Sie sind auf Seite 1von 41

ProyectodeSimulacin:

Asignatura:

Simulacin.
Catedrtico:

Dr. Eugenio Martnez.


Carrera:

Ingeniera Industrial 6 A.
Presentan:

GustavoAvalosLara.
JosCamposFeria
DiegoAlfredoArellanoYanes
PedroHumbertoAvalosDguez
RafaelGuemezFlores
RicardoBernardoRamrez
Comalcalco,Tabasco.A14dejuniodel2007.

ndice.

Introduccin.

CaptuloI.MarcoTericoReferencial.
1.1TeoradeColas...................................................................................................................................5

1.2Simulacin............................................................................................................................................9

1.3FuncionesdeProbabilidadDiscreta.........................................................................................12

1.4Softwaredeapoyo...........................................................................................................................13

CaptuloII.ElaboracindelModelodeSimulacin.

2.1Datosdelaempresa:AlmacenesGarcaS.A..........................................................................16

2.2SistemadeOperacindelaempresa........................................................................................18

2.3ObtencindeDatos..........................................................................................................................19
2.4AjustedeDatos..................................................................................................................................20
2.5Modelodesimulacin....................................................................................................................28

CaptuloIII.SolucindelModeloyAnlisisdeResultados.

3.1AplicacindelaSimulacin..........................................................................................................30

3.2ResultadosObtenidos......................................................................................................................33

3.3AnlisisdelosResultados.............................................................................................................36

Conclusiones......................................................................................................................................................38

Recomendaciones..........................................................................................................................................39

Bibliografareferencial..............................................................................................................................40

Introduccin.

Actualmente,debidoalascrecientesexigenciasencuantoaldesempeo
de los proyectos, se hace fundamental contar con mtodos de trabajo
eficientesquepermitancumplirconlosrequerimientosdelclienteutilizando
elmnimoderecursosposible.Estoconllevainevitablementeareplantearlas
metodologas de trabajo existentes e incorporar nuevas tecnologas, sin
embargollevaralaprcticaconciertaseguridadunametodologadetrabajo
apropiadaquepuedareemplazarbeneficiosamentelaexistenteesmuydifcil,
debido principalmente a la incertidumbre en cuanto al resultado que se
obtendryporqueenelanlisistericoescasiimposibleincorporartodaslas
variablesrelevantesquepuedenincidirensuaplicacinprctica.

Con los modelos de simulacin se logra un avance trascendental en ese


aspecto,yaquesepuedenincorporarenltodaslasvariablesrelevantesque
inciden en la situacin real y se puede ver que pasa en el sistema si se
modificacualquieradeestasvariables;conestoselograunamayorconfianza
en cuanto a la aplicacin de nuevas metodologas (o cambios en los
procedimientos) y se pueden incorporar en el anlisis una gran cantidad de
alternativasdemanerasencillayrpida.

El problema es determinar qu capacidad o tasa de servicio proporciona el


balancecorrecto.Estonoessencillo,yaqueunclientenollegaaunhorariofijo,
es decir, no se sabe con exactitud en qu momento llegarn los clientes.
Tambineltiempodeservicionotieneunhorariofijo.

Lo anterior enfatiza el siguiente punto: en todo sistema existen dos grandes


clases de costos, el social referente al tiempo de espera de un servicio y el
asociado al consumo de recursos que requiere ese servicio. Adems, estos
costostienenunacorrelacininversa:cuandounoaumentaelotrodisminuye,
yviceversa.

Por ello respecto a la teora de lneas de espera se tiene los siguientes


objetivos:


a)Caracterizarcuantitativaycualitativamenteaunacola.

b) Determinar los niveles adecuados de ciertos parmetros del sistema que


balanceanelcostosocialdelaesperaconelcostoasociadoalconsumode
recursos.

c) Determinar la factibilidad de contratar ms personal (cerillitos o cajeras).


Reubicarelreadeserviciodecobroparaampliarlacapacidaddelacola.

La distribucin ms usada para los tiempos de servicio es la exponencial,


aunque es comn encontrar la distribucin degenerada o determinstica
(tiemposdeservicioconstantes)oladistribucinErlang(Gamma).

En base a lo anterior, se realizaron tareas para cumplir con los objetivos y


poder realizar una simulacin del sistema particular de una manera eficiente.
Porelloalolargodeltrabajosemuestranlosdatosrecopiladosyconclusiones
alasquesellego.

Ma
arco Ter
rico Referencial.

Ma
arco Ter
rico Referencial.

1.1 Teora de Colass.

Lateeoradelasccolaseselestudiomateemticodelaascolasoln
neasdeespeera.Laformacinde
colas es, por
p supuesto, un fenm
meno comn
n que ocurrre siempre que
q la demaanda efectivva de un
servicioexxcedealaoffertaefectivaa.
Con frecuencia, las empresas deeben tomar decisiones respecto al caudal de servicios qu
ue debe
estar prep
parada paraa ofrecer. Sin embargo
o, muchas veces
v
es imposible predecir con exactitud
e
cundo lleegarn los clientes que demandan el servicio y/o
y cuanto tiempo
t
ser necesario para
p
dar
eseserviciio;esporessoqueesas decisionesimplicandileemasquehaayqueresolvverconinfo
ormacin
escasa.Esttarpreparad
dosparaofreecertodoseervicioquessenossolicitteencualquiermomenttopuede
implicarm
mantenerreccursosociososycostos excesivos.P
Pero,porotrrolado,careecerdelacaapacidad
de servicio
o suficiente causa colass excesivamente largas en ciertos momentos.
m
Cuando los clientes
tienenqueeesperaren
nunacolap
pararecibirn
nuestrosserrvicios,estn
npagandou
uncoste,en tiempo,
ms alto del
d que esp
peraban. Lass lneas de espera
e
largaas tambin son costosaas por tanto
o para la
empresayyaqueprodu
ucenprdidaadeprestigioyprdidadeclientes.
La teora de las colas en si no
o resuelve directamen
nte el problema, pero contribuyee con la
informaci
n vital que
e se requierre para tom
mar las deciisiones conccernientes prediciendo
p
algunas
caracterstticas sobre la lnea dee espera: prrobabilidad de que se formen, ell tiempo dee espera
promedio.

Una cola es una lnea de


d espera y la teora de colas es
e una coleeccin de modelos
m
matemticcosquedesccribensistem
masdelneadeesperap
particularesosistemasd
decolas.

Loselementosdelsisttemadecola
as
Esttospuedensserlossiguieentes:

a) Poblaciin. La poblacin pued


de clasificarsse (y las tccnicas de Co
olas difieren
n) en funci
n de su
tamao reelativo, com
mo finita o in
nfinita: ser infinita cuaando el nm
mero de clieentes potencciales es
muygrand
deenrelaci
nalacapaccidaddelsisttema;encassocontrario,serfinita.

b)Proceso
odellegadaadelosclie
entes.Laslleegadasdeclientesalsisstemasoneenlamayoradelas
ocasiones controlable
es:porejemplo,haysisttemasqueju
ueganconlo
osprecios,o
oconlacapaacidado
comodidad
d,oconofe
ertas.NormaalmentelaTTeoradeCo
olasoperaso
obrelostiem
mposentre llegadas
consecutivvasdeclienttes:modelo
ostpicosson
nelterico dellegadassaintervalo
osfijosigualees,olos
que consideran difere
entes distrib
buciones dee probabilidaad. Las llegaas pueden ser
s individuales (un
nicoclien
nteencadallegada)om
mltiples(varriosclientesenunamism
mallegada).

Ma
arco Ter
rico Referencial.

c)Lneade
eesperaoccola.Comossehadicho,,laColavien
nedefinidaeenprimerlu
ugarporlafo
ormade
llegadadeelosclientes(conosind
distribucincconocida,peerfildeladisstribucin).
Porotrap
parteelSiste
emasedefinetambin porlacond
ductadelclientepotenccialantelaC
Cola;los
tiposdeclienteenrelaacinalaco
onductasedenominan:
o Impaaciente:Sihaycolaaban
ndonaelsisttema.
o Pacieenteorechaazo:Silacolaasuperaunlmitedefinidoparacad
dacliente,ab
bandonaelSSistema.
o Pacieenteoabandono:Aguan
ntalaColad
duranteunciertotiempo
o.
o Pacieenteoperm
manencia:Agguantahastaaseratendid
do.

d) Capacid
dad de la cola.
c
El caso
o terico ms simple es el de colaa de capacid
dad infinita;; existen
mltiples casos de Colas de longitud acotada (por ejeemplo un reestaurante drivein,
d
o un
u taller
mecnico)). Un enfoque matemtico simplificador consiste en trattar los Sisteemas con caapacidad
finita com
mo si fueran
n de capacidad infinita cuando see evala la probabilidad de llenad
do de la
capacidaddelaColaccomomuybaaja.

e)Reglasd
deservicio.
Lassreglasmsutilizadasso
on:
FIFO: (el primero
p
en llegar, es el
e primero en
e ser servido). Se percibe como la ms justaa en los
sistemasd
deColasmsshabituales..
LIFO:(elp
primeroenllegar,esel
ltimoensalir).Porejem
mploenproductospereecederos(conservas)
enqueseconsultalaffechadecad
ducidad.

Existenotrasreglasqu
uesecaracterizanporlaarupturadeeladisciplinaadeCola:porejemploccasosen
que hay clientes privilegiados (urrgencias hosspitalarias) donde
d
se pu
uede situar al
a cliente prrioritario
como prim
mero de la Cola
C
(priorid
dad dbil), o
o incluso susstituir al clieente en servvicio actual si es de
prioridadiinferiorcom
moenlasUTIS(prioridadfuerte).

Ma
arco Ter
rico Referencial.

Sistemas.
1.Unaccola,unservvidor.
2.Unaccola,servido
oresmltipleesenparalelo.
3.Filasmltiples,servidoresmltiplesenp
paralelo,con
ncambiodecolas.
4.Filasmltiples,servidoresmltiplesenp
paralelo,sincambiodeccolas.
5.Unassfila,servido
oresmltipleesenserie.
6.Lasm
mltiples,servidoresmltiplesensisstemamixto
o.

Enlassigu
uientesfiguraassemuestrranestasvariantes.

Ma
arco Ter
rico Referencial.

Ma
arco Ter
rico Referencial.

1.2 Simula
acin.

Simulacin
n es un procceso numrrico diseado para expeerimentar el comportam
miento de cualquier
sistema en una comp
putadora diggital, a lo laargo de la dimensin
d
t
tiempo.
El comportamie
c
ento del
sistema see presenta a
a base de modelos
m
matemticos y
y lgicos, disseados parra tal fin. See puede
simularel comportam
mientodesisstemasecon
nmicos,socciales,administrativos, productivoss;fsicos,
qumicos,biolgicos,e
etc.
La simulacin es til cuan
ndo se dificu
ulta o impossibilita la ressolucin del modelo an
naltico o
numrico requerido en un deteerminado problema.
p
Comparados con los modelos
m
analticos y
numricoss,losProcesosdesimulaacinpresen
ntanventajasydesventaajas.
Por un lad
do, permite estudiar al sistema reaal sin deform
marlo. Los Modelos
M
anaalticos o nu
umricos
requieren lasimplificaacindelsisttemarealdeeestudio,a findequesseapeguea lascondicio
onesque
fundamen
ntan la teorra del modelo en uso; por esto, finalmente muchos modelos
m
anaalticos y
numricossresuelvanu
unsistemad
deformadom
muylejanoaalsistemarealbajoestud
dio.Losproccesosde
simulacin
n son herramientas mu
uy efectivas de entrenaamiento de personal y generan un
na visin
macro y micra
m
del sisstema bajo estudio mu
ucho ms prrofunda y detallada que cualquier modelo
analtico o
o numrico. Sin embarggo, los proccesos d sim
mulacin no producen resultados
r

ptimos,
sino simpllemente bue
enos. Son procesos
p
mu
uy costosos en cuanto al
a requerimiento de tieempo de
computadoras, necessitan por lo general dee equipo electrnico so
ofisticado, se
s consumee mucho
tiempoen
neldiseo,p
pruebayverrificacindeeunmodelodesimulacinyserequ
uieredeestu
udiosde
campointensivosparaafamiliarizarseconelsisstemareald
deestudio.

Cundou
usarlasimulacin?
Herram
mientaquere
espondeaQupasarasi...?
Noesu
unatcnicae
exactaparao
optimizacin
n(nopropon
nelamejorssolucindeunproblema)
Campossdeaplicaciinasistemaascomplejos:
Diseoyanlisisdesistemasdefab
bricacin
Evaluacind
decambiosenlaorganizacindeun
naempresa
Anlisisdessistemasfinaancierosyecconmicos
Diseodesistemasdeccomunicacio
ones
Diseoyesttudiodenueevasredesd
detransportee

Ventajas
Inco
onvenientess
Experim
mentar sobrre un modeelo, no en el
e
Tcnicaimp
T
recisaporseeraproximada
sistemaa
Aumentar
A
precisin implica modelo
Ambien
ntecontrolad
doporelusuario
c
complejo
Ayuda a comprender el com
mportamientto
Proyectocostoso:anlissis+aprendiizaje
real

Ma
arco Ter
rico Referencial.

Etapasdeunproyecto
odesimulaccin

Formu
ularelprobllema.
Deefinirelsiste
emarealfsiccaytemporalmente
Deefinirclaram
mentelosobjjetivos:
o Identifficarlasvariablesdeenttradaylasdecontrol
o Definirlasrestricccionessobrelasvariableesdecontroll
o Definirlasvariableesdesalidaquemideneelsistema
delo
o Definirunaestruccturaprelimiinardelmod
Deefinirlaunid
daddetiemp
po:arbitrariaamente,peroconsistentteyrazonab
ble

Formu
ularelmode
elo.
Definirunaesttructurade datos,divid
dirensubmo
odelos(siessgrande)y desarrollar lalgica
delmismo
modelohad
deser:simple,flexible,eefectivoyefiiciente
Elm
Exp
presarlalggicadelmodelomediantteherramien
ntasgrficass:
o Grafod
deeventos
o Diagramadeciclodeactividad
des

Recoggeryprepararlosdatos.
Esp
pecificarlosparmetrosdelmodelo
oysusdistrib
bucionesdeprobabilidad
Ob
bservarlosprocesosdelsistemayreecogerdatoss(siesposible)
Datosdeentraadaalmodello,puedensser:
o Determ
ministas:noaleatorios,vvaloresfijos
o Estocsticos:aleattorios,ajustaadosaunad
distribucin
Validarlasdecisionesconlosdatosdeelsistemareaal

Codifiicarelprogrrama.
Len
nguajesdep
propsitogeneral.
o Bajoniivel,altotiem
mpodecodiificacin
o Altafle
exibilidad,leenguajescon
nocidos
Len
nguajesdessimulacin.
o Bajotie
empodecodificacin,eefectivos
o Aprend
dizaje
Heerramientasdeprogram
macinparassimulacin
o Fciless,interfasesgrficos
o Flexibilidadlimitad
da

ValidaacinyVerifficacin
Verificarelpro
ograma
o Manuaalmente
o Mediantetestmod
dular,desollucionescon
nocidas.

10

Ma
arco Ter
rico Referencial.

o Grficamente
Validarelmodelo
mentosdeccampo
o Experim
o Testde
eTuring
o Mtod
doDelphi

Disearyrealizarrlosexperim
mentos.
An
nivelestratgico
osvaloresp
ptimosdelossparmetro
os
o Fijarlo
o Relacio
onarparmeetrosconvariablesdesaalida
An
niveltctico
o Condiccionesinciallesdergimenpermaneente
o Fijarelltiempodeeejecucinyeelnmerod
deejecuciones

Analizzareinterprretarlosresultados.
Dependendelosobjetivossdelasimulacin
Mtodosestad
dsticosclsicos(simulaccionesindep
pendientes)
Tccnicasdeesttudiosdedaatos(correlacin)
o Mediassdelotes
o Mtod
dosregeneraativos
o Mtod
dosespectrales
o Mtod
dosdeseriesstemporalessestandarizaados

Docum
mentacinyypresentacin
Maanualdeusu
uario
Preesentacind
deresultados:
o Problemadetipon
norecurrentte:
Ho
orizontedem
medio/largoplazo,decisionesnicass,usuariosfiinalesdenivvelmedio/alto
Preesentacinccontinuaderesultados
Decisionesrutiinarias
Usuariosfinale
estipooperaador

11

Ma
arco Ter
rico Referencial.

1.3 Funcio
ones de Probabil
P
idad Disscreta.

Lasimulacind
deeventosd
discretosserefierealam
modelacincomputacio
onaldesistemasque
evolucionaaneneltiem
mpomedian
ntecambiossinstantneosenlasvaariablesdeeestado.Los cambios
ocurrenen
npuntossep
paradosdelttiempo.
Entrminosmsmatemtticos,diramosqueloscambiosdelssistemaocurrenenuncconjunto
contabled
depuntosde
eltiempo.

Semuestrraenlasiguientefigura lasdistribucionesdeprobabilidad mscomn


nmenteusad
das,yde
lascualesharemosuso
oparaeldesarrollodeeesteproyecttodesimulaccin.

etalles respeecto al desaarrollo de caada una de las distribu


uciones, pueesto que
No entraremos en de
emplearem
mosunsoftw
warequeno
osayudaraasimplificarllatarearesp
pectoalanlisisestadstiico.

12

Ma
arco Ter
rico Referencial.

1.4 Softwa
are de ap
poyo.

Parapodeerrealizarlassoperacionees,clculos,,etc.,deunaformamsfcilysencilla;seharusode
dosprograamasqueno
osayudaranasimplificarrlastareasaarealizar,asscomodism
minucindettiempo.

ElprimerssoftwareeselWINSQB.

WIINQSB es una aplicaci


n verstil que permitte la solucin de unaa gran canttidad de
problemass: administraativos, de produccin,
p
de recurso humano, direccin de proyectos, etc.
e est
conformad
dopor19mdulos:

1.Anlisisdemuestreodeaceptaccin(AccepttanceSampllingAnalysis))
2.Planeaccinagregad
da(AggregattePlanning)
3.Anlisisdedecisionees(DecisionAnalysis)
4.Program
macindinm
mica(Dynam
micProgram
mming)
5.Diseoyylocalizacindeplantass(FacilityLoccationandLLayout)
6.Pronstticos(Foreca
asting)
7.Program
macinporo
objetivos(Go
oalProgramming)
8.Teorayysistemasdeeinventarioss(InventoryTheoryandSystem)
9.Program
macindejo
ornadasdetrrabajo(JobSScheduling)
10.Progra
amacinlineealyentera((Linearandiintegerprog
gramming)
11.ProcessosdeHarko
ov
12.Planea
acindeReq
querimientod
deMaterialees
13.Modellacindered
des(NetworkkModeling)
14.Progra
amacinnollineal(Nonlin
nearProgramming)
15.PERTyyCPM(PERT_
T_CPM)
16.Progra
amacincuadrtica(Qua
adraticProg
gramming)
17.Cartasdecontrold
decalidad(Q
QualityControlChart)
18.Sistem
masdecola(Q
QueuingAna
alysis)
19.Simula
acindesisteemasdecola
a(QueuingA
AnalysisSimulation)

Con este software se harn loss clculos y


y operaciones, principaalmente enffocados al rea de
programaccinlineal.

13

Ma
arco Ter
rico Referencial.

Elsiguienttesoftwaree
eselStatgra
aphics.

El program
ma Statgraphics es un software
s
quee est dise
ado para faacilitar el an
nlisis estadstico de
datos. Meediante su aplicacin
a
ess posible reaalizar un an
nlisis descriiptivo de un
na o varias variable,
v
utilizando grficosque
eexpliquen sudistribuccinocalculandosusmeedidascaracctersticas.EEntresus
muchasprrestaciones,tambinfigguranelclculodeintervalosdecon
nfianza,conttrastesdehiptesis,
anlisis dee regresin, anlisis mu
ultivariantess, as como diversas tcnicas aplicadas en Control de
Calidad.

Pantallaprin
ncipaldelStaatgraphics

14

Elaboracin del Modelo de Simulacin.

15

Elaboracin del Modelo de Simulacin.

2.1 Datos de la empresa: Almacenes Garca S.A.

AlmacenesGarcaS.AestubicadoencalleJurez,Comalcalco,Tabasco.Esteofreceservicio
decomercializacindediversosproductosdebelleza,ropa,accesorios,artculosparaelhogar,etc.

Misin
o Ofrecerlaropaquehacesentirbienapreciosbajos

Visin
o Antesdel2010seremosenMxicolamejoropcindecalidadymodaenropaaprecios
bajos.

Valores
o Servicioysatisfaccin
o Honestidadeintegridad
o Compromiso
o Profesionalismo
o Trabajoenequipo
o Pasinyentusiasmo

Diseodelaplanta.
o Laedificacinestconstruidadetalformaqueinfluyeenelmodelodelateoradecola
aplicableaestaempresa.Poseedosentradas,cuantacon2seccionesdepaquetera,hay
3cajeras,mas1adicionalencargadanicamentedelcobrodeaccesoriosyartculosque
detalformaesindependientedelanaturalezadelaempresa.Elespacioparalascolases
corto, debido a los productos que se encuentran estibados; por lo que una cola solo
puede almacenar a 50 personas como mximo. Las salidas son los mismos accesos de
entrada.Cuentaconunaplantaalta.

16

Elaboracin del Modelo de Simulacin.

Organigrama.

17

Elabo
oracin del Modelo
o de Simullacin.

2.2 Sistema
a de Ope
eracin de
d la em
mpresa.

Elssiguienteesq
quemamuestraladistribucindelaaplanta,ascomolaform
madeoperaacindel
sistema de servicio de
d la empreesa. Se pueden obserrvar clarameente los com
mponentes de este
sistemapaarticular.

El sistema que
adopta esta empre
esa es
elqueaacontinuaciinse
muestra:

18

Elaboracin del Modelo de Simulacin.

2.3 Obtencin de Datos.

ElsiguientetrabajodesimulacinestbasadoenlosdatosrecopiladosdelatiendaGarca,
ubicadaenlacalleJurez,ComalcalcoTabasco,lacualtieneensusistema:2entradas,3servidores,
2salidasysupoblacindeclienteseselmunicipiodeComalcalco.

Elresumendelosdatosrecopiladosdurantelosdas:30y31demarzo;9,10,11,12deabril,enlos
horariosde9:00ama2:00pmyde4:00pma6:00pmsemuestraenlasiguientetabla.

Componente
Datostotales recopilados

Llegadas
431

Servidor1
379

Cola1
379

Servidor2
317

Cola2
317

Servidor3
281

Cola3
281

Salidas
420

Losdatosobtenidosfuerontomadosenlaunidaddetiempodesegundos.

19

Elaboracin del Modelo de Simulacin.

2.4 Ajuste de Datos.

frecuencia

Para poder ajustar nuestros datos usamos en Statgraphics y los resultados se muestran a
continuacin.

ResumenEstadsticopara:llegadas

Frecuencia=431
Media=11.1276
Distribucinaplicada:Normal
Mediageomtrica=10.6979
Varianza=8.73019
Desviacintpica=2.95469
Errorestndar=0.142322
Mnimo=4.0
Mximo=18.0
Rango=14.0
Coef.devariacin=26.5528%

En este caso, el valor del coeficiente de asimetra estandarizado est dentro del rango
esperado para los datos de una distribucin normal. El valor del coeficiente de curtosis
estandarizadoestdentrodelrangoesperadoparalosdatosdeunadistribucinnormal.

Histograma para llegadas

120

100

80

60

40

20

0
0
4
8
12
16
20

llegadas

20

Elaboracin del Modelo de Simulacin.

ResumenEstadsticopara:servidor1

frecuencia

Grfico de dispersin
Frecuencia=379
Media=42.407
Distribucinaplicada:Normal
Mediageomtrica=42.3626
Varianza=191.4
Desviacintpica=12.3879
Errorestndar=0.710643
Mnimo=13.0
Mximo=98.0
0
20
40
60
80
100
Rango=85.0
servidor 1
Coef.devariacin=31.3168%

Enestecaso,elvalordelcoeficientedeasimetraestandarizadonoestdentrodelrangoesperado
paralosdatosdeunadistribucinnormal.Elvalordelcoeficientedecurtosisestandarizadonoest
dentrodelrangoesperadoparalosdatosdeunadistribucinnormal.

Histograma para servidor 1

160

120

80

40

0
20
40
60
80
100
120

servidor 1

21

Elaboracin del Modelo de Simulacin.

ResumenEstadsticopara:cola1

frecuencia

Frecuencia=379
Grfico de dispersin
Media=176.235
Distribucinaplicada:Normal
Mediageomtrica=174.917
Varianza=456.82
Desviacintpica=21.3734
Errorestndar=1.09788
Mnimo=105.0
Mximo=229.0
Rango=124.0
100
130
160
190
220
250
Coef.devariacin=12.1278%
cola 1

En este caso, el valor del coeficiente de asimetra estandarizado est dentro del rango esperado
para los datos de una distribucin normal. El valor del coeficiente de curtosis estandarizado est
dentrodelrangoesperadoparalosdatosdeunadistribucinnormal.

Histograma para cola 1

120

100

80

60

40

20

90
120
150
180
210
240

cola 1

22

Elaboracin del Modelo de Simulacin.

ResumenEstadsticopara:servidor2

frecuencia

Grfico de dispersin
Frecuencia=317
Media=84.8707
Distribucinaplicada:Normal
Mediageomtrica=84.0527
Varianza=134.005
Desviacintpica=11.5761
Errorestndar=0.650177
Mnimo=49.0
Mximo=111.0
Rango=62.0
49
69
89
109
129
Coef.devariacin=13.6397%

servidor 2

En este caso, el valor del coeficiente de asimetra estandarizado est dentro del rango esperado
para los datos de una distribucin normal. El valor del coeficiente de curtosis estandarizado est
dentrodelrangoesperadoparalosdatosdeunadistribucinnormal.

Histograma para servidor 2

100

80

60

40

20

45
65
85
105
125

servidor 2

23

Elaboracin del Modelo de Simulacin.

ResumenEstadsticopara:cola2

frecuencia

Grfico de dispersin
Frecuencia=317
Media=78.1104
Distribucinaplicada:Normal
Mediageomtrica=74.939
Varianza=433.364
Desviacintpica=20.8174
Errorestndar=1.16922
Mnimo=6.0
Mximo=130.0
Rango=124.0
0
30
60
90
120
150
Coef.devariacin=26.6513%
cola 2

En este caso, el valor del coeficiente de asimetra estandarizado est dentro del rango esperado
para los datos de una distribucin normal. El valor del coeficiente de curtosis estandarizado est
dentrodelrangoesperadoparalosdatosdeunadistribucinnormal.

Histograma para cola 2

100

80

60

40

20

-10
20
50
80
110
140

cola 2

24

Elaboracin del Modelo de Simulacin.

ResumenEstadsticopara:servidor3

frecuencia

Frecuencia=281
Grfico de dispersin
Media=65.3452
Distribucinaplicada:Poisson
Mediageomtrica=64.6513
Varianza=97.5768
Desviacintpica=9.8781
Errorestndar=0.589278
Mnimo=46.0
Mximo=104.0
Rango=58.0
46
56
66
76
86
96
106
Coef.devariacin=15.1168%
servidor 3

Enestecaso,elvalordelcoeficientedeasimetraestandarizadonoestdentrodelrangoesperado
paralosdatosdeunadistribucinnormal.Elvalordelcoeficientedecurtosisestandarizadonoest
dentrodelrangoesperadoparalosdatosdeunadistribucinnormal.

Histograma para servidor 3

120

100

80

60

40

20

43
63
83
103
123

servidor 3

25

Elaboracin del Modelo de Simulacin.

ResumenEstadsticopara:cola3

frecuencia

Frecuencia=281
Grfico de dispersin
Media=127.868
Distribucinaplicada:Normal
Mediageomtrica=126.093
Varianza=443.086
Desviacintpica=21.0496
Errorestndar=1.25571
Mnimo=56.0
Mximo=180.0
Rango=124.0
50
80
110
140
170
200
Coef.devariacin=16.4619%
cola 3

En este caso, el valor del coeficiente de asimetra estandarizado est dentro del rango esperado
para los datos de una distribucin normal. El valor del coeficiente de curtosis estandarizado est
dentrodelrangoesperadoparalosdatosdeunadistribucinnormal.

Histograma para cola 3

120

100

80

60

40

20

0
40
80
120
160
200

cola 3

26

Elaboracin del Modelo de Simulacin.

ResumenEstadsticopara:salidas

frecuencia

Grfico de dispersin
Frecuencia=420
Media=13.069
Distribucinaplicada:Normal
Mediageomtrica=12.7381
Varianza=8.02625
Desviacintpica=2.83306
Errorestndar=0.138239
Mnimo=6.0
Mximo=20.0
Rango=14.0
6
9
12
15
18
21
Coef.devariacin=21.6777%
salidas

En este caso, el valor del coeficiente de asimetra estandarizado est dentro del rango esperado
para los datos de una distribucin normal. El valor del coeficiente de curtosis estandarizado est
dentrodelrangoesperadoparalosdatosdeunadistribucinnormal.

Histograma para salidas

150

120

90

60

30

0
4
8
12
16
20
24

salidas

27

Elabo
oracin del Modelo
o de Simullacin.

2.5 Modelo
o de Simu
ulacin.

Finalmenteelmodelo
odecolaspaaraestasimu
ulacinqued
daas,esto enbasealaascaractersticasdel
tipodesistema.

28

Solucin del Modelo y Anlisis de Resultados.

29

Solucin del Modelo y Anlisis de Resultados.

3.1 Aplicacin de la Simulacin.

De acuerdo a nuestros datos podemos dar solucin a nuestro modelo, por lo que utilizaremos el
Winqsb,moduloQSS,parasimularlasdiversassituacionesyencontrarunasolucinquesatisfagaa
nuestrosobjetivos.

Agregandocomponentes.

Completandolosdatosrequeridos.

30

Solucin del Modelo y Anlisis de Resultados.

Simulacinencondicionesnormales.
Tiempo:unajornadalaboralde8horas(queesiguala28,800segundos)

31

Solucin del Modelo y Anlisis de Resultados.

Simulacinencondicionesnormales,perocondosservidores.

Simulacinencondicionesnormales,peroconcuatroservidores

32

Solucin del Modelo y Anlisis de Resultados.

3.2 Resultados Obtenidos.

ResultadosparaSimulacinencondicionesnormales.

33

Solucin del Modelo y Anlisis de Resultados.

ResultadosparaSimulacinencondicionesnormales,perocondosservidores.

34

Solucin del Modelo y Anlisis de Resultados.

ResultadosparaSimulacinencondicionesnormales,peroconcuatroservidores

35

Solucin del Modelo y Anlisis de Resultados.

3.3 Anlisis de los Resultados.

Anlisisparalasimulacinencondicionesnormales.

Sepuedeobservarqueen8horasllegaron2590clientes(TotalNumberofArrival).Eltiempode
espera promedio fue de 12.95 (Average Waiting Time). El nmero mximo de personas en el
sistemafuede4:1enesperay3siendoentendidos(MaximunNumberintheSystem).Enpromedio
permanecieron3,56personasenelsistema(AverageNumberintheSystem).

Un anlisis desde el punto de vista de los cajeros nos muestra ms informacin de la


simulacin:
Loscajerostuvieronunpromediodeutilizacin(ServerUtilization)del97,83%.Elcajero1atendi
667personasyelcajero2a334,elcajero3a429parauntotalde1430(CustomerProcessed).De
los2590solofinalizaronelproceso1430.

Desdeelpuntodevistadelacolatenemos:
Elpromediodepersonasenlacolafuede0.6303(AverageQ.Length).Elmximodepersonasenla
colaesde1(MaximunQ.Length).

Anlisisparalasimulacincon2servidores.

Sepuedeobservarqueenlos8horasllegaron2575clientes(TotalNumberofArrival).Eltiempode
espera promedio fue de 21.55 (Average Waiting Time). El nmero mximo de personas en el
sistemafuede3:0enesperay3siendoentendidos(MaximunNumberintheSystem).Enpromedio
permanecieron2.7496personasenelsistema(AverageNumberintheSystem).

Un anlisis desde el punto de vista de los cajeros nos muestra ms informacin de la


simulacin:
Loscajerostuvieronunpromediodeutilizacin(ServerUtilization)del99,22%.Elcajero1atendi
686 personas y el cajero 2 a 334 para un total de 1020 (Customer Processed). De los 2575 solo
finalizaronelproceso1020.

Desdeelpuntodevistadelacolatenemos:
Elpromediodepersonasenlacolafuede0.7641(AverageQ.Length).Elmximodepersonasenla
colaesde1(MaximunQ.Length).

36

Solucin del Modelo y Anlisis de Resultados.

Anlisisparalasimulacincon4servidores.

Sepuedeobservarqueenlos8horasllegaron2602clientes(TotalNumberofArrival).Eltiempode
esperapromediofuede7.52(AverageWaitingTime).Elnmeromximodepersonasenelsistema
fue de 5: 1 en espera y 4 siendo entendidos (Maximun Number in the System). En promedio
permanecieron4.33personasenelsistema(AverageNumberintheSystem).

Un anlisis desde el punto de vista de los cajeros nos muestra ms informacin de la


simulacin:
Loscajerostuvieronunpromediodeutilizacin(ServerUtilization)del28,89%.Elcajero1atendi
656 personas y el cajero 2 a 328, el cajero 3 a 425 , el cajero 4 a 423 para un total de 1832
(CustomerProcessed).Delos2602solofinalizaronelproceso1832.

Desdeelpuntodevistadelacolatenemos:
Elpromediodepersonasenlacolafuede0.4798(AverageQ.Length).Elmximodepersonasenla
colaesde1(MaximunQ.Length).

37

Con
nclusione
es.

datosobtenidos,lacontrataci
ndeperso
onasquessedediqueen
Enbaasealosd
a em
mpacar las cosas seriia ventajosso, ya quee las cajeraas ademss de cobraar,
empaacan los productos comprados
c
s por los clientes.
c
Ess por ello, que la tassa
de seervicio es muy alta, y aun quee lleguen muchos cllientes, no
o se puedeen
atend
deratodos,porloqu
uealgunosssevanoyyanocompran.

Otro punto importante es


e la ubicaacin del espacio
e
paara las cajeeras, ya qu
ue
este esmuype
equeoylacolasevvelimitadaaporespaacio.Eltiem
mpoquelaas
cajeras estn trabajando
t
o es variab
ble, ya quee en ocasiones solo
o una cajera
atien
ndeylasottrasnose encuentraan,loqueaalentaelp
procesodeeatencina
loscllientesyseincurren
nenprdid
daseconmicasparaalaempreesa,adems
que a
a las cajerras se les paga
p
indep
pendientem
mente del nmero de
d personaas
queh
hayanaten
ndido.

Graciiasalasim
mulacin,n
nospudimosdarcueentaqueeenunajorn
nadalaborral
de8 horassep
puedenateenderamaasde2,000clientes,siempreyycuandolaas
cajeras o servid
dores cum
mplan con su trabajo
o y sobre todo,
t
que se contratte
perso
onalparae
empacarlaascosasqu
uecompran
nlosclienttes.

38

Recom
mendacio
ones.

Contratarcerillitossparaque empaquenlosprod
ductosquecompran los
clientes.

Cambiarladistribu
ucindelosproducto
os,paradeespejarelreadecob
bro
y as po
oder dispo
oner de ms
m espacio para que la colaa tenga ms
m
capacidad.

ontratar a otra cajerra, esto siempre y cuando


c
no
o se
Otra opccin es co
contrate a los cerillitos, solo
o que hab
bra que analizar el costo de los
contratos.Yaquessenecesitaaran3ceriillitosobieen,unacajeramas.

39

B
Bibliogra
afaRefe
erencial.

Mo
oskowitz,H. y Wright G.P. Investigacin de Opeeraciones. Prentice_Hall
P
Hispanoam
mericana
S.A
A.1991.Bufffa,E.

umed.net/lib
bros/2006c//216/index.h
htm
htttp://www.eu

umed.net/cu
ursecon/indeex.htm
htttp://www.eu

htttp://www.m
monografias.ccom/simulaccion.html

htttp://www.m
monografias.ccom/teoriaccolas.html

htttp://www.eu
umed.net/cu
ursecon/dic//oc/index.httm

40