TRABAJO FINAL DE MODELOS

Y SIMULACIÓN
Aplicación en empresa de Diseño y Fabricación de muebles

UNIVERSIDAD MANUELA BELTRAN

LAURA JULIANA CANASTO JIMÉNEZ
Entrega Final
 1. INTRODUCCIÓN

El siguiente trabajo tiene como propósito aplicar las temáticas vistas hasta el momento en la
asignatura de Modelos y Simulación de la carrera de Ingeniería Industrial de la Universidad Manuela
Beltrán, en una empresa dedicada al diseño y fabricación de muebles en Bogotá. La primera parte
abarca la información correspondiente a la empresa. La segunda parte es la aplicación de los
Modelos de Inventarios vistos hasta el momento en la asignatura con sus correspondientes análisis.
A medida que se vaya avanzando en el curso se irá completando el aplicativo en la empresa
seleccionada.

2. LA EMPRESA

2.1 HISTORIA

Durante de 10 años MUEBLES DANIEL’S han brindado en Bogotá en el sector 12 de Octubre el

diseño y la fabricación de muebles para el hogar y oficinas, con la mejor calidad y precio. MUEBLES
DANIEL’S se compromete a proporcionar los muebles para el hogar y la oficina de la mejor calidad
al precio más bajo posible, con materias primas optimas con el propósito de brindarle al cliente el
mejor servicio posible.

AÑO Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre
2014 21 17 22 17 16 7 19 18 15 13 13 23
2015 23 19 21 20 13 7 22 20 13 10 16 21
2016 20 17 17 19 12 9 17 16 21 9 15 19
2017 19 23 21 23 11 11 20 21 16 8 14 17
2018 15 19 14 15 10 10 19 13 15 10 13 16

3. MODELOS DE INVENTARIO

3.1 MODELO EOQ

Para la primera parte de este trabajo se trabajará con un solo producto de la empresa. Se escogió la
producción de cama sencilla en madera. La demanda correspondiente a las ventas presentadas
desde el año 2014 al 2018 se presenta a continuación.

Para poder saber qué tipo de Modelo de Inventarios hay que aplicar, según los datos presentados
en la demanda, se calculará la Media y la Desviación Estándar, con el objetivo de aplicar la fórmula
de Coeficiente de Variación y de esa forma saber si corresponde aplicar un Modelo Determinístico
o un Modelo Probabilístico.

Modelo Deterministico < 20

Modelo Probabilistico > 20
 AÑO Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre
2014 21 17 22 17 16 7 19 18 15 13 13 23
2015 23 19 21 20 13 7 22 20 13 10 16 21
2016 20 17 17 19 12 9 17 16 21 9 15 19
2017 19 23 21 23 11 11 20 21 16 8 14 17
2018 15 19 14 15 10 10 19 13 15 10 13 16
Media 19.6 19 19 18.8 12.4 8.8 19.4 17.6 16 10 14.2 19.2
Desv.Est 2.97 2.45 3.39 3.03 2.30 1.79 1.82 3.21 3.00 1.87 1.30 2.86
V(%) 15.1 12.9 17.8 16.1 18.6 20.3 9.4 18.2 18.8 18.7 9.2 14.9

Debido a que, el Coeficiente de Variación dio un valor menor a 20, quiere decir que hay que aplicar
un Modelo de Inventarios Determinístico. Es por eso que se utilizará el Modelo de lote económico
EOQ.

Un modelo EOQ los niveles de inventarios se reducen con el tiempo y después se reabastecen con
la llegada de nuevas unidades. Los artículos bajo consideración se sacarán de forma continua a una
tasa continua, dicha tasa corresponde a la demanda. A continuación, se nombrará las variables y los
costos que van a hacer parte de la aplicación del modelo.

Demanda d
Unidades que llegan Q
Costo de preparación para ordenar un lote K
Costo unitario de producir o comprar cada unidad c
Costo de mantener el inventario por unidad h

Con la aplicación de este modelo se determinará con qué frecuencia y en qué cantidad se debe
reabastecer el inventario de manera que se minimice la suma de los costos por unidad de tiempo.

Demanda d 20 camas sencillas/mes

Unidades que llegan Q
Costo de preparación para ordenar un lote K $ 3,000,000
Costo unitario de producir o comprar cada unidad c $ 150,000
Costo de mantener el inventario por unidad h $ 15,000

Fórmula para determinar cuántas unidades Q hay que ordenar para reducir los costos

2∗𝑑∗𝐾 2 ∗ 20 ∗ ($3,000,000)
𝑄∗ = √ =√ = 89,44 ≈ 90
ℎ ($15,000)

Ahora, con lo datos de la empresa se calculará el tiempo de ciclo

𝑄∗ 2𝐾 90
𝑡∗ = =√ = = 4.5 𝑚𝑒𝑠𝑒𝑠
𝑑 𝑑ℎ 20
 • Punto de Reorden:

𝑃𝑅 = 𝑑 ∗ 𝑇𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝐸𝑛𝑡𝑟𝑒𝑔𝑎 = 20 ∗ 0,23 𝑚𝑒𝑠 = 4,6 ≈ 7 𝑐𝑎𝑚𝑎𝑠

Política de inventarios usando EOQ: Hay que fabricar 90 camas cada 4,5 meses. O se fabrica 90
camas cuando el inventario llegue a 7 camas.

3.2 MODELO EOQ CON REDUCCIÓN DE PRECIOS

Para la aplicación de inventario de un Modelo EOQ con reducción de costos se plantean

diferentes opciones del costo unitario de producir o comprar cada unidad. En este caso se
trabaja con un c de $150,000 por cada cama sencilla que se fabrica. Para poder aplicar el
siguiente modelo de inventario se plantearán las siguientes alternativas.

𝐶1 = $170,000 si se fabrican menos de 60 camas sencillas

𝐶2 =$150,000 si se fabrican entre 60 y 100 camas sencillas

𝐶3 =$110,000 si se fabrican más de 100 camas sencillas

El costo total por unidad de tiempo 𝑇𝑗 , si el costo de producción es 𝐶𝑗 este dado por:
𝑑𝐾 ℎ𝑄
𝑇𝑗 = + 𝑑𝐶𝑗 + , 𝑝𝑎𝑟𝑎 𝑗 = 1,2,3
𝑄 2

• Para 𝐶2 cuando se fabrican Q= 90 camas

20 ∗ $3,000,000 $15,000 ∗ 90
𝑇2 = + 20 ∗ $150,000 + = $4,341,666
90 2
• Para 𝐶1 cuando se fabrican Q= 60 camas
20 ∗ $3,000,000 $15,000 ∗ 60
𝑇1 = + 20 ∗ $170,000 + = $4,850,000
60 2
• Para 𝐶3 cuando se fabrican Q= 100 camas
20 ∗ $3,000,000 $15,000 ∗ 100
𝑇3 = + 20 ∗ $110,000 + = $3,550,000
100 2
Si el dueño de la empresa toma la decisión de fabricar 90 camas siguiendo la política de inventario
EOQ tendría un costo total de $4’341,666 si se emplea un costo unitario de $150,000. Si por el
contrario decide tener un Q de fabricar 60 camas sencillas, con un costo unitario de $170,000 tendría
un costo total de $4’850,000, lo que quiere decir que esta política candidata queda descartada
totalmente porque sale más caro producir menos unidades de camas sencillas. Finalmente se realizó
el cálculo del costo total al tomar un Q de fabricar 100 camas a un costo unitario de $110,000, lo
que se obtuvo un resultado de $3’550,000. Lo que quiere decir que al aplicar el descuento en el
costo unitario ahora la política de inventario óptima es fabricar 100 camas dado que el costo total
es menor si se compara al producir la 90 camas que había dicho el resultado de Modelo de Inventario
EOQ

3.3 MRP

Para la empresa en análisis se describirá los componentes que hacen parte de la elaboración de una
cama sencilla, con el objetivo de realizar un análisis de MRP
 Cabecera 1

Piecera 1

Largueros 2

Tornillos 4

Arandelas 4

Palos Cabecera y
18
Piecera

A continuación se mostrará el MRP con los datos que maneja actualmente la empresa.

PMP
4 5 6 7 8 9 10 11 12
Cama 34 35 20 22 20 17 18 24 21
Cabecera 19 22 18 18 16 24 24 20 19
 Pedidos
Stock de pendientes x Tiempo
Seguridad Disponibilidades recibir Suministrado
Camas 3 10 5 (periodo 4) 2
Cabecera 2 5 10 (periodo 8) 1
Piecero 2 7 1
Largueros 10 20 30 (periodo 5) 1
Tornillos 10 40 1
Roscas 10 40 1
Palos 18 36 50 (periodo 4) 1

CAMA
1 2 3 4 5 6 7 8 9 10 11 12
Necesidad
Bruta 34 35 20 22 20 17 18 24 21
Pedidos
Pendientes 5
Disponibles 10 10 10 3 3 3 3 3 3 3 3 3
Necesidades
Netas 22 35 20 22 20 17 18 24 21
Pedidos
Planificados 22 35 20 22 20 17 18 24 21 0 0

CABECERA
1 2 3 4 5 6 7 8 9 10 11 12
Necesidad
Bruta 22 35 39 44 38 35 34 48 45 20 19
Pedidos
Pendientes 10
Disponibles 5 2 2 2 2 2 2 2 2 2 2 2
Necesidades
Netas 19 35 39 44 38 35 24 48 45 20 19
Pedidos
Planificados 19 35 39 44 38 35 24 48 45 20 19 0

PIECERO
1 2 3 4 5 6 7 8 9 10 11 12
Necesidad
Bruta 22 35 20 22 20 17 18 24 21 0 0
Pedidos
Pendientes
Disponibles 7 2 2 2 2 2 2 2 2 2 2 2
Necesidades
Netas 17 35 20 22 20 17 18 24 21 0 0
Pedidos
Planificados 17 35 20 22 20 17 18 24 21 0 0 0
 LARGUEROS
1 2 3 4 5 6 7 8 9 10 11 12
Necesidad
Bruta 44 70 40 44 40 34 36 48 42 0 0
Pedidos
Pendientes 30
Disponibles 20 10 10 10 10 10 10 10 10 10 10 10
Necesidades
Netas 34 70 40 14 40 34 36 48 42 0 0
Pedidos
Planificados 34 70 40 14 40 34 36 48 42 0 0 0

TORNILLOS
1 2 3 4 5 6 7 8 9 10 11 12
Necesidad
Bruta 88 140 80 88 80 68 72 96 84 0 0
Pedidos
Pendientes
Disponibles 40 10 10 10 10 10 10 10 10 10 10 10
Necesidades
Netas 58 140 80 88 80 68 72 96 84 0 0
Pedidos
Planificados 58 140 80 88 80 68 72 96 84 0 0 0

ROSCA
1 2 3 4 5 6 7 8 9 10 11 12
Necesidad
Bruta 88 140 80 88 80 68 72 96 84 0 0
Pedidos
Pendientes
Disponibles 40 10 10 10 10 10 10 10 10 10 10 10
Necesidades
Netas 58 140 80 88 80 68 72 96 84 0 0
Pedidos
Planificados 58 140 80 88 80 68 72 96 84 0 0 0

PALOS
1 2 3 4 5 6 7 8 9 10 11 12
Necesidad
Bruta 396 630 360 396 360 306 324 432 378 0 0
Pedidos
Pendientes 50
Disponibles 36 18 18 18 18 18 18 18 18 18 18 18
Necesidades
Netas 378 630 310 396 360 306 324 432 378 0 0
Pedidos
Planificados 378 630 310 396 360 306 324 432 378 0 0 0
A partir de los resultados arrojados en el MRP, la empresa debe revisar el stock de seguridad y la
disponibilidad de los tornillos, roscas y palos que posee en inventario, debido a que, siempre los
pedidos planificados son altos. Realmente la cantidad que demanda la empresa de estos elementos
son difíciles de solicitar de un día a otro, lo que significa que la empresa se expone a incumplir con
la solicitud de los clientes, generando que se dañe su imagen y futuros negocios con la empresa.

3.4 GENERACICÓN DE NÚMEROS ALEATORIOS

A partir de las temáticas vistas en la semana 4 en la asignatura de Modelos y Simulación se

desarrollará un ejemplo práctico que resumen los métodos vistos.
3.4.1 MÉTODO DE LOS CUADRADOS MEDIOS PARA LA GENERACIÓN NÚMEROS ALEATORIOS

Semilla 3985
Número Xi Xi^2 LARGO CENTRO Ri
1 3985 15880225 8 8802 0,8802
2 8802 77475204 8 4752 0,4752
3 4752 22581504 8 5815 0,5815
4 5815 33814225 8 8142 0,8142
5 8142 66292164 8 2921 0,2921
6 2921 8532241 7 5322 0,5322
7 5322 28323684 8 3236 0,3236
8 3236 10471696 8 4716 0,4716
9 4716 22240656 8 2406 0,2406
10 2406 5788836 7 7888 0,7888
11 7888 62220544 8 2205 0,2205
12 2205 4862025 7 8620 0,862
13 8620 74304400 8 3044 0,3044
14 3044 9265936 7 2659 0,2659
15 2659 7070281 7 0702 0,0702
16 0702 492804 6 9280 0,928
17 9280 86118400 8 1184 0,1184
18 1184 1401856 7 4018 0,4018
19 4018 16144324 8 1443 0,1443
20 1443 2082249 7 0822 0,0822
21 0822 675684 6 7568 0,7568
22 7568 57274624 8 2746 0,2746
23 2746 7540516 7 5405 0,5405
24 5405 29214025 8 2140 0,214
25 2140 4579600 7 5796 0,5796
26 5796 33593616 8 5936 0,5936
27 5936 35236096 8 2360 0,236
28 2360 5569600 7 5696 0,5696
29 5696 32444416 8 4444 0,4444
30 4444 19749136 8 7491 0,7491
31 7491 56115081 8 1150 0,115
32 1150 1322500 7 3225 0,3225
33 3225 10400625 8 4006 0,4006
34 4006 16048036 8 0480 0,048
35 0480 230400 6 3040 0,304
36 3040 9241600 7 2416 0,2416
37 2416 5837056 7 8370 0,837
38 8370 70056900 8 0569 0,0569
39 0569 323761 6 2376 0,2376
40 2376 5645376 7 6453 0,6453
41 6453 41641209 8 6412 0,6412
42 6412 41113744 8 1137 0,1137
43 1137 1292769 7 2927 0,2927
44 2927 8567329 7 5673 0,5673
45 5673 32182929 8 1829 0,1829
46 1829 3345241 7 3452 0,3452
47 3452 11916304 8 9163 0,9163
48 9163 83960569 8 9605 0,9605
49 9605 92256025 8 2560 0,256
50 2560 6553600 7 5536 0,5536
51 5536 30647296 8 6472 0,6472
52 6472 41886784 8 8867 0,8867
53 8867 78623689 8 6236 0,6236
54 6236 38887696 8 8876 0,8876
55 8876 78783376 8 7833 0,7833
56 7833 61355889 8 3558 0,3558
57 3558 12659364 8 6593 0,6593
58 6593 43467649 8 4676 0,4676
59 4676 21864976 8 8649 0,8649
60 8649 74805201 8 8052 0,8052
61 8052 64834704 8 8347 0,8347
62 8347 69672409 8 6724 0,6724
63 6724 45212176 8 2121 0,2121
64 2121 4498641 7 4986 0,4986
65 4986 24860196 8 8601 0,8601
66 8601 73977201 8 9772 0,9772
67 9772 95491984 8 4919 0,4919
68 4919 24196561 8 1965 0,1965
69 1965 3861225 7 8612 0,8612
70 8612 74166544 8 1665 0,1665
71 1665 2772225 7 7722 0,7722
72 7722 59629284 8 6292 0,6292
73 6292 39589264 8 5892 0,5892
74 5892 34715664 8 7156 0,7156
75 7156 51208336 8 2083 0,2083
76 2083 4338889 7 3388 0,3388
77 3388 11478544 8 4785 0,4785
78 4785 22896225 8 8962 0,8962
79 8962 80317444 8 3174 0,3174
80 3174 10074276 8 0742 0,0742
81 0742 550564 6 5056 0,5056
82 5056 25563136 8 5631 0,5631
83 5631 31708161 8 7081 0,7081
84 7081 50140561 8 1405 0,1405
85 1405 1974025 7 9740 0,974
86 9740 94867600 8 8676 0,8676
87 8676 75272976 8 2729 0,2729
88 2729 7447441 7 4474 0,4474
89 4474 20016676 8 0166 0,0166
90 0166 27556 5 7556 0,7556
91 7556 57093136 8 0931 0,0931
92 0931 866761 6 6676 0,6676
93 6676 44568976 8 5689 0,5689
94 5689 32364721 8 3647 0,3647
95 3647 13300609 8 3006 0,3006
96 3006 9036036 7 0360 0,036
97 0360 129600 6 2960 0,296
98 2960 8761600 7 7616 0,7616
99 7616 58003456 8 0034 0,0034
100 0034 1156 4 156 0,0156
3.4.2 MÉTODO CONGRUENCIAL PARA GENERACIÓN DE NÚMEROS ALEATORIOS

Xo 82458
a 342
c 5423
m 76392
No Xo a c m SubTotal Residuo Resultado
1 82458 342 5423 76392 28206059 17411 0,22791952
2 17411 342 5423 76392 5959985 1409 0,01844458
3 1409 342 5423 76392 487301 28949 0,37895825
4 28949 342 5423 76392 9905981 51413 0,67302431
5 51413 342 5423 76392 17588669 18509 0,24229294
6 18509 342 5423 76392 6335501 71357 0,93410218
7 71357 342 5423 76392 24409517 40469 0,52976136
8 40469 342 5423 76392 13845821 18869 0,24700554
9 18869 342 5423 76392 6458621 41693 0,54578419
10 41693 342 5423 76392 14264429 55517 0,72674792
11 55517 342 5423 76392 18992237 47021 0,61553063
12 47021 342 5423 76392 16086605 44285 0,57971489
13 44285 342 5423 76392 15150893 25277 0,33088976
14 25277 342 5423 76392 8650157 17861 0,23381027
15 17861 342 5423 76392 6113885 2525 0,03305363
16 2525 342 5423 76392 868973 28661 0,37518818
17 28661 342 5423 76392 9807485 29309 0,38367085
18 29309 342 5423 76392 10029101 21749 0,28470631
19 21749 342 5423 76392 7443581 33557 0,4392795
20 33557 342 5423 76392 11481917 23117 0,30261418
21 23117 342 5423 76392 7911437 43061 0,56369206
22 43061 342 5423 76392 14732285 65021 0,85116048
23 65021 342 5423 76392 22242605 12533 0,16406383
24 12533 342 5423 76392 4291709 13757 0,18008666
25 13757 342 5423 76392 4710317 50405 0,65982904
26 50405 342 5423 76392 17243933 55733 0,72957547
27 55733 342 5423 76392 19066109 44501 0,58254245
28 44501 342 5423 76392 15224765 22757 0,29790159
29 22757 342 5423 76392 7788317 72725 0,95201005
30 72725 342 5423 76392 24877373 49973 0,65417392
31 49973 342 5423 76392 17096189 60773 0,79555183
32 60773 342 5423 76392 20789789 11165 0,14615596
33 11165 342 5423 76392 3823853 4253 0,0556741
34 4253 342 5423 76392 1459949 8501 0,11128274
35 8501 342 5423 76392 2912765 9869 0,12919061
36 9869 342 5423 76392 3380621 19373 0,25360317
37 19373 342 5423 76392 6630989 61277 0,80214947
38 61277 342 5423 76392 20962157 30749 0,40252124
39 30749 342 5423 76392 10521581 55877 0,73146051
40 55877 342 5423 76392 19115357 17357 0,22721263
41 17357 342 5423 76392 5941517 59333 0,77670144
42 59333 342 5423 76392 20297309 53429 0,69941485
43 53429 342 5423 76392 18278141 20453 0,26774096
44 20453 342 5423 76392 7000349 48677 0,63720857
45 48677 342 5423 76392 16652957 75893 0,99348091
46 75893 342 5423 76392 25960829 63941 0,83702269
47 63941 342 5423 76392 21873245 25133 0,32900473
48 25133 342 5423 76392 8600909 45005 0,58914008
49 45005 342 5423 76392 15397133 42341 0,55426686
50 42341 342 5423 76392 14486045 47957 0,62778338
51 47957 342 5423 76392 16406717 58829 0,77010381
52 58829 342 5423 76392 20124941 33845 0,44304957
53 33845 342 5423 76392 11580413 45221 0,59196764
54 45221 342 5423 76392 15471005 39821 0,52127868
55 39821 342 5423 76392 13624205 26429 0,34597008
56 26429 342 5423 76392 9044141 29885 0,39121101
57 29885 342 5423 76392 10226093 65957 0,86341323
58 65957 342 5423 76392 22562717 27077 0,35445275
59 27077 342 5423 76392 9265757 22325 0,29224647
60 22325 342 5423 76392 7640573 1373 0,01797332
61 1373 342 5423 76392 474989 16637 0,21778744
62 16637 342 5423 76392 5695277 42269 0,55332434
63 42269 342 5423 76392 14461421 23333 0,30544174
64 23333 342 5423 76392 7985309 40541 0,53070388
65 40541 342 5423 76392 13870445 43493 0,56934717
66 43493 342 5423 76392 14880029 59981 0,78518412
67 59981 342 5423 76392 20518925 45869 0,60045031
68 45869 342 5423 76392 15692621 32261 0,42231415
69 32261 342 5423 76392 11038685 38237 0,50054326
70 38237 342 5423 76392 13082477 19445 0,25454569
71 19445 342 5423 76392 6655613 9509 0,12447801
72 9509 342 5423 76392 3257501 49037 0,64192117
73 49037 342 5423 76392 16776077 46229 0,60516291
74 46229 342 5423 76392 15815741 2597 0,03399615
75 2597 342 5423 76392 893597 53285 0,69752981
76 53285 342 5423 76392 18228893 47597 0,62307078
77 47597 342 5423 76392 16283597 12101 0,15840871
78 12101 342 5423 76392 4143965 18797 0,24606302
79 18797 342 5423 76392 6433997 17069 0,22344255
80 17069 342 5423 76392 5843021 37229 0,48734799
81 37229 342 5423 76392 12737741 56669 0,74182823
82 56669 342 5423 76392 19386221 59045 0,77293137
83 59045 342 5423 76392 20198813 31325 0,41006139
84 31325 342 5423 76392 10718573 23693 0,31015434
85 23693 342 5423 76392 8108429 10877 0,14238588
86 10877 342 5423 76392 3725357 58541 0,76633373
87 58541 342 5423 76392 20026445 11741 0,15369612
88 11741 342 5423 76392 4020845 48461 0,63438101
89 48461 342 5423 76392 16579085 2021 0,026456
90 2021 342 5423 76392 696605 9077 0,1188229
91 9077 342 5423 76392 3109757 54077 0,70789753
92 54077 342 5423 76392 18499757 12893 0,16877643
93 12893 342 5423 76392 4414829 60485 0,79178175
94 60485 342 5423 76392 20691293 65453 0,85681559
95 65453 342 5423 76392 22390349 7493 0,09808747
96 7493 342 5423 76392 2568029 47093 0,61647314
97 47093 342 5423 76392 16111229 68909 0,90205652
98 68909 342 5423 76392 23572301 43565 0,57028969
99 43565 342 5423 76392 14904653 8213 0,10751267
100 8213 342 5423 76392 2814269 64157 0,83985024
 3.5 EOQ PROBABILISTICO

En el apartado 3.1 se realizó un ejemplo práctico de la aplicación de un Modelo EOQ en una empresa
de fabricación de camas. Como no es posible determinar exactamente la demanda que se
presentara en un horizonte de planeación, existe un método probabilístico donde se establece una
demanda o tiempo de entrega desconocido (aleatorio) por ende la demanda o tiempo es expresado
de una variable aleatoria. En este modelo EOQ probabilístico se hace uso de una distribución de
probabilidad para especificar el valor de la demanda.

La metodología a continuación es ir revisando los elementos que hacen parte de un Modelo EOQ
probabilístico, mientras se hace la aplicación de este con la empresa escogida para la realización de
este trabajo.

ELEMENTO DEFINICIÓN APLICACIÓN

F(X) Es la definición de distribución de F(X) = 1/150
probabilidad de demanda (x)
durante el tiempo de entrega
D Demanda esperada en la unidad de 20 Unidades
tiempo
h Es el Costo de Almacenamiento * $15.000
Unidad * Unidad de Tiempo
p Costo por faltante por unidad de $70.000
inventario
K Costo de preparación por perdida $165.000
E(x) Esperanza de la función de 75,5
probabilidad

Fórmulas para aplicar

2 ∗ 𝐷 {𝑘 + [𝑝 ∗ 𝐸(𝑥)]}
Ŷ=√
ℎ

𝑝∗𝐷
Ẏ=
ℎ
A partir de la función de probabilidad se halla la esperanza correspondiente cuyo valor es: 75,5 pero
se trabajará con una esperanza de 75

2 ∗ 20 {$165.000 + [$70.000 ∗ 75]}

Ŷ=√ = 120,16 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠
$15.000

$70.000 ∗ 20
Ẏ= = 93,33
$15.000
Como Ẏ es menor que Ŷ quiere decir que según los parámetros definidos la situación es óptima por
ende no existe solución y no se puede proceder a realizar las iteraciones.
A continuación, se realizará un cambio en la demanda para poder aplicar el Modelo EOQ
probabilístico y establecer una solución óptima.
ELEMENTO DEFINICIÓN APLICACIÓN
F(X) Es la definición de distribución de F(X) = 1/150
probabilidad de demanda (x)
durante el tiempo de entrega
D Demanda esperada en la unidad de 100 Unidades
tiempo
h Es el Costo de Almacenamiento * $15.000
Unidad * Unidad de Tiempo
p Costo por faltante por unidad de $70.000
inventario
K Costo de preparación por perdida $3’000.000
E(x) Esperanza de la función de 75,5
probabilidad

2 ∗ 100 {$3′ 000.000 + [$70.000 ∗ 75]}

Ŷ=√ = 331,66 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠
$15.000

$70.000 ∗ 100
Ẏ= = 466 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠
$15.000
En este caso Ẏ es mayor o igual a Ŷ, entonces se puede proceder con la aplicación del modelo.

El paso siguiente es hallar el valor de S que es el costo esperado por faltante y define con la siguiente
integral:
∞
𝑆 = ∫ (𝑋 − 𝑅)𝑓 (𝑋) 𝑑𝑥
𝑅

Es decir,
150
1
𝑆=∫ ( )(𝑋 − 𝑅) 𝑑𝑥
𝑅 150

Operando la integral, la solución es:

𝑅2
𝑆= − 𝑅 + 75
300
Dentro del modelo existen otras dos fórmulas para encontrar la solución optima

2 ∗ 𝐷 [𝑘 + (𝑝 ∗ 𝑆)]
𝑌∗ = √
ℎ
∞
ℎ ∗ 𝑌∗
𝑅 ∗ = ∫ 𝑓 (𝑥)𝑑𝑥 =
𝑅 𝑝∗𝐷
 200 [3′ 000.000 + (70.000𝑆)]
𝑌∗ = √
15.000
150
1 15000𝑌 ∗
𝑅∗ = ∫ ( )𝑑𝑥 = ′
𝑅 150 7 000.000
2′ 250.000𝑌 ∗
𝑅∗ = 150 −
7′ 000.000
• Iteración # 1

2∗𝑘∗𝐷 2(3′ 000.000)(100)

𝜓= √ =√ = 200 𝑐𝑎𝑚𝑎𝑠
ℎ (15.000)

2′ 250.000(200)
𝑅 ∗ = 150 − = 85,71
7′ 000.000
(85,71)2
𝑆= − (85,71) + 75 = 13,77
300

200 [3′ 000.000 + (70.000 ∗ (13,77))]

𝑌∗ = √ = 229,89
15.000

2′ 250.000(229,89)
𝑅 ∗ = 150 − = 76,10
7′ 000.000
• Iteración # 2

(76,10)2
𝑆= − (76,10) + 75 = 18,20
300

200 [3′ 000.000 + (70.000 ∗ (18,20))]

𝑌∗ = √ = 238,71
15.000

2′ 250.000(238,71)
𝑅 ∗ = 150 − = 73,27
7′ 000.000

• Iteración # 3

(73,27)2
𝑆= − (73,27) + 75 = 19,62
300
 200 [3′ 000.000 + (70.000 ∗ (19,62))]
𝑌∗ = √ = 241,47
15.000

2′ 250.000(241,47)
𝑅 ∗ = 150 − = 72,38
7′ 000.000

• Iteración # 4

(72,38)2
𝑆= − (72,38) + 75 = 20
300

200 [3′ 000.000 + (70.000 ∗ (20))]

𝑌∗ = √ = 242,21
15.000

2′ 250.000(242,21)
𝑅 ∗ = 150 − = 72,14
7′ 000.000

POLÍTICA DE INVENTARIO: Ordenar 243 camas sencillas cuando en inventario queden 72 camas
sencillas.

3.6 DISTRIBUCCIÓN DE POISSON

Si una empresa de fabricación de camas recibe 6 pedidos de camas sencillas diarios ¿Cuál es la
probabilidad de que reciba:

a) ¿Cuatro pedidos al día?

b) ¿10 pedidos en cualquiera de dos días consecutivos?

 
X 

Formula:
𝜆𝑥
𝑃𝑜𝑖𝑠𝑠𝑜𝑛 ∶ 𝜀 −𝜆
𝑥!
Aplicando las formulo según los datos dados por el problema

−6
64
𝑃𝑜𝑖𝑠𝑠𝑜𝑛 ∶ 𝜀 = 0,138
4!
a) La probabilidad de que lleguen cuatro órdenes de compra de camas es de 0,138

1210
𝑃𝑜𝑖𝑠𝑠𝑜𝑛 ∶ 𝜀 −12 = 0,104
10!
b) La probabilidad de que lleguen 10 pedidos de camas sencillas en dos días consecutivos es
de 0,104
3.6.1 DISTRIBUCIÓN DE POISSON

En este apartado se aplicará los conceptos vistos en clase de cómo se puede usar la distribución de
Poisson para la generación de números aleatorios a la empresa seleccionada.

La teoría nos dice que la distribución de Poisson se comporta a partir de una media o Lambda de un
sistema. En el caso de la empresa, se dirá que la media de que por día entre 5 clientes a comprar al
menos un articulo de madera exhibidos en el establecimiento.

ℇ−𝜆 ∗ 𝜆𝑥
𝑓(𝑥) =
𝑥!

La anterior ecuación es la Distribución de Poisson conde x es la variable aleatoria y λ es el parámetro

de la Distribución de Poisson.

Para dar paso a la aplicación de esta distribución al ejercicio práctico, se establece que la variable x
es el número de días al mes en que el establecimiento abre y λ es el número de clientes que en
promedio entran al establecimiento al día.
Lambda 5
Valores del Simulación de la
X F(x) Eventos Aleatorios
Acumulado Acumulado Demanda
0 0,006737947 0,006737947 0 0
1 0,033689735 0,040427682 0,006737947 1 0,22791 3
2 0,084224337 0,124652019 0,040427682 2 0,01844 1
3 0,140373896 0,265025915 0,124652019 3 0,37895 4
4 0,17546737 0,440493285 0,265025915 4 0,67302 6
5 0,17546737 0,615960655 0,440493285 5 0,24229 3
6 0,146222808 0,762183463 0,615960655 6 0,9341 9
7 0,104444863 0,866628326 0,762183463 7 0,52976 5
8 0,065278039 0,931906365 0,866628326 8 0,247 3
9 0,036265577 0,968171943 0,931906365 9 0,54578 5
10 0,018132789 0,986304731 0,968171943 10 0,72674 6
11 0,008242177 0,994546908 0,986304731 11 0,61553 5
12 0,00343424 0,997981148 0,994546908 12 0,57971 5
13 0,001320862 0,99930201 0,997981148 13 0,33088 4
14 0,000471736 0,999773746 0,99930201 14 0,23381 3
15 0,000157245 0,999930992 0,999773746 15 0,03305 1
16 4,91392E-05 0,999980131 0,999930992 16 0,37518 4
17 1,44527E-05 0,999994584 0,999980131 17 0,38367 4
18 4,01464E-06 0,999998598 0,999994584 18 0,2847 4
19 1,05648E-06 0,999999655 0,999998598 19 0,43927 4
20 2,64121E-07 0,999999919 0,999999655 20 0,30261 4
0,999999919
Tabla de Distribución de Poisson – Simulación de eventos de una empresa de venta de camas. Autoría Propia

La tabla muestra la simulación de la cantidad de clientes que va a tener la empresa de venta de

camas sencillas en el mes siguiente.

3.7 DISTRIBUCIÓN TRIANGULAR

La Distribución Triangular se utiliza para describir una población o un sistema sobre cual existen de
datos de muestra limitados. Por lo general esta distribución es utilizada para modelar procesos
estocásticos o de riesgo comercial. Se dice que un sistema cumple o se comporta como una
Distribución Triangular cuando viene dada por tres parámetros:

• Valor Mínimo de la variable

• Valor Máximo de la Variable
• Valor del punto en el que el triángulo toma su altura máxima

Esta distribución tiene su base en el conocimiento de la cantidad mínima y máxima y una conjetura
inspirada sobre el valor modal.

A continuación, se muestra la Función de Densidad de Probabilidad de la Distribución Triangular:

Función de Densidad de Probabilidad de la Distribución Triangular. Recuperado de http://disttriangular.blogspot.com/

𝑿 = 𝒂 + (𝒃 − 𝒂)𝒓𝟏
Pasos para la generación de número aleatorios con una Distribución Triangular:

• Se estima M (el valor mayor)

• Generar 2 número aleatorio R1 y R2
• Se estima la X ; se estima R1
• Elegir el intervalo
𝑓(𝑥)
• 𝑅2 ≤ 𝑀
, R2 se acepta siempre y cuando se cumpla está condición

Aplicación de la Distribución en la empresa de construcción de camas sencillas: La empresa

decide empezar un nuevo proyecto de ampliación. Por la dificultad de recolectar los datos para
definir el presupuesto de la inversión, se establece que el Mínimo del Presupuesto es de 7
Millones de pesos, el máximo es de 20 Millones de Pesos y la moda para este tipo de construcción
es de un presupuesto de 13 Millones de Pesos.

a Min 7
b Max 20
c Moda 13

A partir de estos datos, se comienza a mirar si se aceptan los números aleatorios escogidos con la
Distribución Triangular. Se va a aceptar 10 pares de números aleatorios.
a Min 7 a Min 7 a Min 7
b Max 20 b Max 20 b Max 20
c Moda 13 c Moda 13 c Moda 13

Hallar M Hallar M Hallar M

F(moda) 0,15384615 F(moda) 0,15384615 F(moda) 0,15384615

Aleatorios Aleatorios Aleatorios

0,9280 0,2800 0,8760
0,7840 0,5240 0,1000

X 19,064 X 10,64 X 18,388

F(X) F(X) F(X)

F(X)1 19,064 0 F(X)1 10,64 0,09333333 F(X)1 18,388 0
F(X)2 19,064 0,02057143 F(X)2 10,64 0 F(X)2 18,388 0,03542857

Aleatorio 2 F(X)M Aleatorio 2 F(X)M Aleatorio 2 F(X)M

0,784 <= 0,13371429 0,524 <= 0,60666667 0,1 <= 0,23028571
RECHAZADO APROVADO APROVADO
a Min 7 a Min 7 a Min 7
b Max 20 b Max 20 b Max 20
c Moda 13 c Moda 13 c Moda 13

Hallar M Hallar M Hallar M

F(moda) 0,15384615 F(moda) 0,15384615 F(moda) 0,15384615

Aleatorios Aleatorios Aleatorios

0,3960 0,5400 0,2960
0,4280 0,9320 0,5800

X 12,148 X 14,02 X 10,848

F(X) F(X) F(X)

F(X)1 12,148 0,132 F(X)1 14,02 0 F(X)1 10,848 0,09866667
F(X)2 12,148 0 F(X)2 14,02 0,13142857 F(X)2 10,848 0

Aleatorio 2 F(X)M Aleatorio 2 F(X)M Aleatorio 2 F(X)M

0,428 <= 0,858 0,932 <= 0,85428571 0,58 <= 0,64133333
APROVADO RECHAZADO APROVADO

a Min 7 a Min 7 a Min 7

b Max 20 b Max 20 b Max 20
c Moda 13 c Moda 13 c Moda 13

Hallar M Hallar M Hallar M

F(moda) 0,15384615 F(moda) 0,15384615 F(moda) 0,15384615

Aleatorios Aleatorios Aleatorios

0,3640 0,4880 0,4120
0,3160 0,2480 0,4840

X 11,732 X 13,344 X 12,356

F(X) F(X) F(X)

F(X)1 11,732 0,12133333 F(X)1 13,344 0 F(X)1 12,356 0,13733333
F(X)2 11,732 0 F(X)2 13,344 0,14628571 F(X)2 12,356 0

Aleatorio 2 F(X)M Aleatorio 2 F(X)M Aleatorio 2 F(X)M

0,316 <= 0,78866667 0,248 <= 0,95085714 0,484 <= 0,89266667
APROVADO APROVADO APROVADO

a Min 7 a Min 7 a Min 7

b Max 20 b Max 20 b Max 20
c Moda 13 c Moda 13 c Moda 13

Hallar M Hallar M Hallar M

F(moda) 0,15384615 F(moda) 0,15384615 F(moda) 0,15384615

Aleatorios Aleatorios Aleatorios

0,7360 0,1760 0,7280
0,1120 0,1600 0,0840

X 16,568 X 9,288 X 16,464

F(X) F(X) F(X)

F(X)1 16,568 0 F(X)1 9,288 0,05866667 F(X)1 16,464 0
F(X)2 16,568 0,07542857 F(X)2 9,288 0 F(X)2 16,464 0,07771429

Aleatorio 2 F(X)M Aleatorio 2 F(X)M Aleatorio 2 F(X)M

0,112 <= 0,49028571 0,16 <= 0,38133333 0,084 <= 0,50514286
APROVADO APROVADO APROVADO
 3.8 DISTRIBUCIÓN EXPONENCIAL

Para la generación de números aleatorios, se empieza con la función de densidad de la Distribución

Exponencial, que es la siguiente:

A continuación, se calcula fda:

Luego, F(x) = r, donde r es número aleatorio en el intervalo de [0,1]; para luego determinar el valor de X.

A continuación, se presenta la tabla de 20 números aleatorios utilizando la Distribución Exponencial

Lambda 10
Números Aleatorios
Aleatorios Genrados
0,74182 0,135409826
0,77293 0,148249694
0,41006 0,052773444
0,31015 0,03712811
0,14238 0,015359417
0,76633 0,145384542
0,15369 0,016686956
0,63438 0,100616074
0,02645 0,002680609
0,11882 0,012649336
0,70789 0,123062484
0,16877 0,018484875
0,79178 0,156916007
0,85681 0,194358286
0,09808 0,010322945
0,61647 0,095833743
0,90205 0,232329813
0,57028 0,084462145
0,10751 0,011373997
0,83985 0,18316444
3.9 DISTRIBUCIÓN UNIFORME CONTINUA

Se tiene la siguiente fdp:

Luego, se calcula fda:

Se establece F(X) = r y se determina el valor de x, en este caso r es número aleatorio dentro del
intervalo y su valor será de 0.5

Ahora a partir de la está distribución se generarán 20 variables aleatorias, como se muestra a

continuación:
a 10
b 15
Núméros
Aleatorios Generados
0,01844 10,09220
0,67302 13,36510
0,93410 14,67050
0,54578 12,72890
0,61553 13,07765
0,33088 11,65440
0,37518 11,87590
0,28470 11,42350
0,30261 11,51305
0,16406 10,82030
0,65982 13,29910
0,58254 12,91270
0,65417 13,27085
0,14615 10,73075
0,11128 10,55640
0,80214 14,01070
0,73146 13,65730
0,77670 13,88350
0,63720 13,18600
0,83702 14,18510
En este caso, se eligió intervalos de a y b los números 10 y 15 y allí se generaron 20 números
aleatorios que se encuentran en ese intervalo.

3.9 DISTRIBUCIÓN ERLANG

El tiempo de proceso de los parales para la producción de camas sencillas sigue la distribución 3-
erlang con media 1/8 minutos por pieza. A continuación, se mostrará una lista de números pseudo
aleatorios 𝑟𝑖 ~𝑈 (0,1)
𝑘
−8
𝑌 = 𝐸𝑅𝑖 = [𝐿𝑛 ∏(1 − 𝑟𝑖 )]
3
𝑖=1

−8
𝑌= 𝐿𝑛 [(1 − 𝑟1 )(1 − 𝑟2 )(1 − 𝑟𝑘 )]
3

Tiempo de proceso
Pieza 1-ri 1-ri 1-ri
(min/pieza)

1 0,98156 0,32698 0,06590 10,28289399

2 0,45422 0,38447 0,66912 5,724946656
3 0,62482 0,71530 0,69739 3,108681062
4 0,83594 0,34018 0,41746 5,68278767
5 0,85385 0,88872 0,19786 5,05644898
6 0,26854 0,22330 0,36280 10,20772822
7 0,16298 0,85762 0,23367 9,124179649
8 0,84631 0,36562 0,97355 3,199563699
9 0,88118 0,29211 0,83123 4,111911849
10 0,20822 0,14319 0,90192 9,642593013

3.10 DISTRIBUCIÓN GAMMA

Se simulará 10 veces el valor de X si se tiene una distribución Gamma con los siguientes
parámetros:

• β = 2,3
• Θ = 0,45
Θ 0,45
β 2,3
r1 r2 a b X X> X<=
0,01844 0,67302 1,8973666 3,74075192 0,00122061 12,1231983 RECHAZADO
0,93410 0,54578 1,8973666 3,74075192 352,014513 4,48263479 -0,74188288 ACEPTADO
0,61553 0,33088 1,8973666 3,74075192 5,61725915 5,81729461 RECHAZADO
0,37518 0,28470 1,8973666 3,74075192 0,87384059 6,95776994 RECHAZADO
0,30261 0,16406 1,8973666 3,74075192 0,47179904 7,93889584 RECHAZADO
0,65982 0,58254 1,8973666 3,74075192 8,08410395 5,11268576 -1,37193384 ACEPTADO
0,65417 0,14615 1,8973666 3,74075192 7,70853695 6,51264975 -2,77189783 ACEPTADO
0,11128 0,80214 1,8973666 3,74075192 0,04463168 8,3526355 RECHAZADO
0,73146 0,77670 1,8973666 3,74075192 15,3966721 4,6188785 -0,87812659 ACEPTADO
0,63720 0,83702 1,8973666 3,74075192 6,6963757 4,82000263 -1,07925072 ACEPTADO
0,14238 0,76633 1,8973666 3,74075192 0,07622093 7,90540579 RECHAZADO
0,15369 0,63438 1,8973666 3,74075192 0,09036485 7,94149444 RECHAZADO
0,02645 0,11882 1,8973666 3,74075192 0,00245799 13,1358957 RECHAZADO
0,70789 0,16877 1,8973666 3,74075192 12,3342366 6,21090348 -2,47015157 ACEPTADO
0,79178 0,85681 1,8973666 3,74075192 28,9972096 4,36223441 -0,6214825 ACEPTADO
0,09808 0,58254 1,8973666 3,74075192 0,03415458 8,92505296 RECHAZADO
0,65982 0,01844 1,8973666 3,74075192 8,08410395 8,56556139 RECHAZADO
0,67302 0,16406 1,8973666 3,74075192 9,04826121 6,34023544 -2,59948353 ACEPTADO
0,93410 0,30261 1,8973666 3,74075192 352,014513 5,07240591 -1,33165399 ACEPTADO
0,54578 0,28470 1,8973666 3,74075192 3,25870772 6,20814983 RECHAZADO
0,74182 0,48734 1,8973666 3,74075192 17,0386443 5,05684247 -1,33165399 ACEPTADO

3.11 DISTRIBUCIÓN DE BERNOULLI

Se tiene que la distribución de probabilidad de las variables aleatorias de Bernoulli con media

𝑝(𝑥) = 𝑝 𝑥 (1 − 𝑝)1−𝑥 𝑝𝑎𝑟𝑎 𝑥 = 0,1

Se calculan las probabilidades para x=0 y x=1, para obtener

Si se acumulan los valores de p(x) se obtiene:

Al generar los números aleatorios 𝑟𝑖 ~𝑈 (0,1) se aplica la regla:

Se tiene que los datos históricos sobre la frecuencia de paros de cierta máquina para poder pulir la
madera que hace parte para la producción de camas sencillas, muestra que existe una
probabilidad de 0,2 de que está falle (x=1), y de 0.8 de que no falle (x=0) en un día determinado.
Se generará una secuencia aleatoria que simule el comportamiento

A partir de la distribución de probabilidad de la variable aleatoria de Bernoulli con media 0.8

𝑝(𝑥) = 0,2𝑥 (0,8)1−𝑥 𝑝𝑎𝑟𝑎 𝑥 = 0,1

Se calcularán los probabilidades puntuales y acumuladas para x=0 y x=1, y se obtienen los
siguientes datos:
x 0 1
P(x) 0,8 0,2
P(x) 0,8 1

Evento: La
Día ri Xi
máquina
1 0,60045 0 no falla
2 0,42231 0 no falla
3 0,50054 0 no falla
4 0,90205 1 falla
5 0,12447 0 no falla
6 0,64192 0 no falla
7 0,60516 0 no falla
8 0,83985 1 falla
9 0,69752 0 no falla
10 0,86341 1 falla
11 0,15840 0 no falla
12 0,24606 0 no falla
13 0,22344 0 no falla
14 0,48734 0 no falla
15 0,99348 1 falla
16 0,83702 1 falla
17 0,41006 0 no falla
18 0,31015 0 no falla
19 0,14238 0 no falla
20 0,76633 0 no falla

3.12 DISTRIBUCIÓN MONTE CARLO

A continuación, se simulará el sistema de la empresa de venta de cama sencillas a partir de la

Distribución de Monte Carlo

• Eventos
Eventos Probabilidades Acumulado Rango
Venta de Cama Sencilla 0,4 0,4 0 0,3999
Venta de Cama Doble 0,1 0,5 0,4 0,4999
Venta de Cuna 0,5 1 0,5 0,9999

• Tipo de Pago
 Tipo de Pago Probabilidades Acumulado Rango
Efectivo 0,5 0,5 0 0,4999
Tarjeta 0,3 0,8 0,5 0,7999
Otros 0,2 1 0,8 0,9999

• Compra de Materia Prima

Compra de M.P Probabilidades Acumulado Rango
Provedor I 0,4 0,4 0 0,3999
Provedor II 0,1 0,5 0,5 0,7999
Provedor III 0,5 1 0,8 0,9999

• Tiempo de Entrega de la Venta al lugar acordado

Tiempo de Entrega de la
Venta Probabilidades Acumulado Rango
5 dias 0,13 0,13 0 0,12
6 dias 0,1 0,23 0,13 0,22
7 dias 0,1 0,33 0,23 0,32
8 dias 0,6 0,93 0,33 0,92
De inmediato 0,07 1 0,93 0,9999

4. FLEXSIM

MUEBLES DANIEL´S es una empresa dedicada a la fabricación de muebles en madera desde hace
más de 10 años. Pero en los últimos años se ha dedicado principalmente a la elaboración de su
producto más demandado que son las camas sencillas.

Cada semana a la empresa le llega su materia prima principal que es la madera, a partir de ahí se
revisa el modelo de cama sencilla solicitado por la cantidad demandada de 35. Para la construcción
de estas camas sencillas se debe seguir el siguiente procedimiento:

DIBUJO DE PLANTILLAS: a partir de las secciones de madera entregadas por el proveedor, en una
maquina se trazan los diferentes cortes correspondientes a la cabecera, piecera, largueros y los
palos que hacen parte de la cabecera. Esta maquina tiene un Process Time Normal (25,5) y de Set
Up de Normal (40,5)

CORTE: luego de que están las plantillas marcadas en la madera pasan a la sección de corte en donde
dos máquinas se encuentran encargadas de este proceso. Las maquinas se encargan de cortar la
pieza de a acuerdo a la plantilla que se encuentra en la madera. A continuación, se encuentran los
tiempos en los que las dos máquinas:

PT (1) = 400 segundos

ST (1) = 100 segundos
PT (2) = 200 segundos
ST (2) = 80 segundos

Después, de que se realizado el corte las piezas pasan a dos almacenes temporales, en donde en el
primero llegan el 40% de las piezas que salen de las dos maquinas de corte, y en el segundo almacén
temporal llega el otro 60% de las piezas cortadas. Tres operarios son encargados de llevar las piezas
desde la zona de corte hasta los almacenes.

LIJADO: Luego, de que las piezas se encuentran en los almacenes intermedios pasan a las secciones
de lijado en donde son transportadas en una banda, dicha banda tiene las siguientes características:

• Velocidad: 0,02 m/s

• Longitud: 5 metros
• Capacidad: 3 piezas
• Distancia entre ítems: 0,4 metros
En la parte de lijado existen dos operarios con las máquinas de lijado respectivas encargados de esta
tarea:
PT (1) = exponencial (60,5)
ST (1) = exponencial (35,5)
PT (2) = exponencial (25,5)
ST (2) = exponencial (40,5)

LACA: las piezas luego pasan a una maquina que se encarga de colocar la laca y los químicos
correspondientes para el cuidado de la madera. Los tiempos que maneja maquina son los siguientes:
PT (1) = 900 segundos
ST (1) = 120 segundos

ENSAMBLADO: las piezas pasan a un tercer almacén temporal con una capacidad de 3 camas, en
donde luego se ensamblan. Existen dos operarios que se encargan de dicho ensamble y manejan los
siguientes tiempos: (hay que recordar que en estos procesos se añaden oras dos materias primas
que hacen parte del producto final que son arandelas y tornillos)
PT (1) = 900 segundos
ST (1) = 60 segundos
PT (2) = 1200 segundos
ST (2) = 180 segundos
BIBLIOGRAFIA

[1] Hillier F. y Lieberman G. (2004). Investigación de Operaciones. (7ed) Editorial Mc Graw

Hill

[2] AMADO., M., AMADO., M. and perfil, V. (2019). COMO SE HACE UNA CAMA EN MADERA
(partes, medidas, y pasos). [online] Mueblesdomoticos.blogspot.com. Available at:
http://mueblesdomoticos.blogspot.com/2012/01/como-se-hace-una-cama-en-madera-partes.html

[3] AMADO., M., AMADO., M. and perfil, V. (2019). COMO SE HACE UNA CAMA EN MADERA
(partes, medidas, y pasos). [online] Mueblesdomoticos.blogspot.com. Available at:
http://mueblesdomoticos.blogspot.com/2012/01/como-se-hace-una-cama-en-madera-partes.html

[4] (2018). Modelos Probabilísticos de Inventario. IE IngenioEmpresa. Recuperado de:

https://ingenioempresa.com/modelos-probabilisticos-inventario/

[5] Profe IO2. (2016, Noviembre 9). Generación de números aleatorios Poisson A mano y Excel
[Archivo de video]. Recuperado de : https://www.youtube.com/watch?v=6lzkgMTSSCQ

[6] Aparicio, A. (6 Mayo 2009). Simular con una Distribución Poisson [Mensaje en un Blog].
Recuperado de : https://www.excelavanzado.com/2009/05/simular-con-una-distribucion-de-
poisson.html
[7] Ramírez,K.(-). Generación de variables aleatorias.UCR-ECCI. Recuperado de:
http://www.kramirez.net/ProbaEstad/Material/Presentaciones/GeneracionVariablesAleatorias.pd
f