizando el
Editor de Ecuaciones.

3.2.2.5 Barra de formato

La Barra de Formato muestra el estado del dibujo y de los objetos en él. La Barra de Formato
contiene botones para cambiar el formato de los objetos previamente seleccionados.

Fig. 3.6 Barra de formato de Vensim.

31
3.2.2.6 Barra de herramientas de análisis
Las Herramientas de Análisis se utilizan para mostrar información sobre la variable que se haya
seleccionado. Dependiendo de la herramienta seleccionada se podrá obtener información gráfica o
textual del modelo. Simultáneamente se pueden tener abiertas todas las ventanas de análisis que se
deseen. Se pueden cerrar una a una o todas a la vez desde el menú Windows>Close All Output

Fig. 3.7 Barra de herramientas de análisis de Vensim

 Diagramas de influencias: muestra una representación de las influencias de las variables que
afectan o de las influencias de las variables a las que afecta la variable que esté
seleccionada.
 Bucles de realimentación: muestra una lista de todos los bucles de realimentación que
contienen a las variables de estado.
 Documentación: muestra una información textual del modelo realizado. Contiene las
unidades de las variables y las ecuaciones del modelo.
 Gráficos relacionados: muestra los gráficos (evolución temporal) de todas aquellas variables
que están relacionadas con la variable seleccionada en el Espacio de Trabajo.
 Gráfico: muestra únicamente la gráfica correspondiente a la variable seleccionada.
 Tabla: genera una tabla de valores de la variable previamente seleccionada.
 Comparación de simulaciones: compara dos simulaciones mostrando las diferencias
existentes entre los valores parámetros utilizados en cada una de ellas.

32
3.3 Flexsim

3.3.1 Introducción
El software de Simulación Flexsim es un programa de simulación orientado a objetos verdaderos,
basado en el sistema de simulación de eventos discretos, para construir modelos que pueden ayudar
a visualizar flujos de procesos para optimizar throughput y minimizar gastos operativos.

Flexsim suministra a los usuarios un formato elegante para visualizar, modelar y simular flujos de
procesos usando el modo de tomar y arrastrar objetos en un ambiente tridimensional.

3.3.2 Terminología del software Flexsim

Flexsim Objects: Entre los objetos que posee el software Flexsim se pueden mencionar el Source
(fuente de entidades), Queue (cola), Sink (salida de entidades), Conveyor (correas transportadoras),
Combiner (combinado), Separator (Separador), Transporter (transporte), etc.

Flowitems: Los ítems de flujo (o entidades) son los objetos que se mueven a través del modelo. Estos
ítems pueden ser piezas, papel, contenedores o cualquier cosa que se mueva a través del modelo. La
mayoría tienen procesos que se realizan sobre ellos o son transportados a través del modelo por
otros recursos.

Itemtype: El tipo de ítem es una etiqueta colocada en el ítem de flujo que podría representar un
código de barras, un tipo de producto o el número de una pieza. Una entidad (Flowitems) define la
clase básica de producto o pieza, por otra parte el tipo de ítem define el tipo de pieza individual o el
número de pieza dentro de las clases de entidades.

Ports: Todo objeto Flexsim tiene un número ilimitado de puertos a través de los cuales se comunican
con otros objetos. Hay tres tipos de puertos: Input, output y central. Los dos primeros se utilizan
para el ruteo de los ítems de flujo o para las vías para recursos móviles. Los puertos centrales son
usados para crear referencias, o punteros entre los objetos.

3.3.3 Objetos del software de Flexsim

Flexsim cuenta con muchos objetos la hacer simulaciones, incluso se puede realizar objetos
personalizados. Pero para poder entender la esencia del programa, se mostrara los objetos
principales de cualquier simulación.

Source

La “Source” (Fuente) Es usada para crear los “flowitems” (Entidades) que viajan a
través del modelo. Cada “Source” crea una clase de “flowitem” y les puede asignar
propiedades tales como un tipo de ítem o color. Los modelos deben tener al menos
un “Source” en ellos. “Sources” pueden crear “flowitems” por una tasa entre
llegadas, por una lista programada de llegadas o simplemente desde una secuencia
definida de llegadas.

33
Sink

Es usado para destruir los “flowitems” que salen del modelo. Una vez que un
“flowitem” llega al “Sink” este no se puede recuperar. Cualquier recolección de datos
que envuelven algún “flowitem” que va a dejar el sistema debe hacerse justo antes
de entrar al “Sink” o en la pestaña del trigger: “OnEntry” del “Sink”.

Queue

La “Queue” (Cola) es usada para que permanezcan los “flowitems” cuando un objeto
posterior en la línea no puede aceptarlos aún. Por defecto la “Queue” trabaja con
disciplina FIFO. La “Queue” tiene opciones para acumular “flowitems” antes de que
los suelte para entregarlos a los objetos posteriores.

Processor

Es usado para simular el procesamiento de “flowitems” en un modelo. El proceso es

modelado simplemente como un retraso de tiempo forzado. El tiempo total está
dividido entre un tiempo de setup y un tiempo de proceso. El “Processor” puede
procesar más de un “flowitem”, a la vez. Además puede ser determinada la falla y
reparación de un procesador a intervalos regulares o aleatorios. Los “Processor”
pueden llamar por operadores durante sus tiempos de setup, proceso y/o reparación. Cuando un
procesador falla, todos los “flowitems” que está procesando se retrasarán.

Dispatcher

Es usado para controlar un grupo de transportes u operadores. Las peticiones por

trabajo son enviadas al “dispatcher” desde un objeto y el “dispatcher” los delega a
los transportes u operadores que está controlando. La tarea será realizada por el
transporte u operador que finalmente recibe la solicitud.

Transporte

Es utilizado principalmente para llevar “flowitems” desde un objeto a otro. Puede

personalizarse para llevar múltiples “flowitems. Un único transporte puede recibir
múltiples solicitudes por tareas o trabajos (tal como transportar un “flowitem”) de
varios objetos localizados en el modelo. Esas tareas son colocadas en una cola para el
“transporter”. Cuando un “transporter” termina una tarea, este inmediatamente
comenzará la siguiente tarea en su cola o esperará hasta que la próxima tarea sea enviada a ésta.
Algunos modelos requerirán un “dispatcher” para poner en cola las solicitudes por trabajo, y otros
modelos requerirán el transporte individual para poner en cola las tareas.

34
CAPITULO 4

4. SIMULACIÓN EN UNIVERSIDADES / EMPRESAS

4.1 Introducción
4.2 Simulación en las empresas
4.3 Simulación en las Universidades

35
4. Simulación en universidades / empresas

4.1 Introducción
Una definición formal formulada por R.E. Shannon15 sobre los simulación es: "La simulación es el
proceso de diseñar un modelo de un sistema real y llevar a término experiencias con él, con la
finalidad de comprender el comportamiento del sistema o evaluar nuevas estrategias -dentro de los
límites impuestos por un cierto criterio o un conjunto de ellos - para el funcionamiento del sistema".

Esta definición es aplicable para las universidades y empresas, que son lugares donde se analiza
como funcionan los sistemas, ya sea un sistema donde se esta aprendiendo cualquier materia o un
sistema donde se desea causar algún efecto.

Es necesario poder utilizar las teorías de probabilidad, junto a las herramientas de simulación en el
mundo universitario, ya que estas se complementan unas con otras y forman un desenvolvimiento
en la forma de pensar sobre la realidad y la abstracción. Así mismo es necesario utilizar la simulación
para poder experimentar con el comportamiento de la vida real, sin necesidad de pasar por el
proceso experimento - error.

Por este motivo se va a resumir la situación por la cual pasa la simulación en las universidades y
algunas empresas privadas o publicas.

15
Shannon, Robert; Johannes, James D. (1976). «Systems simulation: the art and science». IEEE Transactions
on Systems, Man and Cybernetics. Pág. 723-724

36
4.2 Simulación en las empresas
Toda empresa tiene por debajo algún tipo de ingeniería para manejar sus procesos. Estos procesos
son adaptados por las empresas y si en algún momento existe la necesidad de modificarlos, existe la
probabilidad de tener consecuencias negativas, ya que puede traer consigo perdidas o fallas. Para
evitar este tipo de problemas es que la simulación; atreves del manejo de modelos, pude imitar el
comportamiento que siguen las empresas para el manejo de sus sistemas.

Muchas de estas empresas acuden a la ayuda de programas de simulación. El objetivo de utilizar

estos programas es el de poder imitar los procesos que siguen las empresas, para luego ponerlos a
prueba de cambios. Los resultados que se tengan con los cambios nos mostraran si se podrá tener
una mejora o pérdida en cuanto al objetivo que se busca. Si se tiene una mejora, la empresa tiene
una mayor posibilidad de tener éxito en los cambios que se realicen. Pero si se tiene resultados
negativos, la empresa tiene la posibilidad de poder analizar los errores, para así poder volver a
simular los cambios deseados.

Para hacer estas pruebas existen programas como Flexsim y Vensim, que son muy confiables para
poder simular situaciones reales. Empresas de todo tipo utilizan estos programas de simulación,
como se puede ver en la tabla 4.1 y 4.2, empresas que realizan procesos a nivel mundial o procesos
que no pueden tener un margen de error alto.

37
Tabla 4.1 Empresas que utilizan Flexsim para la simulación

Flexsim
Empresa País Descripción
Caterpillar Estados Unidos Fabricante más grande del mundo de maquinaria para la construcción y equipos de minería, motores diésel y turbinas industriales de gas.
Boeing Estados Unidos Empresa aeronáutica y de defensa, es el mayor fabricante de aviones y equipos aeroespaciales del mundo.
Mattel Estados Unidos Es la más grande compañía de juguetes del mundo
FedEx Estados Unidos Es una compañía aérea de transporte de paquetes y logística que tiene cobertura a nivel internacional.
Braun GmbH Alemania Productos de consumo, conocida por sus productos de diseño funcional y estético.
Michelin Francia Fabricante de neumáticos.
Coca-Cola Estados Unidos La compañía produce realmente un concentrado de Coca-Cola, que luego vende a varias empresas embotelladoras licenciadas en todo el
mundo.
Siemens AG Alemania Empresa dedicada a las telecomunicaciones, el transporte, la iluminación, a través de Osram, a la medicina, al financiamiento,
Equipos Eléctricos, Motores, Automatización, Instrumentación Industrial y a la energía, entre otras áreas de la ingeniería.
Ford Motor Co. Estados Unidos Empresa multinacional fabricante de automóviles
Avon Estados Unidos Empresa de cosméticos, perfumes y juguetes.
NASA Estados Unidos Agencia gubernamental responsable de los programas espaciales.
16
Fuente: Pagina oficial de Flexsim

Tabla 4.2 Empresas que utilizan VENSIM para la simulación

VENSIM
Empresa País Descripción
C-ROADS and C-LEARN Estados Unidos Empresa dedicada al monitoreo de los cambios climáticos
Laroche Consulting Estados Unidos Compañía de energía, dedicada principalmente al petróleo y al gas natural
British Petroleum Reino Unido Compañía de energía, dedicada principalmente al petróleo y al gas natural
Fuente: Pagina oficial de VENSIM17

16
Para ver una lista complete de las empresas con las que trabaja FlexSim ir al link: http://www.flexsim.com/clients/
17
Para ver una lista complete de las empresas con las que trabaja VENSIM ir al link: http://www.vensim.com/customers.htm

38
4.3 Simulación en las Universidades
En el presente las la población mundial esta creciendo, como resultado también la necesidad de
sistemas mas complejos para satisfacer las demandas de las personas. Para satisfacer estos
procesos se necesita de la simulación.

Para poder realizar simulaciones es necesario pasar por los conceptos básicos que se los aprende en
las universidades. Ya que sin el conocimiento de cómo funciona la simulación, se puede tener
resultados totalmente erróneos. A continuación se vera la situación actual de la materia de
simulación.

4.3.1 Materia de simulación en Universidades de Bolivia

Según la tabla 4.3 la materia de simulación se la lleva en varias universidades de Bolivia. El nombre
de la materia varia entre las universidades, pero en esencia, busca el mismo propósito, de hacer una
abstracción de la realidad para poder analizar un sistema y finalmente dar una conclusión. En todas
las Universidades que cuentan con esta materia (de la tabla 4.3), se las toma de forma obligatoria,
excepto en la Universidad Católica Boliviana.

El 60% de universidades (Fig. 4.1), llevan la materia de simulación. En estas universidades la materia
se la lleva en dos carreras: Ing. de Sistemas e Ing. Industrial. Pero como se ve en la figura 4.1, la
materia de simulación se lleva solo en la carrera de Ing. de Sistemas en un 50% de las universidades,
el 12% solo la lleva en Ing. Industrial y el 38% la lleva en ambas carreras.

Fig. 4.1 Carreras con la materia de simulación

Simulacion en las Universidades

38%
50%
Sistemas
Industrial
Ambas
12%

Fuente: Datos de la Tabla 4.3

39
Tabla 4.3 Materia de simulación en Universidades de Bolivia

Universidad Departamento Carrera Titulo Semestre

ESCUELA MILITAR DE INGENIERÍA Santa Cruz Ing. Sistemas Modelación de sistemas 6
ESCUELA MILITAR DE INGENIERÍA Santa Cruz Ing. Sistemas Simulación de sistemas 6
UNIVERSIDAD CATÓLICA SAN PABLO Santa Cruz Ing. Sistemas Simulación 7
UNIVERSIDAD PRIVADA DE SANTA CRUZ Santa Cruz Ing. Industrial y de Sistemas Modelación y Simulación 9
UNIVERSIDAD CATÓLICA SAN PABLO La Paz Ing. Industrial Simulación y optimización industrial 5
UNIVERSIDAD TECNOLÓGICA BOLIVIANA La Paz Ing. Sistemas Simulación y modelaje 8
UNIVERSIDAD DE LOS ANDES La Paz Ing. Sistemas Simulación y modelaje 5
UNIVERSIDAD DEL VALLE La Paz/Cochabamba Ing. Sistemas Informáticos Simulación de sistemas 7
UNIVERSIDAD DEL VALLE La Paz/Cochabamba Ing. Industrial Simulación de sistemas 7
UNIVERSIDAD PRIVADA BOLIVIANA La Paz/Cochabamba Ing. Industrial y de Sistemas Metodología de Sistemas de Simulación 7
UNIVERSIDAD FRANZ TAMAYO La Paz/Cochabamba/Santa Cruz Ing. Sistemas Simulación y modelaje 8
UNIVERSIDAD NUESTRA SEÑORA DE LA PAZ - - - -
UNIVERSIDAD DE AQUINO BOLIVIA - - - -
UNIVERSIDAD LOYOLA - - - -
UNIVERSIDAD SALESIANA DE BOLIVIA - - - -
UNIVERSIDAD SAN FRANCISCO DE ASÍS - - - -
UNIVERSIDAD BOLIVIANA DE INFORMÁTICA - - - -
UNIVERSIDAD LA SALLE - - - -
Fuente: Paginas web de cada Universidad

40
4.3.2 Materia de simulación en otras Universidades
Como se puede ver en la tabla 4.4 una gran cantidad de universidades ofrecen la materia de
simulación. Esta materia también se la ve con diferentes nombres o nombres más específicos. Así
mismo, se puede apreciar que otras universidades, ya tienen carreras mas especificas en cuanto a su
propósito. Mostrando que la simulación se extiende por diferentes ramas computacionales. También
podemos apreciar que en Estados Unidos se lleva la materia antes de llegar a la mitad de la carrera,
a diferencia que en todos los otros países se la llevan casi al finalizar la carrera.

Si hacemos una comparación entre la tabla 4.1 y 4.4, podemos ver que las empresas que mas
simulaciones utiliza es Estados Unidos, así como las universidades que llevan la materia
tempranamente es Estados Unidos. Esto nos puede servir como referencia para decir que la materia
de simulación va creciendo según la demanda que pedirán las empresas que necesitan de este tipo
de conocimiento.

41
Tabla 4.4 Materia de simulación en otras Universidades

Universidad País Carrera Titulo Semestre

U. Buenos Aires Argentina Ingeniería en Informática Modelos y Optimización I 7
U. Buenos Aires Argentina Licenciatura en Análisis de Sistemas Simulación 5
U. de Palermo Argentina Ing. en Informática Modelos y Simulación 9
U. Ricardo Palma Argentina Ingeniería en Informática Simulación de Sistemas 8
Pontifica Universidad Chile Ing. Industrial Modelos de Simulación 4
Católica de Chile
Caltech Estados Unidos Mechanical engineering Rarefied Gasdynamics 3
Caltech Estados Unidos Computación and neural systems Parallel Algorithms for Scientific Applications 4
Cornell Estados Unidos Civil and Environmental Engineering Simulation Modeling and Analysis 3
Cornell Estados Unidos Operations Research and Information Engineering Simulation 3
Cornell Estados Unidos Operations Research and Information Engineering Monte Carlo Simulation 4
Cornell Estados Unidos Industrial Systems and Information Techology Minor Risk Simulation and Optimization 3
Cornell Estados Unidos Operations Research and Information Engineering Monte Carlo Methods in Financial Engineering 4
MIT Estados Unidos Engineering Systems Transportation Systems Modeling 3
MIT Estados Unidos Engineering in Logistics Advanced Demand Modeling 5
MIT Estados Unidos Engineering Systems Software and Computation for Simulation 3
MIT Estados Unidos Engineering Systems Systems Optimization 4
Universidad de la Uruguay Ingeniería en Computación Simulación de Sistemas 5
República - Uruguay
Tecnológico de México Ingeniero Industrial y de Sistemas Simulación de eventos discretos 7
Monterrey
Universidad Peruana Perú Ingeniería Industrial Simulación de Sistemas Discretos 9
de Ciencias Aplicadas
Fuente: Paginas web de cada Universidad

42
CAPITULO 5
5. IMPLEMENTACIÓN
5.1 Introducción
5.2 Objetivo
5.3 Alcance
5.4 Estudio de Simulación
5.4.1 Formulación del problema y plan de estudio
5.4.2 Recolección de datos y definición del modelo
5.4.2.1 Información y datos del sistema
5.4.2.2 Determinación de las distribuciones de las variables
aleatorias
5.4.2.3 Construcción de modelo simple. Para identificar donde se
debe refinar
5.4.3 Construcción del modelo y verificación
5.4.4 Corridas piloto
5.4.5 Diseño de experimentos
5.4.6 Corridas de experimentos
5.5 Conclusiones

43
5. Implementación

5.1 Introducción
Yanbal nace hace más de 40 años, el Fundador y Presidente de Yanbal International, Fernando
Belmont, inicio esta empresa con un gran sueño: Crear una compañía de venta directa, para ofrecer
a la mujer latina la oportunidad de desarrollarse, haciendo realidad cada uno de sus sueños y metas.

Para que esta compañía tuviera un sentido especial para las mujeres buscó llamarla de una
significativa manera. Se inspiró en su hija, Janine, entonces de 2 años. Y obtuvo la respuesta: Bautizó
a su compañía con el nombre Yanbal; “Yan” por Janine y el femenino “Bal” por el apellido de su
familia.

Su fundación fue en 1967, la Corporación Yanbal International es sinónimo de Mujer y Belleza Latina
en 7 países de América Latina: Bolivia, Colombia, Ecuador, Guatemala, México, Perú y Venezuela; y
en España.

Yanbal Bolivia recibe productos de ocho países y todos estos productos superan mas 800 tipos.
También se promedia que se preparan alrededor de 4500 cajas empaquetadas por día (Ver anexo
6.1), todas estas almacenadas en su sede de Santa Cruz.

Todo el proceso de la venta de estos productos empieza con las representantes mas bajas de la
pirámide de distribución. Donde se tiene mujeres vendiendo los diferentes productos de Yanbal a
través de catálogos. Esta persona vendedora junta todos sus pedidos que son luego enviados a sus
distribuidoras de zonas. Estas distribuidoras de zonas proceden a hacer el pedido a sus distribuidores
de departamento, para que estos puedan ser encargas y seleccionados desde el almacén que se
encuentra en Santa Cruz.

Es aquí donde empieza toda la selección de productos. Y donde se realizara un estudio de

simulación.

Para poder realizar un correcto estudio del sistema de selección de productos de Yanbal se utilizara
los pasos que se presentan en el libro “Pasos en un estudio de simulación”18:

18
Herbert R. Hoeger. “PASOS EN UN ESTUDIO DE SIMULACIÓN”. Universidad de Los Andes. Recuperado el 05
de noviembre de 2012.
http://webdelprofesor.ula.ve/ingenieria/hhoeger/simulacion/PARTE3.pdf

44
Figura 5.1 Procesos para estudio de una simulación.

Fuente: Elaboración propia

45
5.2 Objetivos

5.2.1 Objetivo general

Realizar una aplicación de métodos de simulación estocástica a un proceso real: Caso de estudio
proceso de despacho en la empresa Yanbal.

5.2.2 Objetivos específicos

Después de completar esta implementación, se pretende cubrir los siguientes objetivos específicos:

 Entender los conceptos básicos de la simulación de eventos discretos

 Diseñar y construir una modelo de simulación de eventos discretos usando software
(Flexsim)
 Validar un sistema modelado en base a la simulación
 Determinar el nivel apropiado de detalles de modelado
 Recolectar, analizar, documentar y hacer una validación estadística de datos
 Modelar un sistema real
 Planear y ejecutar un proyecto de simulación en un caso real

5.3 Alcance
Para poder cumplir el objetivo de esta simulación se pretende realizar cada una de las siguientes
actividades:

1. Formulación del problema y plan de estudio

2. Recolección de datos y definición del modelo
3. Construcción del modelo y verificación
4. Corridas piloto
5. Diseño de experimentos
6. Corridas de experimentos
7. Análisis de salidas
8. Documentación, presentación e implementación de resultados

5.4 Estudio de simulación

5.4.1 Formulación del problema y plan de estudio

En el proceso de despacho de Yanbal se requiere realizar cambios que permitan reducir y
estandarizar el tiempo de entrega de los pedidos. Actualmente la empresa no cuenta con un modelo
que pueda reproducir la realidad tanto del proceso actual como de aquellos cambios que el equipo
de ingeniería de la empresa requiera hacer para mejorar su actual proceso de despacho sin incurrir
en costos de prueba y error por cambios dentro del proceso real.

46
5.4.1.1 Detalles específicos que se quieren cubrir
El propósito de esta experiencia es poder analizar los procesos que ocurren en el proceso de picking
y zonificación de productos que tiene en el presente la empresa Yanbal. En base a la información
que se recolecte se levantara dos tipos de información. La primera información que se espera
recolectar y elaborar es una lista de los procesos que se realizan en el sistema junto a los datos de
entradas y salidas. El segundo tipo de información que planea elaborar es un esquema grafico de los
procesos que se realizan en Yanbal.

De esta forma se podrá hacer un análisis de las entradas y salidas de los pedidos, para así definir los
tipos de distribuciones que siguen a lo largo del sistema el proceso de despacho de productos. De
este proceso de despacho, se planea realizar una simulación mostrando los procesos de
cumplimiento que se realicen.

5.4.1.2 Determinación de aspectos operativos (procesos del sistema)

Antes de empezar a elaborar un análisis del lugar y ver que procesos tiene se plantea un esquema
general de los procesos que se tiene, se delimita tres normas para analizar el sistema y se decide que
pasos se tomara para este análisis.

Esquema general de los procesos

Caja negra Simulación Caja negra

Pedido Cumplir plan Distribución de

Picking (Inicio) Despacho de despacho
(Fin) productos

Normas para mi simulación

1. No prejuicios.- Captar la realidad como es sin pensamientos propios ya que crea un sesgo.
2. Delimitar procesos.- Identificar los flujos/procesos principales.
3. Facilidad de obtención de datos.- Según los procesos delimitados seleccionar los procesos
que tengan datos generados. Tratar de alejarse de datos complejos que requieran realizar
levantamiento de información.

Pasos para identificación de procesos

1. Identificación del proceso

2. Identificación de responsables
3. Identificación de entradas
4. Identificación de salidas
5. Establecer flujo de actividades
6. Elaborar / modificar

5.4.1.3 Criterios evaluados

Después de haber realizado una evaluación y análisis del sistema real se puedo recopilar la
información necesaria. Se tiene un diagrama mostrando todos los procesos principales que ocurren

47
en el sistema como se muestra en la figura 5.1, y así mismo se obtuvo un mapa del lugar de
simulación figura 5.2. (Imagen agrandada Anexo 6.3) Esta información se utilizara para poder
proceder a la recolección datos y definición del modelo.

48
Figura 5.1 Procesos principales para el sondeo de paquetes.

Fuente: Elaboración propia

Figura 5.1 Plano del área de sondeo de productos

Fuente: YANBAL

49
5.4.2 Recolección de datos y definición del modelo
Teniendo en cuanta los procesos principales y la ubicación de los elementos del sistema se
procederá a realizar:

 Levantamiento de información y datos del sistema

 Determinación de las distribuciones de las variables aleatorias
 Construcción de modelo simple, para identificar donde se debe refinar

5.4.2.1 Información y datos del sistema

En base a los procesos determinadnos, se espera recolectar los tiempos de servicio que se presentan
en cada uno de los procesos. Para recolectar esta información de una forma debido se utiliza el
método para y observar (Krick, 1996, Pág. 237) y utilizando el formulario como requisito que
presenta en el anexo 6.4. Para esta toma de tiempos se tomara en cuenta los siguientes procesos
identificados anteriormente:

Salida de cajas (Inicio de simulación)

Este tiempo se recibirá de la base de datos que tiene Yanbal. Estos tiempos son los que se tiene
como entrada al primer procesos que es de sellado de cajas. Estos tiempos de entrar se comportan
en base a algún tipo de distribución probabilística. Esta distribución se la hallara en base a los datos
recibidos para así poder generar su función de distribución inversa.

Sellado de cajas

El sellado de cajas es un tiempo corto, pero que aun así debe ser considerado, por este motivo se
hará un calculo de tiempo promedio utilizando un cronometro y sacando su media y desviación
estándar. Se tomaran 10 tiempos para hallar esta información.

Acumulación en pallet

El proceso de acumulación en pallet esta dado por tres pequeños procesos, que serán calculados
independientemente. Los procesos incluyen:

1. Agrupación de paquetes por el empaquetador. Un empaquetador, manualmente, hace

pequeños grupos de cajas según sus criterios. El criterio general que toma a la persona, es
juntar cajas que pertenezcan a una misma ciudad y un mismo distribuidor. Una vez tenga
cierta cantidad de cajas, esta persona proceden a llevarlos a sus respectivos pallets. Este
tiempo que toma en agrupar cajas y llevarlas, será calculada con un cronometro, para así
poder hallar su media y desviación.
2. La persona toma caminos al azar para llegar a estos pallets. Pero aun así, esta persona se
desplaza según una aceleración promedio. Esta aceleración será calculada 10 veces para
tener una media y su desviación.
3. Tiempo en acomodar las cajas en el pallet.

50
Revisión, registro y cierre de pallet

Una vez acumuladas las cajas en un pallet, estos son registrados, revisados y cerrados en registro.
Este tiempo en registro será proporcionado por Yanbal. Estos tiempos serán analizados, para así
hallar su función de distribución de probabilidad y poder comparar con los resultados de la
simulación.

Embalado de pallet

Una vez se tiene registrado que un pallet esta completo, este pasa a ser embalado. Este tiempo de
embalaje será calculado manualmente, para así hallar su tiempo medio y desviación estándar.

En base a todos estos tiempos, se podrá calcular las diferentes distribuciones en las que se
comportan los procesos de envió de paquetes. Para que luego sean agregados al Layout que se tiene
actualmente.

Layout del sistema actual

Al tener que pasar el layout actual al software de simulación, es necesario considerar:

 Ubicación de pallets para cada ciudad

 Cantidad de pallets
 Diseño de línea de operaciones

5.4.2.2 Determinación de las distribuciones de las variables aleatorias

Según la información recolectada para cada uno de los procesos, se procederá a hallar sus
diferentes distribuciones que cumplen las variables aleatorias de cada proceso fijado. Para poder
determinar las distribuciones que siguen cada uno de los procesos del sistema realizaremos una
recopilación de todo lo realizado.

Resumen

El siguiente análisis presenta el desarrollo de un modelo de simulación con el objetivo de estudiar el

desempeño de la preparación de envió de paquetes de los productos de la empresa Yanbal, en el
cual llegan cajas con productos preseleccionados. Estas cajas arriban al proceso de envió, con un
proceso de Poisson no estacionario u homogéneo. Se presenta una variación en las tasas de llegada
de los paquetes o cajas por periodos de treinta minutos durante veinte cuatro horas de trabajo al
día, que resultan en una semana típica de trabajo. El modelo de simulación desarrollado incorpora
dos procedimientos: uno de control de los periodos de tiempo conforme éstos van transcurriendo, el
cual permite controlar la lógica del modelo de simulación; y otro de filtrado de los datos de arribo,
que sigue la metodología de cálculo de la probabilidad de aceptación. Esta sección muestra el
tratamiento de los datos de entrada al modelo de simulación, el procedimiento de filtrado de éstos y
los resultados obtenidos.

51
Introducción

Los procesos de arribo no estacionarios de los paquetes se caracterizan por tener un patrón de
llegadas en el que las tasas de arribo varían conforme el tiempo va transcurriendo. Este proceso
típico de arribos es muy común en sistemas o facilidades de servicio, tales como bancos,
restaurantes de comidas rápidas o tráfico de vehículos en carreteras, y requiere un tratamiento
diferente al que regularmente se les da a los procesos estacionarios. Los patrones de llegada se
modelan en muchos sistemas como procesos de Poisson estacionarios, en los cuales los arribos
ocurren uno a la vez, son independientes unos de otros y ocurren a una tasa promedio de arribos
constante en el tiempo. Esto quiere decir que el tiempo entre llegadas es aproximadamente
exponencial, con una tasa promedio de llegadas igual a . Sin embargo, en los sistemas reales, los
patrones de arribo de los paquetes son, en general, no estacionarios (Ross, 1999, Pág. 77).

Cuando el patrón de llegadas a una facilidad es un proceso de Poisson no estacionario, pero se

modela como un proceso de Poisson estacionario, hay un alto riesgo de producir resultados inválidos
en el modelo de simulación. Véase el siguiente ejemplo: los datos de tasas de arribo al proceso de
sellado indican que para el periodo número ocho de 30 minutos (paquetes que llegan entre las 12 y
las 12:30 del día), los paquetes llegan a la selladora a una tasa promedio de 0,16 paquetes por
minuto, lo cual equivale a un promedio de 5 paquetes cada media hora. En el siguiente periodo de
30 minutos (paquetes que llegan entre las 12:30 y las 13:00 horas) la tasa promedio de arribos es de
1,68 paquetes por minuto, lo cual equivale a un promedio de 50 paquetes cada media hora.
Supóngase que un paquete llegó al minuto 28 del octavo intervalo y se genera el próximo tiempo
entre arribos de manera exponencial con tasa promedio de 5 paquetes cada media hora. Un
resultado obtenido con esta tasa promedio para el tiempo entre llegadas es de 34,06 minutos, lo
cual significaría que durante el noveno periodo de 30 minutos no llegó ningún paquete a la
selladora. Sin embargo, como se indicó anteriormente, la tasa promedio es de 50 paquetes para ese
intervalo específico de media hora.

Esta es la razón por la que se justifica dar un tratamiento especial a los patrones de llegada que
siguen los procesos de Poisson no estacionarios. En estos procesos, si la tasa de arribo (t) cambia
con el tiempo, entonces los tiempos entre arribos t1,t2,… no están idénticamente distribuidos, por lo
que no es apropiado ajustar una sola distribución de probabilidad para los tiempos, como, por
ejemplo, la distribución exponencial con tasa de arribos  constante en el tiempo.

El proceso estocástico { N(t), t ≥ 0 } se dice que es un proceso de Poisson no estacionario si cumple

las siguientes dos propiedades:

1. Los paquetes arriban uno a la vez,

2. El número de paquetes que llega en el periodo t + s es independiente de los que llegan en el
periodo t, esto es:

{N (t + s) – N (t)} es independiente de {N (u), 0 ≤ u ≤ t)}

En donde N (t) es el número de eventos que ocurre hasta el tiempo t. La tasa de arribos (t) es ahora
una función del tiempo. En consecuencia, si {N (t), t ≥ 0} es un proceso de Poisson no estacionario.

52
Estimación de la función de tasa de arribos (t)

El procedimiento que se usó para la estimación de la función (t) en el modelo de simulación

desarrollado para Yanbal, es una generalización. Se recolectaron tiempos de arribo entre las 12:00
a.m. y las 12:00 p.m. en cinco meses diferentes de un año típico de trabajo de Yanbal.

Se determinó que el patrón general del tiempo entre llegadas de los paquetes es aproximadamente
exponencial con un error cuadrático igual a 0,00139, lo cual es equivalente a decir que el patrón de
llegadas es un proceso de Poisson. La Figura 5.2 muestra la distribución de probabilidad de los
tiempos entre llegadas. Además, mediante la observación de las características de los arribos de los
paquetes durante el día y de una prueba estadística de análisis de varianza, se determinó que la tasa
de arribos durante el día de trabajo varía significativamente y que, por tanto, las dos propiedades de
los procesos de Poisson no estacionarios se aplican.

Procedimiento para obtener la función (t)

Para obtener la estimación de la función de arribos (t) se siguió el siguiente procedimiento:

Paso 1. Se dividió el intervalo de 24 horas de trabajo en 48 sub-intervalos de 30 minutos

cada uno de la siguiente manera:

[00:30 A 01:00), [01:00 A 01:30), [01:30 A 02:00), ……. , [21:30 A 22:00), [22:00 A 23:30)

Paso 2. Se determinó el número de arribos en cada sub-intervalo para cada día de trabajo
seleccionado. Los datos obtenidos se muestran en el Cuadro 5.1.

Paso 3. Se determinó el número promedio de arribos en cada sub-intervalo, al promediar los

arribos de los cinco meses de trabajo seleccionados. Los datos obtenidos se muestran en el
Cuadro 5.2.

Una prueba de análisis de varianza tradicional, usando Minitab®, indica que hay suficiente
evidencia, con un 95% de confianza, para pensar que las variaciones entre las tasas
promedio de llegadas son significativas. Véase la Figura 5.3. Una prueba de análisis de
varianza no paramétrica sugiere el mismo resultado.

Paso 4. Para obtener un estimado de la tasa de arribos en cada sub-intervalo, se dividió el

número promedio de arribos de cada sub-intervalo entre la longitud del intervalo de 30
minutos. Los datos obtenidos se muestran en el Cuadro 5.3. El tamaño apropiado del
intervalo de tiempo, que en este caso es de 30 minutos, se seleccionó de manera subjetiva,
al examinar, por experiencia, las variaciones de los datos de las llegadas de paquetes.

La Figura 5.3 muestra, de manera gráfica, la función de arribos (t) estimada en clientes por
minuto. Esta figura muestra la tendencia de variación de las tasas de llegada durante los
diferentes periodos en que Yanbal está en funcionamiento, lo cual evidencia que hay alta
variabilidad de las tasas de llegada entre un intervalo de tiempo y otro. Esta variabilidad
hace que sea conveniente estudiar este tipo de sistemas de servicio por medio de procesos
de Poisson no estacionarios.

53
 Tiempo promedio entre llegadas
3000

2500

2000
Repeticiones

1500

1000

500

0
100
110
120
130
140
150
160
170
180
190
200
80
10
20
30
40
50
60
70

90

Tiempo
[Seg]

Figura 5.2. Distribución de probabilidad de los tiempos entre llegadas de los paquetes a
la selladora.

54
Cuadro 5.1. Número de arribo de paquetes a la selladora

Mes 12:00:00 AM 12:30:00 AM 1:00:00 AM 1:30:00 AM 2:00:00 AM 2:30:00 AM 3:00:00 AM 3:30:00 AM 4:00:00 AM 4:30:00 AM 5:00:00 AM
Julio-3 0 200 202 1 4 238 233 243 215 224 206
Julio-4 1 193 181 0 2 206 220 195 218 207 172
Agosto-1 0 116 125 0 2 113 169 167 182 196 163
Agosto-2 0 323 292 3 3 346 289 358 306 296 304
Agosto-3 0 400 371 7 17 370 421 409 371 266 396
Agosto-4 0 407 373 7 17 370 421 410 371 264 395
Septiembre-1 0 542 497 0 4 583 580 500 355 201 344
Septiembre-2 0 201 185 1 4 235 264 233 280 240 250
Septiembre-3 0 328 283 0 34 426 447 402 339 271 292
Septiembre-4 0 336 354 1 9 345 346 357 354 366 363

Mes 5:30:00 AM 6:00:00 AM 6:30:00 AM 7:00:00 AM 7:30:00 AM 8:00:00 AM 8:30:00 AM 9:00:00 AM 9:30:00 AM 10:00:00 AM 10:30:00 AM
Julio-3 257 253 33 0 73 222 194 149 175 158 50
Julio-4 158 153 39 0 66 137 118 219 196 151 147
Agosto-1 121 135 46 0 30 117 143 164 156 189 89
Agosto-2 291 273 56 1 63 132 161 133 69 32 3
Agosto-3 401 399 80 0 120 358 356 293 290 244 98
Agosto-4 408 399 80 0 120 358 356 291 290 243 97
Septiembre-1 365 297 97 0 56 219 220 240 199 142 38
Septiembre-2 222 234 152 0 30 203 248 232 113 59 26
Septiembre-3 315 157 4 0 37 109 110 81 6 6 0
Septiembre-4 323 420 127 1 31 185 290 328 301 200 114

55
Mes 11:00:00 AM 11:30:00 AM 12:00:00 PM 12:30:00 PM 1:00:00 PM 1:30:00 PM 2:00:00 PM 2:30:00 PM 3:00:00 PM 3:30:00 PM 4:00:00 PM
Julio-3 126 116 98 27 0 48 89 52 75 72 31
Julio-4 216 249 192 0 2 188 107 70 12 6 2
Agosto-1 183 182 167 77 8 114 194 167 175 104 77
Agosto-2 0 2 0 0 0 0 0 0 0 0 0
Agosto-3 285 263 255 57 0 74 154 121 31 0 1
Agosto-4 282 261 255 57 0 74 154 121 31 0 1
Septiembre-1 147 126 117 0 0 119 123 123 138 101 104
Septiembre-2 54 58 117 59 0 59 140 167 137 102 95
Septiembre-3 3 23 70 5 0 49 87 44 24 66 61
Septiembre-4 228 163 88 50 0 56 124 104 77 42 72

Mes 4:30:00 PM 5:00:00 PM 5:30:00 PM 6:00:00 PM 6:30:00 PM 7:00:00 PM 7:30:00 PM 8:00:00 PM 8:30:00 PM 9:00:00 PM 9:30:00 PM
Julio-3 0 0 0 0 0 0 0 0 0 0 0
Julio-4 0 0 0 0 1 0 0 0 0 0 0
Agosto-1 61 51 54 39 34 0 0 0 0 0 0
Agosto-2 0 0 0 0 0 0 0 0 0 0 0
Agosto-3 0 0 0 1 0 0 0 8 22 222 278
Agosto-4 0 0 0 1 0 0 0 8 22 221 276
Septiembre-1 100 97 100 101 74 0 0 0 23 98 82
Septiembre-2 85 67 10 0 0 0 0 0 0 0 0
Septiembre-3 37 60 17 0 0 0 0 0 0 29 80
Septiembre-4 94 101 98 82 27 0 0 0 0 0 113

56
Mes 10:00:00 PM 10:30:00 PM 11:00:00 PM 11:30:00 PM 11:59:00 PM
Julio-3 0 0 67 226 187
Julio-4 0 0 36 106 154
Agosto-1 0 1 39 100 95
Agosto-2 0 0 0 279 345
Agosto-3 306 166 290 378 319
Agosto-4 306 166 289 377 319
Septiembre-1 85 141 261 490 477
Septiembre-2 0 0 21 185 242
Septiembre-3 64 77 111 202 314
Septiembre-4 141 138 142 420 382

57
Cuadro 5.2. Número promedio de arribos de paquetes a la selladora

12:00:00 AM 12:30:00 AM 1:00:00 AM 1:30:00 AM 2:00:00 AM 2:30:00 AM 3:00:00 AM 3:30:00 AM 4:00:00 AM 4:30:00 AM 5:00:00 AM
PROMEDIO 0 305 286 2 10 323 339 327 299 253 289

5:30:00 AM 6:00:00 AM 6:30:00 AM 7:00:00 AM 7:30:00 AM 8:00:00 AM 8:30:00 AM 9:00:00 AM 9:30:00 AM 10:00:00 AM 10:30:00 AM
PROMEDIO 286 272 71 0 63 204 220 213 180 142 66

11:00:00 AM 11:30:00 AM 12:00:00 PM 12:30:00 PM 1:00:00 PM 1:30:00 PM 2:00:00 PM 2:30:00 PM 3:00:00 PM 3:30:00 PM 4:00:00 PM
PROMEDIO 152 144 136 33 1 78 117 97 70 49 44

4:30:00 PM 5:00:00 PM 5:30:00 PM 6:00:00 PM 6:30:00 PM 7:00:00 PM 7:30:00 PM 8:00:00 PM 8:30:00 PM 9:00:00 PM 9:30:00 PM
PROMEDIO 38 38 28 22 14 0 0 2 7 57 83

10:00:00 PM 10:30:00 PM 11:00:00 PM 11:30:00 PM 11:59:00 PM

PROMEDIO 90 69 126 276 283

58
Cuadro 5.3. Estimación de la función λ(t) de paquetes por minutos de sellado
12:00:00 AM 12:30:00 AM 1:00:00 AM 1:30:00 AM 2:00:00 AM 2:30:00 AM 3:00:00 AM 3:30:00 AM 4:00:00 AM
λ(t) 0 10 10 0 0 11 11 11 10

4:30:00 AM 5:00:00 AM 5:30:00 AM 6:00:00 AM 6:30:00 AM 7:00:00 AM 7:30:00 AM 8:00:00 AM 8:30:00 AM

λ(t) 8 10 10 9 2 0 2 7 7

9:00:00 AM 9:30:00 AM 10:00:00 AM 10:30:00 AM 11:00:00 AM 11:30:00 AM 12:00:00 PM 12:30:00 PM 1:00:00 PM

λ(t) 7 6 5 2 5 5 5 1 0

1:30:00 PM 2:00:00 PM 2:30:00 PM 3:00:00 PM 3:30:00 PM 4:00:00 PM 4:30:00 PM 5:00:00 PM 5:30:00 PM

λ(t) 3 4 3 2 2 1 1 1 1

6:00:00 PM 6:30:00 PM 7:00:00 PM 7:30:00 PM 8:00:00 PM 8:30:00 PM 9:00:00 PM 9:30:00 PM 10:00:00 PM

λ(t) 1 0 0 0 0 0 2 3 3

10:30:00 PM 11:00:00 PM 11:30:00 PM 11:59:00 PM

λ(t) 2 4 9 9

59
Estimación de los tiempos de traslado de los paquetes

La zonificación de productos cuenta con siete operadores que se encuentran a lo largo del procesos
de envió de los paquetes. Los procesos por los cuales pasan los paquetes son:

1. Sellado y horneado de paquetes

2. Agrupación de cajas para llevar al pallet
3. Traslado al pallet
4. Tiempo en acomodar en pallet
5. Embalado de pallet

De estos cinco procesos, utilizando el método de “Parar y Observar” se capturo los tiempos (ver
anexo 6.5) que toma en realizar un operador cada tarea. Y dando los siguientes resultados:

Cuadro 5.4: Distribución de tiempos de traslado de paquetes

Proceso Media Desviación

[Seg.] [Seg.]
Sellado y horneado de paquete 43.00 0.0392
Agrupación de cajas para llevar al pallet 166.00 66.2000
Traslado al pallet (Velocidad de operador) 1.04 [m/Sg] 0.3000
Tiempo en acomodar en pallet 0.28.00 0.1600
Embalado de pallet 673.00 193.0000
Fuente: Elaboración propia

5.4.3 Construcción de modelo simple, para identificar donde se debe refinar

El sistema actual en la realidad cuenta con un marcado de la salida de los paquetes que se zonifican.
Por este motivo es que tenemos los tiempos y distribuciones de los paquetes. En los cuales se puede
ver que siguen una distribución normal (Figura 5.5). Para llegar a esta conclusión se analizo la salida
de paquetes del sistema que se presenta en el cuadro 5.5. Este cuadro nos muestra la cantidad de
paquetes que se generan en un día normal de empaquetado. Este cuadro es el total de los cálculos
realizados para 10 semanas de trabajo (Anexo 6.6).

La distribucion de pquetes que se presententa sale como resultado del Figura 5.6, que es la misma
distribucion que se muestra en la figura 5.5, con la excepcion que en esta se considera los tiempos
de no estables del sistema.

Esta cantidad de paquetes que se tiene como salida real del sistema nos serve para poder identificar
donde se debe refinar el sistema ya que los resultados de la simulacion son comparados con estos
resultados reales.

60
Figura 5.5: Distribucion de paquetes de salida

Distribucion de Paquetes
350
300
250
Paquetes

200
150
100
50
0

Horario

Fuente: Elaboración propia

Cuadro 5.5 Resumen de empaquetado de cajas de 10 semanas

8:30:00 PM 9:00:00 PM 9:30:00 PM 10:00:00 PM 10:30:00 PM 11:00:00 PM 11:30:00 PM 11:59:00 PM

23 27 32 62 89 68 138 116
2:00:00 AM 2:30:00 AM 3:00:00 AM 3:30:00 AM 4:00:00 AM 4:30:00 AM 5:00:00 AM 7:00:00 AM
286 265 287 186 197 271 313 325
7:30:00 AM 8:00:00 AM 8:30:00 AM 9:00:00 AM 1:00:00 PM 1:30:00 PM 2:00:00 PM 2:30:00 PM
240 241 222 267 196 202 103 150
3:00:00 PM 3:30:00 PM 4:00:00 PM 4:30:00 PM 5:00:00 PM 5:30:00 PM 6:00:00 PM
135 69 64 55 164 57 41

Figura 5.6 Distribución de paquetes de salida (Con tiempos no estables)

Distribucion de Paquetes
350
300
250
Paquetes

200
150
100
50
0
7:30:00 AM

7:30:00 PM
1:30:00 PM
3:00:00 PM
4:30:00 PM
6:00:00 PM

9:00:00 PM
1:30:00 AM
3:00:00 AM
4:30:00 AM
6:00:00 AM

9:00:00 AM
12:00:00 AM

10:30:00 AM
12:00:00 PM

10:30:00 PM
11:59:00 PM

Horarios

Fuente: Elaboración propia

61
5.4.3 Construcción del modelo y verificación
 Decidir software de simulación
 Generar correctamente las distribuciones necesarias

Software de simulación

Para el desarrollo de esta simulación se procederá a utilizar el software expuesto en el capitulo tres,
Flexsim. El motivo de la elección de este programa es la facilidad con la que se permite manipular los
elementos que conforman la simulación (Grafico 5.7).

Grafico 5.7: Simulación Yanbal en Flexsim

Fuente: Elaboración propia

Pero para poder hacer un contraste en una simulación lógica y una simulación grafica también se
procederá a realizar un estudio de simulación utilizando MS Excel. En MS Excel se puede hacer una
comparación grafica de los resultados, y a diferencia de Flexsim se presenta varios reportes
estadísticos que genera el mismo software.

Generar correctamente las distribuciones necesarias

Antes de proceder al modelado grafico, se realizara una simulación en MS Excel con el propósito de
analizar si los datos recolectados para las funciones de probabilidad están correctos.

Con el propósito de generar valores correctos se hará una simulación para un periodo de 3600
segundos. Cada periodo esta enumerado del 1 al 3600. Con este dato, el modelo de simulación
podrá controlar, mediante el sub-modelo de creación de arribos, la tasa de arribo para ese periodo,
y permitirá determinar si el tiempo entre llegadas generado para ese periodo es válido, o debe
descartarse, con el fin de realizar el modelado final en Flexsim. La lógica de este sub-modelo se
muestra en la Figura 5.8.

62
Grafico 5.8: Lógica de sub-modelo

Acumulacion en pallet

Agrupacion de cajas

Selección de Pallet

Revision y cierre de
Salida de paquetes Sellado de paquetes
pallet

Traslado a pallet

Acomodar en pallet

Fuente: Elaboración propia

Sub-modelo de creación de arribos

El sub-modelo de creación de arribos paquetes al sistema controla que los arribos ocurran de
acuerdo con un proceso de llegadas Poisson de tasa variable. El sub-modelo de arribos crea los
paquetes (cajas que pasan al proceso de zonificación) según el programa de arribos denominado
“Salida de paquetes”, el cual hace que los paquetes se generen con tiempos entre llegadas
exponencialmente distribuidas, de acuerdo con el número de llegadas, expresado por la función λ(t)
obtenida anteriormente.

Para este proceso se inicia con la generación de un número aleatorio, el cual es utilizado para
generar o no un paquete en el periodo dado. Este paquete se genera en base a una tabla de
distribución de Poisson, como se muestra en la Figura 5.9.

Grafico 5.9: Generación de paquetes

Fuente: Elaboración propia

63
Sub-modelo de sellado de paquetes

El sub-modelo de sellado de paquetes es el proceso de embalaje que recibe cada paquetes antes de
ser trasladado a su pallet correspondiente. El tiempo que toma este proceso esta de acuerdo a una
distribución normal inversa y en función a (t) obtenida anteriormente (Cuadro 5.4). Este sub-
modelo es la primera agregación de tiempo que se presenta al proceso de zonificación. Para tener
un control de tiempos, se presenta el primer total de tiempo, como se ve en el grafico 5.10.

Grafico 5.10: Generación de tiempos para sellado de paquetes

Fuente: Elaboración propia

Sub-modelo de acumulación de paquetes en pallet

Una vez se tiene el paquete listo para ser trasladado al pallet, este pasa por diferentes sub-procesos.
Donde cada uno de estos sub-procesos genera una agregación de tiempo. Específicamente este sub-
proceso cuenta con tres tiempos que aumente al tiempo inicial. Estos tiempos incluyen: tiempo en
agrupar cajas para trasladar a un pallet, tiempo en trasladar el paquete a un pallet específico, y
tiempo en acomodar el paquete en el pallet. Todos estos tiempos son generados en base a los datos
recolectas y analizados en el cuadro 5.4. Estos tiempos son el resultado del manejo de una variable
aleatoria y la distribución normal que siguen los procesos (Grafico 5.11). Así mismo, se utiliza una
variable aleatoria para seleccionar a que pallet ir cada paquete, según una tabla de frecuencias y
utilizando el concepto del método de Monte Carlo.

Grafico 5.11: Generación de tiempos para la acumulación de paquetes

Fuente: Elaboración propia

64
Grafico 5.12: Tabla de frecuencia de uso de pallets

Fuente: Elaboración propia

Sub-modelo de revisión y cierre de pallet

Habiendo realizado el proceso de salida de paquetes y agregado todos los tiempos del proceso de
traslado de paquetes a los pallets, se procede a hacer un cierre de pallet. Este proceso se realiza
cada vez que se llega a una cantidad de 25 paquetes por pallet. En este proceso, primero se hace la
verificación de que el pallet tenga el límite máximo de paquetes y luego se procede a envolver y
cerrar el mismo (Grafico 5.13). Para este tiempo de verificación y embalado, se genera un valor
aleatorio y se embala según una distribución normal hallada anteriormente.

Grafico 5.12: Generación de tiempos de embalado de paquetes

Fuente: Elaboración propia

5.4.4 Corridas piloto

 Corridas para validar el modelo verificado

Habiendo elaborado el primer modelo lógico, podemos proceder a hacer corridas pruebas o piloto,
con el fin de verificar si nuestros generadores de valores de tiempo son correctos. Para esta
verificación analizamos dos tiempos: 1) el tiempo y distribución que existe entre salida de paquetes
y 2) el tiempo y distribución que se tiene al hacer un cierre de pallet.

Se selecciono estos dos tiempos y distribuciones para verificar, debido a que estos datos son el inicio
y fin de la simulación. También por el motivo que se tiene una base de datos para 10 semanas con
las cuales se puede hacer un análisis de varianza, para así poder comparar los resultados simulados
con los reales.

65
Verificación de tiempo y distribución de inicio

Teniendo la generación de cantidad y tiempo entre salida de paquetes, como inicio de la simulación,
podemos realizar un análisis del comportamiento de estas variables.

Para hacer este primer análisis se toma encuentra 3600 segundos de ciclo en los que se generar los
tiempos de salida. También utilizamos el tiempo de inicio de cada paquete en el sistema. Utilizando
estas variables, hallamos el tiempo que existe entre paquete. Utilizando estos datos generamos una
tabla de frecuencia que es la que se presenta en el cuadro 5.6. Habiendo generado esta tabla de
frecuencia se realiza un histograma, que se presenta en el grafico 5.13, en el cual se puede apreciar
gráficamente el comportamiento exponencial que existe entre llegas de paquetes.

Cuadro 5.6 Tabla de frecuencia entre tiempos de llegada de paquetes

Clase Frecuencia %
[Seg.] [Paquetes]
10 247 52%
20 103 22%
30 57 12%
40 39 8%
50 15 3%
60 8 2%
70 2 0%
80 3 1%
90 0 0%
100 1 0%
110 0 0%
120 1 0%
130 0 0%
140 0 0%
150 0 0%
160 0 0%
170 0 0%
180 0 0%
190 0 0%
200 0 0%
Fuente: Elaboración propia

66
Grafico 5.13: Tiempo de llegada entre paquetes

Tiempo promedio entre llegadas

(Simulado)
300

250

200
Frecuencia

150

100

50

0
110
120
100

130
140
150
160
170
180
190
200
10
20
30
40
50
60
70
80
90

Tiempo
[Seg]

Fuente: Elaboración propia

Haciendo una comparación porcentual de tiempos de entre llegada, del sistema real con el
simulado, podemos apreciar a simple vista que existe una correlación entre los datos. Ya sea
gráficamente o lógicamente, como se muestra en el cuadro 5.7 y el grafico 5.14.

Así mismo realizamos un análisis de varianza (ANOVA), con la herramienta de Análisis de datos de
MS Excel y obtenemos los resultados del cuadro 5.8. Como la F obtenida a partir de los datos
muéstrales, 3.67, es inferior al valor critico del estadístico de prueba, F=4.09, no se rechaza la
hipótesis nula y se concluye que el tiempo entre llegada de paquetes tienen comportamientos
similares.

67
Cuadro 5.7 Tabla de frecuencia porcentual de tiempo entre llegada de paquetes real y simulado

Clase % Simulado % Real

10 52% 42%
20 22% 25%
30 12% 14%
40 8% 7%
50 3% 4%
60 2% 3%
70 0% 2%
80 1% 1%
90 0% 1%
100 0% 0%
110 0% 0%
120 0% 0%
130 0% 0%
140 0% 0%
150 0% 0%
160 0% 0%
170 0% 0%
180 0% 0%
190 0% 0%
200 0% 0%
Fuente: Elaboración propia

Grafico 5.14: Comparación de distribución de paquetes

60%

50%

40%

30% % Simulado
% Real

20%

10%

0%
150
100
110
120
130
140

160
170
180
190
200
60
10
20
30
40
50

70
80
90

Fuente: Elaboración propia

68
Cuadro 5.8 Análisis de varianza de un factor

RESUMEN
Grupos Cuenta Suma Promedio Varianza
Simulado 20 476 23.8 3440.16842
Real 20 6210 310.5 443321.879

ANÁLISIS DE VARIANZA
Origen de las Suma de Grados de Promedio de los Valor crítico
F
variaciones cuadrados libertad cuadrados para F
Entre grupos 821968.9 1 821968.9 3.67967201 4.098171731
Dentro de los
grupos 8488478.9 38 223381.0237

Total 9310447.8 39
Fuente: Elaboración propia

Verificación de tiempo y distribución de salida

Después de haber realizado un análisis al inicio de la simulación y haber hechos las agregaciones de
tiempo necesarias, procedemos a hacer el análisis de variables de salida. Para hacer este análisis se
debe verificar que la distribución y tiempo entre llegada de los paquetes siguen un mismo
comportamiento con los de la realidad.

Al estar utilizando MS Excel para este análisis tenemos cierta limitación para la simulación de
variables. En la simulación del sistema se realiza la generación de variables aleatorias para siete
procesos. Es decir que para cada segundo que pasa se esta generando esta variable, y así mismo se
hace un consumo de procesador al hacer cálculos aritméticos (Explicado en el capitulo 1). Por tanto,
si estamos realizando una simulación para 3600 segundos, estamos generando 25200 variables, por
cada corrida de una hora.

Para poder realizar un buen análisis de variables simulados es necesario por lo menos correr la
simulación completa para un día (es decir 24 Hrs.), para 1 mes. Esto es debido a que necesitamos
tener una cantidad suficiente de datos para poder ver que tipo de comportamiento sigue.

Al realizar esta cantidad de datos, MS Excel no es una herramienta eficiente. Es por este motivo que
el análisis de los datos de salida se realizara directamente con el Software hecho específicamente
para simulaciones, que es Flexsim.

69
5.4.5 Diseño de experimentos
 Decidir que diseños del sistema se simularan
 Decidir sobre el tiempo de corrida de la simulación
 Condiciones iniciales

Diseños del sistema que se simularan

Los procesos que se simularon son los que se presentan en el grafico 5.8. Para esto mostraremos las
propiedades y objetos que se utilizaran en el Software de simulación.

Sub-modelo de creación de arribos

Para iniciar el sistema utilizamos un generador de cajas. Este generador funcionara bajo una
distribución de exponencial, que tiene como parámetros un =4, en un tiempo de 30 segundos.
Estos parámetros se los registra en las propiedades del objeto, como se ve en la figura 5.15.

Grafico 5.15: Generador de paquetes

Fuente: Elaboración propia

70
Sub-modelo de sellado de paquetes

El sellado de paquetes es inicializado por un operador, el cual le toma segundo en acomodar los
paquetes para que entre en el proceso de sellado y horneado. Para el operador se considera una
media de 1 segundo por paquete con una desviación de 0.4 segundos. Para el proceso de sellado y
horneado, se realiza un solo proceso, que sigue una distribución normal, con =43 y =0.0392
segundos, los cual están definidos en la figura 5.16.

Grafico 5.16: Sellado y horneado de paquetes

Fuente: Elaboración propia

71
Traslado de paquetes al pallet

Para el proceso de traslado al pallet, un operador sigue tres pasos: agrupa y levanta una cantidad de
paquetes, traslada caminando los paquetes la pallet y por ultimo acomoda los paquetes en el pallet
de destino. Todos estos pasos siguen una distribución normal, con relación al tiempo. En la figura
5.17, podemos apreciar todos estos parámetros.

Grafico 5.17: Parámetros del traslado de paquetes al pallet

Fuente: Elaboración propia

72
Sub-modelo de revisión y cierre de pallet

En el proceso de revisión y cierre de pallet, es necesario que se tenga un total de 25 paquetes

acumulados, este parámetro es configurando en cada uno de los pallets, como se ve en la figura
5.18. Una vez este pallet es completado se traslado todo el grupo de 25 paquetes al cierre y revisión
final del paquete, el cual termina la simulación del sistema.

Grafico 5.18: Parámetros del pallet

Fuente: Elaboración propia

73
5.4.5 Resultados y conclusiones
Para el efecto de las zonificación, hay dos medidas de desempeño que son muy importantes desde el
punto de vista de organización. Estas medidas están relacionadas con el tiempo de ciclo de los
paquetes, entendiendo como el tiempo total que toma un paquete, desde que entra a la línea de
zonificación hasta que lo acomodan en un pallet, así como el tamaño de espera que tiene cada
paquete.

La Figura 5.19, muestra el comportamiento del tiempo de ciclo de los paquetes en general para la
réplica 10 de la simulación.

Grafico 5.19: Comportamiento del tiempo de ciclo general, en la réplica 10, de los paquetes

Fuente: Elaboración propia

La Figura 5.20 indica que hay suficiente evidencia, con un 95% de confianza, para creer que el
tiempo de ciclo promedio combinado de los paquetes en general es un valor que varía entre 170,84
y 185,22 segundos. Sobre la base de 100 réplicas, el valor promedio es de 172,03 segundos. La figura
5.20 también muestra los tiempos de ciclo promedio para cada uno de los pallets.

Figura 5.20: Comportamiento del tiempo de ciclo general

Proceso Media
[Seg.]
Sellado y horneado de paquete 43.00
Agrupación de cajas para llevar al pallet 126.00
Traslado al pallet 4.36
Tiempo en acomodar en pallet 0.26
TOTAL 173.62
Fuente: Elaboración propia

74
La Figura 5.21 muestra, a manera de ejemplo, el comportamiento del tamaño de la fila en los pallets,
para la réplica 10.

Grafico 5.21: Comportamiento del tiempo de ciclo general, en la réplica 10, de los paquetes

Fuente: Elaboración propia

La Figura 11 indica que las cajas normales forman los cuellos de botella de la zonificación. El tiempo
promedio en espera para las cajas, sobre la base de 100 réplicas, se estima en 178.34 segundos, por
lo que hay suficiente evidencia para creer, con un 95% de confianza, que el tiempo promedio en el
proceso de zonificación, en general, tiene un valor estimado de entre 175,17 y 179,15 segundos. La
Figura 11 también indica que el tiempo promedio de espera en fila para los paquetes de salida para
pasar por la selladora es en promedio de 44.32 segundos. En consecuencia, hay evidencia suficiente
para creer que el tiempo promedio gastado en zonificar es de 178.34 segundos. Los resultados
finales de la simulación indican que se atendieron, en promedio, 213 paquetes, resultado obtenido
sobre la base de las 100 réplicas obtenidas con el modelo.

75
ANEXOS

76
6. Anexos

6.1 Entrevista YANBAL - BOLIVIA

Información básica
Nombre: Mauricio Velarde Empresa: Yanbal Posición: Gerente de operaciones
Universidad: EMI - UMSA Carrera: Ing. Industrial - Economía

Descripción de la empresa

Yanbal es una empresa de venta directa que trabaja de con una logística de multinivel. Al decir
multinivel nos referimos a que las ventas que se realizan son hechas por comunicación de personas a
personas. Funciona bajo el método de redes, en cual una promotor, tiene bajo su cargo otros
promotores, así formando una red de ventas.

Para las ventas que se realizan, se utiliza una logística directa de ventas, es decir que se entrega los
productos a los vendedores directos. Para hacer estas entregas, los pedidos se los preparan y luego
se los envían. El inventario para hacer estos envíos es recibido de 8 diferentes países. El centro de
inventario se encuentra en la ciudad de Santa Cruz, que reparte los productos a toda Bolivia.

Una vez que se tiene todo el inventario, que es monitoreado bajo programas como SAP, SAMI y SPY,
se procede a hacer una selección (Picking) de los productos, para luego ser empaquetados y
enviados a sus destinos.

Él envió de los productos a sus diferentes destinos son controlados por GPS, para así poder controlar
tiempos y distancias que toman en ser completados. Así mismo el tiempo de registro de los
productos de inventario son controlados a través de lectura de barras, lo cual permite tener datos en
tiempo real del tiempo que toma realizar el picking y empaquetado.

En estos procesos de inventario, selección, empaquetamiento y envió es donde se realizan

diferentes pruebas de simulación a través del manejo de modelos.

Preguntas Generales
1. ¿Por qué utilizan la simulación?
Para asegurar la forma mas segura de hacer cambios. Puesto que la simulación permite
hacer optimizaciones, modificaciones, reducción de costo de pruebas utilizando solo
modelos y no afectando la realidad.

2. ¿Crees que es necesario tener materias sobre simulación en las universidades?

Estoy seguro de que es una de las materias más importantes, para disciplinas que manejan
tanto la parte física y procesos de producción. La simulación también es muy importante en
los campos de logística y económica. En la economía permite predecir los procesos
financieros que pueden ocurrir, y ayudar a tomar decisiones de diferente índole.

77
 3. ¿Que tan importante es la simulación para la empresa?
Muy importante, por que una buena parte de las inversiones se basan en estas simulaciones,
y también para asegura los requisitos de la compañía.

4. ¿Que tan parecido es la simulación que se enseña en universidades, a las de la realidad?

La universidad te prepara con la teoría básica, pero para aplicar cualquier teoría se requiere
una base mas profunda de la materia a la que te preparan. En el caso de la simulación la
base práctica es muy pequeña. Por tener pocos procesos y en la realidad hay muchas mas
variables que afectan a un modelo.

5. ¿Que conocimientos debe tener una persona que vaya a realizar un modelo de simulación?
Tiene que tener conocimientos de:
 Investigación de operaciones, en la parte lineal y no lineal.
 Conocimientos profundos de estadística, sobre todo en las funciones matemáticas
que describen procesos probabilísticos
 Procesos de optimización
 Principios básicos como las variables aleatorias

6. ¿Qué tan similares son los resultados obtenidos en una simulación con la realidad?
La simulación se base en generación de un modelo que trata de describir la realidad.
Mientras más experto es el modelador, mas rápido puede llegar a hacer un modelo que
describa a la realidad. El modelo representara la realidad, pero no la modifica a esta.

Ejemplo
Para picking se pudo llegar a un 93 % de la realidad (O confiabilidad), esto se pudo
calcular a través de una comparación del modelo puesto en marcha y los resultados
obtenidos.

Es recomendable leer libro: “Simulación” de Sheldom Ross, para poder entender como
funciona este nivel de comparación.

Preguntas específicas
1. ¿Que tipo de simulación utilizan?
Estocástica

2. ¿Que programa de simulación utilizan?

ProModel

3. ¿Por qué utilizan este programa?

Por ser el más adecuado para los procesos de mano-factura o logística integrada.

4. ¿Que pasos siguen para realizar sus simulaciones?

1. Obtención de datos independientes, para lograr obtener cuadros de frecuencias
2. Generación de valores aleatorias en base a las distribuciones de probabilidad

78
 3. Validación de los valores, para ver que tanto se aproximan los valores aleatorios a la
realidad.

Con estos tres tipos de información se arma el modelo, el cual nos permitirá utilizar una
representación matemática.

Es importante tener siempre en cuenta que al tener modelos, no se busca tener un modelo
perfecto, y más bien tener un modelo que sea lo suficientemente representativo. EL motivo
de esto es que nunca se podrá llegar a la representación perfecta y después de un punto de
confiabilidad el modelo no se lo puede mejorar y es pérdida de tiempo y dinero.

5. ¿Que tan importante es conocer sobre los tipos de distribuciones de probabilidades que se
utilizan en las simulaciones?
Es muy importante, por que la simulación depende de que tan hábil seas para encontrar la
función que deba representar al comportamiento de los valores aleatorios.

6. ¿Hay algo más que deberíamos saber?

La simulación es una rama que utiliza en varias materias, con varios tipos de simulación,
dando esto como resultado que en los 10 últimos años se haya tenido un avance
impresionante.

Esto también se lo puede ver en otros países de cómo dictan a la materia de simulación
como materia base para los procesos de negocios, infra-estructura, economía, etc. Lo que
sabemos de simulación es muy pequeño en comparación a lo que se tiene en el mundo.

79
6.2 Entrevista FLEXSIM – BOLIVIA
Información básica
Nombre: Luis Alberto Mojica Ribera Empresa: Flexsim Bolivia Posición: Director General
Universidad: Nacional de Tucumán Carrera: Ing. Industrial

Introducción
Flexsim es un programa flexible y practico para la simulación de eventos discretos y dinámicos. En
Bolivia, este Software es utilizado en funda empresa, impuestos nacionales, CEDES, y la alcaldía. Por
ejemplo, se hicieron simulaciones del flujo de la documentación de trámites para funda empresa.

El motivo para utilizar este software en estos tipos de simulación es que permite definir los tipos de
variables que se van a utilizar como entradas, proceso, y salida. Y al mismo tiempo permitiendo ver
en un ambiente grafico todo el proceso de simulación.

Como Ingeniero Industrial he tenido muchas experiencias en diferentes campos laborales, por tanto
teniendo la oportunidad de utilizar varios tipos de software de simulación, como: ProModel, raptor,
arena, y Flexsim. En este tiempo puede decirse que he trabajado 27 años con la simulación de los
cuales 8 años han sido utilizando Flexsim. Ya que es una herramienta muy flexible.

El manejo de esta herramienta y desarrollo de la simulación para funda empresa ha sido uno de los
mayores retos en la carrera de Ingeniero Industrial, pero así mismo trajo la oportunidad de poder
hacer una presentación de este caso en una presentación a nivel internacional de Flexsim en el 2008.

Preguntas Generales
7. ¿Por qué es necesaria la simulación?

Porque toda simulación trae consigo ventajas como:

 Evitar malas inversiones
 Permite reducir cualquier riesgo al que pueda enfrentarse un proyecto, permitiendo
un mayor porcentaje de factibilidad de éxito.
 Flexsim da un alto rendimiento para la simulación de flujos de información o
procesos de producción.
8. ¿Cuando se debe considerar utilizar la simulación?

La simulación es utilizable para proyecto de factibilidad y optimización de procesos.

Ya que nos permite hacer un análisis de procesos específicos y generales.

9. ¿Cuántas empresas utilizan Flexsim?

Flexsim en términos de empresa lo tiene fundes y funda empresa.

80
10. ¿Por qué las empresas prefieren Flexsim?

Por el echo de que el manejo de proyectos es muy relacionado a la simulación. Y

Flexsim da la oportunidad de ver de forma analítica y grafico que es lo que puede
suceder en el ciclo de vida de una empresa.

11. ¿Crees que es necesario tener materias sobre simulación en las universidades?

Absolutamente, por que hoy en día los profesionales salen muy teóricos, esto los hace muy
obtusos, especialmente cuando se trata de proyectos industriales. Pero aun así es necesario
el manejo de esta ciencia para proyectos de minerales, administrativos, telecomunicaciones,
cerámica, alimenticio, farmacéutico.

Dando como resultado que hoy en día muy pocas empresa tienen un área orientada hacia la
investigación de desarrollo, El cual trae resultados como:

 Identificación de los procesos de desarrollo

 Aumento de producción con actuales activos
 Cambios mínimos para generar resultados importantes

Lo que realmente, hoy en día, la universidades necesitan son centros de investigación

empresariales, para así poder generar empresas que busquen la investigación de
operaciones y tener resultados mas óptimos.

Este es uno de los motivos que me lleva a poder hacer un centro de investigación
empresarial privada. Teniendo acceso a todos los elementos necesarios para la simulación.
Creando una biblioteca de los objetos gráficos que se utilizan en las diferentes empresas. Así
las empresas pueden recibir videos e información de sus simulaciones.

12. ¿Que tan parecido es la simulación que se enseña en universidades, a las de la realidad?

Los catedráticos no tienen una experiencia empresarial, dando simulaciones muy hipotéticas
y fuera de la realidad, no permitiendo al estudiante abrir su mente. Ya que solo muestran
una estructura de simulación muy especifica. Esto crea que te dan un problema de
simulación muy cerrado y no enseñando a utilizar la herramienta en si.

Es necesario juntar las empresas con las materias de simulación para poder visualizar mejor
los problemas reales. Incentivar a utilizar estudiantes para resolver los problemas de
empresas.

13. ¿Que conocimientos debe tener una persona que vaya a realizar un modelo de
simulación?

Simplemente conocer sobre estadística y manejo simple de una computadora. Porque las
herramientas te las da Flexsim. Desde las variables hasta lo grafico. Flexsim te da la
oportunidad de usar ventanas para programar en Visual Basic, ya que este es el más sencillo.

81
 Te deja adicionar objetos a su biblioteca para agregar cosas específicas. Ya que son
elementos estructurados. Dando la opción de realizar tus propias estructuras. Muy aparte de
tener una comunidad de Flexsim, dando como ventaja el poder compartir tus proyectos para
recibir pautas de otras personas del mundo

14. ¿Qué tan similares son los resultados obtenidos en una simulación con la realidad?

El margen dentro de las técnicas esta dentro del 15% de error, pero lo más importante que
es el margen de riesgo de inversión el cual no debe sobrepasar el 3%. Porque esta diferencia,
el análisis técnico es un catalogo, ya que se analiza parámetros generales de equipos. El de
riesgo de inversión es mínimo por que estas seguro de los que estas adquiriendo no te
genera efecto botella y da resultados positivos.

Preguntas específicas
7. ¿Que tipo de simulación se pueden hacer con Flexsim?

Todo lo que es proyectos manufactureros y proyectos de fluidos. Desde extracción de

presión, sistemas de compresión, fluidos de gases ya que hay manejos de densidades hasta
procesos simples de cola. Por ejemplo te da los picos de soporte de tubería hasta
estadísticas de tiempos. Generando datos condicionantes en tiempo real.

8. ¿Que pasos siguen para realizar sus simulaciones?

Primero se genera una estructura, es decir todo el esqueleto de un proyecto. Es decir todos
los datos condicionantes, que se llaman inputs. Porque dentro de la factibilidad se hace un
análisis de mercado y también un análisis estadístico. La ventaja de Flexsim te da todo esto a
seleccionar de forma grafica, sin necesidad de estar programando cada uno de sus
elementos de la simulación.

9. ¿Que tan importante es conocer sobre los tipos de distribuciones de probabilidades que
se utilizan en las simulaciones?

Es necesario por que estas te permiten volver la simulación más cercana a la realidad.
También es necesario para poder comparar los resultados que se obtienen con los diferentes
tipos de distribuciones.

10. ¿Cuál es el precio de Flexsim?

20.000 $ solo en un equipo

11. ¿Existe versiones o precios especiales para las instituciones educativas?

Si, desde $ 5000 hasta $ 6000 y se pude usar en 20 equipos con un servidor. También se
tiene licencias estudiantiles con un costo de $300, y solo se puede tener 300 caracteres, es
decir una cantidad de datos de resultados.

82
12. ¿Hay algo más que deberíamos saber?

También es bueno tener en cuenta que en términos de gráficos, se puede realizar cada
objeto necesario para una simulación y adquirir estos objetos de diferentes librerías en
línea.

83
6.3 Plano del área de sondeo de productos

84
6.4 Formulario del método parar y observar
Hoja de observación para estudio de tiempo
(Método parar y observar)
Identificación de la
Sellado de cajas Fecha: 11/10/2012
operación:
Hora inicial: 3:35 Operador: Aprobado Observador:
Hora final: 7:48 Luis Quevedo
Descripción del elemento y punto de descomposición o Ciclos Resumen
separación 1 2 3 4 5 6 7 8 9 10
Sellado y horneado de cajas T
1
R
Agrupar cajas para llevar a pallet T
2
R
Tiempo en acomodar en pallet T
3
R
Embalado de pallet T
4
R
T
5
R
T
6
R
T
7
R
T
8
R
T
9
R
T
10
R

85
6.5 Tiempos de traslado de paquetes
Sellado y horneado de caja Tiempo en acomodar en pallet Embalado de pallet
t t Ciudad Cant. Cant. Filas t
1 0.43 1 0.4 LP 1 1 5 13.36
2 0.40 2 0.7 Cbb 1 2 3 10.36
3 0.7 LP 2
3 0.50 3 2 5.38
4 0.3 LP 1
4 0.46 5 0.3 Cbb 1 4 4 11.38
5 0.38 6 0.2 LP 1 5 4 12.07
6 0.47 7 0.2 LP 2 6 5 14.23
7 0.40 8 0.3 LP 2 7
8 0.42 9 0.2 LP 1 8
9 0.39 10 0.3 LP 1 9
11 0.2 Cbb 1
10 0.45 10
12 0.2 LP 1
13 0.1 Cbb 2
 0.43 14 0.2 Or 2  11.13
σ= 0.0392 15 0.2 LP 1 σ= 3.1364
16 0.3 LP 1
17 0.2 LP 1
18 0.2 LP 1
19 0.1 Cbb 1
20 0.2 Or 1

 0.28
σ= 0.1618

86
 Movimiento a pallet
Zona Cant. t Diagrama de zonas
1 3 1 0.6
2 1 1 0.7 4
3 1 1 0.3
4 1 1 0.1
5 1 2 0.7 3 2
6 1 1 0.3
7 1 1 0.5
8 2 1 0.3
9 3 2 0.2 1
10 4 1 0.12
11 4 1 0.11
12 1 1 0.1
13 1 1 0.5  4.00 d= 3.3
14 3 1 0.5 σ1= 0.2023 v= 0.825
15 4 1 0.11
16 4 1 0.12  3.00 d= 1.4
17 1 1 0.5 σ2= 0.0000 v= 0.4667
18 3 2 0.9
19 1 1 0.6  5.00 d= 8.2
20 3 2 0.3 σ3= 0.2062 v= 1.64
21 3 2 0.4
22 1 1 0.4  11.00 d= 13.7
23 3 1 0.4 σ4= 0.0052 v= 1.2455
24 4 1 0.11
25 3 1 0.6
26 3 1 0.6 Velocidad [m/s] = 1.04
27 1 1 0.5 σ4= 0.50894479
28 1 1 0.6
29 1 1 0.7
30 4 1 0.11

87
 Agrupacion de cajas para llevar a pallet
Ciudad Cant. t1 t2
1 Alto 2 2.54
2 Rurrenavaque 2 3.03
3 Oruro 2 3.20
4 Alto 2 3.30
5 5
6 Alto 2 1.40
7 Alto 2 1.53
8 6.5
9 La Paz 1 1.03
10 La Paz 2 1.33
11 5
12 Reyes 1 0.45
13 7
14 Alto 1 1.05
15 5
16 Cochabamba 2 3.24
17 Cochabamba 2 5.01
18 Cochabamba 1 4.35
19 La Paz 2 3.48
20 La Paz 2 4.00
21 1
22 Alto 1 1.20
23 La Paz 1 1.32
24 La Paz 1 1.43
25 La Paz 1 2.00
26 0.45
27 Stcz 1 0.15
28 Stcz 1 0.20
29 La Paz 1 0.37
30 0.4
31 La Paz 2 1.25
32 1.03
33 La Paz 2 2.34
34 La Paz 1 2.48
35 La Paz 3 2.55
36 La Paz 2 3.28
37 La Paz 1 3.35
38 La Paz 1 3.37
39 0.33
40 La Paz 1 0.41
41 La Paz 1 0.43
42 4.53
43 La Paz 2 0.46
44 La Paz 3 0.59
45 Cbb 1 1.45
46 Oruro 1 1.45
47 1.48
48 La Paz 1 1.25
49 La Paz 1.04
50 Trinindad 2 2.50
51 La Paz 2 1.47
52 La Paz 1 3.09
53 La Paz 1 3.42
54 La Paz 1 3.56
55 Trinindad 2 4.20
56 La Paz 1 4.39
57 La Paz 3 4.52
58 Cbb 1 5.10
59 La Paz 1 5.30
60 Cbb 2 5.44
61 La Paz 1 6.20

 2.46
σ= 1.6042

88
6.6 Verificación de paquetes de salida

12:00:00 12:30:00
Mes AM AM 1:00:00 AM 1:30:00 AM 2:00:00 AM 2:30:00 AM 3:00:00 AM 3:30:00 AM 4:00:00 AM 4:30:00 AM
Julio-3 0 0 0 196 212 213 242 196 15 72
Julio-4 0 0 0 158 162 218 141 115 136 469
Agosto-1 0 0 0 484 659 406 254 228 473 295
Agosto-2 0 0 0 60 0 65 45 176 271 264
Agosto-3 0 0 0 357 168 198 187 96 226 495
Agosto-4 0 0 0 125 513 390 446 83 14 270
Septiembre-1 0 0 23 853 412 338 783 177 375 304
Septiembre-2 0 0 4 169 110 220 153 277 124 6
Septiembre-3 0 0 73 262 332 326 202 264 182 110
Septiembre-4 0 0 3 139 291 278 413 247 156 421

Mes 5:00:00 AM 5:30:00 AM 6:00:00 AM 6:30:00 AM 7:00:00 AM 7:30:00 AM 8:00:00 AM 8:30:00 AM 9:00:00 AM 9:30:00 AM
Julio-3 314 141 0 22 178 173 248 189 204 55
Julio-4 368 27 2 10 74 42 24 105 224 178
Agosto-1 175 130 0 63 271 213 458 220 450 124
Agosto-2 372 67 0 7 0 13 29 127 235 71
Agosto-3 275 416 0 285 158 110 241 153 341 55
Agosto-4 319 414 1 268 280 384 527 423 221 271
Septiembre-1 513 824 35 580 774 741 579 423 479 283
Septiembre-2 238 128 0 148 535 74 25 289 210 148
Septiembre-3 248 118 1 206 334 459 176 114 83 243
Septiembre-4 303 287 0 123 647 189 107 177 226 91

89
 10:00:00 10:30:00 11:00:00 11:30:00 12:00:00 12:30:00
Mes AM AM AM AM PM PM 1:00:00 PM 1:30:00 PM 2:00:00 PM 2:30:00 PM
Julio-3 118 133 309 0 0 159 112 28 51 158
Julio-4 87 158 203 37 34 338 243 160 212 117
Agosto-1 305 144 226 47 11 173 233 337 166 347
Agosto-2 62 129 47 2 6 97 176 366 152 101
Agosto-3 210 27 80 62 0 0 79 117 1 14
Agosto-4 268 198 137 83 0 88 186 246 64 58
Septiembre-1 138 413 173 193 5 233 135 254 38 63
Septiembre-2 79 58 26 24 0 196 297 62 124 169
Septiembre-3 93 110 231 0 0 55 121 8 4 248
Septiembre-4 238 182 98 83 0 181 374 441 219 222

Mes 3:00:00 PM 3:30:00 PM 4:00:00 PM 4:30:00 PM 5:00:00 PM 5:30:00 PM 6:00:00 PM 6:30:00 PM 7:00:00 PM 7:30:00 PM
Julio-3 131 96 69 66 191 0 0 0 0 0
Julio-4 41 1 0 0 0 0 0 0 0 0
Agosto-1 119 53 155 32 372 248 192 52 0 0
Agosto-2 301 94 87 86 144 18 29 0 0 0
Agosto-3 0 0 0 0 0 0 0 0 0 0
Agosto-4 76 0 81 218 438 180 187 0 0 0
Septiembre-1 148 214 39 7 0 0 0 0 0 0
Septiembre-2 207 125 7 0 0 0 0 0 0 0
Septiembre-3 193 104 38 75 55 0 0 0 0 0
Septiembre-4 135 1 163 63 444 127 0 0 0 0

10:00:00 10:30:00 11:00:00 11:30:00 11:59:00

Mes 8:00:00 PM 8:30:00 PM 9:00:00 PM 9:30:00 PM PM PM PM PM PM
Julio-3 0 0 0 0 60 22 115 2 61
Julio-4 0 0 0 0 0 116 13 110 100

90
Agosto-1 157 1 270 53 0 0 34 38 144
Agosto-2 0 0 0 0 267 307 76 19 0
Agosto-3 0 0 0 0 0 182 79 127 86
Agosto-4 297 228 0 271 189 10 48 39 5
Septiembre-1 0 0 1 0 35 0 100 457 245
Septiembre-2 0 0 0 0 69 142 213 158 208
Septiembre-3 0 0 0 0 0 11 0 0 0
Septiembre-4 0 0 0 0 0 95 0 429 312

91
6.7 Carta de presentación Flexsim

92
93
94
95
96
97
98
6.8 Resumen de distribuciones de probabilidad

6.8.1 Caso discreto - Distribución Bernoulli

La generación de datos con distribución Bernoulli es muy sencilla y rápida, dado una probabilidad p y
un número aleatorio r con distribución uniforme:

𝑥𝑖𝑡𝑜, 𝑟<𝑝
𝑓 (𝑥 ) = {
𝐹𝑟𝑎𝑐𝑎𝑠𝑜, 𝑟≥𝑝
RESUMEN: Primero se define la probabilidad p, luego se genera un numero aleatorio r con
distribución uniforme entre 0 y 1. Si r < p entonces se tiene éxito sino fracaso

6.8.2 Caso discreto - Distribución Poisson

La generación de datos con distribución de Poisson expresa la probabilidad de un número k de
eventos ocurriendo en un tiempo fijo si estos eventos ocurren con una tasa media conocida, y son
independientes del tiempo desde el último evento.

𝑒 −λ λ𝑘
𝑓(𝑘; λ) =
𝑘!

RESUMEN: La formula esta enfocado en ciertas variables aleatorias N que cuentan, entre otras
cosas, un número de ocurrencias discretas que tienen lugar durante un intervalo de tiempo de
duración determinada. Si el número esperado de ocurrencias en este intervalo es λ, entonces la
probabilidad de que haya exactamente k ocurrencias.

6.8.3 Caso continuo - Distribución Exponencial

La función de distribución acumulada F(x) de la distribución exponencial esta dada por:

𝐹(𝑥) = 1 − 𝑒 − 𝑥

Como F(x) se iguala a un número aleatorio r, entonces se debe despejar X

𝐹(𝑥) = r

1 − 𝑒− 𝑥
=𝑟
1
𝑥= − 𝑛(1 − 𝑟)

RESUMEN: Para generar estos números se debe especificar el valor de ALFA, y generar
un numero aleatorio r. Usando estos dos valores (alfa y r) se aplica la formula para
calcular x, que es un numero aleatorio con distribución exponencial.

99
6.8.4 Caso continuo - Distribución Normal

La distribución normal es una de las más utilizadas porque ciertos fenómenos tienen un
comportamiento que sigue esta distribución:

Los parámetros que recibimos para poder usar esta distribución son:

 la media y  la desviación
Para generar la variable aleatoria que utilice estos parámetros se usa la ecuación:

𝑋= + 𝑐

Donde c es un valor aleatorio que se deduce con la siguiente fórmula:

𝑐 = √−2 𝑛(𝑟1 ) ∗ o (2 𝑟2 )

Donde 𝑟1 y 𝑟2 son números aleatorios uniformemente distribuidos entre 0 y 1.

Se llama distribución normal "estándar" a aquella en la que sus parámetros toman los valores μ = 0
y σ = 1.

RESUMEN: Para generar valores con esta distribución, se debe calcular los valores de C y X, donde X
es el numero aleatorio con distribución estándar.

100
BIBLIOGRAFÍA

101
Bibliografía
Libros

1. Eduardo García Dunna (2006). “Simulación y análisis de sistemas con ProModel”.

Pearson Educación.
2. Alfonso Urquía Moraleda (2009). “SIMULACIÓN Texto Base de Teoría”. UNED.
3. Gordon J. Alexander, Nina, William F. Sharpe, Jeffery V. Baile (2010).
“Fundamentos de inversiones: teoría y práctica”, Pearson Educación,
11/02/2010.
4. Carlos González García (2008). “Matemáticas aplicadas a Ciencias Sociales I 1o
Bachillerato”, Editex.
5. Richard I. Levin, DAVID RUBIN (2004). “Estadística para administración y
economía”. Pearson Educación, México.
6. Sebastián Dormido Canto, Fernando Morilla García (2005). “TUTORIAL DE
VENSIM”.
7. Erick Pablo Ortiz Flores, IMPORTANCIA DE LA INCORPORACIÓN TEMPRANA A
LA INVESTIGACIÓN CIENTÍFICA EN LA UNIVERSIDAD DE GUADALAJARA
8. Edward V. Krick (1996) “Ingeniería de Métodos”. LIMUSA Noriega Editores.
9. Ross, Sheldom M. (1999) “Simulación”. Pearson.

Paginas Web

10. RAND Corporation, Recuperado el 12 de Abril de 2012.

< http://www.rand.org/pubs/monograph_reports/MR1418/index2.html >
11. “FING” Facultad de Ingeniería Universidad de la República de Uruguay (2010).
“Apuntes del curso Depto. Inv. Operativa Publicados por el CEI”. Recuperado el
23 de mayo de 2012.
< http://www.fing.edu.uy/inco/cursos/io/archivos/teorico/todo.pdf >
12. Azarang M., García E. (2009). “SIMULACIÓN Y ANÁLISIS DE MODELOS
ESTOCÁSTICOS”. Mc. Graw Hill. México.
< http://www.unamerida.com/archivospdf/337%20Lectura6.3.1.pdf >
13. Louise Foley (2001). “Analysis of an On-line Random Number Generator”.
Management Science and Information Systems Studie.
< http://www.random.org/analysis/Analysis2001.pdf >
14. Serrano Chica, José María (2009). “Apuntes de Computación Estadística”.
Universidad de Jaén. España. Recuperado el 12 de Abril de 2012.
< http://wwwdi.ujaen.es/asignaturas/computacionestadistica/pdfs/tema3.pdf >
15. Rigoberto Perez (2010). “Nociones Básicas de Estadística”, Universidad de
Oviedo, Revisión 2010, V2.0.1.
16. Distribución de Probabilidad, Recuperado el 16 de Mayo de 2012.
< http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_probabilidad >
17. Distribución binomial, Recuperado el 19 de Mayo de 2012.
< http://es.wikipedia.org/wiki/Distribuci%C3%B3n_binomial >

102
 18. Distribución de Poisson, Recuperado el 21 de Mayo de 2012.
< http://es.wikipedia.org/wiki/Distribuci%C3%B3n_Poisson >
19. Distribución exponencial, Recuperado el 25 de Marzo de 2012.
< http://es.wikipedia.org/wiki/Distribuci%C3%B3n_exponencial >
20. César Augusto Gonzales Quiñones. “Distribución exponencial”. Monografias.com.
Recuperado el 23 de mayo de 2012.
<http://www.monografias.com/trabajos84/distribucion-exponencial/distribucion-exponencial.shtml >
21. Herbert R. Hoeger. “PASOS EN UN ESTUDIO DE SIMULACIÓN”. Universidad de
Los Andes. Recuperado el 05 de noviembre de 2012.
< http://webdelprofesor.ula.ve/ingenieria/hhoeger/simulacion/PARTE3.pdf >

103

View publication stats