Escolar Documentos
Profissional Documentos
Cultura Documentos
ii
Simulacin
Anlisis y modelacin de sistemas discretos; un enfoque
prctico
iii
iv
Contenido
Introduccin
Captulo 1: Introduccin a la Simulacin de Eventos
Discretos
1.1
Introduccin a la simulacin de eventos discretos
1.2
Definiciones y conceptos
1.3
Ventajas y desventajas de la simulacin
1.4
Etapas de un proyecto de simulacin
1.4.1 Preparacin inicial del proyecto
1.4.2 Definicin del sistema
1.4.3 Desarrollo del modelo conceptual o esquemtico
1.4.4 Recoleccin y anlisis de datos
1.4.5 Desarrollo del modelo en un lenguaje especifico de
simulacin
1.4.6 Conduccin de experimentos y evaluacin de alternativas
1.4.7 Anlisis de resultados
1.4.8 Recomendaciones finales
1.5
Algunos peligros en la simulacin
1.6
Modelos tpicos de lneas de espera
1.7
Ejemplos bsicos de simulacin
1.8
Problemas propuestos
Capitulo 2: Nmeros Pseudoaleatorios
2.1
Nmeros pseudoaleatorios
2.2
Caractersticas de los nmeros pseudoaleatorios
2.3
Generacin de los nmeros pseudoaleatorios
2.3.1 Algoritmo de cuadrados medios
2.3.2 Algoritmo de productos medios
2.3.3 Algoritmo congruencial mixto
2.3.4 Algoritmo congruencial multiplicativo
2.4
Pruebas estadsticas de aleatoriedad
2.4.1 Prueba de los promedios
2.4.2 Prueba de las frecuencias
2.4.3 Prueba del pker
2.4.4 Prueba de Kolmogorov-Smirnov
2.5
Ejercicios propuestos
3
4
10
11
12
14
16
18
22
24
24
24
25
25
28
38
45
45
47
47
48
49
50
51
53
56
61
64
67
117
123
123
124
125
127
128
152
153
169
174
174
186
196
210
218
219
231
231
233
vi
71
72
72
73
75
76
91
97
101
103
Anexos
Tablas de distribuciones de probabilidad
Generadores para distribuciones de probabilidad en ProModel
294
298
Bibliografa
299
vii
viii
Introduccin
Una de las caractersticas principales de los t iempos actuales, es la
incertidumbre, generada mayormente por la globalizacin; las empresas
buscan constantemente posicionarse y generar utilidades. Sin embargo
las polticas del comercio nacional e internacional, la creciente competencia, la bsqueda para ganar nuevos espacios y otras variables, obligan a las organizaciones a dar una respuesta rpida a los retos que
surgen da a da para que estas progresen y sean exitosas financieramente. La bsqueda de alternativas y toma de decisiones es de suma
importancia sobre todo en los niveles medio o altos de las empresas
que es dnde los ingenieros industriales tienen principalmente su mbito de aplicacin.
Existen muchas tcnicas emanadas de la estadstica y las matemticas para la toma de decisiones tal como la programacin lineal, pronsticos o modelos de inventarios; dichas tcnicas generalmente son
tiles en un determinado punto del tiempo. Sin embargo, cuando se de
se desea tomar una decisin dinmica sin arriesgar la sanidad financiera generada por la experimentacin a prueba y error o por actuar
basados en la intuicin sin considerar la solidez o solvencia estadstica, se pueden experimentar los diversos escenarios para tratar
de tomar la mejor decisin utilizando la simulacin.
La simulacin es una tcnica de experimentacin en que se usan
modelos lgico-matemticos utilizando (principalmente) recursos informticos como un software de propsito especfico diseado para tal fin,
aunque si se tiene la habilidad para programar en software de uso general tambin es viable hacerlo.
ix
Capitulo 1:
Introduccin a la simulacin
de eventos discretos
Figura 1.1
Cliente
1
2
3
4
5
Tiempo
entre
llegadas
(min)
2
3
5
1
4
Tiempo
medido
de
llegadas
2
5
10
11
55
Aleatorio
tiempo de
servicio
0.7892
0.4565
0.3214
0.9874
0.7543
Tiempo
de
servicio
(min)
4
7
8
1
4
Hora de
Inicio de
servicio
Hora de
fin de
servicio
2
6
13
21
22
6
13
21
22
26
Tabla 1.3
Por su parte, si el modelo a realizar se hace utilizando un software
especfico como el ProModel, ARENA o cualquiera que exista en el
mercado, primeramente se desarrolla un modelo conceptual que incluya la
informacin lgica secuencial y las variables que influyen en el proceso,
posteriormente se realiza este utilizando generalmente una interfaz grfica
del simulador que lo hacen muy fcil de utilizar (ver figuras 1.4 y 1.5).
Recepcin de
materia prima
Torno
Mover con
operador
Fresadora
enviar a salida
en banda
transportadora
Figura 1.4
Salida y
embarque
Figura 1.5
10
11
Preparacin del
proyecto
Experimentacin
y evaluacin de
alternativas
Anlisis de
resultados
Definicin del
sistema
DE
SIMULACIN
Desarrollo del
modelo conceptual o
esquemtico
Recoleccin y
anlisis de datos
Recomendaciones
finales
Figura 1.6
1.4.1 Preparacin inicial del proyecto
En lo concerniente a este punto, se recomienda seguir los puntos que a
continuacin se mencionan:
a) Identificar las restricciones del sistema. Es importante identificar las
restricciones bajo las cuales el estudio debe ser conducido, por ejemplo:
12
13
14
Diagramas de flujo.
Estudio de tiempos.
Observacin directa.
Tiempos estndar predeterminados.
Registros internos.
Pronsticos del mercado.
Reportes de mantenimiento.
Registros de produccin.
Experiencia del personal de piso.
Comparaciones con operaciones similares.
Tickets de compra, etc.
15
16
Lotes de 20 piezas
Materia prima
Almacn de Materia Prima
Tiempo de
traslado entre
operaciones = 1
Materia prima
Cortadora
(Tiempo de operacin)
Pieza en proceso
Torno
(Tiempo de operacin)
Pieza en proceso
Fresadora
(Tiempo de operacin)
Producto terminado
Exit
Figura 1.7
17
18
FECHA:
HORA DE INICIO:
HORA
TERMINO:
VEHICULO
HORA
LLEGADA
TIPO DE
COMBUSTIBLE
GASOLINA
DIESEL
BOMBA
1
REALIZO:
TIPO DE VEHICULO
CH
MED
GDE
FACTURACION
1
2
3
n
Tabla 1.8
b) Convierta los datos de entrada en una forma conveniente para su
uso. Los datos raramente estn listos para ser usados tal y como se
encuentran. Generalmente se tiene que hacer un anlisis estadstico en
ellos para determinar sus parmetros y as poder usarlos
correctamente, estos deben ser agrupados para simplificar su anlisis y
de esta manera determinar su comportamiento en el sistema, en este
caso se hace uso de la estadstica descriptiva especficamente en la
construccin de distribuciones de frecuencia e histogramas para poder
apreciar la tendencia grfica de las variables.
Para proporcionar un ejemplo de lo mencionado anteriormente, suponga
que en la siguiente tabla 1.9 se tomaron los siguientes datos:
19
FECHA:
HORA
TERMINO:
TIPO DE
COMBUSTIBLE
VEHICULO
HORA
LLEGADA
08:03
08:05
08:12
08:17
08:22
08:30
08:33
08:40
08:45
10
08:48
GASOLINA
BOMBA
DIESEL
REALIZO:
TIPO DE VEHICULO
2
CH
Si
Si
Si
Si
FACTURACION
GDE
Si
MED
Si
Si
No
Si
No
Tabla 1.9
Los datos muestreados como se muestran en la tabla anterior no se
pueden aplicar directamente en la elaboracin del modelo, por lo que se
deben convertir para poder utilizarlos, si se est considerando la variable:
Tiempo entre llegadas entonces los datos muestreados fueron: 3, 2, 7, 5,
5, 8, 3, 7, 5, y 3 minutos entre la llegada de un auto al otro al sistema. Si la
hora de inicio de toma de datos empez a las 8:00 y el primer auto lleg a
las 8:03 pasaron tres minutos, el segundo auto lleg a las 8:05 pasaron
dos minutos desde la llegada del auto anterior y as sucesivamente. Es
importante sealar que el periodo de muestreo y el tamao de la muestra
debe ser representativo, pueden muestrearse turnos, das, semanas, etc.
segn se considere en el impacto que debe tener el periodo en el modelo a
representar.
20
Frecuencia
Observada
1 X 5
5 < X 10
10 < X 15
15 < X 20
20 < X 25
5
12
20
10
3
Tabla 1.10
Histograma
20
Frecuencia
20
12
15
10
10
5
0
1
Clases
Grfico 1.11
Enseguida se procede a realizar un ajuste de los datos a
distribuciones de probabilidad tericas. Los datos recolectados debern
ajustarse a una distribucin de probabilidad (terica o emprica) de tal
manera que pueda describir el comportamiento de la variable que se
analiza, se utiliza generalmente el proceso de pruebas de hiptesis de
estadstica inferencial.
21
Figura 1.12
22
23
24
25
Hora de
Llegada
Hora de
Inicio de
servicio
Hora de
Salida
Wq
Wq = Tiempo en la fila
Wq = Hora de inicio de servicio Hora de Llegada
W = Tiempo en el sistema
W = Hora de salida hora de Llegada
Figura 1.13
26
Figura 1.14
Figura 1.15
27
Figura 1.16
28
Solucin:
En este caso los nicos datos que se tienen son el tiempo entre
llegadas y el tiempo de operacin, tienen la particularidad de que son
constantes pero por tratarse de un modelo inicial es vlido para entender el
concepto de la simulacin.
No existe una forma nica de realizar los modelos, tiene mucho que ver
la experiencia y habilidad del analista, pero como una manera
metodolgica de desarrollo, el modelo debe contener toda la informacin
para responder a la problemtica que se desea resolver. Se pide
informacin sobre algunos indicadores bsicos como el tiempo en el
sistema (W), el tiempo en la fila (Wq) y porcentaje de tiempo ocioso del
servidor, adems deben incluirse columnas para las variables de salida:
hora de llegada, hora de inicio y la hora de terminacin, el modelo quedara
de la siguiente manera (ver tabla 1.17):
Piezas
Operador
Grupo
de
piezas
Tiempo
entre
Llegadas
Hora
de
Llegada
Tiempo
de
Operacin
Hora
de
inicio
Hora
de
Terminacin
1
2
3
4
5
6
7
8
9
10
5
5
5
5
5
5
5
5
5
5
5
10
15
20
25
30
35
40
45
50
7
7
7
7
7
7
7
7
7
7
5
12
19
26
33
40
47
54
61
68
12
19
26
33
40
47
54
61
68
75
Tabla 1.17
29
Tiempo
Ocioso
del
operador
5
5
Tiempo
en el
Sistema
Tiempo
en
Fila
7
9
11
13
15
17
19
21
23
25
160
2
4
6
8
10
12
14
16
18
90
Recurdese que:
el tiempo en el sistema (W) = la hora de terminacin la hora de
llegada
el tiempo en la fila (Wq) = hora de inicio hora de terminacin.
Respuesta a los incisos:
=
= 16
= 90
= 0.06 = 6.6%
Operador 1
Grupo
de
Piezas
Tiempo
Entre
llegadas
Hora
De
Llegada
Tiempo
De
operacin
Hora
De
inicio
Hora
De
Termino
Tiempo
ocioso
1
2
Hora
De
inicio
12
10
10
15
15
22
20
25
25
32
Hora
De
Termino
Piezas
Tiempo
ocioso
Wq
17
10
20
27
30
30
37
35
35
42
40
40
47
45
45
52
10
50
50
57
22
22
70
Tabla 1.18
30
= 7
b)
= 0
c)
= 0.3859 = 38.59%
= 0.3859 = 38.59%
Alternativa
1 operador
2 operadores
16 minutos
7 minutos
9 minutos
0 minutos
6.6%
38.59%
Tabla 1.19
Qu se puede concluir de la tabla anterior?, depende el objetivo que
se tenga planteado, si lo que se desea es optimizar el tiempo de operacin
del operador sin importar los niveles de produccin, solo reducir costos de
mano de obra, entonces se recomienda un solo servidor.
Por otra parte si se tuvieran compromisos de produccin y lo que se
desea es producir volmenes ms elevados entonces se recomendaran
dos operadores.
2. Considere un sistema de formacin de colas de un solo canal (lnea de
espera) tal como el de un servidor de comida rpida (McDonalds), y se
quiere simular la hora pico de llegadas en el rea de cajas, suponga por
simplicidad que el tiempo entre llegadas de los clientes vara entre 1 a
5 minutos y que el tiempo de servicio del cajero es de 3 a 7 minutos
por cada cliente, estos tiempos son distribuidos de manera uniforme.
31
Solucin:
La diferencia fundamental entre el ejemplo 1 y el 2 es que en este ltimo
las llegadas no son constantes, lo que le proporciona un efecto aleatorio al
modelo el cual se entiende como el parecido con la realidad del sistema
real con el que se desea representar. Una forma aleatoria de representar
las llegadas por ejemplo es utilizando el mtodo del sombrero, el cual
consiste en escribir los minutos uno en cada pedazo de papel, doblarlos y
sacarlos aleatoriamente de un recipiente con reposicin para asignarlos a
cada cliente que entra al sistema. Pero como no siempre es factible este
mtodo se puede entonces imitar utilizando los nmeros aleatorios que
sabemos estn ubicados en el rango 0 1 y utilizando el concepto
probabilstico de que la suma de las probabilidades de cada posible
resultado para un experimento dado siempre es 1(probabilidad
acumulada), se puede entonces emular el experimento de asignar
aleatoriamente un tiempo entre llegadas o tiempo de servicio para cada
cliente que entra al sistema.
Las variables de entrada del modelo se pueden generar utilizando
nmeros aleatorios y buscando el correspondiente valor en las tablas 1.20
y 1.21 que se muestran a continuacin:
32
Probabilidad
1/5
1/5
1/5
1/5
1/5
Probabilidad acumulada
0.20
0.40
0.60
0.80
1.00
Clases
0.00 Rnd 0.20
0.20 < Rnd 0.40
0.40 < Rnd 0.60
0.60 < Rnd 0.80
0.80 < Rnd 1.00
Tabla 1.20
Generador para el tiempo de servicios
Valor
3
4
5
6
7
Probabilidad
1/5
1/5
1/5
1/5
1/5
Probabilidad acumulada
0.20
0.40
0.60
0.80
1.00
Clases
0.00 Rnd 0.20
0.20 < Rnd 0.40
0.40 < Rnd 0.60
0.60 < Rnd 0.80
0.80 < Rnd 1.00
Tabla 1.21
Corrida tamao 10 llegadas (ver tabla):
Servidor
Cliente
1
2
3
4
5
6
7
8
9
10
Rnd
Tiempo
entre
Llegadas
0.563
0.966
0.232
0.354
0.151
0.495
0.385
0.857
0.717
0.509
Tiempo
entre
Llegadas
Hora
de
Llegada
3
5
2
2
1
3
2
5
4
3
3
8
10
12
13
16
18
23
27
30
Rnd
Tiempo
De
Servicio
0.721
0.598
0.755
0.367
0.441
0.154
0.555
0.786
0.097
0.237
Tiempo
de
Servicio
Hora
de
inicio
Hora
de
Salida
Tiempo
Ocioso
Tiempo
en el
Sistema
Tiempo
en
Fila
6
5
6
4
5
3
5
6
3
4
3
9
14
20
24
29
32
37
43
46
9
14
20
24
29
32
37
43
46
50
3
3
6
6
10
12
16
16
19
20
19
20
144
1
4
8
11
13
14
14
16
16
97
Tabla 1.22
33
Cliente
= 14.4
= 9.7
por lo tanto no se
= 0.06 = 6%
Rnd
0.466
0.739
0.019
0.442
0.185
0.256
0.899
0.682
0.693
0.953
Tiempo
entre
Lleg.
3
4
1
3
1
2
5
4
4
5
Hora
De
Lleg.
3
7
8
11
12
14
19
23
27
32
Rnd
0.934
0.497
0.438
0.084
0.932
0.449
0.343
0.903
0.773
0.794
Tiempo
de
Serv.
7
5
5
3
7
5
4
7
6
6
Hora
de
inicio
3
10
15
23
32
Hora
de
Salida
10
15
22
30
38
Servidor 2
Tiempo
ocioso
3
1
2
6
Hora
de
inicio
7
12
15
20
27
-
Hora
de
Salida
12
15
20
24
33
-
Cliente
Tiempo
ocioso
Wq
7
3
5
15
7
5
7
4
10
6
5
7
6
6
63
2
1
3
1
1
8
Tabla 1.23
a) Tiempo promedio en el sistema:
= 6.3
= 0.8 1
si se cumple el
= 0.1578 = 15.78%
= 0.3947 = 39.47%
34
Alternativa
1 Servidor
2 Servidores
14.4 minutos
6 minutos
9.7 minutos
0.8 1 minuto
6%
27.63%
Tabla 1.24
Lgicamente el tiempo ocioso promedio se increment, pero el objetivo
principal era que los clientes no permanecieran ms de 5 minutos en fila y
con dos servidores se cumple ampliamente.
3. Suponga que una empresa est considerando el lanzamiento de un
nuevo producto para nios, se sabe que los costos fijos sern de
$20,000 durante el primer trimestre del ao y que el precio de venta
debe ser de $5 pesos por unidad (esto por razones competitivas). La
empresa quiere por lo menos alcanzar el punto de equilibrio en el primer
trimestre de ventas. Existe incertidumbre en cuanto a los costos
variables y a la demanda del producto se refiere, es por eso que se
desea evaluar que puede suceder. Las mejores estimaciones son que
los costos variables estarn entre $2.0 y $2.9 pesos por unidad con
incrementos de 0.10 pesos. Se piensa que la demanda depende de la
reaccin de los competidores, si reaccionan rpidamente el primer
trimestre se espera que las ventas sean de 8,000, 9,000 y 10,000
unidades. Si no hay reaccin rpida las ventas pueden llegar hasta
10,000, 11,000 y 12,000 unidades. La empresa percibe que existe un
50% de posibilidades que sus competidores reaccionen rpidamente.
La administracin desea seguir adelante con el producto.
Qu posibilidad existe de llegar por lo menos al punto de equilibrio
durante el primer trimestre de ventas del producto?
Solucin:
35
Probabilidad
0.50
0.50
Probabilidad
Acumulada
0.50
1.00
Clases
0.00 Rnd 0.50
0.50 < Rnd 1.00
Tabla 1.25
Generador para la Demanda con Reaccin Rpida
Demanda
Probabilidad
8,000
9,000
10,000
1/3
1/3
1/3
Probabilidad
Acumulada
0.3333
0.6666
1.0000
Clases
0.0000 Rnd 0.3333
0.3333 < Rnd 0.6666
0.6666 < Rnd 1.0000
Tabla 1.26
36
Probabilidad
10,000
11,000
12,000
1/3
1/3
1/3
Probabilidad
Acumulada
0.3333
0.6666
1.0000
Clases
0.0000 Rnd 0.3333
0.3333 < Rnd 0.6666
0.6666 < Rnd 1.0000
Tabla 1.27
Probabilidad
0.10
0.10
0.10
0.10
0.10
0.10
0.10
0.10
0.10
0.10
Probabilidad
Acumulada
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
1.00
Tabla 1.28
37
Clases
0.00 Rnd 0.10
0.10 < Rnd 0.20
0.20 < Rnd 0.30
0.30 Rnd 0.40
0.40 < Rnd 0.50
0.50 < Rnd 0.60
0.60 Rnd 0.70
0.70 < Rnd 0.80
0.80 < Rnd 0.90
0.90 < Rnd 1.00
Rnd
Reaccin
Reaccin
Rnd
demanda
Demanda
Rnd
Costo
variable
Costo
variable
($)
1
2
3
4
5
6
7
8
9
10
0.267
0.494
0.379
0.734
0.895
0.586
0.490
0.271
0.982
0.588
Rpida
Rpida
Rpida
Lenta
Lenta
Lenta
Rpida
Rpida
Lenta
Lenta
0.636
0.524
0.072
0.664
0.282
0.486
0.181
0.163
0.757
0.416
9,000
9,000
8,000
11,000
10,000
11,000
8,000
8,000
12,000
11,000
0.499
0.569
0.106
0.454
0.442
0.998
0.867
0.961
0.113
0.620
2.40
2.50
2.10
2.40
2.40
2.90
2.80
2.90
2.10
2.60
Ingresos
Por
Ventas
($5.0 u)
45,000
45,000
40,000
55,000
50,000
55,000
40,000
40,000
60,000
55,000
Costo
Fijo
Costo
Variable
Utilidad
20,000
20,000
20,000
20,000
20,000
20,000
20,000
20,000
20,000
20,000
21,600
22,500
16,800
26,400
24,000
31,900
22,400
23,200
25,200
28,600
3,400
2,500
3,200
8,600
6,000
3,100
-2,400
-3,200
14,800
6,400
Tabla 1.29
De acuerdo a la simulacin anterior existe un 80% de posibilidades de
lograr por lo menos el punto de equilibrio, lo que es alentador para la
empresa siempre y cuando los datos de entrada sean confiables.
Se puede considerar otro indicador como la utilidad promedio, incluso
hacer un anlisis de sensibilidad evaluando con diferentes precios de venta
para verificar hasta que tanto se puede reducir este y seguir obteniendo
utilidades, pero eso depende de la profundidad del anlisis y del tiempo
con que se disponga para tomar la decisin ms adecuada.
38
39
Frecuencia
Observada
15
25
45
10
5
No. Das
Rentados
1
2
3
4
Frecuencia
Observada
40
35
15
10
40
Demanda
36
48
60
72
84
96
Distribucin de la Demanda
Alta
Media
Baja
0.15
0.10
0.15
0.10
0.20
0.25
0.25
0.30
0.35
0.30
0.25
0.15
0.10
0.10
0.05
0.10
0.05
0.05
41
Ventas: Eso parece bien por qu podremos cobrar alrededor de $100 por
unidad. Para ser ms preciso, un pronstico de $100 con un 50% de
posibilidades y una probabilidad del 25% para $95 o $105.
Gerente: Veo que todos ustedes han tomado recientemente cursos de
estadstica. Si uso sus datos promedio, tendremos una ganancia con el
lanzamiento del nuevo producto durante el primer semestre del ao. Pero,
podramos perder dinero si quedamos en el lado bajo de sus estimaciones,
aunque con lograr el punto de equilibrio estara bien.
Ingeniero industrial Seores, permtanme elaborar una simulacin para
ustedes. Les ayudar a tomar una decisin.
42
Capitulo 2:
Nmeros pseudoaleatorios
43
Nmeros pseudoaleatorios
44
45
Nmeros pseudoaleatorios
= ( )( )
1 = ( ) ()
( )=
( ) = =
Figura 2.1
46
1 1 1
1
+ =
3 2 4 12
=
=
1
2
47
Nmeros pseudoaleatorios
X1 = 5353
r1 = 0.5353
Y1 = 5353 = 28654609
Y2 = 6546 = 42850116
Y3 = 8501 = 72267001
Y4 = 2670 = 7128900
X2 = 6546
X3 = 8501
X4 = 2670
X5 = 2890
r2 = 0.6546
r3 = 0.8501
r4 = 0.2670
r5 = 0.2890
Tabla 2.2
2.3.2 Algoritmo de productos medios
Este es otro algoritmo no congruencial y la mecnica es similar al
anterior. La diferencia radica en que el algoritmo de productos medios
requiere dos semillas, ambas con d dgitos y en lugar de elevarlas al
cuadrado, se multiplican y del producto se seleccionan los d dgitos del
centro. Los pasos son como se enumeran a continuacin:
1. Seleccionar una semilla (X0) con d dgitos (d > 3).
2. Seleccionar una semilla (X1) con d dgitos (d > 3).
3. Sea Y0=(X0) (X1); Sea X2= los d dgitos del centro, y sea ri=0.d dgitos
del centro.
4. Sea Yi=(Xi) (Xi+1); Sea Xi+2= los d dgitos del centro, y sea ri+1=0.d
dgitos del centro para toda i = 1,2,3,..,n
5. Repetir el paso 4 hasta obtener los n nmeros ri deseados.
48
X2=1832
r1=0.1832
Y1= (8527)(1832)=15621464
X3=6214
r2=0.6214
Y2= (1832)(6214)=11384048
X4=3840
r3=0.3840
Y3= (6214)(3840)=23861760
X5=8617
r4=0.8617
Y4= (3840)(8617)=33089280
X6=0892
r5=0.0892
Y5= (8617)(0892)=7686364
X7=6863
r6=0.6863
Tabla 2.3
2.3.3 Algoritmo congruencial mixto
Los mtodos congruenciales estn basados en el lgebra de
congruencias. Este mtodo tiene la siguiente relacin de recurrencia:
Xn+1 = (aXn + c) mod m
Donde:
X0 = Semilla
a = Factor multiplicador
c = Constante aditiva
m = magnitud del mdulo
Los requisitos mnimos que estos parmetros deben satisfacer son:
X0, a, c, m 0; enteros y m >a, m >c, m >X0. Aqu mod representa a la
operacin aritmtica mdulo entre enteros a y b tal que el resultado de a
mod b es el residuo entero de la divisin a entre b.
Es muy importante aclarar que en la seleccin de los parmetros de
los generadores congruenciales deben seguirse reglas y teoremas muy
49
Nmeros pseudoaleatorios
Divisin
27/8 = 3 + 3/8
22/8 = 2 + 6/8
37/8 = 4 + 5/8
32/8 = 4 + 0/8
7/8 = 0 + 7/8
42/8 = 5 + 2/8
17/8 = 2 + 1/8
12/8 = 1 + 4/8
Xi
X1= 3
X2= 6
X3= 5
X4= 0
X5= 7
X6= 2
X7= 1
X6= 4
Nmero Aleatorio
r1= 3/8 = 0.375
r2= 6/8 = 0.750
r3= 5/8 = 0.625
r4= 0/8 = 0.000
r5= 7/8 = 0.875
r6= 2/8 = 0.250
r7= 1/8 = 0.125
r8= 4/8 = 0.500
Tabla 2.4
2.3.4 Algoritmo congruencial multiplicativo
Este mtodo es muy similar al anterior salvo por la constante aditiva
que en este caso no se considera. La relacin de recurrencia es:
Xn+1 = (aXn) mod m
Donde:
X0 = Semilla
a = Factor multiplicador
m = magnitud del mdulo
Los requisitos mnimos que estos parmetros deben satisfacer son: X0,
a, m 0; enteros y m >a y m >X0.
50
Ejemplo 2.4
Genere 8 nmeros a partir del generador congruencial multiplicativo:
considere X0 = 51, a=3 y mod=100. Los resultados son como se
muestran en la tabla 2.5
Tabla 2.5
51
Nmeros pseudoaleatorios
rea de rechazo
/2
1-
rea de no
rechazo
rea de rechazo
/2
Figura 2.6
5. Tomar una decisin comparando el estadstico de prueba contra el
valor de tablas.
|
|
<
Ejemplo:
Existe suficiente evidencia para decir que los nmeros se
distribuyen uniformemente ya que Zc < Z/2 considerando n =
100 y = 0.05
52
3. Estadstico de prueba:
=
( 0.5)
1
12
53
Nmeros pseudoaleatorios
0.2186
0.7143
0.0361
0.7344
0.6370
0.1394
0.1374
0.3697
0.5062
0.4826
0.0773
0.3395
0.9720
0.0643
0.9052
0.2530
0.8155
0.2974
0.5155
0.9851
0.2052
0.5657
0.2244
0.5658
0.5824
0.0449
0.7542
0.2415
0.0541
0.1126
0.7263
0.3207
0.9324
0.1528
0.0721
0.7062
0.6208
0.2971
0.4579
0.3276
Tabla 2.7
Solucin:
1. H0: = 0.5
H1: 0.5
2. Calcular la
= 1.55
= 0.42913
3. Estadstico de prueba:
(0.42913 0.5)
1
12
(40)
54
a) = 0.01
0.99
rea de rechazo
rea de no
rechazo
0.005
- 2.575
rea de rechazo
0.005
+ 2.575
ZC = - 1.55
b) = 0.05
0.95
rea de rechazo
rea de no
rechazo
0.025
- 1.96
rea de rechazo
0.025
+ 1.96
ZC = - 1.55
55
Nmeros pseudoaleatorios
c) = 0.10
rea de rechazo
0.90
rea de no
rechazo
0.05
- 1.96
rea de rechazo
0.05
+ 1.96
ZC = - 1.55
56
estadstico de prueba de la
) donde la
mide la dispersin que
existe entre los valores esperados y los observados.
Los pasos son los siguientes:
1. H0: Los nmeros se distribuyen uniformemente.
H1: Los nmeros no se distribuyen uniformemente
2. Asignar un nmero de subintervalos k
3. La frecuencia esperada es:
= /
4. El ancho del intervalo es:
= 1/
5. La frecuencia observada (FO) es la cantidad de nmeros aleatorios
que se ubican en cada particin del espacio 0 -1.
6. Estadstico de prueba:
=
57
Nmeros pseudoaleatorios
Ejemplo 2.6
Aplicar la prueba de las frecuencias a los 50 nmeros que se muestran
en la tabla 2.8 de abajo considerando a) k=5 y b) k=10:
0.5290
0.2233
0.1970
0.2388
0.9508
0.1331
0.7999
0.8879
0.7302
0.7271
0.2793
0.7263
0.4182
0.9921
0.2572
0.9925
0.8247
0.9552
0.1057
0.3879
0.9071
0.4665
0.8564
0.4825
0.9250
0.3778
0.8825
0.3359
0.6973
0.9306
0.2044
0.2126
0.9246
0.5873
0.7262
0.7890
0.3982
0.9357
0.2406
0.1455
0.2851
0.0011
0.9680
0.8493
0.7545
0.8442
0.6809
0.7273
0.1561
0.6818
Tabla 2.8
Solucin:
a) k = 5
1. H0: Los nmeros se distribuyen uniformemente.
H1: Los nmeros no se distribuyen uniformemente
2. K=5
3. FE= 50/5 = 10
4. AC= 1/5 = 0.2
5. Calculo de :
Clases
FO
FE
FO-FE
(FO-FE)2
0 r 0.2
0.2 < r 0.4
0.4 < r 0.6
0.6 < r 0.8
0.8 < r 1
6
12
5
11
16
50
10
10
10
10
10
50
-4
2
-5
1
6
16
4
25
1
36
=
Tabla 2.9
58
1.6
0.4
2.5
0.1
3.6
8.2
, .
= 9.49
1-
0.95
= 0.05
=8.2
9.49
<
8. Decisin: Como
, entonces no rechazar H0.
9. Conclusin: Existe suficiente evidencia para decir que los nmeros
se distribuyen uniformemente, considerando n = 50, K=5 y = 0.05
Solucin:
b) k = 10
1. H0: Los nmeros se distribuyen uniformemente.
H1: Los nmeros no se distribuyen uniformemente
2. K=10
3. FE= 50/10 = 5
4. AC= 1/10 = 0.1
5. Calculo de : ver tabla 2.10
59
Nmeros pseudoaleatorios
Clases
FO
0.0 r 0.1
0.1 < r 0.2
0.2 < r 0.3
0.3 < r 0.4
0.4 < r 0.5
0.5 < r 0.6
0.6 < r 0.7
0.7 < r 0.8
0.8 < r 0.9
0.9 < r 1
1
5
8
4
3
2
3
8
6
10
50
6
12
5
11
5
5
5
5
5
5
5
5
5
5
50
FO-FE
(FO-FE)2
10
-4
16
1.6
10
0.4
10
-5
25
2.5
10
0.1
1
5
1
25
0.2
5.0
9.8
FE
Tabla 2.10
Nota: una condicin de la prueba de bondad y ajuste es que debe existir
un nmero mnimo de observaciones por celda (5) es por esto que se
tienen que agrupar los valores de celda que sean menores de 5 con el
valor de celda inmediato superior o inferior segn sea el caso. Tambin
se pueden agrupar varias celdas menores de 5 para sumar entre todas
5 o un valor mayor. Por supuesto que esto modifica tambin el clculo
de los grados de libertad.
6. Para obtener el valor de tablas, es necesario primero calcular los
grados de libertad: V = k-1, y el valor de = 0.05. En este caso
quedan 6 clases una vez que se agruparon los valores de las celdas
menores a 5.
V = 6 1 = 5 grados de libertad, , =
= 11.07
, .
60
1-
0.95
= 0.05
=9.8
11.07
<
8. Decisin: Como
, entonces no se rechaza H0.
9. Conclusin: Existe suficiente evidencia para decir que los
nmeros se distribuyen uniformemente, considerando n = 50,
K=10 y = 0.05
Conclusin general:
Como con los dos valores de k no se rechaza H0 entonces se considera
una prueba altamente significativa, para decir que los nmeros siguen
una distribucin uniforme
2.4.3 Prueba del pker.
Esta prueba considera los dgitos del nmero aleatorio de manera
individual y los clasifica en jugadas emulando el juego de cartas de
poker. Cada nmero aleatorio debe tener 5 dgitos y las jugadas estn
basadas en los valores numricos de cada dgito sin considerar las
jugadas con figuras de la baraja original. Tambin se utiliza la prueba de
bondad y ajuste en este caso comparando el nmero de jugadas
observadas en cada celda contra las jugadas esperadas.
Pasos:
1. H0: Los nmeros se distribuyen uniformemente.
H1: Los nmeros no se distribuyen uniformemente
61
Nmeros pseudoaleatorios
Probabilidad de
Ocurrencia
f(x)
0.3024
0.5040
0.1080
0.0720
0.0090
0.0045
0.0001
Tabla 2.11
3. La frecuencia esperada es:
=( ) ( )
4. La frecuencia observada (FO) es la cantidad de jugadas que se
ubican en cada celda.
5. Estadstico de prueba:
(
)
=
6. Determinar las regiones de rechazo y no rechazo para los valores de
considerados (por omisin =0.05)
7. Tomar la decisin.
8. Concluir.
62
Ejemplo 2.7
Aplicar la prueba del pker a los 100 nmeros que se muestran a
continuacin en la tabla 2.12:
0.80772
0.17791
0.13522
0.33942
0.51952
0.56367
0.30992
0.53029
0.32886
0.22031
0.99704
0.37347
0.56938
0.72269
0.23036
0.36737
0.64306
0.06359
0.48597
0.93187
0.10688
0.58583
0.32024
0.07030
0.84387
0.56090
0.14836
0.59700
0.76514
0.38088
0.94045
0.52118
0.81727
0.88695
0.39582
0.27950
0.90993
0.04543
0.33388
0.13548
0.21890
0.44946
0.99206
0.10144
0.09683
0.96107
0.78364
0.63935
0.10515
0.21707
0.24923
0.29121
0.31590
0.48642
0.36869
0.40785
0.85366
0.91186
0.38562
0.81903
0.65589
0.70207
0.03764
0.80680
0.33174
0.57563
0.66228
0.60460
0.36740
0.67429
0.66905
0.05462
0.24422
0.74264
0.31128
0.81286
0.26439
0.28189
0.54555
0.98381
0.37665
0.24623
0.46671
0.82446
0.26924
0.75091
0.04372
0.33886
0.81618
0.75224
0.94338
0.31334
0.86353
0.42163
0.30297
0.21871
0.28123
0.01430
0.55963
0.22901
Tabla 2.12
Solucin:
1. H0: Los nmeros se distribuyen uniformemente.
H1: Los nmeros no se distribuyen uniformemente
2. Tamao de la muestra: n = 100
3. Calculo de
ver la tabla 2.13:
Jugadas
(x)
Todos diferentes
Un par
Dos pares
Tercia
Full
Pker
Quintilla
Probabilidad
f(x)
0.3024
0.5040
0.1080
0.0720
0.0090
0.0045
0.0001
1
FO
FE
27
53
12
5
2
1
0
100
30.24
50.40
10.80
7.20
0.90
0.45
0.01
100
8.56
FOFE
-3.24
2.60
1.20
(FOFE)2
10.50
6.76
1.44
-0.56
0.314
0.347
0.134
0.133
0.037
Tabla 2.13
4. Como se mencion anteriormente, para obtener el valor de tablas, es
necesario primero calcular los grados de libertad: V = k-1, y el valor
63
0.651
Nmeros pseudoaleatorios
1-
0.95
=0.651
= 0.05
7.81
<
5. Decisin: Como
, entonces no se rechaza H0.
6. Conclusin: Existe suficiente evidencia para decir que los nmeros
si se distribuyen uniformemente, considerando n = 100 y = 0.05
2.4.4 Prueba de Kolmogorov-Smirnov
Esta prueba consta de los siguientes pasos:
1. Generar una muestra de nmeros aleatorios de tamao n.
2. Establecer:
H0: Los nmeros se distribuyen uniformemente.
H1: Los nmeros no se distribuyen uniformemente
3. Ordenar dichos nmeros en forma ascendente ri.
4. Calcular la probabilidad relativa de los nmeros generados con la
donde i es la posicin que ocupa el
siguiente expresin: ( ) =
nmero aleatorio Xi.
( )=
( )
5. Calcular la distribucin acumulada:
64
Ejemplo 2.8
Aplique la prueba de Kolmogorov-Smirnov a los nmeros que se
muestran a continuacin en la tabla 2.14 considerando =0.05.
0.8715
0.9898
0.7292
0.4683
0.4502
0.0648
0.9240
0.6107
0.1528
0.3454
0.6218
0.1623
0.9579
0.1757
0.3219
0.2110
0.1602
0.2965
0.6632
0.5324
0.2560
0.5009
0.9652
0.9058
0.6807
0.0889
0.5691
0.4732
0.2522
0.5820
0.7512
0.0430
0.0740
0.8760
0.7706
0.9840
0.3337
0.3611
0.3072
0.4595
Tabla 2.14
Solucin:
1. H0: Los nmeros se distribuyen uniformemente.
H1: Los nmeros no se distribuyen uniformemente
2. Ordenar los nmeros aleatorios y aplicar las
correspondientes. Ver tabla 2.15
operaciones
65
Nmeros pseudoaleatorios
ri Ordenado
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
0.0430
0.0648
0.0740
0.0889
0.1528
0.1602
0.1623
0.1757
0.2110
0.2522
0.2560
0.2965
0.3072
0.3219
0.3337
0.3454
0.3611
0.4502
0.4595
0.4683
0.4732
0.5009
0.5324
0.5691
0.5820
0.6107
0.6218
0.6632
0.6807
0.7292
0.7512
0.7706
0.8715
0.8760
0.9058
0.9240
0.9579
0.9652
0.9840
0.9898
( )=
0.0250
0.0500
0.0750
0.1000
0.1250
0.1500
0.1750
0.2000
0.2250
0.2500
0.2750
0.3000
0.3250
0.3500
0.3750
0.4000
0.4250
0.4500
0.4750
0.5000
0.5250
0.5500
0.5750
0.6000
0.6250
0.6500
0.6750
0.7000
0.7250
0.7500
0.7750
0.8000
0.8250
0.8500
0.8750
0.9000
0.9250
0.9500
0.9750
1.0000
Tabla 2.15
66
Valor absoluto(ri)-(fi)
0.0180
0.0148
0.0001
0.0111
0.0278
0.0102
0.0127
0.0243
0.0140
0.0022
0.0190
0.0035
0.0178
0.0281
0.0413
0.0546
0.0639
0.0002
0.0155
0.0317
0.0518
0.0491
0.0426
0.0309
0.0430
0.0393
0.0532
0.0368
0.0443
0.0208
0.0238
0.0294
0.0465
0.0260
0.0308
0.0240
0.0329
0.0152
0.0090
0.0102
67
Nmeros pseudoaleatorios
68
Capitulo 3:
Variables aleatorias
69
Variables aleatorias
70
Variable de Respuesta
Tiempo en el sistema
Porcentaje de tiempo ocioso del
servidor
Porcentaje de utilizacin de las
mquinas
Porcentaje de tiempo en
operacin/entidad
Porcentaje de tiempo bloqueado de la
entidad
Tabla 3.1
71
Variables aleatorias
Distribucin de Bernoulli
Distribucin Binomial
Distribucin Uniforme Discreta
Distribucin de Poisson
Distribucin Hipergeomtrica
En las siguientes figuras 3.2 y 3.3 se pueden ver los grficos de dos
distribuciones discretas comunes.
72
Figura 3.2
Figura 3.3
3.2.2 Variables aleatorias continuas
Por otro lado, este tipo de variables involucran experimentos
estadsticos donde se pueden medir las caractersticas de la
poblacin a muestrear. Estas variables se representan por ecuaciones
conocidas como funciones de densidad de probabilidad y en lugar de
73
Variables aleatorias
3.
( )0
( = )=0
( )=1
4.
1.
2.
)= ( <
< ) =
( )
Distribucin Normal
Distribucin uniforme continua
Distribucin de Exponencial
Distribucin Log Normal
Distribucin Erlang
En las siguientes figuras 3.4 y 3.5 se pueden ver los grficos de dos
distribuciones continuas:
Distribucin Normal
P(X)
0.30
0.20
0.10
0.00
1
4
X
Figura 3.4
74
Distribucin Exponencial
P(x)
0.8
0.6
0.4
0.2
0
1
Figura 3.5
de
75
Variables aleatorias
1.
2.
3.
4.
1 + 3.322 (log )
5.
6.
76
0.836
2.634
4.778
0.406
0.517
2.330
2.563
0.511
6.426
2.230
3.810
1.624
1.507
2.343
1.458
0.774
0.023
0.225
3.214
2.920
0.968
0.333
4.025
0.538
0.234
3.323
3.334
2.325
7.514
0.761
4.490
1.514
1.064
5.088
1.401
0.294
3.491
2.921
0.334
1.064
0.186
2.782
3.246
5.587
0.685
1.725
1.267
1.702
1.849
Tabla 3.6
Realice lo siguiente:
a) Obtenga el Rango.
b) Construya una distribucin de frecuencias y realice el histograma
correspondiente.
c) Mencione que tipo de distribucin terica pueden seguir los datos
(establecer H0 y H1).
d) Aplicar la prueba de bondad y ajuste con =0.05 y concluya.
e) Aplicar la prueba de Kolmogorov-Smirnov con =0.05 y concluya.
Solucin:
a)
77
Variables aleatorias
8.2
= 1.072
1 + 3.322 (log 50)
Figura 3.7
c) De la figura anterior, los datos parece que siguen una distribucin
exponencial negativa, por lo tanto las hiptesis nula y alternativa son:
H0 = Las horas de reparacin y/o mantenimiento siguen una
distribucin Exponencial negativa.
H1 = Las horas de reparacin y/o mantenimiento no siguen una
distribucin Exponencial negativa
d) Prueba de bondad y ajuste.
78
( ) =
1
=
113.397
1
= 2.27 =
= 0.4405
2.27
50
<
) =
<
Por lo tanto:
)( .
)( .
< 3.55) =
)( .
(3.55 <
< 4.75) =
)( .
(4.75 <
< 5.95) =
)( .
(5.95 <
< 7.15) =
)( .
( 0.00 <
(1.15 <
(2.35 <
< 1.15) =
< 2.35) =
( > 7.15) = 1
)( )
= 0.6026 + 1 = .
)( .
= 0.3552 + 0.6026 = .
)( .
= 0.2093 + 0.3552 = .
)( .
= 0.1234 + 0.2093 = .
)( .
= 0.0727 + 0.1234 = .
)( .
= 0.0429 + 0.0727 = .
= 1 0.9571 = .
tabla 3.8:
79
Variables aleatorias
(
Clases
FO
Pi
FE=nPi
FO-FE
(FO-FE)2
0.0 X 1.2
1.2 < X 2.4
2.4 < X 3.6
3.6 < X 4.8
4.8 < X 6.0
6.0 < X 7.2
7.2 < X 8.4
18
13
10
4
2
1
2
50
0.3974
0.2474
0.1459
0.0859
0.0507
0.0298
0.0429
1
20
12
7
4
3
1
3
50
-2
1
-3
4
1
9
0.2000
0.0833
1.2857
-2
0.3636
11
1.9326
Tabla 3.8
Para determinar el valor de tablas de , considerar los grados de
libertad v de acuerdo a: v = k-m-1 donde k es el nmero de clases
resultantes y m es el nmero de parmetros estimados en la distribucin
considerada.
V=4-1-1=2 grados de libertad
, .
= 5.99
1-
0.95
=1.9326
Figura 3.9
80
= 0.05
5.99
Decisin: Como
<
Conclusin:
Existe suficiente evidencia para decir que las horas de reparacin y/o
mantenimiento siguen una distribucin exponencial negativa,
considerando n = 50, y = 0.05
e) Prueba de Kolmogorov-Smirnov con =0.05.
En este caso los pasos son los siguientes:
1. Calcular la probabilidad relativa de cada clase
81
Variables aleatorias
Clases
FO
0.0 X 1.2
1.2 < X 2.4
2.4 < X 3.6
3.6 < X 4.8
4.8 < X 6.0
6.0 < X 7.2
7.2 < X 8.4
18
13
10
4
2
1
2
50
Pi
Terica
0.3974
0.2474
0.1459
0.0859
0.0507
0.0298
0.0429
1
Pi
Relativa
0.36
0.26
0.20
0.08
0.04
0.02
0.04
1
Terica
Acum.
0.3974
0.6448
0.7907
0.8766
0.9273
0.9571
1.0000
Relativa
Acum.
0.36
0.62
0.82
0.90
0.94
0.96
1.00
Diferencia
absoluta
0.0374
0.0248
0.0293
0.0234
0.0127
0.0029
0
Tabla 3.10
El valor de tablas para =0.05 (tabla de Kolmogorov-Smirnov) es: 0.226.
Como |0.0374| < |0.226| entonces no se rechaza H0.
Conclusin:
Existe suficiente evidencia para decir que las horas de reparacin y/o
mantenimiento siguen una distribucin exponencial negativa,
considerando n = 50, y = 0.05
Ejemplo 3.2
Los siguientes datos de la tabla 3.11 representan el nmero de
pacientes que ingresan a un consultorio mdico, se tom una muestra
de 30 das a partir de un martes y terminando el mircoles tal como se
muestra a continuacin:
Lunes
5
4
3
2
Martes
2
4
5
1
7
Mircoles
3
2
3
3
1
Jueves
4
1
5
6
Viernes
6
4
8
2
Tabla 3.11
Realice lo siguiente:
a) Obtenga el Rango.
82
Sbado
4
5
2
1
Domingo
3
3
2
3
7
= 1.18
1 + 3.322 (log 30)
Figura 3.12
83
Variables aleatorias
104
= 3.4667 = 3.4667
30
(3.4667)
( = 1) =
1!
(3.4667)
2!
( = 2) =
(3.4667)
3!
( = 3) =
(3.4667)
4!
( = 4) =
(3.4667)
5!
( = 5) =
(3.4667)
6!
( = 6) =
84
= 0.1082
= 0.1876
= 0.2168
= 0.1879
= 0.1303
= 0.0753
como
( = 7) =
(3.4667)
7!
( = 8) = 1
= 0.0373
= 1 0.9434 = 0.0566
FO
1
2
3
4
5
6
7
8
4
6
7
5
4
2
1
1
30
10
Pi
FE=nPi
0.1082
0.1876
0.2168
0.1879
0.1303
0.0753
0.0373
0.0566
1
3
6
7
6
4
2
1
1
30
FO-FE
(FO-FE)2
0.1111
0
-1
0
1
0.0000
0.1666
0
=
0.2777
Tabla 3.13
Para determinar el valor de tablas de
V=4-1-1=2 grados de libertad
= 5.99
, =
, .
, :
85
Variables aleatorias
1-
0.95
= 0.05
5.99
=0.2777
Figura 3.14
Conclusin:
Existe suficiente evidencia para decir que el nmero de pacientes que
ingresan al consultorio por da sigue una distribucin discreta de
Poisson, considerando n=30, y =0.05
e) Prueba de Kolmogorov-Smirnov con = 0.05
H0 = El nmero de pacientes que ingresan al consultorio por da siguen
una distribucin Poisson
H1 = El nmero de pacientes que ingresan al consultorio por da no
siguen una distribucin Poisson
El resumen de los clculos de la prueba de Kolmogorov-Smirnov se
muestra en la tabla 3.15:
Clases
FO
1
2
3
4
5
6
7
8
4
6
7
5
4
2
1
1
30
Pi
Terica
0.1082
0.1876
0.2168
0.1879
0.1303
0.0753
0.0373
0.0566
1
Pi
Relativa
0.1333
0.2000
0.2333
0.1666
0.1333
0.0666
0.0333
0.0336
1
Terica
Acum.
0.1082
0.2958
0.5126
0.7005
0.8308
0.9061
0.9434
1
Tabla 3.15
86
Relativa
Acum.
0.1333
0.3333
0.5666
0.7332
0.8665
0.9331
0.9664
1
Diferencia
absoluta
0.0251
0.0375
0.0540
0.0327
0.0357
0.0270
0.0230
0
164
150
132
144
125
149
157
146
158
140
147
136
148
152
144
168
126
138
176
163
119
154
165
146
173
142
147
135
153
140
135
161
145
135
142
150
156
145
128
Tabla 3.16
Solucin:
a) Calculo del rango:
= 176 119 = 57
87
Variables aleatorias
Figura 3.17
d) Establecer las hiptesis nula y alternativa.
Los datos parece que siguen una distribucin Normal por lo tanto las
hiptesis son:
H0 = El tiempo para realizar la operacin de ensamble sigue una
distribucin Normal
H1 = El tiempo para realizar la operacin de ensamble no sigue una
distribucin Normal
e) Aplicar la prueba de Kolmogorov-Smirnov.
La distribucin seleccionada en este caso es Normal, se trata de una
distribucin continua y tendra que integrarse su funcin de densidad
pero es ms sencillo utilizar la transformacin de la distribucin Normal
Estndar N(=0,2=1) para el clculo de las probabilidades.
=
88
128.5 146.8
= 1.40
13.05
138.5 146.8
= 0.64
13.05
89
Variables aleatorias
(138.5 <
(148.5 <
(158.5 <
( > 168.5) = 1
= 1 0.9515 = .
FO
119 128
129 138
139 148
149 158
159 168
169 178
4
7
13
9
5
2
40
Pi
Terica
0.0808
0.1803
0.2906
0.2642
0.1356
0.0485
1
Pi
Relativa
0.100
0.175
0.325
0.225
0.125
0.050
1
Terica
Acum.
0.0808
0.2611
0.5517
0.8159
0.9515
1
Relativa
Acum.
0.1000
0.2750
0.600
0.825
0.950
1
Diferencia
absoluta
0.0192
0.0139
0.0483
0.0091
0.0015
0
Tabla 3.18
El valor de tablas para =0.05 (tabla de Kolmogorov-Smirnov) es: 0.252.
Como |0.0483| < |0.252| entonces no se rechaza H0.
Conclusin:
Existe suficiente evidencia para decir que el tiempo para realizar la
operacin de ensamble sigue una distribucin Normal, considerando
n=40, y = 0.05
Otra consideracin importante que se debe tener en cuenta es que
las variables muestreadas pueden seguir varias distribuciones pero
90
91
Variables aleatorias
Figura 3.19
Esta versin tiene ciertas limitantes en cuanto nmero de locaciones,
recursos, atributos, etc. pero funciona perfectamente para su uso
acadmico (ver figura 3.20):
Figura 3.20
92
Figura 3.21
Dentro de la ejecucin del Stat:Fit se debe iniciar un nuevo
documento (hoja en blanco de la barra de herramientas) e introducir los
datos de la variable a analizar, el uso de esta herramienta es muy
amigable e intuitivo (ver figura 3.22):
93
Variables aleatorias
Figura 3.22
Una vez que se introdujo la informacin se inicia el proceso mediante
el botn Auto::Fit o utilizando la barra de herramientas en el comando
Fit. Para el caso de los datos del ejemplo 3 los datos ya introducidos y
su correspondiente informacin de estadstica descriptiva serian como
se ve en las figura 3.23 y 3.24:
94
Figura 3.23
Figura 3.24
95
Variables aleatorias
Una vez que se dio clic en el botn Auto: FIT se despliegan las
distribuciones a las cuales se ajustan los datos, incluso se puede ver el
histograma y los polgonos de frecuencia de las distribuciones a las
cuales se hizo el ajuste (ver figuras 3.25 y 3.26):
Figura 3.25
96
Figura 3.26
97
Variables aleatorias
Ejemplo 3.4
Se toma una muestra de 100 llamadas a un centro de atencin
telefnico, la variable considerada es el tiempo de atencin en
minutos de un servidor. Los datos ordenados en una distribucin de
frecuencias, el histograma y el diagrama de dispersin son como se
muestran a continuacin en la figura 3.27:
Figura 3.27
La ecuacin de la recta es:
= +
y las respectivas ecuaciones
necesarias para aplicar el mtodo de mnimos cuadrados son:
=
+
= +
98
FO
(Y)
XY
X2
Y2
3
4
5
6
7
8
33
12
14
17
16
21
20
100
36
56
85
96
147
160
580
9
16
25
36
49
64
199
144
196
289
256
441
400
1726
Tabla 3.28
100 = 6 + 33
580 = 33 + 199
Resolviendo el sistema de ecuaciones por el mtodo que se desee
(sustitucin, reduccin, Gauss-Jordan, etc.) se obtiene:
a = 10.667, b = 1.7143
= 10.667 + 1.7143
Sustituyendo los valores de X se obtienen los valores ajustados de Y
= 10.667 + 1.7143(3) = 15.81
= 10.667 + 1.7143(4) = 17.52
= 10.667 + 1.7143(5) = 19.24
= 10.667 + 1.7143(6) = 20.95
= 10.667 + 1.7143(7) = 22.67
= 10.667 + 1.7143(8) = 24.38
99
Variables aleatorias
20
15
10
5
0
3
Figura 3.29
El valor de R2 es el coeficiente de determinacin y este mide la
dispersin de los datos originales respecto de la recta de ajuste. Un
valor de R2=1 hace un ajuste perfecto por lo que entre ms se acerque
a 1 mejor ser el ajuste que la recta haga de los datos. Un valor mayor
de 0.85 es considerado como bueno y podra considerarse la ecuacin
de la recta como la nueva f(x) de los datos. La manera de obtenerlo es
calculando primero el coeficiente de correlacin y luego elevarlo al
cuadrado.
=
( )
( )
6(580) (33)(100)
6(199) (33)
= 0.9310
100
6(100) (1726)
= 0.8668
101
Variables aleatorias
Distribucin
Discreta
Terica
Distribucin
Continua
Terica
Si los datos
analizados
tienen una.
( )
Mtodo de Montecarlo:
1. Obtener las probabilidades relativas de cada
valor de X.
2. Acumular las probabilidades hasta que la
suma sea 1.
3. Establecer clases o rangos con la probabilidad
acumulada.
4. Generar nmeros aleatorios y verificar que
valor corresponde de X para introducir al
modelo.
Discreta
Distribucin
Emprica.
Continua
1.
2
Ajustar a una tendencia lineal para checar si R
hace un buen ajuste de los datos.
2.
2
Si R 0.85 aplicar Transformada inversa.
Mtodo de Composicin:
Si el rea f(x) se puede dividir en dos o ms reas, se
aplica la transformada inversa a cada fi(x), siempre y
cuando Ai=1
Figura
3.30
Figura 3.30
102
( )=
Nota:
Es muy importante mencionar que lo expuesto en este punto
corresponde a la obtencin manual de los generadores, la mayora de
los lenguajes especficos simulacin traen su propio generador y solo se
tiene que introducir el tipo de distribucin deseado y los parmetros que
incluya dicha distribucin.
3.4.1 Ejemplos de obtencin de generador de variables aleatorias
a travs de mtodos manuales.
Ejemplo 3.5
Obtenga un generador de forma manual para la variable aleatoria
discreta del ejercicio 3.2 Utilizando:
a) La frmula de Poisson (distribucin terica a la cual se ajustaron los
datos).
b) El mtodo de Montecarlo (considerando los datos como distribucin
emprica).
Solucin:
a) Se sabe que, la frmula es:
( ) =
= 3.4667
= 0,1,2,3,4, ,
!
Por lo que se aplicar a cada valor posible de X hasta que la suma
de las probabilidades (considerndola en este caso de 4 dgitos) sea 1.
El generador es como se muestra en la tabla 3.31:
103
Variables aleatorias
X
0
1
2
3
4
5
6
7
8
9
10
11
12
13
P(X)
0.0312
0.1082
0.1876
0.2168
0.1879
0.1303
0.0753
0.0373
0.0162
0.0062
0.0022
0.0007
0.0002
0.0001
Acumulada
0.0312
0.1394
0.3271
0.5438
0.7317
0.8620
0.9372
0.9745
0.9907
0.9969
0.9991
0.9997
0.9999
1.0000
0
0.0312
0.1394
0.3271
0.5438
0.7317
0.8620
0.9372
0.9745
0.9907
0.9969
0.9991
0.9997
0.9999
Clases
R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
0.0312
0.1394
0.3271
0.5438
0.7317
0.8620
0.9372
0.9745
0.9907
0.9969
0.9991
0.9997
0.9999
1.0000
Tabla 3.31
Ntese que en la obtencin de este generador se utilizaron valores
de X que incluso no aparecen en el muestreo original (0, 9, 10, 11, 12 y
13) esto es porque ya se tiene la certeza que los datos muestreados
siguen una distribucin de Poisson, es por esta razn que se buscan las
distribuciones tericas en primera instancia.
La manera de generar los valores es como sigue:
Si R = 0.1287 entonces el valor que le corresponde es: X1= 1
Si R= 0.6103 entonces el valor que le corresponde es: X2 = 4
y as sucesivamente.
b) El mtodo de Montecarlo se basa nicamente en el muestreo y solo
aplica para valores puntuales, adems nunca va a generar un valor
que no se haya muestreado (ver tabla 3.32):
104
FO
1
2
3
4
5
6
7
8
4
6
7
5
4
2
1
1
30
Probabilidad
Relativa
0.1333
0.2000
0.2333
0.1667
0.1333
0.0667
0.0333
0.0333
1.0000
Acumulada
0.1333
0.3333
0.5667
0.7333
0.8667
0.9333
0.9667
1.0000
Clases
0.0000
0.1333
0.3333
0.5667
0.7333
0.8667
0.9333
0.9667
R
<R
<R
<R
<R
<R
<R
<R
0.1333
0.3333
0.5667
0.7333
0.8667
0.9333
0.9667
1.0000
Tabla 3.32
Ejemplo 3.6
Obtenga el generador para la distribucin terica exponencial continua y
genere 5 valores con = 5.
Solucin, en este caso se aplicar el mtodo de la transformada
inversa. La forma de la distribucin exponencial negativa y su respectiva
f(x) es como se muestra en la figura 3.33:
f(x)
( ) =
>0
Figura 3.33
105
Variables aleatorias
+ 1
+ 1 =
ln(
=1
) = ln( 1 )
= ln( 1 )
= ln( )
nota: 1-R R
= 5 (0.269) = 6.56
Si R2=0.819 entonces:
= 5 (0.819) = 0.99
Si R3=0.360 entonces:
= 5 (0.360) = 5.11
Si R4=0.454 entonces:
= 5 (0.454) = 3.95
Si R5=0.606 entonces:
= 5 (0.606) = 2.50
Ejemplo 3.7
Obtenga el generador de una distribucin uniforme continua y genere 5
valores si a=3 y b=7.
Solucin, recurdese que la f(x) de la distribucin uniforme es como se
muestra en la figura 3.34:
106
( )=
Figura 3.34
Puesto que se trata de una distribucin uniforme continua terica, se
aplicar el mtodo de la transformada inversa.
a) Dado f(x), calcular F(x):
( )=
=( )
+( )
107
Variables aleatorias
Figura 3.36
El polgono de frecuencias, los datos ajustados a la tendencia lineal y
el valor del coeficiente de determinacin se muestra a continuacin en
la figura 3.37:
108
R2=1
Figura 3.37
Con el coeficiente de determinacin se puede concluir que la
tendencia lineal hace un ajuste perfecto de los datos (en realidad no
importa la ecuacin de la recta para este punto lo que interesa es que
tanto se ajustan los datos a la tendencia lineal), por lo tanto para
obtener el generador de esta variable continua (suponiendo que
interesa generar valores cualquiera entre dos valores enteros) se
considera la forma lineal de la distribucin y se traza nuevamente la
distribucin pero en terminos de distribucin de probabilidad (ver figura
3.38):
109
Variables aleatorias
f(x)
B
3
1
=
36 12
A=1
b
1
h
Figura 3.38
Se tiene que recalcular la base mayor del trapecio ( para cerrar el
rea a 1):
( + )
=
2
1
3
+
12
1=
2
1
7
12 12 =
41
110
1
12 = 1 1
6
12
1
12
6
( ) =
1
12
1
1(1 ) 1
1
(1) =
12
12
12
12
1
12
1
12
42
1
12
4 = 1.
1
12
1
12
12
=0
= 0 12 = 12 = 0
12
12
4
2
1 1 4(1)(12 )
1 48 + 1
=
2(1)
2
111
Variables aleatorias
un valor de X=1 y con R=1 debe dar X= 4, esto sucede con el signo +
de la ecuacin y el generador finalmente queda de la siguiente manera:
1 + 48 + 1
2
R
0.000
1.000
0.946
0.759
0.476
0.954
0.809
0.607
0.011
0.255
X
1
4
3.90
3.55
2.94
3.92
3.66
3.24
1.11
1.82
Tabla 3.39
Ejemplo 3.9
La siguiente figura 3.40 representa la distribucin de una variable
aleatoria continua emprica que ya ha sido ajustada a tendencias
lineales mismas que hacen un buen ajuste de los datos originales.
Determine un generador para esta variable aleatoria.
112
A1
1/5
1
A2
2
Figura 3.40
Solucin:
a) Primeramente hay que encontrar el valor desconocido d para cerrar
las reas a 1. En este caso la distribucin puede dividirse en dos
reas A1 y A2, debe recordarse que A1 + A2=1. Son dos trapecios, por
lo tanto:
=1
1
1
5 +
+
2
1
1
5 =1
Despejando B se obtiene:
1
2
+
=
1 1
+
10 2
1
1
= 1 = 1
10
5
4
5
113
Variables aleatorias
Para f1(x):
4 1
5 5=
21
1
5 = 3 2
5
5
1
: ( ) =
2
3
5
5
Para f2(x):
1 4
5 5=
32
4
5 = 3 + 2
2
5
3
2 <
=
+ 2
5
: ( )
2
3
5
5
3
10
2
3(1 ) 2
3
(1) =
5
5
10
10
2
1
+
5
10
114
( )=
3
2
1
1
2 2+
=
10
5
10 2
( )=
( = 2) +
( )=
3
10
23
10
+2
1
3
2 10
+2
3(2 )
+ 2(2)
10
( )=
23
27
23 10
3
3 + 2(3)
= +6
=
=1
10
10
10
10 10
5
10
3
10
3
(
10
3
= 0)10
4 + 1 10 = 0
=
4
2
4 4 4(3)(1 10 )
4 4 + 120
=
2(3)
6
115
Variables aleatorias
4 + 4 + 120
6
0.5
Para F2(x):
23
3
+2
=
10
10
23
3
+2
= 0 10
10
10
20 + 23 + 10 = 0
4
2
=
20 20 4(3)(23 + 10 )
2(3)
20 124 120
6
Este generador aplicar para valores 0.5<R1 por lo tanto con R=0.5
debe dar X=2 y con R=1, X=3 por lo tanto evaluando con los dos valores
de R el primer generador queda as:
20 124 120
6
0.5 <
4 + 4 + 120
6
0.5
X=
20 124 120
6
116
0.5 <
3.5
Ejercicios propuestos
11
10
14
11
13
12
13
10
13
12
10
11
12
10
13
11
10
13
12
10
14
11
10
14
13
12
12
11
14
12
14
11
13
11
13
14
14
14
14
11
11
12
13
11
13
11
19
22
30
12
18
23
29
20
12
37
59
42
15
12
33
13
15
15
16
28
20
19
38
31
29
14
14
13
12
14
18
12
12
17
17
17
20
21
22
10
11
10
22
27
Frecuencia Observada
38
144
342
287
164
25
117
Variables aleatorias
1,207
1,418
1,399
1,309
1,421
1,020
1,340
1,603
1,783
1,419
1,539
1,648
1,581
1,949
1,041
1,426
1,329
1,400
1,459
1,699
1,618
2,162
1,634
1,978
1,277
1,403
1,379
1,288
1,407
1,442
1,823
1,237
1,431
1,373
1,637
640
1,305
1,744
821
1,394
718
1,593
1,451
1,325
1,557
1,542
1,649
1,736
1,472
1,532
1,558
1,545
1,457
1,962
1,138
1,590
896
1,631
1,607
1,222
1,077
1,219
1,118
1,032
1,449
1,263
1,592
1,142
1,662
1,567
1,640
1,790
1,319
896
1,533
1,289
1,455
1,788
982
1,425
1,591
1,221
1,739
1,188
1,537
1,500
1,510
695
2,051
1,501
1,981
1,550
1,551
1,972
1,540
2,091
1,849
1,671
1,760
803
1,677
1,668
1,091
913
1,612
1,714
2,187
1,829
118
1/3
1
119
Variables aleatorias
1/5
A1
3
120
A2
4
Capitulo 4:
Lenguajes de simulacin
121
Lenguajes de simulacin
122
123
Lenguajes de simulacin
124
Figura 4.1
Como todas las ap licaciones que se manejan en la
base de
Windows, tiene las op ciones comunes de la barra de herramientas
como:
125
Lenguajes de simulacin
Figura 4.2
126
s antes
Locations (locaciones).
Entities (entidades).
Arrivals (llegadas).
Processing (proceso).
Resources (recursos).
Path Networks (redes).
Attributes (atributos).
Variables.
127
Lenguajes de simulacin
128
Locations, o por medio de los boto nes de acceso directo que ofrece la
versin estudiantil 7, vea las figuras 4.3 y 4.4:
Figura 4.3
Figura 4.4
Cada que se utiliza un comando, se ver que adems de la ventan a
del rea de trabajo ( Layout) se despliega otra ventana en la p arte
superior donde se registra la infor macin de cada locaci n del modelo:
el cono ( Icon), nombre (Name), capacidad de la locacin ( Cap.),
129
Lenguajes de simulacin
rea de Trabajo
Grficos
Figura 4.5
En este caso las locaciones bsicas seran:
Una fila de entrada.
Un rea de servicio/cajero.
Salida.
130
Supuestos:
La fila tendr una capacidad para mximo 15 entidades que lleguen.
El cajero atender solamente de una en una persona (capacidad de
1).
Los clientes tardan un minuto en trasladarse del rea de caja a la
salida.
La capacidad de la locacin de la salida es infinita.
Es muy importante mencionar
locaciones:
131
Lenguajes de simulacin
Contador
Indicador grfico
de barras
Filas/Bandas
Ttulos/etiquetas
Luz de estado
Indicador de posicin
Figura 4.6
Para este ejercicio, la pr imera locacin elegida es la fila (se traza en
el Layout con el ratn como si se tratara de un a flecha con la direccin
deseada y para terminarla se da doble clic)
, por lo tanto hay qu e
modificar las caractersticas de est a en el Layout, haciendo doble clic
sobre el grfico se despliega un cuadro de dilogo en el cu al se marca
como fila ( Queue) se asigna la longitud de e sta (en este caso 25 ft) y
132
Figura 4.7
Posteriormente con los botones de comando especfico se asignan
etiquetas a cada locacin, a la fila se puede agregar adems un grfico
de barras p ara contabilizar en pant alla como se va llenan do la fila. E s
necesario hacer notar que una locacin puede contener varias
funciones grficas, en e ste caso la fila tiene su nombre (etiqueta, que
tambin se puede editar dando do ble clic sobre esta) y un indicador
numrico (que tambin se puede e ditar) adems de la locacin misma.
Todo lo que contiene una sola lo cacin est delimitado por una lnea
punteada cuando est activa dicha locacin, ver la figura 4.8:
133
Lenguajes de simulacin
Figura 4.8
2. Definir entidades
Se definen las Entities (entidades) que entraran al sistema, en este
caso llegan clientes a la fila de entrada de acuerdo a una distribucin
uniforme entre 4 y 8 minutos. Para hacer esto primero se da clic sobre
el comando Entities en el men de botones o travs del men Build,
ver figura 4.9:
Entities
Figura 4.9
Tambin aqu se despliegan dos ventanas adems del Layout, una
para los grficos y otra para los registros y sus campos. Se elige en este
caso la e ntidad Clientes se le asigna un grf ico (se pue de navegar
entre estos con la b arra de desplazamient o ubicada en la parte
134
Figura 4.10
Los campos que se pueden modificar son: Name (nombre), Speed
(la velocidad de desplazamiento) y Stats (estadsticos) que se desea
que aparezcan en el reporte de salida, en este caso no es necesario
cambiar los valores pre asignados.
3. Definir las llegadas
Asignar las llegadas con el coman do Arrivals que es e l botn que
se encuentra a un lado de la flecha diagonal azul, ver figura 4.11:
135
Lenguajes de simulacin
Figura 4.11
La ventana Arrivals tiene varios campos como: la entida d (Entity),
locacin (Location) a la que llegan las entidades, el tamao del lote que
llega (Qty Each), en que minuto comienzan a llegar las entidades ( First
Time), nmero de entidades que llegarn (Occurrences), la tasa de
llegadas (Frequency) y la lgica a seguir du rante la lle gada de la s
entidades (Logic).
Existen dos maneras de llenar los campos d e las llegadas: una e s
dando clic en cada botn superior de la ventana e ir eligiend o cada una
de las opciones existentes para ese campo. La otra es simplemente dar
clic sobre la locacin a la que llegar an las ent idades sobre el Layout y
se llenarn los campos con los valores pre asignados y posteriormente
cambiar solo lo que se requiera, ver figura 4.12:
Figura 4.12
Un campo que merece una espe cial atencin es el de la tasa d e
llegadas (Frequency) ya que como en este caso
se trata de un a
distribucin de probabilidad terica (uniforme e ntre 4 y 8) se debe esta
por medio del Constructor de Estatutos o Constructor Lgico (Logic
136
Figura 4.13
137
Lenguajes de simulacin
Figura 4.14
Una vez que se introdu cen los valores de la media y el rango medio
se da clic en el botn regresar ( Return) y posteriormente en pegar
(Paste). Vea la figura 4.15:
Figura 4.15
138
4. Definir el proceso
Enseguida se completar el mod elo definiendo la lgica de la
simulacin; para ello abra el men Build y elija Processing o por medio
del icono de acceso directo correspondiente, ver figura 4.16:
Processing
Figura 4.16
En esta ocasin se
desplegarn dos venta nas en la s que se
programar de manera secuen cial el pro ceso que siguen los clien tes
una vez qu e llegan al sistema: Process y Routing. En la primera s e
definen las operaciones que se harn sobre la entidad, y en la segund a
indicaremos la ruta secuencial en el proceso. Analizando el ejemplo, los
pasos son los siguientes:
1. Llegan los clientes a la fila de entrada y esperan para ser atendidos.
2. Los clientes pasan hacia el servidor y son atendidos.
3. Finalmente los cliente s se dirigen h acia la salid a en un tiempo que
toma un minuto.
4. Salen las entidades del sistema.
Cada uno de estos pasos
deber programarse de manera
independiente, es decir, en un registro por sepa rado. Se empezar por
definir la llegada de los clientes a la fila. Para ello:
Seleccione la entidad correspondiente en la ventana
Processing
haciendo clic en el botn Entity.
Para programar la localizacin donde llega la entidad (en este caso la
fila), hacer clic e n el botn Location; enseguida se desplegarn
todas las localizaciones previamente definidas.
139
Lenguajes de simulacin
Como en esta loca cin los clientes solo esperan para ser atendidos,
no se programa nada en la columna Operation. A con tinuacin se
definir la ruta de salida en la ventana Routing:
En este caso la entidad de salida sigue siendo el cliente por lo que se
hace clic en el botn Output y se selecciona cliente.
El destino del cliente es el servidor, as qu e se se lecciona esa
locacin en la columna Destination.
La siguiente columna, Rule, indica la regla de movimiento; el valor
predeterminado aqu es First 1, lo que significa que la entidad
avanzar tan pronto se tenga capacidad disponible en la localizacin
de destino y el 1 significa que entra una entida d y sale una entidad.
Esto por la razn de q ue en un momento dado, por ejemplo, si la
operacin fuera de corte, puede entrar un tronco y salir 5 tab lones, o
entrar una entidad de materia prima y salir 3 piezas cortadas, etc.
La ltima columna, Move Logic, determina el movi miento lgico de
salida; en este caso no existe ninguna condici n por lo que se dejar
en blanco este campo.
Una vez completada la primera lnea de programacin, deber
quedar como se ilustra en la figura 4.17
Figura 4.17
Continuando con el pro ceso, es necesario definir el pro ceso que se
llevar a cabo con la at encin del cliente. Se debe posicionar el cursor
con el mouse en el lado del Process sobre la lnea existente y oprimir la
tecla Enter para que se genere un nuevo registro en blanco y una vez
140
Cortar
Imprimir
Copiar
Compilar
Pegar
Deshacer
Buscar
Constructor
Lgico
Figura 4.18
141
Lenguajes de simulacin
Figura 4.19
El comando que est pr e asignado es el WAIT el cual se utiliza para
simular los tiempos de procesa
miento (servicio/operacin). Para
construir la expresin de la distribu cin de probabilidad, se hace clic
sobre el botn Time y enseguida aparece la venta de las funciones del
constructor lgico, se selecciona Distributions Functions, luego s e
selecciona la exponencial y se llena el campo p ara los parmetros qu e
utiliza esta distribucin (en este caso solo se tiene que llenar el campo
de la media ) se hace clic sobre Return, Paste y Close. Vea la figura
4.20:
142
Figura 4.20
La sintaxis general del comando es: WAIT<unidades de tiempo> y en
este caso la instruccin queda: WAIT E (6).
Para definir la ruta de salida de est e registro, se selecciona el cliente
de la colu mna Output y la siguiente locacin a la cu
al se dirige la
entidad es hacia la sa lida (seleccionar de columna Destination) el
campo Rule queda igual ( FIRST 1) y en este caso como de la locacin
del servidor hacia la salida le toma a la entidad un tie mpo de 1 minuto,
se debe dar clic en el botn
MOVE LOGIC aqu ap arecern el
constructor lgico, se d a clic sobre el martillo y aparecen otra ventana
con los comandos de m ovimiento, se elige MOVE FOR que es e l que
asigna el tie mpo de traslado a la en tidad y se le llena el campo con 1
minuto, se pega y se cierra para finalmente terminar esta instrucci n
(ver figura4.21):
143
Lenguajes de simulacin
Figura 4.21
La programacin completa de est e registro debe lucir como se
aprecia en la figura 4.22:
Figura 4.22
Observe que al def inir el segundo registro, la ventana de la ruta de
salida empieza de cero . Esto significa que la v entana de programacin
permite ver los procesos de man era secuencial, aunqu e la ventan a
correspondiente a la ruta de salida del pro ceso slo mostrar la
programacin correspondiente a la lnea seleccionada en la ventana de l
procesamiento.
144
Figura 4.24
5. Establecer el tiempo de simulacin
Finalizada la programacin, el sigu iente paso es definir el tiempo de
simulacin y el nmero de corridas, para ello:
Abra el men Simulation y haga clic en
el comando Options.
Enseguida se abrir la ventana correspondiente, en cuyo campo Run
Time se escribir 8 (por que la corrida est determin
ada como
solamente tiempo) y en el campo Number of Replications se puede
escribir el nmero de veces que se desea correr el modelo durante 8
horas, en e ste caso se anotar 30 , para espe cificar que se desea
realizar 30 corridas de tamao 8 horas cada una. Tambin se puede
145
Lenguajes de simulacin
Figura 4.25
El modelo est listo p ara ejecutarlo. Una vez que este corriendo
puede ajustarse la velocidad con la barra q ue aparece en la parte
superior de la ventana, o cancelar la animacin mediante el comando
Animation Off del men Options para acelerar el tiempo de ejecucin.
Al terminar la simulaci n de las 30 corridas de tamao 8 horas, se
desplegar un cuadro de mensaje confirmando la finalizacin del tiempo
programado y las opciones para ver los resultados (puede ser individual
por cada corrida o e l promedio de todas), p ara ver los resultados se
debe hacer clic en el botn Si. Enseguida se abrir una ventana con
varias fichas que muestran los resultados estadsticos de la simulacin.
146
Figura 4.26
Ficha Locations: Aqu se present a la informacin de cad a una d e
las locaciones, las horas simuladas, la capacid ad (cuando es infinita
se representa con 999999), el nmero total
de entidades que
entraron durante la simulacin, el t iempo promedio por entrada, el
promedio de contenid o por locacin, el co ntenido mximo po r
locacin, el nmero actual de entidades al momento de finalizar
la
simulacin y el porcentaje de utilizacin de cada locacin (vea figura
4.27).
147
Lenguajes de simulacin
Figura 4.27
Fichas Location States Multi/Locaction States Single: En la
primera de estas fichas se presenta la informacin de las locaciones
que tienen capacidad mayor a 1 a la vez durante la simulacin. Esta
informacin es la correspondie nte al tie mpo programado, el
porcentaje vacio de la loca
cin, el po rcentaje que estuvo
parcialmente ocupada la locacin, el porcentaje qu
e estuvo
totalmente llena y el p orcentaje que estuvo e n paro o d etenida la
locacin (ver figura 4.28). En la segunda las que tienen capacidad de
una entidad a la vez durante la simu lacin. Aqu se presenta adems
del tiempo programado los porcentajes que estuvo op erando la
locacin, del tiempo en preparacin, del tiempo en espera, el tiempo
ocioso, del tiempo que estuvo bloqueada y en paro (ver figura 4.29).
Figura 4.28
148
Figura 4.29
Ficha Failed Arrivals. Esta ficha lista las entid ades del modelo que
no pudieron entrar al sistema. Esto puede
ocurrir cuando existe
alguna locacin con capacidad limitada y esta est completa, alguna
entidad que llegue a l no poder ent rar es destr uida y eliminada del
sistema (ver figura 4.30).
Figura 4.30
Ficha Entity Activity: Esta refleja las estadsticas de cada entidad
definida en el modelo, tales como el total de e ntidades que salieron
del sistema, cantidad actual en el sistema al mo mento de finalizar la
simulacin, tiempo promedio en el sistema (W), tiempo promedio de
espera (Wq), tiempo promedio en operacin, t iempo promedio e n
149
Lenguajes de simulacin
Figura 4.31
Ficha Entity States: En esta ficha se puede encontrar un resumen
de los datos de la ficha Entity Activity pero en trminos porcentuales
(ver figura 4.32).
Figura 4.32
Finalmente para dar respuesta a los incisos d e ejercicio 1 se tiene
que:
a) Cul es el tiempo promedio que permanece un
sistema?
150
cliente en el
151
Lenguajes de simulacin
Figura 4.33
Figura 4.34
4.5.2 Refinamiento progresivo del modelo
Como se mencion en el captulo 1, en los pasos para desarrollar un
modelo de simulacin, el
modelo creado pue de refinarse
progresivamente para a gregar detalles que lo harn describir de una
manera ms real el sistema que se quie
re representar. En los
152
Probabilidad
0.20
0.35
0.25
0.10
0.10
Tabla 4.36
c) Poner variables visib les en el Layout para che car cuantos clientes
entran de cada tipo y etiquetarlas.
d) Poner variables visibles en el Layout para l os tipos de alimentos
seleccionados y etiquetarlas.
Para agregar lo anterior al modelo se realizarn lo siguiente:
1. Definir Variables
Para realizar esto, se p ueden definir dichas variables por medio del
men Build y dar clic e n el comando Variables Global o dando clic en
el botn de acceso directo que se encuentra debajo de los mens (ver
figura 4.37).
153
Lenguajes de simulacin
Figura 4.37
Enseguida se desplegar en pant alla la ventana de definicin de
variables, se anota el nombre
de cada vari able en el campo ID y
posteriormente se da clic en el Layout para verlas grficamente (son de
tipo enteras pre asignadas) mismas que se ilustran en la figura 4.38.
Figura 4.38
154
Figura 4.39
Enseguida se da clic so bre el botn para texto (el que tiene la A) y
posteriormente dar clic en el Layout, aparece un cuadro en el cual se
puede anotar el nombr e, modificar el color de relleno, la forma de la
etiqueta, etc. tal como se ve en la figura 4.40.
155
Lenguajes de simulacin
Figura 4.40
Finalmente las etiquetas para la variable que dan de la siguiente
manera (ver figura 4.41):
156
Figura 4.41
2. Definir distribuciones empricas
El siguiente paso es d efinir las distribucione s empricas para las
variables que se han de finido. Para esto dar clic en el botn U que se
encuentra debajo del men de opciones, vea la figura 4.42.
Figura 4.42
Se despliega una ventana con opciones para modificar el nombre de
las distribuciones, el tipo (en este caso discretas), si son acumulativas o
no y para definir las tablas con los valores probabilsticos ( dar clic en el
botn Table) tal como se ilustra en la figuras 4.43 y 4.44.
157
Lenguajes de simulacin
Figura 4.43
Figura 4.44
3. Modificar grficos de la entidad
Para esto se da clic en e
l botn en tidades mencionados
anteriormente y se desactiva la
casilla New de la ventana
Entity
Graphics. Enseguida aparecern nuevos lugares para definir ms
conos (grficos) que id entifican la misma entidad; Se podr observar
que uno de los e spacios es o cupado por la e ntidad que se seleccion
anteriormente, ese ser el icono para los clientes tipo 1(que son los que
piden para llevar), ahora se da clic en el lugar inmediato a la derecha
para indicar que se seleccionar otro icono d e la misma entidad. D e
preferencia se recomienda seleccionar el mismo icono par a los clientes
tipo 2 solo cambiando el color de este a travs del bot n Edit de la
misma ventana (vea la figura 4.45)
158
Figura 4.45
4. Definicin de atributos
Los atributos en este caso son: tipo de cliente y tipo de men que
un cliente puede ser o seleccionar, el atribu to nos ayu da a que las
entidades se puedan clasificar o a resaltar alguna caracterstica que se
considere importante para el modelo, en este caso se co nsideran los
dos tipos de atributos mencionados anteriormente. Para hacer esto, dar
clic en el botn A que se encuentra debajo del men o ir a Build y luego
Attributes, vea la figura 4.46.
159
Lenguajes de simulacin
Figura 4.46
Enseguida se despliega la ventana Attributes y se definan los
nombres de cada atributo en el campo ID, ver figura 4.47.
Figura 4.47
5. Modificar las llegadas
Enseguida se modificar el campo Logic en la s llegadas (Arrivals)
para indicar que cuand o se gener en las lle gadas de los clientes se
clasifiquen como tipo 1 y 2 (atributos previamente establecidos) y de
acuerdo a la distribuci n de usuario que se e stableci anteriormente.
Para esto se da clic en el comand o Arrivals del men Build (o en e l
botn destinado para e stas abajo del men). Se hace clic en e l botn
Logic y en seguida se despliega una ventana de dialogo que permite
programar ciertas condiciones lgicas en el ProModel, dar clic en el
martillo para que aparezca el constr uctor de estatutos. Como lo que s e
va a crear no es un estatuto propiamente sino que es una expresin que
utilizar atributos y tab las de u suario, se da clic en el botn Build
Expression, ver figura 4.48.
160
Figura 4.48
Enseguida se selecciona Attributes y se selecciona Tipo de cliente
de los atrib utos que aparecen en el campo central, Se ve r que en el
campo superior se empieza a definir la expresin de tipo d e cliente, se
debe escribir el signo igual despus de esta para igualar a la
distribucin de usuario previamente establecida, ver figura 4.49.
161
Lenguajes de simulacin
Figura 4.49
Enseguida en el camp o Logic Elements se desliza la barra de
desplazamiento hasta que aparezca la opci n User Distributions, se
selecciona esta aparecen en el ca mpo central dos opciones que no son
otra cosa que las distribucio
nes previamente establecidas,
se
selecciona: Distribucin de tipo de cliente y enseguida se ver que la
expresin completa se ha formado en el campo superior. Se da clic e n
Paste y se repite todo el proceso para el atributo de tipo de men a
seleccionar, ver figuras 4.50 y 4.51.
162
Figura 4.50
Figura 4.51
163
Lenguajes de simulacin
Figura 4.52
6. Modificar el proceso
Finalmente solo queda modificar el proceso de l modelo. Para esto
primero dar clic en e l comando Processing del men Build o en el
botn destinado para ello debajo de l men. Como los clien tes cuando
entran al sistema se supone que ya saben si su pedido es para llevar o
comer ah mismo, en la Fila de entrada se indicar lo siguiente:
Si el tipo de cliente es para llevar (1) entonces incrementar la variable
Clientes para llevar y utilizar el grfico1 para esta entidad.
Si el tipo de cliente
es para consumo ah mismo (2) entonces
incrementar la variable Clientes p ara consumo local y utilizar el
grfico 2 para esta entidad.
Para esto, hacer clic e n el botn Operation de la ventana Process
en el registro de la fila de entrada, aparece la ventana Operation y haga
clic en el martillo para comenzar las instruccion es lgicas. Al hacerlo se
abrir el constructor de estatutos, que contiene todos los comandos de
programacin existentes. Como son varias instrucciones, se enlistan a
continuacin la secuencia de las instrucciones:
a) Seleccionar el comando IF-THEN-ELSE y da r clic en Condition,
aparece la ventana de elementos lgicos y seleccionar Attributes,
seleccionar el atributo Tipo de Cliente y hacerlo igual a 1.
164
165
Figura 4.54
A continuacin, deber situarse en el segundo registro de la ventana
Process que es cuando el cliente est en la locacin: servidor, aqu
es cuando este hace su pedido y es atendido por el servidor, as que
aqu tambin se realizarn las siguientes actividades:
Si el tipo d e men qu e pide el cliente es ig
incrementa la variable: Men tipo 1.
Si el tipo d e men qu e pide el cliente es ig
incrementa la variable: Men tipo 2.
Si el tipo d e men qu e pide el cliente es ig
incrementa la variable: Men tipo 3.
Si el tipo d e men qu e pide el cliente es ig
incrementa la variable: Men tipo 4.
Si el tipo d e men qu e pide el cliente es ig
incrementa la variable: Men tipo 5.
167
Lenguajes de simulacin
Figura 4.55
El modelo est listo para correrlo nuevamente. En la siguiente figura
4.56 se ilustra el Layout con las variables agregadas durante la corrida.
Corresponde al estudiante analizar la informacin obtenida en el reporte
168
Figura 4.56
4.5.2.2 Uso de comando ROUTE
Ejemplo 4.3
Tomando como base el ejercicio an terior (guardar como ejercicio 3), se
le agregar que los clientes que
permanezcan en el local para su
consumo pasan a un rea de comedores (se tienen 5
mesas con
capacidad para 2 personas cada una) y permanecen un tiempo q
ue
sigue una distribucin normal con media de 25 minutos y una desviacin
estndar de 5. Posteriormente se dirigen a la salida (suponga que duran
un minuto en trasladarse del rea de comedores a la salida).
Se tendr que agregar al modelo lo siguiente:
1. Modificar las locaciones
En el comando Locations, en la ventana Graphics (con la casi lla
New activada), seleccionar un icono apropiado para simular las mesas,
se debe seleccionar solo uno y en la venta na superior Locations
modificar el nombre, la capacidad y el n mero de unidades. Edite las
169
Lenguajes de simulacin
Figura 4.57
2. Modificar el Proceso
En el segundo registro cuando lo s clientes estn con el servidor,
hacer clic en el botn Operation y debaj o de las instruccion es
existentes agregar otra decisin lgica que haga lo siguiente:
Si el tipo de cliente es igual a 1 entonces dirigirse a la salida.
Si el tipo de cliente es igual a 2 entonces dirigirse a los comedores
Si los clientes terminan su tiempo de consumo dirigirse a la salida.
Para hacer esto en el campo
Operation dar clic en el martillo y
utilizar el e statuto IF-THEN-ELSE con el atributo correspondiente, en
este caso T ipo de client e como se ha mencionado anterior mente, solo
que en la condicin Statement se utiliza el estatuto ROUTE y anotar el
170
Figura 4.58
En el Routing for correspondiente en la primer salida se tiene
marcado el bloque por defecto como 1 y la locacin es Salida con un
MOVE FOR 1, aqu es a donde se dirigirn los clientes tipo 1. Vea figura
4.59
Figura 4.59
Para crear la locacin a donde se dirigirn los clientes tipo 2, se debe
dar Enter para crear otro registro en
blanco y posteriormente
seleccionar la entidad de salida,
en el destino ser a la locaci
n
comedores, en lo referente a el botn Rule, hacer clic para que se
despliegue la ventana de opcione s y en la casilla Start New Block
marcarla para indicar que ser el nuevo bloque, ver la figura 4.60.
171
Lenguajes de simulacin
Figura 4.60
Finalmente los dos reg istros quedan como se muestra en la figura
4.61.
Figura 4.61
Falta agregar en el p roceso cuando los clientes estn en lo s
comedores y luego se dirigen a la salida. Para esto se puede insertar un
registro en blanco entre la locacin Servidor y Salida, simplemente
situar el cur so en la locacin Salid a y en el men Edit hacer clic e n
Insert. En el registro en blanco seleccionar la entidad (dando clic en los
botones correspondientes superiores), la locacin que en este caso es
Comedores y en el campo Operation dar clic para que se despliegue
172
Figura 4.62
El modelo qued terminado y se pu ede correr para su anlisis. En la
siguiente figura 4.63 se puede ver el
Layout durante la corrida de l
modelo.
Figura 4.63
173
Lenguajes de simulacin
174
Llegadas:
Al sistema llega una caja a la fila de monitor, a la fila de caja y a la
banda de tarimas; con una ocurrencia infinita en todas. A la fila monitor
llega la caja en un tiempo cero y despus llegar cada tres minutos. A la
fila cajas llega una caja y esta llega r al sistema un minuto despus de
haber iniciado la corrida de produ ccin y despus llegar cada tres
minutos. A la banda de tarimas llegar una caja cuando haya corrido la
produccin cinco minutos y despus llegar cada cinco. Utilizar el
estatuto GRAPHIC en fila de cajas y en banda de tarimas para cambiar
la apariencia de la enti dad en estas dos locaciones. Utilizar tambin el
estatuto INC para contabilizar lo s productos embarcados. Ejecutar el
modelo por 8 horas.
Realizacin del modelo conceptual o esquemtico del sistema
Antes de realizar el modelo en ProModel, es muy t il hacer u n
anlisis del sistema utilizando un modelo conceptual o un esquema con
la toda la informacin existente del sistema qu e se de sea modelar. El
modelo conceptual o esquemtico es como se muestra en la figura 4.64.
175
Lenguajes de simulacin
Estacin de
Trabajo
Wait = 1
Fila Empaque
Zona de
empaque
Wait = 0.5
Fila Cajas
Banda de
Embarque
Exit
Zona de
Embarque
Wait = 2
Figura 4.64
1. Definir locaciones
Recurdese que el primer paso en ProModel es definir las locaciones
fsicas del modelo, en este caso:
1.
2.
3.
4.
5.
176
177
Lenguajes de simulacin
Figura 4.65
De la misma manera , en la figura 4.66 e st la edicin de la s
caractersticas de una banda transportadora (con la casilla Conveyor
activada). Cuando se e dita una ba nda, se tien e adems otro botn de
opciones especiales para las bandas ( Conveyor options) donde se
puede especificar si la banda e s de rodillos (marcando la casilla
Accumulating) o de cinta (si no se marca la casilla Accumulating) y la
velocidad de desplazamiento. En este caso se considerar a las bandas
como de rodillos (marcar casilla Accumulating).
178
Figura 4.66
En las siguientes figura s 4.67 y 4.68 se ilustr an los registros de las
locaciones del modelo y el Layout con los grficos respectivamente.
Figura 4.67
179
Lenguajes de simulacin
Figura 4.68
2. Definicin de entidades
El siguiente paso en la construcci n del modelo ser la definicin de
las entidades. Para ello es necesar io desplegar la ventana apropiada
mediante el comando Entities del men Build. En este caso la entidad
es una caja que se mover en tod o el sistema con dime nsiones de 1
metro por 1metro. Se definirn adems tres grficos para la mis
ma
entidad como se mencio n anteriormente en el paso 3 de l ejercicio 4.2.
Recuerde que en el botn Edit se puede cambiar el color del grfico
seleccionado. La definicin de
la entida d y los tres grfico
s
seleccionados se muestran en la figura 4.69.
180
Figura 4.69
3. Definicin de las llegadas
El siguiente paso en la construcci n del modelo es la definicin de
las llegadas de la e ntidad al siste ma; abrir el men Build y comando
Arrivals (o el botn de acceso directo ya mencionado a nteriormente).
Debe recordarse que en las ventanas que se despliegan en cada
comando aparecen botones de acceso para elegir las opciones de cada
campo, siempre y cua ndo dicho botn est resaltado, si no aparece el
botn resaltado entonces en el campo hay que escribir directamente la
opcin deseada. En el caso de las llegadas d e este modelo, llega u na
caja vaca a la fila de m onitores en el momento que iniciar la corrida,
otra caja a la fila de cajas un min uto despus y otra a la banda de
tarimas 5 minutos despus con
frecuencias de 3, 3 y 5 minutos
respectivamente. Para generar ms de un regist ro solo se tiene que dar
Enter sobre este para generar los dems. En la siguiente figura 4.70 se
ilustran las llegadas del modelo.
181
Lenguajes de simulacin
Figura 4.70
4. Definir Variable
Dar clic en el botn de acceso directo o por m edio del men Build y
Variables (global). En el campo name se nombrar a la variable co mo
Embarcados, si se desea que la variable aparezca fsicamente solo se
tiene que dar clic en el lugar deseado en el Layout (ver figura 4.71).
Figura 4.71
182
5. Definir el proceso
Este es el paso ms importante p orque es donde se establece la
lgica de pr ocesamiento del modelo. Ejecutar el comando Processing
del men Build. Para programar las opera ciones y r utas que se
aplicarn a las entid ades, se proceder como en los ejemplos
anteriores, seleccionando del botn superior de la ventana Process, las
entidades, a que locacin llegan, que operacin se realiza en estas y en
la ventana de Routing for cual es la ent idad de salida, la locacin de
destino, bajo que regla de salida se ajustar y en este caso no hay nada
que cambiar en Move Logic ya q ue es sola mente una caja que se
desplaza por todo el sistema. Cuan do llega la entidad a cada locaci n
asignada se utilizar e l estatuto GRAPHIC para asignar el nmero de
grfico correspondiente, en el campo Operation.
Recurdese que para programar los tiempos de procesamiento se
realiza en el campo OPeration, dar clic e n el martillo y aparec e el
constructor de estatutos, la instruccin para el tiempo de proceso es
WAIT y el tiempo es de acuerdo a alguna distribucin de p robabilidad
por lo que en el botn Time del mencionado constructor de estatutos
manda directamente a los elementos lgicos d nde se encuentran las
distribuciones de prob abilidad (Distribution Functions). En el ltimo
registro del campo Operation adems del tie mpo de proceso (Poisson
con media de 2) se utilizar el estatuto INC para incrementar la variable
Embarcados que se pide.
En la sigu iente figura 4. 72 se pued e ver el pro cesamiento completo
del modelo y en la figur a 4.73 se v e la ltima instruccin que incluye el
incremento de la variable.
183
Lenguajes de simulacin
Figura 4.72
Figura 4.73
Finalmente el modelo est listo para correrlo. Es importante sealar
que en el men File en el comando View Text, se pue de ver toda la
programacin en texto, o enviarla como un archivo de texto (con el
comando Print Text) a algn directorio y posteriormente abrirlo con la
aplicacin Word. En el siguiente cuadro 4.74 se puede ver la s
instrucciones de procesamiento del modelo.
184
Name
Fila_de_Monitores
Fila_de_Cajas
Estacion_de_Trabajo
Fila_de_Empaque
Zona_de_Empaque
Banda_de_tarimas
Banda_de_Embarque
Zona_Embarque
Cap
5
5
1
5
1
INFINITE
INFINITE
1
Name
Speed (mpm)
Caja_Vacia
20
Entity
Caja_Vacia
Caja_Vacia
Caja_Vacia
Caja_Vacia
Caja_Vacia
Caja_Vacia
Caja_Vacia
Caja_Vacia
Units
1
1
1
1
1
1
1
1
Locations
Stats
Time Series
Time Series
Time Series
Time Series
Time Series
Time Series
Time Series
Time Series
Location
Fila_de_Monitores
Fila_de_Cajas
Banda_de_tarimas
ID
Type
Embarcados Integer
.
.
Cost
FIFO,
FIFO,
,
FIFO,
,
FIFO,
FIFO,
,
Entities
Stats
Cost
Time Series
Processing
Process
Location
Operation
Blk
Fila_de_Monitores
GRAPHIC 1
1
Fila_de_Cajas
GRAPHIC 2
1
Estacion_de_Trabajo WAIT E(1)
1
Fila_de_Empaque
1
Banda_de_tarimas
GRAPHIC 3
1
Zona_de_Empaque
WAIT U(1,0.5) 1
Banda_de_Embarque
1
Zona_Embarque
WAIT P(2)
1
INC Embarcados
Entity
Caja_Vacia
Caja_Vacia
Caja_Vacia
Rules
Oldest,
Oldest,
Oldest,
Oldest,
Oldest,
Oldest,
Oldest,
Oldest,
.
.
.
Output
Caja_Vacia
Caja_Vacia
Caja_Vacia
Caja_Vacia
Caja_Vacia
Caja_Vacia
Caja_Vacia
Caja_Vacia
Routing
Destination
Estacion_de_Trabajo
Estacion_de_Trabajo
Fila_de_Empaque
Zona_de_Empaque
Zona_de_Empaque
Banda_de_Embarque
Zona_Embarque
EXIT
Arrivals
Qty Each
First Time Occurrences
1
0
INF
1
1
INF
1
5
INF
Variables (global)
Initial value Stats
0
Time Series
Frequency
3
3
5
Logic
Rule
FIRST
FIRST
FIRST
FIRST
FIRST
FIRST
FIRST
FIRST
.
1
1
1
1
1
1
1
1
.
.
.
.
Cuadro 4.74
185
Lenguajes de simulacin
Figura 4.75
4.5.3.2 Modelo con estatutos JOIN, LOAD/UNLOAD y cambio de
entidades
Como se habr observado, en el eje rcicio 4.4 lo nico que se mueve
por el sistema de filas y bandas es una caja vaca, pero lgicamente la
intencin es complementar gradualmente un modelo en el que u
n
monitor se meta a una caja vaca en la estacin de trabajo y de ah
186
Ejemplo 4.5
Se modificar el sistema de filas y bandas del ejercicio a nterior para
desarrollar operaciones de ensamble y carga de piezas en otra pieza.
Guarde el ejercicio 4.4 como ejercicio 4.5 para iniciar la modificacin.
1. Agregar Entidades.
Las entidades que se incorporarn al modelo, adems de la caja vaca
que ya se tena son. Monitor, Ca ja Llena, T arima y Tarima Llena, la
dimensin que se considerar para las entid ades que entran a la s
bandas es de 1 por 1 metros.
Para realizar esto, se h abr observado que en el men de grficos
no existe el monitor ni la caja ce
rrada. Existen dos opciones para
incorporar estos grficos:
a) Crear el grfico en el e ditor grfico (Graphic Editor) que incluye el
ProModel.
b) Importar el grfico de otra aplicacin como la galera de imgenes de
Word, Corell Draw, Paintbrush, etc.
1. En el primer caso, para crear el grfico, dar clic en el men Tools en
la opcin Graphic Editor, se a bre una ve ntana como la que se
muestra en la figura 4.76.
187
Lenguajes de simulacin
Figura 4.76
Enseguida, se modificar la caja va ca para insertar el grf ico caja
llena. Primero se hace doble clic e n la caja vaca para ap arezca en e l
rea de trabajo y en el men Options se incrementa el zoom al 400%
para verlo ms grande y se modifica este marcando las h ojas de la caja
con el mou se y dando en la tecla suprimir, h asta que la caja parezca
que est cerrada, ver figura 4.78.
Figura 4.78
Para incorporar esta nueva figura a la biblioteca de grficos, se hace
clic en el ltimo cuadro que est a la derecha del ltimo grfico en la
parte superior, posterior mente en la parte inferior en el re cuadro de la
izquierda se pone el no mbre de la figura, finalmente se d a clic en el
188
Figura 4.79
En el segundo caso, si se crea completamente la figura, se pueden
elegir las f iguras que se encuentra n a la izquierda, se pu ede insertar
una figura en otra, cambiar colores de relleno, pegar una figura a otra ,
etc. Ver figura 4.80
Figura 4.80
2. Para importar un grafico de otra ap licacin como Word, slo se tie ne
copiar la imagen y en e l editor grfico de ProModel en el men Edit,
se elige la opcin Paste BMP y aparece el g rafico en el rea de
trabajo, para incorporarlo a la biblioteca se hace como se mencion
anteriormente en el inciso anterior.
Continuando con el ejercicio, se seleccionarn las nuevas entidades.
En la figura 4.81 se muestran las entidades pedidas, el p rocedimiento
para esto ya se ha mencionado
anteriormente por lo q ue se har
189
Lenguajes de simulacin
Figura 4.82
2. Arribos.
Al sistema llega un mon itor, una caja vaca y un a tarima vaca; con una
ocurrencia infinita en todos. Llega un monitor a la fila de monitor en un
tiempo de cero, y despus llegar cada tres minutos. A la fila cajas llega
una caja vaca un minuto despu s de habe r iniciado la corrida d e
produccin y despus llegar cada tres minutos. A la banda de tarimas
llegar una tarima cu ando haya corrido la produccin 5 minutos y
despus llegar cada 5 minutos. Como ya se tienen la s llegadas del
ejercicio anterior, solo hay que cambiar la entidad en la Fila
de
Monitores y en la Ba nda de tarimas por el monitor y la tarima vaca
respectivamente. Las llegadas modificadas ( Arrivals) quedan de la
siguiente manera (ver figura 4.83):
190
Figura 4.83
3. Proceso.
Llega a la fila de cajas una caja vaca y a la fila de monitores, un monitor
que ser ensamblado en la caja vaca. Ambas piezas ( caja vaca y
monitor) se dirigen a la siguiente estacin de trabajo en donde se realiza
una operacin que consume un tiempo de cuatro minutos para empacar
el monitor en la caja; de esta estacin sale una caja llena. De aqu, pasa
la caja llena a una fila de empaque que conducir a esta hasta una zona
de carga e n donde se cargar so bre una tarima vaca, e l tiempo de
carga ser de 1 minuto. Posteriormente, sale la tarima llena con destino
a la banda de embarqu e y de aqu a zona de embarque, en donde se
descargar la caja llena de la tarima en un tiempo de 1.5 minutos. La
tarima vaca regresar para ser reciclada a la banda de tarimas en un
tiempo de 3 minutos, y la caja llena sale del sistema.
Para modificar el Processing, se revisar registro por registro para i r
haciendo los cambios gradualmente.
1. En el primer registro d ebe entrar u na caja vaca a la fila de cajas y
salir una caja vaca con destino a la estacin de trabajo, solo se debe
eliminar el estatuto GRAPHIC que se tena a nteriormente, ya que
ahora se tiene un grfico para cada entidad.
2. En el segundo registro entra un monitor a la fila de monito res y sale
un monitor con destino a la estacin de trabajo. Es importante
sealar que en el campo Rule debe marcarse la opcin If Join
Request para indicar que esta entidad se unir a otra. Ver figura 4.83
191
Lenguajes de simulacin
Figura 4.83
3. En el tercer registro entra una caja vaca a la e stacin del trabajo y
en el campo Operation se da clic sobre el martillo para que aparezca
el constructor de est atutos, antes del estatuto WAIT, debe
seleccionarse el estatuto JOIN, en el campo Quantity se asigna 1 y
enseguida aparece otra ventana do nde aparecen tres botones en la
parte superior, en la que dice Entity se selecciona el monitor y lueg o
se pega con el bot n Paste. El tiempo de operacin puede
modificarse ah directamente, por simplicidad los tiempos ahora son
constantes, la entidad de salida es la Caja Llena, as es, cuando se
utiliza el estatuto JOIN entra una entidad y debe salir otra.
4. En el cuarto registro, entra una caja llena a la fila de empaque y sale
una caja lle na con dest ino a la zon a de empaq ue, tambin aqu se
debe modificar el campo Rule, como esta caja llena se cargar sobre
la tarima vaca, debe indicarse marcando la opcin If Load Request.
Ver figura 4.84.
192
Figura 4.84
5. En el quinto registro entra una tarima vaca a la banda de t arimas y
sale una tarima vaca con destino a la zona de empaque.
6. En el sexto registro entra una tarima vaca a la zona de empaque, se
carga esta con una caja llena y s ale una tarima llena. Para hacer
esto, en el campo Operation se da clic sobre el martillo para que
aparezca el constructor de estatutos, antes del estatuto WAIT, debe
seleccionarse el estatuto LOAD, en el campo Quantity se asigna 1 y
luego se pega con el b otn Paste aqu no es necesario especificar
de cual e ntidad se trata, con el If Load Request asignado
previamente es suficiente para indicar que esa entidad es la que se
cargar en la entidad que se encuentra a la locacin
actual. Es
importante comentar que tambin existe un estatuto UNLOAD que se
aplica para descargar, a diferencia del JOIN que lo que se uni como
otra entidad no se puede desunir despus. El tiempo de operacin se
193
Lenguajes de simulacin
194
Process
Processing
Routing
Entity
Caja_vacia
Monitor
Caja_vacia
Location
Operation
Blk Output
Destination
Rule
Move Logic
Fila_de_cajas
1 Caja_vacia
Estacion_de_trabajo FIRST 1
Fila_de_Monitores
1 Monitor
Estacion_de_trabajo JOIN 1
Estacion_de_trabajo JOIN 1 Monitor
wait 4
1 Caja_Llena
Fila_de_empaque
FIRST 1
Caja_Llena
Fila_de_empaque
1 Caja_Llena
Zona_de_empaque LOAD 1
Tarima_Vacia Banda_tarimas
1 Tarima_Vacia Zona_de_empaque FIRST 1
Tarima_Vacia Zona_de_empaque LOAD 1
wait 1
1 Tarima_Llena Banda_de_embarque FIRST 1
Tarima_Llena Banda_de_embarque
1 Tarima_Llena Zona_de_embarque
FIRST 1
Tarima_Llena Zona_de_embarque UNLOAD 1
wait 1.5
1 Tarima_vacia Banda_tarimas
FIRST 1 MOVE FOR 3
Caja_Llena Zona_de_embarque INC Embarcados
1 Caja_Llena EXIT
FIRST 1
Cuadro 4.85
En la figura 4.86 se muestra el Layout ejecutando la corrida del modelo:
Figura 4.86
195
Lenguajes de simulacin
196
Figura 4.87
Igual que en los com andos utilizados anteriormente, existe una
ventana para los registr os de las r edes en la parte superior donde se
especifica el nombre de la red, el tipo de
red, la ruta ( Path), las
interfaces, etc., y otra ventana e n la parte izquierda donde se va
estableciendo de dond e a dnde va la red, si es bid ireccional y la
distancia de esta.
Para trazar la red se tiene que utilizar el mouse, se hace clic cerca de
la locacin inicial dond e har interf ace y aparecer un pun to pequeo
(llamado nodo) y se arrastra el mouse hasta
la otra locacin dond e
tambin interactuar el r ecurso, para finalizar se hace doble clic, en la
parte izquierda se puede ver de donde a dnde va la red (del nodo1 al
nodo 2), se r bidireccional (BI) y la distan cia se puede corregir ah
mismo, en este caso es de 15 metros. Si es necesario que la red
presente cambios de d ireccin, esto se h ace dando otr a vez clic y
moviendo el mouse en la dire ccin deseada. Ver figura 4.88 para
197
Lenguajes de simulacin
Figura 4.88
En el botn Interfaces de la ventana superior inicialmente aparece el
valor 0, para especifica r las interfa ces se hace clic sobre este y la
ventana de la izquierd a cambia p or otra que solo tiene dos campos:
nodo y locacin. Enseguida se sita el puntero del mouse en el primer
nodo (cambia la punta del mouse por una pequea cruz) y se da clic, s e
ver que sa le una lnea punteada del nodo y s e debe dirigir esta a la
locacin con la que har interface finalmente hacer clic sobre la locacin
y listo, en la ventana de la izquierda ap
arecen los nodos y las
locaciones, vea figura 4.89. Observe que en el campo
Paths de la
ventana superior aparece el valor 1 y en el campo Interfaces aparece el
valor 2.
198
Figura 4.89
Para definir la segunda red se procede de manera similar, se pone el
cursor en el registro que dice Red 1 y se da Enter para generar otro
registro en blanco. E nseguida como se va a interact uar con tre s
locaciones se harn dos segmentos ( Paths) para construir la red 2, uno
va de la zona de emb arque a la zona de car ga dejando nodos 1 y 2
respectivamente, luego del mismo nodo 2 (se sita el puntero del mouse
en ese nodo) se traza otra ruta ha cia la banda de embarq ue para hacer
el nodo tres cerca de la locacin mencionada, posteriormente se definen
las interfaces como se hizo en la red anterior y listo. Ver las siguientes
figuras 4.90 y 4.91.
199
Lenguajes de simulacin
Figura 4.90
200
Figura 4.91
3. Definicin de Recursos
En el men Build en el comando Resources se puede acceder a la
definicin de los recursos o travs del botn de acceso dir ecto que est
a un lado del de las redes, vea la figura 4.92.
Figura 4.92
Una vez qu e se entra al comando Resources, tambin tiene una
ventana superior donde se especifica el grfico del recurso, el nombre,
el nmero de unidades, si tiene tie mpos muertos, etc. en la ventana d e
201
Lenguajes de simulacin
Figura 4.93
Enseguida se le asignar la ruta por la que se mover el recurso, eso
es a travs del campo Specs, aparecer un cuadro de dialogo en el
cual primero se elige la Red 1 del recuadro d onde dice Path Network,
ah vienen varias opciones para cambiar como en la parte de los nodos
se marca el nodo base (Home) y si se desea que regrese a este si el
recurso est ocioso, en la parte del movimiento (Motion) se asignan la
velocidad del recurso cargando, vacio, el t iempo para depositar y
recoger, etc., vea la figura 4.94.
202
Figura 4.94
Al dar OK, aparecer en el Layout el recurso que se a caba de
asignar con su respectiva ruta. Ver figura 4.95.
Figura 4.95
Para definir el siguiente recurso se sita el curso r en el registro de la
ventana superior dond e dice Operador 1 y se da Enter para generar
otro registro en blanco, y se repite todo el proceso anterior para elegir
203
Lenguajes de simulacin
otro recurso y asignarle la red 2 por donde se mover. Ver figuras 4.96 y
4.97.
Figura 4.96
204
Figura 4.97
4. Modificacin del proceso
La primera modificacin se har cuando entra la caja vaca en la
estacin de trabajo, en el campo Operation se da clic en el martillo para
que aparezca el const ructor de estatutos y antes del estatuto JOIN
(basta con dar en la tecla Enter para que se recorran las instrucciones
hacia abajo) se insertar el estatuto GET, al dar clic sobre este aparece
un cuadro de dilogo, en el bot n central d onde dice Resource, se
elige al Operador 1, y se pega co n el botn Paste. Se supone que el
recurso ejecutar los estatutos que ya esta ban (JOIN y WAIT). El
estatuto GET sirve para capturar uno o ms recursos qu e se tenga n
disponibles y luego eje cuta las instrucciones posteriores a este; par a
liberar al recurso, se utiliza el estat uto FREE, de igual ma nera se elige
este y posteriormente aparece un cuadro de dialogo con dos botones en
la parte superior, sele ccione el q ue dice Resource y se selecciona
205
Lenguajes de simulacin
206
siguiente
Figura 4.98
Finalmente el modelo queda listo para correrlo y evalu arlo. En la
siguiente figura 4.99 se puede ver el modelo durante la corrida.
207
Lenguajes de simulacin
Figura 4.99
En el siguiente cuadr o 4.100, se pueden ver las instrucciones
agregadas para el modelo en texto.
208
Locations
Name
Cap
Units
Fila_de_cajas
5
1
Fila_de_Monitores
5
1
Estacion_de_trabajo
1
1
Fila_de_empaque
5
1
Zona_de_empaque
1
1
Banda_tarimas
INF
1
Banda_de_embarque INF
1
Zona_de_embarque 1
1
.
Stats
Rules
Time Series Oldest,
FIFO,
Time Series Oldest,
FIFO,
Time Series Oldest, ,
Time Series Oldest, ,
Time Series Oldest, ,
Time Series Oldest,
FIFO,
Time Series Oldest,
FIFO,
Time Series Oldest, ,
Entities
Name
Speed (mpm) Stats
Caja_vacia
20
Time Series
Monitor
20
Time Series
Caja_Llena
20
Time Series
Tarima_vacia 20
Time Series
Tarima_Llena 20
Time Series
Name
Red_1
Red_2
Type
Passing
Passing
Net
Node
Red_1
Red_2
Path Networks
T/S
From
Speed & Distance N1
Speed & Distance N1
N2
.
.
To
N2
N2
N3
.
BI Dist/Time Speed Factor
Bi
30
1
Bi
60
1
Bi
30
1
Interfaces
Location
N1
N2
N1
N2
N3
Estacion_de_trabajo
Zona_de_empaque
Zona_de_embarque
Zona_de_empaque
Banda_tarimas
Resources
Name
Operario_1
Operator_2
Units Stats
1
By Unit
Search Search
By Unit
Closest Oldest
Closest Oldest
Path
Motion
Red_1
Home: N1
Empty: 50 mpm
Full: 45 mpm
Pickup: 3 Seconds
Deposit: 6 Seconds
Red_2
Empty: 50 mpm
Home: N1 Full: 45 mpm
Pickup: 3 Seconds
Deposit: 6 Seconds
Processing
Process
.
Routing
Entity
Caja_vacia
Monitor
Caja_vacia
Location
Operation
Blk Output
Destination
Rule
Move Logic
.
Fila_de_cajas
1 Caja_vacia
Estacion_de_trabajo FIRST 1
Fila_de_Monitores
1 Monitor
Estacion_de_trabajo JOIN 1
Estacion_de_trabajo GET Operario_1
JOIN 1 Monitor
WAIT 4
FREE Operario_1 1 Caja_Llena Fila_de_empaque
FIRST 1
Caja_Llena
Fila_de_empaque
1 Caja_Llena Zona_de_empaque LOAD 1
Tarima_vacia Banda_tarimas
1 Tarima
Zona_de_empaque FIRST 1
Tarima_vacia Zona_de_empaque GET Operario_1 AND Operator_2
LOAD 1
WAIT 1
FREE ALL
1
Tarima_Llena Banda_de_embarque FIRST 1
Tarima_Llena Banda_de_embarque
1
Tarima_Llena Zona_de_embarque FIRST 1
Tarima_Llena Zona_de_embarque UNLOAD 1
WAIT 1.5
1 Tarima_vacia Banda_tarimas
FIRST 1 MOVE WITH Operator_2 THEN FREE
Caja_Llena Zona_de_embarque INC Embarcados
1 Caja_Llena EXIT
FIRST 1
Cuadro 4.100
209
Lenguajes de simulacin
210
Figura 4.101
211
Lenguajes de simulacin
Figura 4.102
Materia prima
Pieza en proceso (con tres grficos)
Pieza rechazada
Producto terminado
Lote
212
Figura 4.103
Figura 4.104
3. Definicin de las llegadas
En el men Build comando Arrivals o a travs del botn de acceso
directo que ya se ha m encionado, se selecciona la materia prima, llega
a un almacn de materia prima de una en una desde el minuto cero y
con un n mero de ocurrencias infinito. La
tasa de lleg adas es de
acuerdo a una distribucin normal con media de 10 min utos y una
desviacin estndar de 2. En el campo Frequency se hace clic derecho
para que aparezca el co nstructor de estatutos y se procede como ya s e
213
Lenguajes de simulacin
Figura 4.105
4. Definicin de variables
Para definir las variables, ir al m en Build comando Variables
(global) o por medio del botn de acceso dire cto, definir las variables:
inventario en proceso, piezas rechazadas y producto terminado.
Recuerde que adems de definir las variables y asignarles un
nombre en el campo ID, para que se vean grfi camente en el Layout,
solo se tien e que dar clic en e l espacio de e ste que se desea q ue
aparezca el icono. En la siguient e figura 4. 106 se pre senta como
quedaron definidas las variables:
214
Figura 4.106
5. Definir el Proceso
Para este p aso ir al m en Build comando Processing, o por el
botn de acceso directo. Es recomendable ir paso a paso en el proceso
de entrada-operacin-salida de cada registro, en este caso:
1. Entra la materia prima al almacn de materia prima, no exist
e
operacin alguna y sale la materia prima (una unidad) con destino a
la cortadora, existe u n tiempo d e traslado (MOVE FOR) de 0.5
minutos.
2. Entra la materia prima a la cortadora, el tiempo de operacin es de 4
minutos con distribucin exponencial (en el campo Operation), aqu
mismo utilizar el grf ico 1 y sale n 5 pie zas en proce so cortadas
(campo Rule en Quantity) con destino al torno, existe el movimiento
de traslado entre cada locacin d e 0.5 minutos (utilizar el campo
215
Lenguajes de simulacin
3.
4.
5.
6.
7.
216
el siguiente
Locations
Name
Cap Units Stats
Almacen_de_Materia_Prima
1
1
Time Series
Cortadora
1
1
Time Series
Torno
1
1
Time Series
Molino
1
1
Time Series
Inspeccion
1 1
Time Series
Horno
10
1
Time Series
Almacen_de_Producto_Terminado 5
1
Time Series
Entities
.
Name
Speed (fpm)
Stats
.
Materia_Prima
150
Time Series
Pieza_en_Proceso
150
Time Series
Producto_Terminado
150
Time Series
Lote
150
Time Series
Pieza_rechazada
150
Time Series
Entity
Materia_Prima
Materia_Prima
Process
Location
Almacen_de_Materia_Prima
Cortadora
Pieza_en_Proceso Torno
Pieza_en_Proceso Molino
Pieza_en_Proceso
Inspeccion
.
Rules
Oldest, ,
Oldest, ,
Oldest, ,
Oldest, ,
Oldest, ,
Oldest, , First
Oldest, ,
Operation
WAIT E(4)
GRAPHIC 1
WAIT P(3)
GRAPHIC 2
WAIT U(2, 1)
GRAPHIC 3
WAIT 1
Pieza_en_Proceso Horno
Processing
Blk Output
1 Materia_Prima
Routing
Destination
Cortadora
.
Rule
FIRST 1
Move Logic
MOVE FOR 0.5
1 Pieza_en_Proceso Torno
FIRST 5
1 Pieza_en_Proceso
Molino
FIRST 1
1 Pieza_en_Proceso
1 Pieza_en_Proceso
Pieza_rechazada
Inspeccion
Horno
EXIT
FIRST 1
0.75
0.25
WAIT L(7, 2)
COMBINE 10
1 Lote Almacen_de_Producto_Terminado FIRST 1
Lote Almacen_de_Producto_Terminado
WAIT 3
COMBINE 5
DEC Inventario_en_Proceso,50
INC Piezas_Terminadas 1 Producto_Terminado EXIT
FIRST 1
Arrivals
.
Entity
Location
Qty Each First Time Occurrences Frequency Logic
Materia_Prima Almacen_de_Materia_Prima 1
0
INF
N(10, 2)
Variables (global)
.
ID
Type
Initial value Stats .
Inventario_en_Proceso Integer
0
Time Series
Piezas_Rechazadas
Integer
0
Time Series
Piezas_Terminadas
Integer
0
Time Series
Cuadro 4.107
En la siguiente figura 4.108 se ve este modelo durante la corrida.
217
Lenguajes de simulacin
Figura 4.108
Bancos
Cajeros automticos
Restaurantes de comida rpida
Servicios administrativos
Cajeros de tienda de autoservicio
Auto lavados
Talleres de manufactura
218
219
Lenguajes de simulacin
minutos con
220
ntidad de
221
Lenguajes de simulacin
222
Piezas a re trabajar
Embarcados
Incrementar las piezas en proceso cuando salgan de la sierra y
decrementarla cuando salga un lote hacia el camin. Crear dos redes
para los montacargas 1 y 2. La red 1 ser de la fila de materia prima
a la sierra la cual tendr una longitud de 20 met ros con interfaces en
estas dos locaciones. La red 2 ser de la band a de salida al camin
con una lon gitud de 20 metros igualmente con interfaces en esta s
dos locaciones. Las dimension es de las piezas e
n bandas
transportadoras son de 2 x 2 metros. Incrementar las pie zas a ser re
trabajadas cuando de la inspeccin se dirijan nuevamente a la banda
transportadora, incrementar la variable embarcados cuando se suban
los lotes al camin.
La velocidad de ambos montacargas cuando estn vacos es de 20
mpm y cuando estn llenos es de 15 mpm, Los tiempos para recoger
las entidades son de 10 segundos y para d
epositarlas es de 20
segundos.
Editar las locaciones adecuadamente, agregar indicador numrico en
el rea de empacado y las variables debe n estar visibles en el
Layout. La capacidad de las bandas transportadoras es infinita.
Corra el modelo por 40 horas y realice lo siguiente:
a) Cul es el porcen taje de utilizacin de la locacin
que mas
trabaja y cual es esta?
b) Cual es el porcentaje de operacin
de la operacin de
inspeccin?
c) Existe cuello de botella? Justif ique la respuesta con b ase en el
reporte de salida.
d) Cul e s el tiempo promedio en el siste ma de las piezas en
proceso?
e) Cul es el tiempo promedio en espera de las piezas en proceso?
f) Cuntas piezas tuvieron que ser re trabajadas?
223
Lenguajes de simulacin
Distribucin
Ensamble
Soldadura
Pintura
Inspeccin
224
225
Lenguajes de simulacin
Producto
Dulces y golosinas
Refrescos
Golosinas y refresco
Jugos o caf
Alimentos preparados
Jugos o caf y alimentos preparados
Refrescos y alimentos preparados
Probabilidad
10%
10%
20%
5%
25%
10%
20%
226
227
Lenguajes de simulacin
228
Capitulo 5:
Desarrollo de un proyecto
de simulacin
229
230
231
1.3
1.4
1.4.1
1.4.1.1
1.4.1.2
1.4.1.2.1
1.4.1.2.2
1.4.1.3
1.4.1.3.1
1.4.1.3.2
1.5
organigrama).
Metodologa propuesta de trabajo (mencionar brevemente cada
una de las etapas en el desarrollo de un proyecto de
simulacin).
Desarrollo de la metodologa
Etapa 1: Preparacin del proyecto
Identificar las restricciones del sistema.
Determinar el objetivo general y especfico del modelo.
Objetivo general.
Objetivos especficos.
Preparacin de las especificaciones de la simulacin.
Alcance del modelo.
Nivel de detalle.
Hiptesis de partida.
232
Cuadro 5.1
233
Materia:
SIMULACIN
Proyecto:
SIMULACION DE UN SISTEMA MEDICO GUBERNAMENTAL
Presentan:
Adriana Alejandra Insunza Morado
Samuel Jatzaquiel Grajeda Mendoza
Linda Rebeca Guerrero Crdenas
Grupo:
K2
Profesor:
MC Jos Crdenas Zavala
234
Introduccin
Con este proyecto se pretende realizar un modelo de simulacin para
analizar el funcionamiento de un sistema mdico gubernamental conocido
como Centro de Salud. Se aplicar la metodologa vista en clase y se
desarrollarn cada una de las etapas para desarrollar un proyecto de
simulacin de un sistema real de la comunidad.
El objetivo es analizar dicho sistema a travs de un modelo desarrollado
en un lenguaje especfico de simulacin (ProModel) para poder hacer las
recomendaciones pertinentes para que se incremente la calidad en la entrega
de los servicios de salud, es decir, que los servicios sean oportunos, eficaces,
eficientes, con respeto y con amabilidad. Por esta razn es importante saber
si el personal con que se cuenta actualmente es el suficiente para brindar los
servicios adecuadamente.
El proyecto se compone de 4 captulos que gradualmente conllevarn al
conocimiento, anlisis y representacin del sistema sujeto de estudio
finalizando con las sugerencias adecuadas para hacerlo ms eficiente.
Captulo 1: Antecedentes del Proyecto
1.1 Antecedentes
1.1.1 Antecedentes generales
La siguiente figura 1.1 muestra el mapa de la Republica Mexicana, con la
cual se quiere referir que la Secretaria de Salud es una identidad federal a
nivel nacional, y por lo cual se encuentra en cualquier Estado de la misma.
235
236
237
238
239
Figura 1.4
240
241
242
243
Direccin
Asesor y promotor del seguro medico popular
Mdicos generales
Personal de farmacia
Jefa de enfermera
Enfermeras de base
Enfermeras pasantes
MPSS.
244
245
g)
h)
i)
j)
k)
246
Figura 2.2
En la figura 2.2 se muestra la ruta que debe de hacer un paciente al visitar
el centro de salud. Primeramente debe de llegar con la jefa de mdicos por su
ficha, posteriormente esperar que llegue su turno en la sala de espera, en
cuanto este llega pasa al consultorio correspondiente. Dependiendo del
diagnostico del mdico, el paciente pasar al rea dental, farmacia,
curaciones o servicios donde ser atendido por el personal respectivo.
Dependiendo de la enfermedad o del tipo de atencin del paciente, es
trasladado al rea de camas, si no se le da salida. Cabe aclarar que en casos
de enfermedad que la atencin esta fuera del alcance del centro de salud, se
les recomienda trasladar al paciente a un hospital de segundo nivel, como
son el Hospital Regional o el Hospital del IMSS, ambos ubicados en la ciudad
de Colima.
247
Urgencias?
No
Entrega de
Ficha
Recibe
Enfermera
Espera turno en
sala de espera
Pasa el paciente
a consulta
Servicio
Dental
Servicio
General
Paciente pasa
a farmacia
Salida
Fin
Figura 2.3
248
Atiende
Medico
249
250
Mdico 1
Enfermeras
Fila de
Entrada
Recepcin
Fila de
Atencin a
Pacientes
Fila de
Farmacia
Farmacia
Mdico 2
Fin
Tiempo entre
llegadas
Tipo de
paciente
Tiempo de
servicio
Tiempo de
servicio
Tiempo de
Atencin
Dentista
Tiempo de Atencin
251
Tipo de
Servicio
Tabla 3.3
Para la variable tiempo de atencin de mdicos en consulta general se
dise la siguiente hoja de verificacin.
252
Mdico 1
Hora de
Horas de
Inicio
Salida
Tiempo de
Servicio
Mdico 2
Hora de
Horas de
Inicio
Salida
Tiempo de
Servicio
Tabla 3.4
Para la variable tiempo de atencin en el rea Dental se dise la
siguiente hoja de verificacin:
Hoja de Toma de datos en el rea Dental
Hora de inicio
Dentista
Paciente
Hora de
Hora de
Tiempo de
inicio
salida
Servicio
Tabla 3.5
Para la variable tiempo de servicio en el rea de farmacia se diseo la
siguiente hoja de verificacin:
Hoja de Verificacin en el rea de Farmacia
Hora de inicio:
Trabajadora Social
Tiempo de
Paciente
Hora de
Hora de
Servicio
Inicio
Salida
Tabla 3.6
Para la variable tiempo de atencin en el rea de urgencias se diseo la
siguiente hoja de verificacin:
253
Tabla 3.7
3.2.2 Realizar el muestreo de las variables de entrada del modelo en los
horarios y das considerados para su estudio.
Se realiz un muestreo aleatorio de las diversas variables consideradas en
cada una de las reas en estudio, como se mencion anteriormente se
consider el turno vespertino y tuvo que asistirse varios das: 26, 28, 29, 30
de abril y 2, 3, 4 de mayo) a registrar las variables rea por rea.
A continuacin, se muestran las hojas de verificacin realizadas a las
distintas reas del Centro de Salud en estudio, en la primera tabla 3.8 se
ilustra el muestreo hecho en el rea de recepcin.
254
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
1:05 pm
1:07 pm
1:10 pm
1:18 pm
1:23 pm
1:25 pm
1:30 pm
1:32 pm
1:33 pm
1:37 pm
1:41 pm
1:46 pm
1:48 pm
1:53 pm
1:55 pm
2:05 pm
2:12 pm
2:16 pm
2:20 pm
2:25 pm
2:29 pm
2:35 pm
2:39 pm
2:45 pm
2:50 pm
2:55 pm
3:00 pm
3:12 pm
3:15 pm
3:22 pm
3:30 pm
3:43 pm
3:50 pm
3:57 pm
13:05 Horas
Recepcin
Hora de inicio
1:12 pm
1:20 pm
1:21 pm
1:25 pm
1:30 pm
1:33 pm
1:35 pm
1:37 pm
1:39 pm
1:41 pm
1:44 pm
1:46 pm
1:49 pm
1:51 pm
1:59 pm
2:08 pm
2:12 pm
2:17 pm
2:21 pm
2:26 pm
2:31 pm
2:39 pm
2:45 pm
2:49 pm
2:53 pm
2:57 pm
3:02 pm
3:19 pm
3:22 pm
3:28 pm
3:34 pm
3:45 pm
3:50 pm
3:57 pm
Hora de
salida
Tiempo de
Servicio (min)
1:20 pm
1:21 pm
1:25 pm
1:30 pm
1:33 pm
1:35 pm
1:37 pm
1:39 pm
1:41 pm
1:44 pm
1:46 pm
1:49 pm
01:51 pm
1:55 pm
2:05 pm
2:12 pm
2:17 pm
2:20 pm
2:26 pm
2:31 pm
2:39 pm
2:45 pm
2:49 pm
2:53 pm
2:57 pm
3:02 pm
3:07 pm
3:22 pm
3:28 pm
3:34 pm
3:38 pm
3:49 pm
3:55 pm
4:02 pm
8
1
4
5
3
2
2
2
2
3
2
3
2
4
6
4
5
3
5
5
8
6
4
4
4
5
5
3
6
6
4
4
5
5
Tipo de
servicio
Consulta
Dental
Consulta
Urgencias
Consulta
Consulta
Dental
Urgencias
Consulta
Dental
Consulta
Urgencias
Consulta
Consulta
Dental
Urgencias
Dental
Consulta
Consulta
Consulta
Dental
Consulta
Consulta
Consulta
Consulta
Consulta
Consulta
Consulta
Consulta
Consulta
Consulta
Urgencias
Consulta
Consulta
Tabla 3.8
255
Enfermera
Paciente
Hora de
Inicio
Hora de
salida
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
1:07 PM
1:30 PM
1:58 PM
2:05 PM
2:12 PM
2:19 PM
2:27 PM
2:43 PM
2:55 PM
3:04 PM
3:13 PM
3:25 PM
3:34 PM
3:48 PM
3:56 PM
4:04 PM
4:13 PM
4:22 PM
4:34 PM
4:59 PM
5:10 PM
5:27 PM
5:45 PM
6:13 PM
6:31 PM
6:59 PM
7:07 PM
7:20 PM
7:30 PM
7:41 PM
7:52 PM
8:01 PM
8:07 PM
8:15 PM
1:13 PM
1:34 PM
2:03 PM
2:10 PM
2:16 PM
2:22 PM
2:34 PM
2:48 PM
2:59 PM
3:09 PM
3:18 PM
3:32 PM
3:41 PM
3:53 PM
3:59 PM
4:07 PM
4:18 PM
4:27 PM
4:50 PM
5:03 PM
5:20 PM
5:34 PM
5:54 PM
6:22 PM
6:38 PM
7:01 PM
7:13 PM
7:27 PM
7:34 PM
7:48 PM
7:56 PM
8:04 PM
8:13 PM
8:29 PM
Tabla 3.9
256
Tiempo de
servicio
(min)
6
4
5
5
4
3
7
5
4
5
5
7
7
5
3
3
5
5
16
4
10
7
9
9
7
2
6
7
4
7
4
3
6
14
1:13PM
1:28PM
1:45PM
2:00PM
2:17PM
2:22PM
2:37PM
2:52PM
3:07PM
3:24PM
3:34PM
3:49PM
3:59PM
4:10PM
4:20PM
4:37PM
4:53PM
5:00PM
5:14PM
5:25PM
5:38PM
5:51PM
6:02PM
6:18PM
6:33PM
6:51PM
7:04PM
7:22PM
7:39PM
7:59PM
8:14PM
8:25PM
8:31PM
8:38PM
Tiempo de
Servicio
14
14
7
10
10
17
15
15
18
13
9
15
8
14
11
19
10
16
15
15
17
13
14
16
14
10
16
14
16
13
12
10
7
12
Tabla 3.10
257
258
259
260
2
3
8
5
2
5
2
1
5
4
5
2
6
2
4
4
5
4
6
2
5
5
10 4
5
Tabla 3.14
5
12
3
7
8
13
7
7
Frecuencia
Observada
1- 3
6
46
8
79
10
10 12
6
13 15
1
Tabla 3.15
Clases
261
Figura 3.16
Variable: Tiempo de servicio en recepcin (minutos).
En la siguiente tabla 3.17 se muestran los datos recopilados de esta
variable:
8
1
4
5
3
2
2
2
2
3
2 4 8
3 5 6
2 3 4
4 5 4
6 5 4
Tabla 3.17
5
5
3
6
6
4
4
5
5
262
Clases
1
2
3
4
5
6
7
8
Figura 3.19
263
Tipo de
Frecuencia
Servicio
Observada
Consulta General
23
Dental
6
Urgencias
5
Tabla 3.20
3
7
5
4
5
5
7
7
5
3
3 10
5
7
5
9
16 9
4
7
Tabla 3.21
2
6
7
4
7
4
3
6
14
Frecuencia
Observada
24
11
57
18
8 10
3
11 13
0
14 16
2
Tabla 3.22
Clases
264
Figura 3.23
15
15
15
17
10
15
10
11
10
17
16
7
14
11
13
13
11
16
15
18
13
18
17
20
15
11 12
6
7
7 12
7 10
10 10
Tabla 3.24
10
16
14
16
13
17
13
14
16
14
19
10
16
15
15
9
15
8
14
11
17
15
15
18
13
14
14
7
265
Frecuencia
Observada
57
7
8 10
10
11 13
13
14 16
26
17 19
11
20 22
1
Tabla 3.25
Clases
11
14
17
20
Figura 3.26
Variable: Tiempo de atencin del dentista (minutos).
Enseguida se muestran los datos del tiempo de atencin del dentista (ver
tabla 3.27):
27
34
31
34
36
34
35
32
30
38
34 36
41 26
24 28
28 25
26 15
Tabla 3.27
39
36
36
42
18
25
28
34
32
52
266
Figura 3.29
Variable: Tiempo de atencin en farmacia (minutos).
Enseguida se muestran los datos del tiempo de atencin en farmacia (ver
tabla 3.30):
3
1
2
1
2
1
3
1
2
1
2
1
1
1
1
3
2
2
2
1
1
2
2
2
1
Tabla 3.30
1
2
2
1
2
2
2
2
1
267
Clases
268
Figura 3.34
3.2.4
269
Figura 3.35
Variable: Tiempo de servicio en recepcin:
Con la ayuda del Stat::Fit se obtiene que esta variable se ajusta tanto a
distribuciones continuas como discretas, tal como se puede apreciar en las
siguientes figuras 3.36 y 3.37.
Figura 3.36
Figura 3.37
270
Figura 3.38
Variable: Tiempo de atencin de los mdicos generales
De acuerdo al Stat::Fit de ProModel ,esta variable se ajusta a la
distribucin Normal, con media 13.12 y desviacin estndar 3.5 (ver figura
3.39).
271
Figura 3.39
Variable: Tiempo de atencin del dentista
Esta variable se ajusta tambin a una distribucin Normal con media 31.9
y desviacin estndar 7.2 tal como se puede apreciar en la siguiente figura
3.40:
Figura 3.40
Variable: Tiempo de atencin en farmacia
Esta variable se ajusta una distribucin Binomial, con n= 3 y p =0.549 tal
como se puede apreciar en la siguiente figura 3.41.
272
Figura 3.41
Variable: Tiempo de atencin en urgencias
Esta variable se ajusta a una distribucin de Poisson con una media de
30.8, ver figura 3.42.
Figura 3.42
3.3
273
Variable
Distribucin
Estimadores
Lognormal
= 5.09, S = 2.77
Normal
= 4.12, S = 1.66
Emprica
Poisson
Normal
Normal
Binomial
= 5.97
= 13.12, S = 3.5
= 31.90, S = 7.2
= 3, = 0.549
= 30.80
3.4
1+
274
1+
2.77
5.09
5.09
5.09
+ 2.77
1
2
= +
= 4.12 +
6 1.66
Frecuencia
Observada
Probabilidad
Relativa
Acumulada
23
0.6765
0.6765
Dental
0.1765
0.8530
Urgencias
0.1470
1.0000
Total
34
1.0000
Tabla 4.44
Clases
0.0000 Ri
0.6765
0.6765 < Ri
0.8530
0.8530 < Ri
1.0000
275
X
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Probabilidad de
Poisson
(=5.97)
0.0026
0.0152
0.0455
0.0906
0.1352
0.1614
0.1606
0.1370
0.1022
0.0678
0.0405
0.0220
0.0109
0.0050
0.0021
0.0009
0.0003
0.0001
0.0000
Acumulada
0.0026
0.0178
0.0633
0.1539
0.2891
0.4505
0.6111
0.7481
0.8503
0.9181
0.9586
0.9806
0.9915
0.9965
0.9987
0.9995
0.9998
0.9999
1.0000
Tabla 4.45
Clases
0.0000
0.0026
0.0178
0.0633
0.1539
0.2891
0.4505
0.6111
0.7481
0.8503
0.9181
0.9586
0.9806
0.9915
0.9965
0.9987
0.9995
0.9998
0.9999
R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
0.0026
0.0178
0.0633
0.1539
0.2891
0.4505
0.6111
0.7481
0.8503
0.9181
0.9586
0.9806
0.9915
0.9965
0.9987
0.9995
0.9998
0.9999
1.0000
276
= 13.12 +
6 3.5
= 31.90 +
6 7.2
X
0
1
2
3
Probabilidad Binomial
Acumulada
(p = 0.549)
0.0917
0.0917
0.3350
0.4267
0.34078
0.8345
0.1655
1.0000
Tabla 4.46
Clases
0
0.0917
0.4267
0.8345
R
<R
<R
<R
277
0.0917
0.4267
0.8345
1.0000
Acumulada
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
0.0001
0.0001
0.0003
0.0007
0.0013
0.0024
0.0041
0.0066
0.0102
0.0150
0.0209
0.0280
0.0360
0.0443
0.0525
0.0599
0.0659
0.0700
0.0719
0.0714
0.0687
0.0642
0.0581
0.0511
0.0438
0.0364
0.0295
0.0233
0.0180
0.0135
0.0099
0.0071
0.0050
0.0034
0.0023
0.0015
0.0010
0.0006
0.0004
0.0002
0.0001
0.0001
0.0001
0.0002
0.0005
0.0012
0.0026
0.0049
0.0090
0.0156
0.0258
0.0408
0.0618
0.0898
0.1258
0.1701
0.2227
0.2826
0.3485
0.4185
0.4904
0.5618
0.6306
0.6947
0.7528
0.8040
0.8477
0.8841
0.9137
0.9370
0.9549
0.9684
0.9783
0.9854
0.9904
0.9937
0.9960
0.9975
0.9985
0.9991
0.9994
0.9997
0.9999
1.0000
Clases
0.0000
0.0001
0.0002
0.0005
0.0012
0.0026
0.0049
0.0090
0.0156
0.0258
0.0408
0.0618
0.0898
0.1258
0.1701
0.2227
0.2826
0.3485
0.4185
0.4904
0.5618
0.6306
0.6947
0.7528
0.8040
0.8477
0.8841
0.9137
0.9370
0.9549
0.9684
0.9783
0.9854
0.9904
0.9937
0.9960
0.9975
0.9985
0.9991
0.9994
0.9997
0.9999
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
<R
0.0001
0.0002
0.0005
0.0012
0.0026
0.0049
0.0090
0.0156
0.0258
0.0408
0.0618
0.0898
0.1258
0.1701
0.2227
0.2826
0.3485
0.4185
0.4904
0.5618
0.6306
0.6947
0.7528
0.8040
0.8477
0.8841
0.9137
0.9370
0.9549
0.9684
0.9783
0.9854
0.9904
0.9937
0.9960
0.9975
0.9985
0.9991
0.9994
0.9997
0.9999
1.0000
Tabla 4.47
Nota: Los valores generados dependen del nmero de dgitos considerados
en el clculo de la probabilidad, en este caso se consideran 4 dgitos de
manera ilustrativa, pero en el software puede existir incluso mayor precisin al
generar las variables.
278
279
Figura 4.48
280
1
1
1
2
1
1
2
1
1
1
1
1
1
Time
Time
Time
Time
Time
Time
Time
Time
Time
Time
Time
Time
Time
Series
Series
Series
Series
Series
Series
Series
Series
Series
Series
Series
Series
Series
Oldest,
Oldest,
Oldest,
Oldest,
Oldest,
Oldest,
Oldest,
Oldest,
Oldest,
Oldest,
Oldest,
Oldest,
Oldest,
FIFO,
,
FIFO,
, First
,
,
, First
,
,
,
FIFO,
,
,
************************************************************************
********
*
Entities
*
************************************************************************
********
Name
Speed (mpm) Stats
Cost
---------- ------------ ----------- -----------Paciente
50
Time Series
281
282
********************************************************************************
*
Attributes
*
********************************************************************************
ID
Type
Classification
---------------- ------------ -------------Tipo_de_paciente Integer
Entity
********************************************************************************
*
Variables (global)
*
********************************************************************************
ID
Type
Initial value Stats
----------------- ------------ ------------- ----------Consulta_General Integer
0
Time Series
Dental
Integer
0
Time Series
Urgencia
Integer
0
Time Series
Pacientes_totales Integer
0
Time Series
********************************************************************************
*
User Distributions
*
********************************************************************************
ID
Type
Cumulative
Percentage
------------------------- ------------ ------------ -----------Distribucion_Tipo_Usuario Discrete
No
67.65
17.65
14.70
Value
-----------1
2
3
Cuadro 4.49
4.2.3 Impresin del reporte de resultados de las corridas
Enseguida se muestran las tablas con el reporte de salida de las 30
corridas ya promediadas:
Locaciones: Reporte general
Tabla 4.50
283
Tabla 4.51
Aqu se puede observar que tanto la fila de entrada como la fila de
atencin a pacientes estn totalmente llenas el 18.37% y el 55.07%, esto
significa que el personal con que se cuenta no es suficiente y en un momento
dado ms de diez personas hacen fila.
Locaciones: Reporte general de locaciones con capacidad individual
Tabla 4.52
284
Tabla 4.53
Aqu se observa que en promedio 11.6 pacientes no pueden entrar al
sistema por la razn mencionada anteriormente.
Actividad de la entidad en minutos
Tabla 4.54
Salieron en total 58 (promedio redondeado) pacientes del sistema, se
quedaron actualmente en el sistema 25 al momento de terminar la simulacin,
el tiempo promedio en el sistema es de 108.02 minutos, en espera para ser
atendidos esperan en promedio 55 minutos y el tiempo que son atendidos es
en promedio 31.17 minutos. Si se agrega el tiempo que el paciente
permanece bloqueado ms el tiempo de espera: 55 + 21.04 = 76.04 minutos
de demora total.
Actividad de la entidad en minutos (continuacin)
Tabla 4.55
285
Tabla 4.56
En total el paciente est en espera el 49.71% del tiempo, bloqueado el
19.54% y en atencin solamente el 29.98% del tiempo.
Variables
Tabla 4.57
Aqu se puede observar que a consulta general en promedio llegan
aproximadamente 50 pacientes, a dental 13 y a urgencias 10 en el turno
vespertino del Centro de Salud.
4.3
evaluacin
de
286
Figura 4.58
4.3.3 Impresin del cdigo fuente de las alternativas.
En este caso lo nico que cambia del modelo es la cantidad de mdicos
generales que se encuentran en las locaciones por lo que se mostrar
solamente esa parte del cdigo fuente.
************************************************************************
********
*
Locations
*
************************************************************************
********
Name
Cap Units Stats
Rules
Cost
------------------------- --- ----- ----------- --------------- ----------Fila_de_Entrada
10 1
Time Series Oldest, FIFO,
Recepcin
1
1
Time Series Oldest, ,
Fila_Atencion_a_Pacientes 10 1
Time Series Oldest, FIFO,
Enfermeras
1
2
Time Series Oldest, , First
Enfermeras.1
1
1
Time Series Oldest, ,
Enfermeras.2
1
1
Time Series Oldest, ,
Medico_General
1
3
Time Series Oldest, , First
Medico_General.1
1
1
Time Series Oldest, ,
Medico_General.2
1
1
Time Series Oldest, ,
Medico_General.3
1
1
Time Series Oldest, ,
Dentista
1
1
Time Series Oldest, ,
Fila_Farmacia
10 1
Time Series Oldest, FIFO,
Farmacia
1
1
Time Series Oldest, ,
Salida
1
1
Time Series Oldest, ,
Cuadro 4.59
287
Tabla 4.60
De la tabla anterior se puede observar que el porcentaje de utilizacin en
recepcin baj del 91% al 84.95%, las enfermeras bajaron su porcentaje de
utilizacin de 95.37% al 90.56%, para los mdicos generales baj del 82.58%
al 72.93%, tanto el dentista como la persona de farmacia incrementaron su
porcentaje de utilizacin de 64.38% a 73.35% y del 20.14% al 26.15%,
respectivamente, lo que significa que tanto las enfermeras como los mdicos
generales estn trabajando a un ritmo ms equilibrado (baj ligeramente su
porcentaje de utilizacin) con la incursin del mdico adicional. El porcentaje
tanto del dentista como la persona de farmacia aumentaron ya que el sistema
increment su productividad.
288
Tabla 4.61
Aqu se puede observar que tanto la fila de entrada como la fila de
atencin a pacientes estn totalmente llenas el 2.42% y el 20.45%, esto es
significativamente menor que el sistema actual que es del 18.37% y el
55.07%, respectivamente.
Locaciones: Reporte general de locaciones con capacidad individual
Tabla 4.62
Esta tabla muestra que todava existe un cuello de botella, pero los
porcentajes bajaron: en recepcin es de 8.81% (anteriormente era 28.50%) y
enfermeras 41.39% (anteriormente era de 56.81%), esto significa que los
mdicos generales trabajan a un ritmo ms equilibrado entre las llegadas de
los pacientes y el tiempo que requieren atencin.
289
Llegadas fallidas
Tabla 4.63
Las llegadas fallidas bajaron de 11.60 a 1.60 con la alternativa
considerada.
Tabla 4.64
En esta tabla se puede apreciar de mejor manera el impacto positivo de la
contratacin de un mdico ms para el Centro de salud, el tiempo en el
sistema bajo de 108.02 a 69.46 minutos, el tiempo de espera cay de 55 a
25.22 minutos y el tiempo de operacin prcticamente no sufri cambio de
31.17 a 30.98 minutos.
Actividad de la entidad en porcentaje
Tabla 4.65
Esta tabla solo refuerza la anterior en trminos porcentuales.
290
Variables
Tabla 4.66
Aqu se puede ver que se increment la atencin a los pacientes que van
a consulta general de 50 a 61 (que es dnde se tiene el impacto ms fuerte)
los pacientes que van a consulta con el dentista se increment de 13 a 14 y
urgencias se increment de 10 a 13 en el turno vespertino del Centro de
Salud.
291
292
Anexos
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.00
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
1.00
1.10
1.20
1.30
1.40
1.50
1.60
1.70
1.80
1.90
2.00
2.10
2.20
2.30
2.40
2.50
2.60
2.70
2.80
2.90
3.00
3.10
3.20
3.30
3.40
3.50
3.60
3.70
3.80
3.90
0.0000
0.0398
0.0793
0.1179
0.1554
0.1915
0.2258
0.2580
0.2881
0.3159
0.3413
0.3643
0.3849
0.4032
0.4192
0.4332
0.4452
0.4554
0.4641
0.4713
0.4773
0.4821
0.4861
0.4893
0.4918
0.4938
0.4953
0.4965
0.4974
0.4981
0.4987
0.4990
0.4993
0.4995
0.4997
0.4998
0.4998
0.4999
0.4999
0.5000
0.0040
0.0438
0.0832
0.1217
0.1591
0.1950
0.2291
0.2612
0.2910
0.3186
0.3438
0.3665
0.3869
0.4049
0.4207
0.4345
0.4463
0.4564
0.4649
0.4719
0.4778
0.4826
0.4865
0.4896
0.4920
0.4940
0.4955
0.4966
0.4975
0.4982
0.4987
0.4991
0.4993
0.4995
0.4997
0.4998
0.4999
0.4999
0.4999
0.5000
0.0080
0.0478
0.0871
0.1255
0.1628
0.1985
0.2324
0.2642
0.2939
0.3212
0.3461
0.3686
0.3888
0.4066
0.4222
0.4357
0.4474
0.4573
0.4656
0.4726
0.4783
0.4830
0.4868
0.4898
0.4922
0.4941
0.4956
0.4967
0.4976
0.4983
0.4987
0.4991
0.4994
0.4996
0.4997
0.4998
0.4999
0.4999
0.4999
0.5000
0.0120
0.0517
0.0910
0.1293
0.1664
0.2019
0.2357
0.2673
0.2967
0.3238
0.3485
0.3708
0.3907
0.4082
0.4236
0.4370
0.4485
0.4582
0.4664
0.4732
0.4788
0.4834
0.4871
0.4901
0.4925
0.4943
0.4957
0.4968
0.4977
0.4983
0.4988
0.4991
0.4994
0.4996
0.4997
0.4998
0.4999
0.4999
0.4999
0.5000
0.0160
0.0557
0.0948
0.1331
0.1700
0.2054
0.2389
0.2704
0.2996
0.3264
0.3508
0.3729
0.3925
0.4099
0.4251
0.4382
0.4495
0.4591
0.4671
0.4738
0.4793
0.4838
0.4875
0.4904
0.4927
0.4945
0.4959
0.4969
0.4977
0.4984
0.4988
0.4992
0.4994
0.4996
0.4997
0.4998
0.4999
0.4999
0.4999
0.5000
0.0199
0.0596
0.0987
0.1368
0.1736
0.2088
0.2422
0.2734
0.3023
0.3289
0.3531
0.3749
0.3944
0.4115
0.4265
0.4394
0.4505
0.4599
0.4678
0.4744
0.4798
0.4842
0.4878
0.4906
0.4929
0.4946
0.4960
0.4970
0.4978
0.4984
0.4989
0.4992
0.4994
0.4996
0.4997
0.4998
0.4999
0.4999
0.4999
0.5000
0.0239
0.0636
0.1026
0.1406
0.1772
0.2123
0.2454
0.2764
0.3051
0.3315
0.3554
0.3770
0.3962
0.4131
0.4279
0.4406
0.4515
0.4608
0.4686
0.4750
0.4803
0.4846
0.4881
0.4909
0.4931
0.4948
0.4961
0.4971
0.4979
0.4985
0.4989
0.4992
0.4994
0.4996
0.4997
0.4998
0.4999
0.4999
0.4999
0.5000
0.0279
0.0675
0.1064
0.1443
0.1808
0.2157
0.2486
0.2794
0.3079
0.3340
0.3577
0.3790
0.3980
0.4147
0.4292
0.4418
0.4525
0.4616
0.4693
0.4756
0.4808
0.4850
0.4884
0.4911
0.4932
0.4949
0.4962
0.4972
0.4980
0.4985
0.4989
0.4992
0.4995
0.4996
0.4997
0.4998
0.4999
0.4999
0.5000
0.5000
0.0319
0.0714
0.1103
0.1480
0.1844
0.2190
0.2518
0.2823
0.3106
0.3365
0.3599
0.3810
0.3997
0.4162
0.4306
0.4430
0.4535
0.4625
0.4700
0.4762
0.4812
0.4854
0.4887
0.4913
0.4934
0.4951
0.4963
0.4973
0.4980
0.4986
0.4990
0.4993
0.4995
0.4996
0.4998
0.4998
0.4999
0.4999
0.5000
0.5000
0.0359
0.0754
0.1141
0.1517
0.1879
0.2224
0.2549
0.2852
0.3133
0.3389
0.3621
0.3830
0.4015
0.4177
0.4319
0.4441
0.4545
0.4633
0.4706
0.4767
0.4817
0.4857
0.4890
0.4916
0.4936
0.4952
0.4964
0.4974
0.4981
0.4986
0.4990
0.4993
0.4995
0.4997
0.4998
0.4998
0.4999
0.4999
0.5000
0.5000
295
grados
de
.
.
.
libertad
2.706
3.841
5.024
1
4.605
5.991
7.378
2
6.251
7.815
9.348
3
7.779
9.488
11.143
4
9.236
11.070
12.833
5
10.645
12.592
14.449
6
12.017
14.067
16.013
7
13.362
15.507
17.535
8
14.684
16.919
19.023
9
15.987
18.307
20.483
10
17.275
19.675
21.920
11
18.549
21.026
23.337
12
19.812
22.362
24.736
13
21.064
23.685
26.119
14
22.307
24.996
27.488
15
23.542
26.296
28.845
16
24.769
27.587
30.191
17
25.989
28.869
31.526
18
27.204
30.144
32.852
19
28.412
31.410
34.170
20
29.615
32.671
35.479
21
30.813
33.924
36.781
22
32.007
35.172
38.076
23
33.196
36.415
39.364
24
34.382
37.652
40.646
25
35.563
38.885
41.923
26
36.741
40.113
43.195
27
37.916
41.337
44.461
28
39.087
42.557
45.722
29
40.256
43.773
46.979
30
Fuente: Valores calculados con Excel.
296
6.635
9.210
11.345
13.277
15.086
16.812
18.475
20.090
21.666
23.209
24.725
26.217
27.688
29.141
30.578
32.000
33.409
34.805
36.191
37.566
38.932
40.289
41.638
42.980
44.314
45.642
46.963
48.278
49.588
50.892
7.879
10.597
12.838
14.860
16.750
18.548
20.278
21.955
23.589
25.188
26.757
28.300
29.819
31.319
32.801
34.267
35.718
37.156
38.582
39.997
41.401
42.796
44.181
45.559
46.928
48.290
49.645
50.993
52.336
53.672
10.828
13.816
16.266
18.467
20.515
22.458
24.322
26.124
27.877
29.588
31.264
32.909
34.528
36.123
37.697
39.252
40.790
42.312
43.820
45.315
46.797
48.268
49.728
51.179
52.620
54.052
55.476
56.892
58.301
59.703
grados
de
libertad
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
25
30
35
Para
valores
mayores a
35
D =0.10
D =0.05
D =0.01
0.950
0.776
0.642
0.564
0.510
0.470
0.438
0.411
0.388
0.368
0.352
0.338
0.325
0.314
0.304
0.295
0.286
0.278
0.272
0.264
0.250
0.220
0.210
0.975
0.842
0.708
0.624
0.565
0.521
0.486
0.457
0.432
0.410
0.391
0.375
0.361
0.349
0.338
0.328
0.318
0.309
0.301
0.294
0.270
0.240
0.230
0.995
0.929
0.828
0.733
0.669
0.618
0.577
0.543
0.514
0.490
0.468
0.450
0.433
0.418
0.404
0.392
0.381
0.371
0.363
0.356
0.320
0.290
0.270
297
las
Distribucin
Sintaxis
Componentes Individuales
Beta
B(a,b,c,d)
Binomial
BI(a,b)
Erlang
ER(a,b)
a=Media, b= Parmetro
Exponencial
E(a)
a=Media
Gamma
G(a,b)
Geomtrica
GEO(a)
a=Probabilidad de xito
Inversa
Gaussiana
IG(a,b)
Lognormal
L(a,b)
Normal
N(a,b)
Pearson5
P5(a,b)
Pearson6
P6(a,b,c)
Poisson
P(a)
a= Media
Triangular
T(a,b,c)
Uniforme
U(a,b)
Weibull
W(a,b)
298
Bibliografa
299