Proyecto

de Simulación

Integrantes: Ariel Fernández

Luis Inostroza B
Raúl Villarroel Z
Katherine Barrientos
Profesor: Francisco Ramis
Fecha entrega: 5 de julio del 2017
Contenid

o
Introducción.......................................................................................................................................3
ANTECEDENTES DE LA EMPRESA........................................................................................................4
Identificación de la Empresa..............................................................................................................5
Objetivo Generales.............................................................................................................................5
Objetivos Específico...........................................................................................................................5
Descripción del proceso.....................................................................................................................5
Diagrama UML y VSM de proceso......................................................................................................6
Validar el modelo conceptual.............................................................................................................8
Tiempos entre llegada....................................................................................................................8
Tiempos en caja............................................................................................................................15
Tiempos de preparación...............................................................................................................21
Tiempos de entrega.....................................................................................................................27
Tiempos de llenado......................................................................................................................33
Resumen de distribuciones a utilizar............................................................................................39
Construir el modelo..........................................................................................................................39
Diseñar, conducir y analizar experimentos......................................................................................40
ESCENARIO DE MEJORA...................................................................................................................41
COMPARACIÓN DE ALTERNATIVAS: ESCENARIO ORIGINAL V/S ESCENARIO MEJORADO................42
Conclusión........................................................................................................................................43
Introducción

El local de comida Super Bowl ubicado frente a la universidad del Biobío el cual es atendido por su
propio dueño, en que aproximadamente atiende alrededor de 150 personas al día.
El dueño y operadores del local se han percatado de algunas deficiencias en la atención del cliente,
donde hay esperas que son bastante prolongadas, que a la larga hacen que el cliente abandone el
local.
En el presente informe se dará a conocer el funcionamiento del local por medio de diagramas, y el
resultado de la obtención de datos de sus respectivas demoras en sus procesos a través del
software Flexsim, donde se obtendrán gráficas y estimaciones del actual modelo del proceso
desde que se compra el Bowl hasta que se retire.
Para todo esto se realizaron las visitas correspondientes al local, para el conocimiento del proceso
y obtención de los datos para luego simular.
Se validará el modelo conceptual para posteriormente analizar un diseño experimentos que
permitan obtener una mejora en el proceso.
ANTECEDENTES DE LA EMPRESA
Nombre Súper Bowl.

Nombre de fantasía Súper Bowl

RUT 76.536.843-k

Giro Fuente de Soda y comida rápida.

Representante Legal Luis Hidalgo Esparza

Tipo de Sociedad Empresa Individual de Responsabilidad Limitada

Domicilio Avenida Collao #1295

Comuna Concepción

Ciudad Concepción

Página Web www.facebook.com/pg/superbowlconce/about/

Teléfono (41) 334 4679

Correo electrónico lhidalgoesparza04@gmail.com

Contacto de la empresa
Nombre Luis Hidalgo Esparza

Cargo Representante Legal

Teléfono (41) 334 4679

Identificación de la Empresa

Local de comida Súper Bowl está ubicada en calle Collao #1295, Concepción.
Donde se tiene a disposición una amplia variedad de Bowl a elegir con opciones vegetarianas,
además de ofrecer fajitas y jugos naturales.

Objetivo Generales

Simular la línea de producción del local de comida Súper Bowl, desde que el cliente realiza el
pedido hasta que este se termina de fabricar y es entregado, con el fin de evaluar la situación
actual de sus procesos y proponer nuevas estrategias de mejora.

Objetivos Específico

-Estudiar el sistema actual de producción

-Medir los tiempos de procesos de cada etapa en la línea de producción
-Modelar el sistema actual de producción
-Determinar los cuellos de botella del proceso
-Proponer y probar estrategias dentro del modelo que agilicen el proceso

Descripción del proceso.

El proceso comienza cuando el cliente se dirige a la caja a realizar y pagar su pedido, luego la
información del pedido es enviada a la cocina donde existe una persona encargada de la loza y
utensilios que entrega los recursos correspondientes, pasando a la siguiente zona de trabajo
donde existe un puesto con una persona en el que se sirve el arroz o calienta la fajita ,luego pasa al
siguiente puesto donde otra persona se encarga de agregar carne, verduras y salsa, finalizando la
fabricación del producto para posteriormente ser retirado y entregado al cliente por otra persona
a cargo.
Finalmente el cliente aliña su plato en la misma barra donde se entregó el pedido y se marcha. En
caso de los jugos naturales la persona encargada de entregar los productos al cliente se dirige a
preparar y mezclar los ingredientes del jugo para luego entregarlo
Diagrama UML y VSM de proceso.

Inicio

Realizar el pedido del

bowl

Llenar el bowl

Preparación del bowl

Entregar el pedido del

bowl

Fin
Método para la obtención de datos
Observación directa (cronometro)

Validar el modelo conceptual

Tiempos entre llegada.

Características de datos.

Modelos propuestos por experfit

En los tiempos entre llegadas la Relative evaluation para seleccionar la distribución adecuada para
la actividad, experfit calificó con un relative score de 98.44 a la distribución Beta , en una escala de
1-100, indicado que ésta distribución es la más adecuada comparado a la distribución Gamma(E) y
Pearson type VI(E) que obtuvieron un puntaje de 92.19 y 85.94 respectivamente.
Graficas de distribución.
Los primeros dos gráficos se utilizan para observar si la distribución real de los datos se asemejan a
las distribuciones teóricas de Beta, gamma (E) y Pearson type(E). A través del análisis de estas
gráficas, se decide si es conveniente aplicar alguna de estas distribuciones tentativas. En el último
grafico de dispersión no se visualiza algún patrón y en el de correlación no se observa 7 puntos
consecutivos sobre o bajo la línea de tendencia por lo que los datos son i.i.d.
Los últimos 2 gráficos se utilizan para observar los errores entre el dato real y el estimado por la
distribución asignada, que se incurre al aplicar las distribuciones Beta, gamma(E) y Pearson type(E)
al conjunto de datos de las muestras reales.
Al ver la distribución en los cuatro gráficos anteriores las tres distribuciones se ajustan bien a la
realidad, donde se procederá a seleccionar aquella con menor error, que en este caso es la
distribución Beta, para luego aplicar las pruebas formales, los cuales son: el test de Kolmogorov –
Smirnov, Anderson- Darling y Chi cuadrado.
Test de bondad y ajuste

El modelo beta con un 10 % de significancia se rechaza, por lo tanto los datos no tienen una
distribución beta.
La prueba de Anderson-Darling indica que el grado de concordancia existente entre la distribución
del conjunto de datos y una distribución teórica específica (siendo sensible a los valores Extremos),
es decir, si los datos provienen de una población que tiene la distribución beta. Ya que en este
caso la prueba se rechaza, se podría afirmar que los datos no provienen de una distribución beta.

El modelo Beta con un 10% de significancia no se rechaza, por lo tanto los datos tienen una
distribución beta.
La prueba de Kolmogorov-Smirnov indica que el grado de concordancia existente entre la
distribución del conjunto de datos y una distribución teórica específica (siendo sensible a los
valores cercanos a la media), es decir, si los datos provienen de una población que tiene la
distribución Beta. Ya que en este caso la prueba se rechaza, se podría afirmar que los datos
provienen de una distribución beta.
El modelo Beta con 10% de significancia se rechaza, por lo tanto los datos no tienen una
distribución beta.
La prueba de Chi-Cuadrado mide la discrepancia (bondad de ajuste) entre una distribución
observada a partir de la muestra y la distribución Johnson SB que se presume debe seguir esa
muestra, indicando en qué medida las diferencias existentes entre ambas, de haberlas, se deben al
azar en el contraste de hipótesis. Esta prueba se basa en la hipótesis nula (H 0) de que no hay
diferencias significativas entre la distribución muestral y la distribución Beta. Mientras que la
hipótesis alternativa (H1) se enuncia como que los datos no siguen la distribución beta.
Por rechazar todos los test propuestos y analizando la distribución con mayor puntuación beta se
utilizara finalmente una distribución empírica para los tiempo entre llegada.
La distribución empírica es la siguiente:
 Flexsim Representation
Use:
When using a pickoption:
Select "By Percentage (table)"
Change "mytable" to the correct table name
When using code:
empirical("MyTable")
Where:
Percentage X value 1.739 81
0.87 88
(Column 1) (Column 2) 0.87 89
---------------- ---------------- 0.87 94
0.87 95
16.522 1 0.87 109
15.652 2 0.87 113
8.696 3 0.87 114
3.478 4 0.87 115
1.739 5 0.87 125
0.87 6 0.87 129
0.87 7 0.87 134
0.87 9 0.87 138
0.87 12 0.87 139
0.87 15 0.87 147
0.87 16 0.87 153
0.87 22 0.87 159
2.609 23 0.87 163
0.87 24 0.87 181
0.87 26 0.87 213
0.87 35 0.87 243
1.739 36 0.87 265
1.739 45 0.87 315
0.87 46 0.87 316
0.87 49 1.739 318
0.87 51 0.87 328
0.87 54 0.87 330
0.87 60 0.87 344
0.87 63 0.87 353
0.87 64 0.87 699
0.87 68 0.87 737
0.87 69 0.87 1096
0.87 71
0.87 80
Método para la obtención de datos
Observación directa (cronometro)
Validar el modelo conceptual

Tiempos en caja
Características de datos.

Modelos propuestos por experfit

En los tiempos en caja la Relative evaluation para seleccionar la distribución adecuada para la
actividad, experfit calificó con un relative score de 90.83 a la distribución gamma , en una escala
de 1-100, indicado que ésta distribución es la más adecuada comparado a la distribución Erlang(E)
y Gamma (E) que obtuvieron un puntaje de 89.17 y 89.17 respectivamente.
Graficas de distribución.

Los primeros dos gráficos se utilizan para observar si la distribución real de los datos se asemejan a
las distribuciones teóricas de Gamma, Erlang(E) y Gamma(E). A través del análisis de estas gráficas,
se decide si es conveniente aplicar alguna de estas distribuciones tentativas.
Los primeros dos gráficos se utilizan para observar si la distribución real de los datos se asemejan a
las distribuciones teóricas de Gamma, Erlang(E) y Gamma(E). A través del análisis de estas gráficas,
se decide si es conveniente aplicar alguna de estas distribuciones tentativas.De acuerdo al tercer
grafico el análisis de la nube de puntos no se visualiza ningún patrón y en el de correlación no se
observa 7 puntos consecutivos sobre o bajo la línea de tendencia por los que datos son i.i.d.
Los últimos 2 gráficos se utilizan para observar los errores entre el dato real y el estimado por la
distribución asignada, que se incurre al aplicar las distribuciones Gamma, Erlang(E) y Gamma(E) al
conjunto de datos de las muestras reales.
Al ver la distribución en los cuatro gráficos anteriores las tres distribuciones se ajustan bien a la
realidad, donde se procederá a seleccionar aquella con menor error, que en este caso es la
distribución gamma, para luego aplicar las pruebas formales, los cuales son: el test de Kolmogorov
– Smirnov, Anderson- Darling y Chi cuadrado.
Test de bondad y ajuste

El modelo beta con un 10 % de significancia no se rechaza, por lo tanto los datos tienen una
distribución Gamma.
La prueba de Anderson-Darling indica que el grado de concordancia existente entre la distribución
del conjunto de datos y una distribución teórica específica (siendo sensible a los valores Extremos),
es decir, si los datos provienen de una población que tiene la distribución Gamma. Ya que en este
caso la prueba se rechaza, se podría afirmar que los datos provienen de una distribución Gamma.

El modelo Gamma con un 10% de significancia no se rechaza, por lo tanto los datos tienen una
distribución Gamma.
La prueba de Kolmogorov-Smirnov indica que el grado de concordancia existente entre la
distribución del conjunto de datos y una distribución teórica específica (siendo sensible a los
valores cercanos a la media), es decir, si los datos provienen de una población que tiene la
distribución Gamma. Ya que en este caso la prueba no se rechaza, se podría afirmar que los datos
provienen de una distribución gamma.
El modelo Gamma con 10% de significancia no se rechaza, por lo tanto los datos tienen una
distribución Gamma.
La prueba de Chi-Cuadrado mide la discrepancia (bondad de ajuste) entre una distribución
observada a partir de la muestra y la distribución Gamma que se presume debe seguir esa
muestra, indicando en qué medida las diferencias existentes entre ambas, de haberlas, se deben al
azar en el contraste de hipótesis. Esta prueba se basa en la hipótesis nula (H 0) de que no hay
diferencias significativas entre la distribución muestral y la distribución Gamma. Mientras que la
hipótesis alternativa (H1) se enuncia como que los datos no siguen la distribución Gamma.
Método para la obtención de datos
Observación directa (cronometro)
Validar el modelo conceptual

Tiempos de preparación
Características de datos.

Modelos propuestos por experfit

En la actividad preparación la Relative evaluation para seleccionar la distribución adecuada para la

actividad, experfit calificó con un relative score de 87.90 a la distribución Johnson SB, en una
escala de 1-100, indicado que ésta distribución es la más adecuada comparado a la distribución
Random walk(E) y Inverse gaussian(E) que obtuvieron un puntaje de 87.10 y 83.06
respectivamente.
Graficas de distribución
Los primeros dos gráficos se utilizan para observar si la distribución real de los datos se asemejan a
las distribuciones teóricas de Johnson SB, Random walk(E) y inverse gaussian(E). A través del
análisis de estas gráficas, se decide si es conveniente aplicar alguna de estas distribuciones
tentativas.En el último grafico de dispersión no se visualiza algún patrón y en el de correlacion no
se observa 7 puntos consecutivos sobre o bajo la línea de tendencia por lo que los datos son i.i.d.
Los últimos 2 gráficos se utilizan para observar los errores entre el dato real y el estimado por la
distribución asignada, que se incurre al aplicar las distribuciones Johnson SB, Random walk(E) y
inverse gaussian(E) al conjunto de datos de las muestras reales.
Al ver la distribución en los cuatro gráficos anteriores las tres distribuciones se ajustan bien a la
realidad, donde se procederá a seleccionar aquella con menor error, que en este caso es la
distribución Johnson SB, para luego aplicar las pruebas formales, los cuales son: el test de
Kolmogorov – Smirnov, Anderson- Darling y Chi cuadrado.
Test de bondad y ajuste

El modelo Johnson SB con un 10 % de significancia no se rechaza, por lo tanto los datos tienen una
distribución Johnson SB.
La prueba de Anderson-Darling indica que el grado de concordancia existente entre la distribución
del conjunto de datos y una distribución teórica específica (siendo sensible a los valores Extremos),
es decir, si los datos provienen de una población que tiene la distribución Johnson SB. Ya que en
este caso la prueba no se rechaza, se podría afirmar que los datos provienen de una distribución
Johnson SB.

El modelo Johnson SB con un 10% de significancia no se rechaza, por lo tanto los datos tienen una
distribución Johnson SB.
La prueba de Kolmogorov-Smirnov indica que el grado de concordancia existente entre la
distribución del conjunto de datos y una distribución teórica específica (siendo sensible a los
valores cercanos a la media), es decir, si los datos provienen de una población que tiene la
distribución Johnson SB. Ya que en este caso la prueba no se rechaza, se podría afirmar que los
datos provienen de una distribución Johnson SB.
El modelo Johnson SB con 10% de significancia se rechaza. Sin embargo al ser menos una prueba
menos fuerte que las dos anteriores, se utilizada dicha distribución igualmente.
La prueba de Chi-Cuadrado mide la discrepancia (bondad de ajuste) entre una distribución
observada a partir de la muestra y la distribución Johnson SB que se presume debe seguir esa
muestra, indicando en qué medida las diferencias existentes entre ambas, de haberlas, se deben al
azar en el contraste de hipótesis. Esta prueba se basa en la hipótesis nula (H 0) de que no hay
diferencias significativas entre la distribución muestral y la distribución Johnson SB. Mientras que
la hipótesis alternativa (H1) se enuncia como que los datos no siguen la distribución Johnson SB.
Método para la obtención de datos
Observación directa (cronometro)
Validar el modelo conceptual

Tiempos de entrega.
Características de datos.

Modelos propuestos por experfit

En los tiempos de entrega la Relative evaluation para seleccionar la distribución adecuada para la
actividad, experfit calificó con un relative score de 99.19 a la distribución Johnson SB, en una
escala de 1-100, indicado que ésta distribución es la más adecuada comparado a la distribución
Beta y Weibull(E) que obtuvieron un puntaje de 96.77 y 91.94 respectivamente.
Graficas de distribución
Los primeros dos gráficos se utilizan para observar si la distribución real de los datos se asemejan a
las distribuciones teóricas de Johnson SB, Beta y weibull(E). A través del análisis de estas gráficas,
se decide si es conveniente aplicar alguna de estas distribuciones tentativas En el último grafico de
dispersión no se visualiza algún patrón y en el de correlación no se observa 7 puntos consecutivos
sobre o bajo la línea de tendencia por lo que los datos son i.i.d.
Los últimos 2 gráficos se utilizan para observar los errores entre el dato real y el estimado por la
distribución asignada, que se incurre al aplicar las distribuciones Johnson SB, Beta y weibull(E) al
conjunto de datos de las muestras reales.
Al ver la distribución en los cuatro gráficos anteriores las tres distribuciones se ajustan bien a la
realidad, donde se procederá a seleccionar aquella con menor error, que en este caso es la
distribución Johnson SB, para luego aplicar las pruebas formales, los cuales son: el test de
Kolmogorov – Smirnov, Anderson- Darling y Chi cuadrado.
Test de bondad y ajuste

El modelo Johnson SB con un 10 % de significancia no se rechaza, por lo tanto los datos tienen una
distribución Johnson SB.
La prueba de Anderson-Darling indica que el grado de concordancia existente entre la distribución
del conjunto de datos y una distribución teórica específica (siendo sensible a los valores Extremos),
es decir, si los datos provienen de una población que tiene la distribución Johnson SB. Ya que en
este caso la prueba no se rechaza, se podría afirmar que los datos provienen de una distribución
Johnson SB.

El modelo Johnson SB con un 10% de significancia no se rechaza, por lo tanto los datos tienen una
distribución Johnson SB.
La prueba de Kolmogorov-Smirnov indica que el grado de concordancia existente entre la
distribución del conjunto de datos y una distribución teórica específica (siendo sensible a los
valores cercanos a la media), es decir, si los datos provienen de una población que tiene la
distribución Johnson SB. Ya que en este caso la prueba no se rechaza, se podría afirmar que los
datos provienen de una distribución Johnson SB.
El modelo Johnson SB con 10% de significancia se rechaza, por lo tanto los datos tienen una
distribución Johnson SB.
La prueba de Chi-Cuadrado mide la discrepancia (bondad de ajuste) entre una distribución
observada a partir de la muestra y la distribución Johnson SB que se presume debe seguir esa
muestra, indicando en qué medida las diferencias existentes entre ambas, de haberlas, se deben al
azar en el contraste de hipótesis. Esta prueba se basa en la hipótesis nula (H 0) de que no hay
diferencias significativas entre la distribución muestral y la distribución Johnson SB. Mientras que
la hipótesis alternativa (H1) se enuncia como que los datos no siguen la distribución Johnson SB.
Método para la obtención de datos
Observación directa (cronometro)
Validar el modelo conceptual

Tiempos de llenado.
Características de datos.

Modelos propuestos por experfit

En los tiempos de llenado la Relative evaluation para seleccionar la distribución adecuada para la
actividad, experfit calificó con un relative score de 99.17 a la distribución Log-Laplace, en una
escala de 1-100, indicado que ésta distribución es la más adecuada comparado a la distribución
Log-Laplace(E) y Log-Logistic que obtuvieron un puntaje de 97.50 y 93.33 respectivamente.
Graficas de distribución
Los primeros dos gráficos se utilizan para observar si la distribución real de los datos se asemejan a
las distribuciones teóricas de Log-Laplace, Log-Laplace(E) y Log-Logistic. A través del análisis de
estas gráficas, se decide si es conveniente aplicar alguna de estas distribuciones tentativas En el
último grafico de dispersión no se visualiza algún patrón y en el de correlación no se observa 7
puntos consecutivos sobre o bajo la línea de tendencia por lo que los datos son i.i.d.
Los últimos 2 gráficos se utilizan para observar los errores entre el dato real y el estimado por la
distribución asignada, que se incurre al aplicar las distribuciones de Log-Laplace, Log-Laplace(E) y
Log-Logistic al conjunto de datos de las muestras reales.
Al ver la distribución en los cuatro gráficos anteriores las tres distribuciones se ajustan bien a la
realidad, donde se procederá a seleccionar aquella con menor error, que en este caso es la
distribución Log-Laplace, para luego aplicar las pruebas formales, los cuales son: el test de
Kolmogorov – Smirnov, Anderson- Darling y Chi cuadrado.
Test de bondad y ajuste

El modelo Log-Laplace con un 10 % de significancia no se rechaza, por lo tanto los datos tienen una
distribución Log-Laplace.
La prueba de Anderson-Darling indica que el grado de concordancia existente entre la distribución
del conjunto de datos y una distribución teórica específica (siendo sensible a los valores Extremos),
es decir, si los datos provienen de una población que tiene la distribución Log-Laplace. Ya que en
este caso la prueba no se rechaza, se podría afirmar que los datos provienen de una distribución
Log-Laplace.

El modelo Log-Laplace con un 10% de significancia no se rechaza, por lo tanto los datos tienen una
distribución Log-Laplace.
La prueba de Kolmogorov-Smirnov indica que el grado de concordancia existente entre la
distribución del conjunto de datos y una distribución teórica específica (siendo sensible a los
valores cercanos a la media), es decir, si los datos provienen de una población que tiene la
distribución Log-Laplace. Ya que en este caso la prueba no se rechaza, se podría afirmar que los
datos provienen de una distribución Log-Laplace.
El modelo Log-Laplace con 10% de significancia se rechaza, por lo tanto los datos tienen una
distribución Log-Laplace.
La prueba de Chi-Cuadrado mide la discrepancia (bondad de ajuste) entre una distribución
observada a partir de la muestra y la distribución Log-Laplace que se presume debe seguir esa
muestra, indicando en qué medida las diferencias existentes entre ambas, de haberlas, se deben al
azar en el contraste de hipótesis. Esta prueba se basa en la hipótesis nula (H 0) de que no hay
diferencias significativas entre la distribución muestral y la distribución Johnson SB. Mientras que
la hipótesis alternativa (H1) se enuncia como que los datos no siguen la distribución Log-Laplace.
 Resumen de distribuciones a utilizar
ACTIVIDAD DISTRIBUCIÓN SCORE PARÁMETROS
Llegada al servicio Empírica
Caja Gamma 98.83 0.00000, 2.87295, 21.29265
Llenado Log-Laplace 99.17 0.000000, 28.0, 6.07634
Preparación del bowl Johnson SB 87.90 9.87866, 233.78451, 2.152216, 1.32158
Entrega Beta 99.17 43.98707, 119.26426, 1.27314, 1.02167

Supuesto: El sistema será evaluado por periodo de tiempo de atención de 12:40 hasta 15:40
horas. Incluido el tiempo de calentamiento.

Construir el modelo
El modelo será construido en software de simulación flexsim 2016 en el cual se puede modelar el
proceso sin muchos recursos.
Diseñar, conducir y analizar experimentos
S2 (n) t 2∗S 2 (n)
N a¿ =Min{i≥ n , t ∝
∗
(n−1;1− 2 ) √ i
≤ β} i=
β2

Los datos entregados por flexsim fueron tabulados para el número de réplicas piloto, y
estos fueron:
Promedio original 10 1210.595
Desv Estandar 521.899503

Considerando un error del 10% sobre la media y el intervalo de confianza al 90% utilizando
como medida de desempeño el tiempo promedio de ciclo. Con esto se busca el valor de t
en la tabla de distribución t-student t9,95%. S2=2.468 .041
Luego, con:

β=Error × Mediamuestral
β=Error × Mediamuestral
β=0,1 x 1210.595
β=121.0595
n=10t9, 95% = 1.833

Entonces, tenemos nuestro intervalo de:

1.8332 x 521.8995032
i= =62,44 ≅ 63 réplicas
121.05952

El número de réplicas a realizar para el modelo original es de mínimo 63.

Verificación:

S2 ( n )
t ∝
∗
(n−1 ;1− 2 ) √ i
≤β

2
1.833 * 521,9
√ 63
≤121,0595

120,52 ≤ 121,05

Por lo cual se verifica que el número réplicas cumple con los requerimientos para volverlo
válido.
Del modelo original se arrojan los siguientes datos (Raw data), dada las 63 réplicas:

Promedio 1114.57937
Desviación 557.60138
estándar

ESCENARIO DE MEJORA

La propuesta de mejora manejada por el equipo, consiste en agregar una estación más
para el proceso de entrega del bowl, donde se contaría con otro empleado, duplicando la
productividad de dicho proceso. Para esta propuesta de mejora, se obtuvieron los
siguientes resultados, expresados en las mismas 63 réplicas trabajadas anteriormente.

Promedio 503.112698
Desviación 137.697268
estándar

Para lo cual se pudo visualizar una mejora en el valor del promedio del tiempo de ciclo del
proceso. No obstante, esto es necesario estudiarlo bajo una herramienta estadística
significativa.
COMPARACIÓN DE ALTERNATIVAS: ESCENARIO ORIGINAL V/S
ESCENARIO MEJORADO

S2
[
Intervalo de Confianza: x́ ±t
n−1 ;1−
α
2 √]
n

A continuación se entregan las cifras de tiempo de ciclo medio para las 63 réplicas, en
ambos escenarios, y con la operación matemática de restar el escenario original k, menos
el escenario mejorado k, con k=1, 2, 3,…., 63.

Intervalo de confianza para la diferencia

Media 611.466667
Desviación estándar 520.410158
1-alpha 90%
n 63
t(n-1, 95%) 1,6694
IdeC (502,011; 720,921)

Como el intervalo de confianza obtenido está concentrado en valores positivos o mayores

al 0, podemos afirmar, bajo un 90% de confianza, que la mejora es estadísticamente
adecuada, o dicho de otro modo, que es un 90% mejor que el escenario original.
En consecuencia, se está en condiciones de que, con la adición de un nuevo puesto y
operario para la entrega del producto, se cumpla el objetivo general planteado en el
presente proyecto.
Conclusión
En vista del escenario actual del local de comida SuperBowl, y como su demanda ha ido en
aumento este último tiempo, es necesario que la empresa efectúe mejoras en sus procesos
disminuyendo los tiempos de ciclo con el fin de retener a sus clientes entregando un servicio
rápido y de calidad. El presente proyecto se basó en el método de los 7 pasos, bajo el cual se hizo
posible representar el sistema productivo de local SuperBowl, con todos los flujos de producción
respectivos.

Al creer necesaria una mejora, la mejor opción fue considerar verificar mediante una herramienta
de simulación, cómo la posible alternativa de mejora afectaría a la productividad de los procesos.
Vale destacar, que realizar mejoras in situ tiene el riesgo de no ser una mejora válida y que ya no
haya vuelta atrás; organizaciones lo han intentado y la decadencia de éstas es inevitable.

Acercándose a lo medular del proyecto, lo planteado por el equipo fue considerar la contratación
de un trabajador para realizar la entrega de los bowl en un nuevo puesto y verificar si el tiempo de
ciclo del proceso disminuía. Fue así como se constató, bajo 63 réplicas, y utilizando una confianza
del 90%, que el tiempo de ciclo promedio del proceso de entrega del Bowl, bajó de 1114,57
segundos a 503,11 segundos, lo cual constituye una disminución del tiempo de ciclo, en un
45,13%. Dado esto, el equipo está facultado para decir que la adición de un nuevo operario al local
de comida, es una opción viable para la empresa.

Concluyentemente, se da por cumplido el objetivo general del proyecto, de disminuir el tiempo de

ciclo del sistema, para lograr manejar de manera óptima el flujo de clientes que ingresa al local, y
claro está, aumentar los beneficios económicos de la organización.