Libro Simulacion JCZ Corregido

Simulacin
Anlisis y modelacin de sistemas discretos;

un enfoque prctico
ii
Simulacin
Anlisis y modelacin de sistemas discretos; un enfoque
prctico
Jos Crdenas Zavala

Instituto Tecnolgico de Colima
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
Captulo 3: Variables Aleatorias

3.1
Introduccin
3.2
Tipos de variables aleatorias
3.2.1 Variables aleatorias discretas
3.2.2 Variables aleatorias continuas
3.3
Identificacin del tipo de distribucin las variables
aleatorias
3.3.1 Ejemplos utilizando la prueba de chi-cuadrada y
Kolmogorov-Smirnov
3.3.2 Identificacin del tipo de distribucin de probabilidad
utilizando un lenguaje especfico de simulacin
3.3.3 Ajuste de curvas a tendencia lineal para distribuciones
empricas continuas
3.4
Generacin de variables aleatorias.
3.4.1 Ejemplos de obtencin de generador de variables
aleatorias a travs de mtodos manuales
3.5
117
Captulo 4: Lenguajes de simulacin y simuladores de

eventos discretos.
4.1
Lenguajes de simulacin y simuladores
4.2
Introduccin al uso de ProModel
4.3
Elementos bsicos
4.4
Estructura de programacin en ProModel
4.5
Construccin de modelos en ProModel
4.5.1 Construccin de un modelo paso a paso
4.5.2 Refinamiento progresivo del modelo
4.5.2.1 Uso de atributos, variables y comandos de decisin
4.5.2.2 Uso del comando ROUTE
4.5.3 Modelado de un proceso que incluye ms de un proceso
4.5.3.1 Modelo con bandas de transporte y filas de espera
4.5.3.2 Modelo con estatutos JOIN y LOAD/UNLOAD
4.5.3.3 Modelo con recursos
4.5.3.4 Modelo de manufactura con varios procesos e inspeccin
4.6
Comentarios adicionales
4.7
123
123
124
125
127
128
152
153
169
174
174
186
196
210
218
219
Unidad 5: Proyecto de Aplicacin

5.1
Objetivo del captulo
5.2
Contenido sugerido del proyecto a desarrollar.
5.3
Ejemplo de desarrollo de un proyecto de aplicacin
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
Largo es el camino de la enseanza por medio de teoras; breve y

eficaz por medio de ejemplos.
Sneca
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
Este texto acadmico sobre simulacin de sistemas discretos tiene

un enfoque eminentemente prctico y est basado principalmente en
el programa de la materia de Simulacin de la carrera de Ingeniera
Industrial del Sistema Nacional de Institutos Tecnolgicos.
La obra est compuesta por cinco captulos ordenados en secuencia lgica para que se asimilen los conceptos y se finaliza con el desarrollo de un proyecto prctico donde se puede ver la utilidad de la
simulacin como una herramienta muy poderosa del ingeniero industrial para la toma de decisiones.
Jos Crdenas Zavala
Simulacin, Anlisis y modelacin de sistemas discretos; un enfoque prctico
Capitulo 1:
Introduccin a la simulacin
de eventos discretos
1.1 Introduccin a la simulacin de eventos discretos

La simulacin es una herramienta de anlisis muy importante para los
ingenieros industriales ya que se puede aplicar a una gran cantidad de
procesos productivos de bienes y/o servicios, pero requiere de ciertos
conocimientos previos; esencialmente se apoya en la probabilidad y
estadstica lo que proporciona un sustento terico-prctico para la
creacin de los modelos de los sistemas que se desean simular, tambin
es necesario el manejo de un software especfico de simulacin como
ProModel o el ARENA, aunque si se posee la habilidad de programar en
un software de propsito general como el C++, Visual Basic, Delphi, etc.
tambin pueden ser una opcin para desarrollar los modelos.
El concepto de simulacin es muy amplio, se puede hablar de
simuladores de vuelo, modelos de aviones o autos a escala para medir la
resistencia al aire, o puede considerarse la simulacin de reacciones de
ciertos metales a diferentes temperaturas, etc. pero como en este texto se
est considerando un enfoque a la simulacin de sistemas productivos de
bienes y/o servicios, entonces la orientacin ser a lo que se conoce como
simulacin de eventos discretos.
Aunque en este captulo se abordaran temas, conceptos y definiciones
que son bsicos para el aprendizaje de lo que ser el sustento terico de la
simulacin, la intencin es que desde el principio quede claro cmo se
pueden simular los sistemas bsicos de produccin y de qu manera
ayudan en la toma de decisiones.
Resumiendo las caractersticas o habilidades de la persona que realiza
los modelos podran considerarse las siguientes: primeramente desarrollar
una mente analtica, conocimientos estadsticos, comunicacin,
organizacin y habilidad de ingeniera. Dicha persona debe entender el
sistema ha modelar, conociendo la relacin causa-efecto que determina el
sistema que se pretende representar (observe la figura 1.1). Como se
podr inferir la simulacin de eventos discretos consiste en relacionar los
diferentes eventos que pueden cambiar el estado de un sistema bajo
estudio por medio de distribuciones de probabilidad y condiciones lgicas
del problema que se est analizando.
Figura 1.1
1.2 Definiciones y conceptos

En lo referente a este punto es til iniciar por citar algunas de las
definiciones en orden cronolgico de diferentes autores sobre la
simulacin:
Shannon, Robert; Johannes, James D. (1976), precisan que simulacin
es el proceso de disear y desarrollar un modelo computarizado de un
sistema o proceso y conducir experimentos con este modelo con el
propsito de entender el comportamiento del sistema o evaluar. Varias
estrategias con las cuales se puede operar el sistema.
De acuerdo a Schriber (1987), la simulacin es el modelaje de un
proceso o sistema de manera semejante que el modelo responda al
sistema real tomando su lugar a travs del tiempo.
De acuerdo a Harrel (2003), Simulacin es la representacin de un
sistema dinmico usando un modelo computacional con la finalidad de
evaluar y mejorar el desempeo del sistema.
De acuerdo a Garca Dunna; et al. (2006), Simulacin de eventos

discretos es el conjunto de relaciones lgicas, matemticas y
probabilsticas que integran el comportamiento de un sistema bajo
estudio cuando se presenta un evento determinado.
Como se puede observar existen elementos bsicos que no han
cambiado a lo largo del tiempo, y podran generarse diversas definiciones
de acuerdo a lo que se ha mencionado y a los elementos bsicos que
deben considerarse dentro del proceso de simulacin, se pueden
desarrollar de manera individual mas definiciones por ejemplo:
Simulacin es la representacin de un sistema de produccin a
travs de un modelo, apoyados en algn lenguaje informtico que
ayude en la toma de decisiones para hacerlo ms eficiente y
productivo.
Una pregunta que puede considerarse clave durante el estudio de la
simulacin es: Por qu simular?, algunas razones podrn ser las
siguientes:
Porque
La observacin detallada del sistema que se est simulando, conduce a
un mejor entendimiento del mismo y proporciona sugerencias para
mejorarlo.
La simulacin proporciona una manera de validar si s est tomando o
no la decisin adecuada al problema que se ha presentado.
La simulacin evita el costo y tiempo que implica hacer decisiones
basadas en prueba y error, es decir, los costos de experimentacin del
sistema actual son mayores que los costos de simular el sistema (ver
figura 1.2).
Cuando las actividades o eventos son interdependientes y manifiestan
variabilidad.
Los intentos a prueba y error son

costosos, consumen tiempo y pueden ser
fallidos
Figura 1. 2
Si se pretende clasificar de alguna manera los usos de la simulacin,
entonces se pueden considerar tres objetivos esenciales de lo que puede
obtenerse de un modelo que ha sido corrido y evaluado, dichos objetivos
serian:
Visualizacin: Observar qu est sucediendo en el sistema.
Clculo: Cuantificar qu est sucediendo en el sistema.
Comunicacin: Mostrar qu est sucediendo en el sistema
Otra pregunta frecuente es: Cundo la simulacin es apropiada?, para
contestarla, es muy importante la habilidad y capacidad de anlisis de la
persona que est analizando el sistema y que es lo que se espera obtener
con el modelo que se pretende realizar, pueden considerarse algunas
razones como las siguientes:
Cuando se desea tomar alguna decisin en una operacin o servicio.
Cuando el proceso est definido y es repetitivo.
Cuando las actividades o eventos son interdependientes y manifiestan
variabilidad.
Cuando es ms barato simular que experimentar con el sistema real.
La simulacin puede utilizarse en cualquier tipo de sistema productor de
bienes y/o servicios, pero especficamente en el rea de ingeniera
industrial pueden considerarse los siguientes usos:
Anlisis de cuellos de botella (para determinar la capacidad y el nmero
de maquinas).
Balanceo de lneas (equilibrar la produccin de cada lnea considerando
maquinaria y mano de obra).
Lneas de espera (nmero de servidores en un proceso de atencin al

cliente).
Planeacin de la capacidad.
Programacin de la produccin.
Programacin de los recursos.
Programacin del mantenimiento, etc.
Para la realizacin de un modelo es necesario familiarizarse con los
trminos ms utilizados para construir los modelos:
Sistema: se entiende como el
conjunto de elementos que se
interrelacionan para lograr un objetivo en comn. Para la simulacin, se
puede decir que un sistema contiene diversos elementos, los cuales
definen el qu, quin, dnde, cundo, por qu y cmo.
Entidades: Representacin de los flujos de entrada a un sistema
(clientes, piezas, ventas por da, etc.).
Eventos (actividades): Cambio en el estado actual del sistema
(entrada o salida de una entidad, finalizacin de un proceso en un
equipo, etc.).
Locaciones: Lugares en los que se realiza una actividad a una entidad
o puede esperar para que se le realice (mquinas, bandas
transportadoras, estaciones de inspeccin, etc.).
Recursos: Son aquellos dispositivos (diferentes a las locaciones)
necesarios para llevar a cabo una operacin. Por ejemplo: montacargas,
personas, camiones, etc.
Atributos: Es una caracterstica de una entidad, es una manera de
clasificar las entidades. Por ejemplo si los clientes se clasifican en
hombres o mujeres, tipo de pieza, tipo de producto o servicio, si el
cliente acude directamente a la empresa o llama por telfono, etc.
Reloj de Simulacin: Es el contador de tiempo de la simulacin.
Siempre hay un inicio y un fin cronolgico.
Las variables que constituyen un sistema son condiciones cuyos

valores se crean y modifican por medio de ecuaciones matemticas y
relaciones lgicas. Estas pueden ser continuas como el tiempo de
operacin de una mquina o el tiempo entre llegadas de los clientes o
pedidos, tambin pueden ser discretas como el nmero de productos a
empacar en un lote, nmero de unidades producidas en un turno de
operacin, etc.
Para entender como los elementos del sistema se afectan unos a otros
e influyen en el desempeo de las metas globales es necesario definir tres
tipos de variables:
Variables de decisin (de entrada o independientes). Cuando se
conduce un experimento las variables de decisin son referidas como
variables independientes en el experimento. Si se cambia un valor de
las variables independientes, se afecta a todo el ambiente del sistema,
y por lo tanto su desempeo, por ejemplo: tiempo entre llegadas, tiempo
de servicio de un servidor, tiempo de proceso de una mquina, etc.
Variables de respuesta. Las variables de respuesta son variables que
miden el desempeo del sistema en respuesta al establecimiento de
una variable de decisin particular. Una variable de respuesta puede ser
el nmero de piezas o entidades procesadas en un determinado tiempo,
o el porcentaje de utilizacin de un recurso, el tiempo de espera de un
cliente en la fila, etc. En un experimento la variable de respuesta es la
variable dependiente, la cual depende de un determinado valor de una
variable independiente.
Variables de estado (cuando se utiliza un software de uso
especfico). Las variables de estado son variables que indican el
estado del sistema en cualquier punto del tiempo. Por ejemplo el
nmero actual de entidades que esperan ser procesadas o el estado
actual de un recurso (ocioso, ocupado, etc.)
Por su parte en lo referente a la definicin de los modelos, hay muchas
clasificaciones o formas de clasificarlos, por ejemplo si son fsicos,
continuos o discretos, dinmicos o estticos, determinsticos o
probabilsticos, etc. pero de manera prctica se puede decir que si el
modelo es meramente didctico, se pueden considerar modelos tabulares
o matriciales que incluyen relaciones matemticas y probabilsticas (ver

tabla 1.3).
Ejemplo de modelo matricial o tabular:
Aleatorio
tiempo
entre
llegadas
0.2569
0.5874
0.9863
0.0047
0.4236
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
Ejemplo de un modelo grfico utilizando ProModel:
Figura 1.5
1.3 VENTAJAS Y DESVENTAJAS DE LA SIMULACIN

Como se ha comentado, la simulacin es una herramienta muy valiosa
para tomar decisiones y mejorar procesos. Sin embargo, como todas las
dems herramientas de que dispone el ingeniero industrial, la simulacin
de eventos discretos presenta ciertas ventajas y desventajas que es
necesario considerar para ver si esta es apta para resolver un problema
especfico. Dentro de las ventajas ms comunes que ofrece la simulacin,
se pueden mencionar las siguientes:
Se pueden simular sistemas complejos.
Permite explorar muchas alternativas o presentar diversos escenarios.
Permite experimentar sin el riesgo consecuente de un fracaso del
sistema.
Permite control total sobre el tiempo de ejecucin.
Se puede observar como se comportar el sistema al momento de su
ejecucin.
10
Existen softwares especficos cada vez mas sencillos lo que facilita su

aplicacin.
Mejora el entendimiento del proceso actual al permitir que el analista
vea cmo se comporta el modelo generados bajo diferentes escenarios.
Entre las desventajas ms comunes de la simulacin pueden
considerarse las siguientes:
La simulacin no deja de ser una estimacin del sistema real, por lo que
el muestreo de las variables de entrada del modelo debe ser justificado
estadsticamente.
Se puede requerir mucho tiempo para hacer un buen estudio de
simulacin.
Se requiere dominar algn software especfico de simulacin.
La simulacin no proporciona una solucin ptima como otras
herramientas de anlisis, solo muestra lo que puede suceder y queda
bajo la responsabilidad del analista elegir la mejor alternativa para la
mejora de algn proceso.
1.4 Etapas para realizar un proyecto de simulacin

Una vez que se ha elegido un proyecto para ser simulado, se debe
tener una metodologa para conducir el estudio con xito. Existen muchas
metodologas que varan un poco de acuerdo a cada autor de los textos
existentes sobre el tema de simulacin, pero en general todas tienen la
misma esencia, en este caso en la figura 1.6 se pueden observar las
siguientes etapas de carcter general:
11
PROCEDIMIENTO GENERAL PARA DESARROLLAR UN ESTUDIO
Preparacin del
proyecto
Experimentacin
y evaluacin de
alternativas
Anlisis de
resultados
Definicin del
sistema
Desarrollo del modelo

en lenguaje especfico
de simulacin
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:
Presupuesto para realizar el proyecto.

El tiempo con el que se dispone para realizarlo.
La accesibilidad de la informacin.
Conocimiento y habilidad para realizar el estudio por parte del analista.
Limitaciones de hardware o software que pudieran presentarse.
12
El hecho de que haya restricciones no quiere decir que no se pueda

realizar el proyecto, esto significa que debe considerarse la manera de
subsanar o compensar dicha restriccin.
b) Determinar el objetivo general y especfico del modelo. La
simulacin es necesaria porque se estara buscando solucin a algn
problema que podra presentarse en el proceso de produccin, en el
caso del objetivo general, puede ser: Desarrollar un modelo de
simulacin de la empresa especficamente en el sistema de
para detectar las mejoras posibles a realizar, y plantear acciones
que mejoren su desempeo.
En el caso de los objetivos especficos, algunos ejemplos podran ser:
Si se est considerando un sistema de servicio tal como el de un cajero
en un banco, puede ser un problema determinar cuntos cajeros se van
a necesitar durante un da pico (como el de pago de quincena) aqu el
objetivo especfico sera: Determinar el nmero de cajeros ptimo
para que el cliente no pase ms de 10 minutos en fila durante un
da pico.
En el caso de un proceso de manufactura podra ser un objetivo:
Determinar el porcentaje de tiempo ocioso en la operacin del
torno as como el nmero de piezas producidas.
Considerando el caso de una empresa que vende gasolina:
Determinar el nmero de bombas de gasolina adecuado para que
no estn ms del 30% del tiempo ociosas durante el turno
vespertino.
c) Preparacin de las especificaciones de la simulacin.
Debe analizarse previamente a la realizacin del modelo lo siguiente:
El alcance del modelo. Es decir que parte del sistema se desea
simular, ya que cada sistema est integrado a la vez por subsistemas,
puede analizarse de manera modular o integral, claro que entre ms
amplio sea el sistema mayor ser la complejidad del modelo. Por
ejemplo en un auto baos puede simularse solamente el rea de lavado
13
y secado sin considerar a las dems etapas del proceso, o si es

necesario desde que llegan los clientes hasta que se les proporciona el
servicio y abandonan el sistema, depende del objetivo del modelo.
Nivel de detalle. Este punto es muy importante ya que le proporciona al
modelo el parecido con el sistema real, entre mas detalles se deseen
incorporar, mayor ser la cantidad de variables de entrada al modelo
que posteriormente tendrn que muestrearse. Generalmente se comete
el error de querer incorporar ciertas actividades que no agregan valor al
modelo como por ejemplo simular considerando fallos en la energa
elctrica o ciertos vicios metodolgicos que desarrollan los operadores o
paros imprevistos por falta de materia prima, etc. si no es necesario no
deben incorporarse este tipo de variables al modelo.
1.4.2 Definicin del sistema
Para esta etapa se debe realizar lo que a continuacin se menciona:
a) Determinar los principales subsistemas y reas fsicas que
integran el sistema analizado. En este caso, se pretende determinar
las principales reas productivas que integran el sistema considerado,
es una buena opcin describir brevemente cual es la razn de ser de
cada departamento o rea (incluir croquis de distribucin de planta).
b) Determinar los diferentes tipos de servicios y/o productos que se
realizan en el sistema. Enumerar todos los productos y/o servicios que
proporciona la empresa.
c) Establecer diagramas de anlisis de procesos general y particular
para cada uno de los bienes/servicios producidos.
d) Determinar los horarios y das de trabajo regulares as como los
horarios y das de que sern sujetos de estudio.
e) Determine los datos requeridos. Este se refiere a que tipo de
informacin se puede necesitar para realizar el estudio. Algunas
preguntas que ayudan a determinar estos pueden ser:
Qu tipo de entidades son procesadas en el sistema y que atributos
tienen?
Cul es la secuencia de ruteo para cada tipo de entidad en el sistema?
14
Qu actividad se realiza para cada entidad en cada locacin?

Dnde, cundo y en qu cantidad las entidades entran al sistema
(definir el tiempo entre arribos o condiciones del arribo)?
En qu orden las entidades parten de cada locacin (primero que
entra, primero que sale; ltimo que entra, primero que sale, etc.)?
f) Determine la fuente apropiada de los datos. Buenas fuentes de
obtencin de datos del sistema pueden ser las siguientes:
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.
g) Haga supuestos donde sea necesario. Es necesario realizar

supuestos cuando se est experimentando en el modelo que representa
la realidad del sistema, hasta obtener los resultados deseados o
alcanzar el objetivo planteado.
Es importante recordar que los supuestos hacen ms sencillo un
modelo, pero debe haber congruencia entre los supuestos y lo que se
espera obtener del modelo, por que entre ms supuestos se agreguen,
ms se aleja este de la realidad. Ejemplos ms comunes de supuestos
pueden ser:
Los clientes que lleguen al sistema se van a ir atendiendo conforme
llegan (primeras entradas primeras salidas).
No se interrumpir el servicio por falta de insumos o materia prima.
15
No se interrumpir la produccin por apagones o falta de energa

elctrica.
El tiempo ocioso por negligencia del operador de la mquina se
considerar dentro del muestreo de campo realizado a la variable de
entrada tiempo de operacin, etc.
1.4.3 Desarrollo del modelo conceptual o esquemtico
Una vez que la informacin es suficiente, analizada y validada para
describir el comportamiento del sistema, se proceder a la construccin del
modelo inicial. El objetivo de la construccin de un modelo es, proveer una
representacin valida que describa el comportamiento del sistema
analizado. El modelo debe ser capaz de proveer informacin necesaria
para cumplir con los objetivos de la simulacin.
Se tomara en cuenta lo siguiente:
a) Realizar el Modelo conceptual o esquemtico. Como se mencion
anteriormente en el punto 1.2, el modelo conceptual generalmente
consta de bloques conceptuales secuenciales que incluyan la
informacin general de las actividades principales del proceso de
produccin. Se puede desarrollar el modelo con la ayuda del diagrama
de flujo de operaciones destacando:
Tipo de entidades que entran al sistema.
Tipo de entidades que se van obteniendo durante el proceso (para el
caso de procesos de manufactura).
Tamao del lote en las llegadas.
tiempo entre llegadas.
Tiempos de operacin o de servicio.
Flujo de las operaciones.
Recursos utilizados para realizar las operaciones (operadores,
montacargas, vehculos, etc.)
Nmero de operadores por mquina o estacin de trabajo, etc.
En la siguiente figura 1.7 se puede apreciar un ejemplo de modelo
conceptual considerando un taller de manufactura donde se realiza un
proceso que involucra diferentes operaciones a lotes de 20 piezas de
16
metal que llegan a un almacn para obtener finalmente un producto

terminado.
Modelo por bloques

Llegadas
(tasa de llegadas)
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
Pieza en proceso
Fresadora
Producto terminado
Almacn de producto terminado

(Tiempo de inspeccin)
Exit
Figura 1.7
b) Determinar las variables de entrada del modelo. Estas se deben

determinar de acuerdo a la informacin que se espera obtener del
sistema que se desea modelar, pueden considerarse como ejemplos
para el caso de sistemas de servicios :
17
Tiempo entre llegadas de los clientes al sistema.

Tipo de producto a comprar.
Nmero de productos a comprar.
Tiempo de operacin o de servicio, etc.
Considerando el ejemplo del modelo por bloques de la figura 1.7 el cual

es un proceso de produccin o manufactura, las variables de entrada
seran las siguientes:
Tiempo entre llegadas de las piezas al almacn de materia prima.

Tiempo de operacin en la cortadora.
Tiempo de operacin en el torno.
Tiempo de operacin en la fresadora.
Tiempo de inspeccin en el almacn de producto terminado.
1.4.4 Recoleccin y anlisis de datos

Para este paso se debe realizar lo siguiente:
a) Realizar el muestreo de las variables de entrada del modelo. Se
debe realizar el muestreo de cada variable de entrada considerando el
turno, el da de trabajo, el operador, mquina utilizada, etc. es tambin
muy importante
disear formatos u hojas de chequeo que se
consideren adecuados para la toma de datos.
En la siguiente tabla se puede apreciar el ejemplo de un formato para
toma de datos de una gasolinera:
18
HOJA DE VERIFICACION PARA EL TIEMPO ENTRE LLEGADAS

ENERGETICOS DE COLIMA S.A. DE C.V.
AREA A MUESTREAR
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
HOJA DE VERIFICACION PARA EL TIEMPO ENTRE LLEGADAS

ENERGETICOS DE COLIMA S.A. DE C.V.
AREA A MUESTREAR:
Bombas
FECHA:
HORA DE INICIO: 08:00
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
Posteriormente debe realizarse el proceso de construccin de una

distribucin de frecuencias para observar cual puede ser la distribucin
terica a la cual pueden ajustarse los datos (ver tabla 1.10 y grfico 1.11):
Intervalo
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
Por lo general todo software de uso especfico de simulacin como

ProModel, traen incluidos una herramienta estadstica muy til para
determinar el tipo de distribucin de las variables de entrada del modelo.
1.4.5 Desarrollo del modelo en lenguaje especfico de simulacin
Se debe manejar algn lenguaje especfico de simulacin o si se
domina algn lenguaje informtico de propsito general para realizar el
modelo. En general hoy en da los lenguajes de simulacin son amigables
y con entornos grficos como el que se muestra en la figura 1.12:
Figura 1.12
22
Una vez que se realiza el modelo se recomienda lo siguiente:

a) Refinamiento progresivo. Una forma prctica dentro de la simulacin,
es que no siempre todos los modelos tienen toda la informacin al nivel
de detalle deseado en su primer construccin, esto permite utilizar una
estrategia de refinamiento progresivo la cual nos permitir ir agregando
complejidad en el modelo en cada uno de sus estados. Por lo general el
nivel de detalle est relacionado con la cantidad de variables de entrada
que se incorporan al modelo, entre ms variables tenga ms detallado
se considera el modelo. Se recomienda comenzar con los elementos
bsicos del modelo y posteriormente agregar mayor complejidad para
un mejor entendimiento del sistema a analizar.
b) Expansin incremental. Para agregar complejidad a un modelo en
cada uno de sus estados, el modelo debe tener un alcance bien definido
el cual permita su construccin en secciones que son agregadas
incrementalmente a ste. Este mtodo de permite que una porcin del
modelo sea construido, depurado y probado antes de ser agregado a
nuevas secciones del modelo que lo hagan ms largo, mejor manejable
y comprensible. A esto se le conoce como particin de modelo.
c) Verificacin del modelo. Una vez que el modelo ha sido construido,
ste debe ser sometido a un proceso de verificacin para demostrar que
trabaje correctamente, es decir verificar que el modelo corra como se
dise.
Para este inciso se sugiere lo siguiente:
Revise el proceso del modelo con respecto a la realidad.
Vea la animacin.
Darle seguimiento al modelo a travs de ver lo que est sucediendo
paso a paso.
d) Validacin del modelo. La validacin es el proceso de comprobacin
de que el modelo
dentro de este dominio de aplicabilidad es
suficientemente preciso para la aplicacin proyectada. Durante el
proceso de construccin del modelo, la persona que lo construye debe
23
asegurase que se est elaborando de tal manera que refleje la realidad

del sistema a simular.
1.4.6 Conduccin de experimentos y evaluacin de alternativas
Los resultados de una simple corrida de simulacin representan solo
uno de varios posibles resultados. Esto requiere que mltiples rplicas
sean corridas para comprobar la reproducibilidad de los resultados.
Siempre es mejor considerar los promedios de todas las corridas como un
dato confiable para tomar una decisin.
Las simulaciones son frecuentemente desarrolladas para comparar dos
o ms alternativas diseadas. Esta comparacin puede estar basada en
una o ms variables de decisin tales como; la capacidad de un
contenedor, el programa de trabajo, la disponibilidad de recursos,
determinacin de tiempo estndar de operacin, etc.
1.4.7 Anlisis de resultados
Considerando que en la experimentacin en una simulacin, los
resultados son aleatorios (de acuerdo a la naturaleza probabilstica de las
entradas), se debe tener cuidado cuando se interpretan stos ya que
debido a que la simulacin no es una representacin igual a la realidad,
sino que se acerca a sta; la decisin tomada debe estar bajo una mayor
certidumbre del sistema analizado.
1.4.8 Recomendaciones finales
El ltimo paso en el procedimiento de la simulacin es el hacer
recomendaciones para mejorar el actual sistema, basado en los resultados
del modelo simulado. Estas recomendaciones pueden ser soportadas y
claramente presentadas en un informe de resultados de la simulacin.
24
1.5 Algunos peligros en la simulacin

Si los pasos descritos anteriormente son llevados a cabo, la
probabilidad de desarrollar con xito el proyecto de simulacin de un
sistema, es muy alta, pero deben considerarse algunos elementos clave
para garantizar el xito del modelo.
Algunas de las razones de por qu falla el proyecto de simulacin,
pueden ser las siguientes:
Tamao insuficiente de la corrida.

Toma de decisiones en una simple corrida.
Falta de clarificacin en los objetivos de la simulacin.
Errores en el muestreo de las variables (tamao insuficiente de las
muestras, mala organizacin de los datos, errores en clculos, etc.)
Falla en el involucramiento de los individuos directamente relacionados
con el sistema a representar.
Falta de presupuesto y restricciones de tiempo.
Agregar ms detalles de los necesarios.
Falla en la verificacin y validacin del modelo.
Interpretacin errnea del reporte de resultados que generen las
corridas del modelo.
1.6 Modelos tpicos de lneas de espera

Para iniciar gradualmente en el desarrollo de los modelos de simulacin,
es muy prctico empezar por las aplicaciones bsicas de lneas de espera,
en las siguientes figuras se muestran los modelos tpicos de colas y
algunos indicadores bsicos:
25
Una lnea un servidor

Llegadas
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
Una lnea mltiples servidores en paralelo
Figura 1.14
Mltiples lneas y mltiples servidores en paralelo
Figura 1.15
27
Mltiples Lneas y Mltiples servidores en secuencia
Figura 1.16
Es muy comn que dentro de un sistema productivo existan

combinaciones de los modelos tpicos de lneas de espera dependiendo
del tipo de actividad o proceso realizado.
1.7 Ejemplos bsicos de simulacin

1. Suponga un sistema tal como el de una estacin de trabajo en una
fbrica donde se realiza un proceso de ensamble para conformar una
pieza, las piezas llegan cada 5 minutos y el tiempo que tarda el
operador en ensamblar es de 7 minutos, simule 10 llegadas a este
sistema y calcule lo siguiente:
a) Cul es el tiempo promedio en el sistema que permanece cada pieza
desde que llegan los componentes de esta hasta que sale ensamblada?
b) Cul es el tiempo promedio en la fila que permanecen las piezas antes
de ser ensambladas?
c) Cul es el porcentaje de tiempo ocioso del servidor?
d) Suponga que se tienen 2 operadores en esa lnea, realice el ejercicio
anterior y comente.
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:
=
a) Tiempo promedio en el sistema:
b) Tiempo promedio en la fila:
= 16
= 90
c) Porcentaje de tiempo ocioso del servidor: =
= 0.06 = 6.6%
Es lgico que se est generando un cuello de botella, ya que las piezas

llegan cada 5 minutos y el tiempo de operacin es de 7 minutos, en esta
corrida de tamao diez se puede apreciar cmo se va incrementando tanto
el tiempo en el sistema como el tiempo en la fila.
Para el inciso d, la matriz quedara de la siguiente manera (ver tabla
1.18):
Operador 2
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
De la tabla anterior se obtiene lo siguiente:

a)
Tiempo promedio en el sistema:
= 7
b)
Tiempo promedio en la fila:
= 0
c)
Porcentaje de tiempo ocioso del operador 1: =
Porcentaje de tiempo ocioso del operador 2: =
= 0.3859 = 38.59%
= 0.3859 = 38.59%
Evaluando las dos alternativas tenemos el resumen que se muestra en

la tabla 1.19:
%
Ocioso
promedio
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
Suponga que el gerente no desea que los clientes duren ms de 5

minutos haciendo fila en la caja, Cuntos servidores son necesarios?
Con base en una corrida de tamao 10 clientes primeramente conteste
lo siguiente:
a) Cul es el tiempo promedio en el sistema que permanece cada
cliente?
b) Cul es el tiempo promedio en la fila que permanece cada cliente?
Es suficiente con un servidor?
d) Realice el ejercicio anterior con dos servidores y comente.
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
Generador para el tiempo entre llegadas

Valor
1
2
3
4
5
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
cumple el objetivo establecido por el gerente en el cual se especifica

que no se desea ms de 5 minutos en promedio de espera en la fila.
c) Porcentaje de tiempo ocioso del servidor: =
= 0.06 = 6%
d) Realizar el ejercicio con 2 servidores (ver tabla 1.23).

Servidor 1
Cliente
1
2
3
4
5
6
7
8
9
10
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
= 6.3
= 0.8 1
si se cumple el
objetivo establecido por el gerente,

c) Porcentaje de tiempo ocioso del servidor 1: =
= 0.1578 = 15.78%
Porcentaje de tiempo ocioso del servidor 2: =
= 0.3947 = 39.47%
34
El porcentaje promedio de tiempo ocioso es: 27.63%. En la siguiente

tabla 1.24 se puede ver una comparativa de las dos alternativas:
%
Ocioso
promedio
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
Este tipo de problema es totalmente diferente a las aplicaciones bsicas

de lneas de espera, por lo que se tendrn que buscar los indicadores para
realizar el modelo tabular. Como la finalidad que persigue cualquier
empresa, el objetivo es obtener ganancias o utilidades, por lo que el
objetivo principal es verificar si se espera obtener alguna utilidad con los
elementos que se conocen (costos variables, precio de venta, costos fijos,
etc.)
Considerar los siguiente.
Utilidad = ingresos egresos
Utilidad= (Volumen de ventas)(Precio de venta) ((costo variable) (volumen de
ventas)+ costo fijo))
Las variables de entrada del modelo son:

El costo variable de produccin
La reaccin de la competencia
La demanda del producto
En las siguientes tablas se pueden ver los generadores de estas
variables:
Generador de la Reaccin de la Competencia
Reaccin de la
Competencia
Rpida
Lenta
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
Generador para la Demanda con Reaccin Lenta

Demanda
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
Generador para el Costo Variable

Costo
Variable
2.00
2.10
2.20
2.30
2.40
2.50
2.60
2.70
2.80
2.90
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
Si se dan 10 corridas de tamao 1 semestre el modelo quedara de la

siguiente manera:
Egresos
Semestre
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.
1.8 Problemas propuestos

1. Simule un sistema en el cual se realiza un operacin de ensamble para
conformar una producto, las piezas llegan 4 cada minutos y el tiempo
que tarda el operador en ensamblar es de 7 minutos, simule 10 llegadas
a este sistema y calcule lo siguiente:
38
a) Cul es el tiempo promedio en el sistema que permanece cada pieza

desde que llegan los componentes de esta hasta que sale ensamblada?
b) Cul es el tiempo promedio en la fila que permanecen las piezas antes
de ser ensambladas?
d) Suponga que se tienen 2 operadores en esa lnea, realice el ejercicio
anterior y comente.
2. Considere un sistema de lneas de espera tal como el de un cajero
automtico, suponga por simplicidad que el tiempo entre llegadas de los
clientes vara entre 2 a 5 minutos y que el tiempo de servicio del cajero
varia de de 3 a 7 minutos por cada cliente, estos tiempos son
distribuidos de manera uniforme. Suponga que el gerente del banco no
desea que los clientes duren ms de 4 minutos haciendo fila en la caja,
Cuntos cajeros son necesarios? Con base en una corrida de tamao
10 clientes primeramente conteste lo siguiente:
a) Cul es el tiempo promedio en el sistema que permanece cada
cliente?
b) Cul es el tiempo promedio en la fila que permanece cada cliente?
Es suficiente con un cajero automtico?
c) Realice el ejercicio anterior con dos cajeros y comente.
3. Una compaa desea establecer un negocio de renta de autos, el
gerente quiere saber el nmero de autos ptimo a comprar. El costo
promedio anual es de $200,000 por auto, la renta diaria por auto se
fijar en $700. El costo de no tener un auto disponible cuando se solicita
es de $300 y el de tener un auto ocioso durante el da es de $200. De
acuerdo a una investigacin realizada, se encontr que el nmero de
autos rentados por da as como el nmero de das rentados es como se
muestra a continuacin:
39

No. de Autos
Rentados
0
1
2
3
4
Frecuencia
Observada
15
25
45
10
5
No. Das
Rentados
1
2
3
4
Frecuencia
Observada
40
35
15
10
a) Cules son las variables de entrada de este modelo?

b) Cul es el principal indicador para determinar el nmero ptimo de
autos a comprar?
c) Cules son las alternativas que se pueden considerar para este
modelo?
d) Realice una corrida de tamao 10 autos para cada una de las
alternativas y recomiende cuantos comprar.
4. La panadera la Trinidad satisface la demanda del da con pan recin
horneado. El pan se produce en lotes de docenas de panes, cada pan
tiene un costo de produccin de $2 Suponga que la demanda diaria total
de pan tambin se presenta en mltiplos de 12. Los datos muestran que
la demanda vara de 36 a 96 panes diarios. Un pan se vende a $4 y si
sobra pan al final del da, este se vende a una cocina de beneficencia a
un precio de recuperacin $1 cada pan. Si la demanda es mayor que la
oferta, suponemos un costo por ganancia prdida. Los registros de la
panadera muestran que la demanda diaria se puede clasificar en tres
tipos: alta, media y baja, estas se presentan con probabilidades de 0.30,
0.45 y 0.25 respectivamente. La empresa quisiera saber el nmero
ptimo de panes que se deben producir cada da para maximizar las
ganancias.
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
a) Cules son las variables de entrada de este modelo?

b) Cul es el principal indicador para determinar el nmero ptimo de
panes a producir?
c) Cules son las alternativas que se pueden considerar para este
modelo?
d) Realice una corrida de tamao 10 das para cada una de las
alternativas y haga las recomendaciones que considere pertinentes.
5. Lea y desarrolle el siguiente caso:
Gerente: Seores, el desarrollo de nuestro nuevo producto ha alcanzado
el punto en que debemos tomar una decisin sobre la produccin. Por
supuesto, la cuestin clave es: se obtendr una ganancia?
Ventas: Pienso que la demanda puede estimarse bastante bien
basndonos en nuestros estudios. Esperamos niveles de ventas de 5,300;
6,000 y 6,700 unidades. Estadsticamente estimamos que el primer y tercer
nivel de ventas tengan un peso probabilstico de un 35%.
Produccin: Para producirlo necesitamos alguna maquinaria nueva, una
persona ms en mantenimiento y relocalizacin de algunas estaciones de
trabajo existentes. He costeado cuidadosamente estas necesidades y
ascienden a un total de $200,000 de costos fijos. Dira que hay 50% de
posibilidades para los $200,000 y 25% para $198,000 o para $202,000.
Gerente: Qu sucede con el costo variable?
Contabilidad: Despus de consultar a nuestros departamentos de
ingeniera y produccin, hemos llegado a un costo esperado entre $48 y
$52. Digamos que existe el 50% de posibilidades para $50y 25% tanto
para $48 como para $52.
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:
43
44
2.1 Nmeros pseudoaleatorios

Como pudo observarse en el captulo anterior, en las aplicaciones
bsicas de la simulacin, los nmeros aleatorios (o pseudoaleatorios
como se les denomina ya que provienen de alguna frmula matemtica)
juegan un papel muy importante al momento de simular algn sistema
ya que con la ayuda de estos se pueden generar las variables de
entrada del modelo. Tambin son los que le dan esa caracterstica de
parecido con la realidad ya que las variables de entrada generalmente
son probabilsticas. A los nmeros pseudoaleatorios tambin se les
llama: nmeros rectangulares, uniformes o simplemente aleatorios y
como se mencion anteriormente son de suma importancia por su uso
en la generacin de variables aleatorias.
2.2 Caractersticas de los nmeros pseudoaleatorios

Los nmeros pseudoaleatorios, pueden considerarse como aleatorios
si cumplen con las siguientes caractersticas:
a)
b)
c)
d)
e)
Que sean uniformemente distribuidos.

Estadsticamente independientes.
De perodo largo o completo.
Con = 0.5
Con 2= 1/12
a) Deben estar uniformemente distribuidos en el intervalo [0,1]. Es decir,

que se ajusten a la funcin de densidad de probabilidad uniforme
continua:
1
( )=
b) El concepto de estadsticamente independientes se refiere a que la

probabilidad de generar un nmero siempre ser la misma, es decir,
45
la ocurrencia de un nmero aleatorio no determina la ocurrencia del

siguiente y as sucesivamente.
c) Se le llama periodo a la cantidad de nmeros que pueden generarse
con una frmula o algoritmo determinado, son deseables periodos de
vida mnimos de n=231 o n=264 aunque en la actualidad se cuenta
con generadores y procesadores capaces de construir una secuencia
de nmeros con periodo de vida de n=2200.
d) Si los nmeros se distribuyen uniformemente (todos con la misma
probabilidad de ocurrencia) luego entonces se espera que la media
de todos los nmeros posibles que se puedan generar cuando n
tiende a infinito es de = ya que estos se encuentran en el rango
0 1. La explicacin matemtica de esto es como sigue en la figura
2.1:
= ( )( )
1 = ( ) ()
( )=
( ) = =
Figura 2.1
46
e) De la misma manera que se obtuvo la media, partiendo de la misma

distribucin uniforme continua la varianza se obtiene por medio de:
1 1 1
1
+ =
3 2 4 12
=
=
1
2
2.3 Generacin de los nmeros pseudoaleatorios

Generar un conjunto de ri nmeros pseudoaleatorios es relativamente
sencillo, solo se tiene que aplicar algn algoritmo de generacin
(sucesiones de dgitos por medio de una relacin de recurrencia.) o
incluso disear un propio algoritmo de generacin. Lo que se debe tener
en cuenta es que los nmeros generados cumplan las caractersticas
sealadas en el punto 2.2.
A continuacin se presentan diferentes algoritmos determinsticos para
generar los nmeros pseudoaleatorios. Existen muchos algoritmos pero
en general se pueden clasificar en algoritmos no congruenciales y
algoritmos congruenciales.
2.3.1 Algoritmo de cuadrados medios
Este es un algoritmo no congruencial y se fundamenta en la
elevacin al cuadrado de una semilla de n dgitos tomando los d
dgitos centrales para conformar el nuevo nmero, mismo que servir
como la nueva semilla y as sucesivamente. Los pasos para este
algoritmo son:
1. Seleccionar una semilla (X0) con d dgitos (d > 3).
2. Elevar al cuadrado X0 y sea X1 = d dgitos del centro. Sea entonces
ri=0.d dgitos del centro.
47
3. Sea Yi = resultado de elevar Xi al cuadrado; y sea Xi+1= los d dgitos

del centro y ri=0.d del centro para toda i = 1,2,3,,n.
4. Repetir el paso 3 hasta obtener los n nmeros ri deseados.
Nota: Si no es posible obtener los d dgitos del centro del nmero Yi se
pueden tomar los d dgitos cargados un dgito hacia la derecha o hacia
la izquierda.
Ejemplo 2.1
Generar los primeros 5 nmeros ri de 4 dgitos (d) a partir de la semilla
X0=9876, ver tabla 2.2:
Y0 = 9876 = 97535376
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:
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
Nota: Si no es posible obtener los d dgitos del centro del nmero Yi se

pueden tomar los d dgitos cargados un dgito hacia la derecha o hacia
la izquierda.
Ejemplo 2.2
Generar los primeros 7 nmeros ri de 4 dgitos (d) a partir de las
semillas X0=9638 y X1=8527, ver tabla 2.3:
Y0= (9638)(8527)= 82183226
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
estrictos pero como todos los lenguajes de uso especfico de simulacin

ya incluyen sus propios generadores de nmeros pseudoaleatorios solo
se expondrn ejemplos meramente didcticos para ver cmo funcionan
los generadores congruenciales.
Ejemplo 2.3
Genere 8 nmeros a partir del generador congruencial mixto: considere
X0 = 4, a=5, c=7 y mod=8. Los resultados son como se muestran en la
tabla 2.4:
Generador
X1 = ((5)(4) + 7) mod 8
X2 =( (5)(3) + 7) mod 8
X3 = ((5)(6)+ 7) mod 8
X4 = ((5)(5) + 7) mod 8
X5 =((5)(0) + 7) mod 8
X6 =((5)(7) + 7) mod 8
X7 =((5)(2) + 7) mod 8
X8 =((5)(1) + 7) mod 8
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
2.4 Pruebas estadsticas de aleatoriedad

Como el valor de las variables aleatorias de un modelo dado,
dependen de los nmeros aleatorios, es importante verificar que los
nmeros aleatorios generados
cumplan con la caracterstica de
uniformidad [0,1]. Para ello se aplicarn algunas de las muchas pruebas
estadsticas que han sido desarrolladas para probar la uniformidad y
aleatoriedad o independencia de los nmeros aleatorios. Dichas
pruebas estn basadas en el proceso estadstico de pruebas de
hiptesis variando nicamente los estadsticos de prueba.
El proceso general de las pruebas de hiptesis es como sigue:
1. Establecer las hiptesis nula y alternativa: H0 y H1
2. Dependiendo de la prueba utilizar el estadstico de prueba
correspondiente: Zc, X2, F, etc.
3. Determinar el nivel de confianza (error tipo I, rechazar algo cuando
es verdadero) y 1-. Usualmente = 1%,5%,10%.
51
4. Determinar la regin de rechazo y no rechazo (ver figura 2.6).
Regin de rechazo y no rechazo para una distribucin que utiliza el

estadstico de prueba de una distribucin normal
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.
|
|
<
6. Finalmente formular una conclusin agregando el tamao de la

muestra y el nivel de significacin .
Ejemplo:
Existe suficiente evidencia para decir que los nmeros se
distribuyen uniformemente ya que Zc < Z/2 considerando n =
100 y = 0.05
52
2.4.1 Prueba de los promedios

Esta prueba est basada en la media de los nmeros aleatorios y
esencialmente consiste en comparar la media de una muestra de
tamao n contra la media de toda la poblacin de nmeros que puedan
generarse (cuando n tiende a ):
.
Los pasos son los siguientes:
1. H0: = 0.5
H1: 0.5
2. Calcular la
de los n nmeros generados:
3. Estadstico de prueba:
=
( 0.5)
1
12
4. Determinar las regiones de rechazo y no rechazo para los valores de

considerados.
5. Tomar la decisin para cada valor de .
6. Concluir.
Ejemplo 2.5
Realice la prueba de los promedios a los 40 nmeros aleatorios de la
tabla 2.7 de abajo considerando: a) = 1%, b) = 5% y c) = 10% y
concluya.
53
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
de los n nmeros generados:
= 1.55
= 0.42913
(0.42913 0.5)
1
12
(40)
4. Calculo de la regin de rechazo y no rechazo:
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
5. Decisin: Como ZC < Z/2 entonces no rechazar H0

6. Conclusin:
Existe suficiente evidencia para decir que los nmeros aleatorios
se distribuyen uniformemente considerando n=40 y =0.01
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

6. Conclusin:
Existe suficiente evidencia para decir que los nmeros aleatorios se
distribuyen uniformemente considerando n=40 y =0.05
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

6. Conclusin. Existe suficiente evidencia para decir que los nmeros
aleatorios se distribuyen uniformemente considerando n=40 y
=0.10
Conclusin general:
Como la hiptesis nula no se rechaza con ninguno de los tres valores
de , entonces se trata de una prueba altamente significativa para
decir que los nmeros se distribuyen uniformemente considerando
n=40.
2.4.2 Prueba de las frecuencias
Esta prueba consiste en dividir el espacio [0,1] en k subintervalos y
verificar la cantidad de nmeros aleatorios que caen en cada particin
contra los que deberan ser suponiendo que estos se distribuyen
uniformemente. Es en realidad una prueba de bondad y ajuste (utiliza el
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.
=

considerados (por omisin =0.05)
8. Tomar la decisin.
9. Concluir.
57
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
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
6. Para obtener el valor de tablas, es necesario primero calcular los

grados de libertad:
V = k-1, y el valor de = 0.05
V = 5 1 = 4 grados de libertad,
,
, .
= 9.49
7. La regin de rechazo y no rechazo est dada por:
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
2. K=10
3. FE= 50/10 = 5
4. AC= 1/10 = 0.1
5. Calculo de : ver tabla 2.10
59
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
7. La regin de rechazo y no rechazo est dada por:
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:
61
2. Jugadas, ver la tabla 2.11:

Jugadas
(x)
Todos diferentes
Un par
Dos pares
Tercia
Full
Pker
Quintilla
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.
(
)
=
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:
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
de =0.05. En este caso quedan 4 clases una vez que se agruparon

los valores de las celdas menores a 5.
V = 4 1 = 3 grados de libertad, , =
= 7.81
, .
Regin de rechazo y no rechazo para el ejercicio:
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.
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
6. Calcular las diferencias absolutas entre cada valor ordenado ri y la

respectiva distribucin acumulada Fn (xi)
7. Tomar la diferencia absoluta mayor de acuerdo a:
= | ( ) |
8. Si Dn < d,n entonces no se puede rechazar la hiptesis de que los
nmeros tienen una distribucin uniforme.
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:
2. Ordenar los nmeros aleatorios y aplicar las
correspondientes. Ver tabla 2.15
operaciones
65
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
De la tabla anterior obtenemos que la diferencia mayor absoluta es de

Dn =0.0639 y el valor de tablas de la distribucin Kolmogorov-Smirnov
con n=40 y un nivel de significacin =0.05 es: d40,0.05=0.210 y puesto
que 0.0639<0.210, entonces no se puede rechazar H0.
Conclusin:
Existe suficiente evidencia para decir que los nmeros se distribuyen
uniformemente considerando n=40 y =0.05
2.5 Ejercicios propuestos.

1. Genere los primeros 7 nmeros aleatorios ri de 4 dgitos con el
algoritmo de cuadrados medios a partir de la semilla X0=9576.
2. Genere los primeros 5 nmeros aleatorios ri de 4 dgitos con el
algoritmo de productos medios a partir de las semillas X0=8543 y
X1=7433.
3. Desarrolle los siguientes generadores congruenciales para nmeros
aleatorios uniformes y determine el periodo de estos:
a)
b)
c)
d)
e)
a = 71, c =315, mod =313; X0 =37

a = 45, c =377, mod =1321; X0 =931
a = 111, c =281, mod =4294; X0 =123
a = 233, mod =4294; X0 =583
a = 711, mod =65536; X0 =17
4. Genere y anote con su calculadora 50 nmeros aleatorios y aplique

la prueba de los promedios con:
a) =1%
b) =5%
c) =10%.
Concluir.
67
5. Genere y anote 100 nmeros aleatorios y aplique la prueba de las

frecuencias con k=5, k=10 y concluir.
6. Realice la prueba del pker a los 100 nmeros del ejercicio 5 y
concluir.
7. Genere y anote 50 nmeros aleatorios con su calculadora y aplique
la prueba de Kolmogorov-Smirnov.
68
Capitulo 3:
Variables aleatorias
69
70
3.1 Introduccin del captulo

Como se mencion en el captulo1, adems de la clasificacin
estadstica de las variables como continuas y discretas existe otra
clasificacin de acuerdo a la metodologa para realizar un modelo de
simulacin. Esta otra clasificacin es de acuerdo a como se alimenta al
modelo que se pretende desarrollar: variables de entrada y variables
de respuesta, tambin se les llama variables independientes y
dependientes respectivamente.
Es pues de vital importancia para el desarrollo del modelo determinar
o identificar las variables de entrada, posteriormente identificar el tipo
de distribucin terica al que se ajustan (si es que la tienen) para
finalmente introducirlas en el modelo y poder generarlas en el lenguaje
informtico en el que se est realizando el modelo. Las variables de
salida (o de respuesta) se ven reflejadas en el reporte de salida una vez
que se ha corrido adecuadamente el modelo; estas tambin son muy
importantes porque aunque no alimentan al modelo, son las que
muestran los indicadores de comportamiento del modelo actual y la
base para tomar decisiones que ayuden a mejorar el sistema analizado.
En la siguiente tabla 3.1 se muestran algunos ejemplos de variables
de entrada y de respuesta ms comunes:
Variable de Entrada
Variable de Respuesta
Tiempo entre llegadas de las

entidades al sistema
Tiempo de servicio del servidor
Tiempo en fila de las piezas o clientes
Tiempo de operacin de la mquina

Tipo de cliente tipo que entra al
sistema
Tipo de servicio solicitado por los
clientes
Tipo de producto a desarrollar en el
sistema
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
3.2 Tipos de variables aleatorias

En este punto si se har referencia a la clasificacin probabilstica de
las variables aleatorias. Se pueden diferenciar de acuerdo con el tipo de
valores aleatorios que representan. Si por ejemplo se habla del nmero
de clientes que entran a un restaurant de comida rpida en el turno
matutino, se pueden encontrar valores tales como: 0,1, 2, 3, 4,,n, es
decir, valores que se pueden contar como el de las distribuciones de
probabilidad discretas. Por otra parte, si lo que interesa es el tiempo que
tarda el servidor en atender a cada cliente que entra al restaurant, se
obtendran valores como: 3.47 minutos o 0.092 horas, en este caso son
valores medibles y obviamente similares a las distribuciones de
probabilidad continuas.
3.2.1 Variables aleatorias discretas
Este tipo de variables se distinguen por que generalmente involucran
experimentos estadsticos donde se pueden contar las caractersticas
de la poblacin a muestrear. Tienen las siguientes condiciones:
1) ( ) 0
2)
=1
++
3) ( ) =
Ejemplos de distribuciones tericas discretas son:
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
sumarse los pesos probabilsticos se integran. Tienen las siguientes

condiciones:
3.
( )0
( = )=0
( )=1
4.
1.
2.
)= ( <
< ) =
( )
Ejemplos de distribuciones tericas continuas son:
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
3.3 Identificacin del tipo de distribucin

probabilidad de las variables aleatorias
de
El objetivo de identificar el tipo de distribucin de alguna variable

aleatoria es poder generarla cuando se est realizando el modelo en
algn lenguaje especfico informtico, de hecho la mayora de estos
lenguajes traen su propia aplicacin para determinar el tipo de
distribucin de las variables, en el caso del ProModel, tiene una
aplicacin llamada Stat:Fit la cual es muy til para este fin.
El procedimiento para la identificacin de la distribucin que sigue
una variable de entrada es aplicando el proceso de pruebas de hiptesis
utilizando la prueba de bondad y ajuste que utiliza como estadstico de
prueba a la chi-cuadrada (x2), tambin se puede utilizar la prueba de
Kolmogorov-Smirnov o la de Anderson-Darling. En este captulo se
revisarn los dos primeros procedimientos mencionados anteriormente.
El procedimiento general es como se menciona a continuacin:
75
1.
2.
3.
4.
Determinar Variables de entrada del modelo y muestrear en

horarios y das de inters. Deben muestrearse por lo menos 30
datos (n 30).
Organizar los datos en una forma conveniente para su uso.
Determinar el Rango de los datos muestreados (R = Vmax Vmin)
Determinar el ancho del intervalo aproximado. Se recomienda la
frmula siguiente:

1 + 3.322 (log )
5.
6.
Construir la distribucin de frecuencias.

Realizar el histograma y trazar polgono de frecuencias para
proponer la posible distribucin a la que se ajusta.
7. Establecer Hiptesis Nula y Alternativa.
8. Determinar la probabilidad terica de cada clase con la funcin de
probabilidad de la distribucin seleccionada.
9. Aplicar la Prueba de Bondad y Ajuste o Kolmogorov-Smirnov.
10. Concluir.
3.3.1 Ejemplos utilizando la prueba de bondad y ajuste y

Kolmogorov-Smirnov
La prueba de bondad y ajuste utiliza el estadstico de prueba de la
chi-cuadrada (x2) y el fundamento de esta prueba es comparar la
frecuencia observada de cada clase (ki) de la distribucin de frecuencias
contra la frecuencia esperada y medir la dispersin entre ambas, dicha
dispersin se mide con el valor
y este a su vez se compara contra el
valor de tablas
< , entonces no se rechaza H0. Las
, , si
frmulas son las siguientes:
FEi = n Pi
76
Para la obtencin del valor de tablas de , el valor de V=K m 1

donde m es el nmero de parmetros estimados en la distribucin
considerada.
La prueba de Kolmogorov-Smirnov compara directamente las
probabilidades tericas contra las relativas y utiliza sus propias tablas
para diferentes valores de . El procedimiento se ver un poco ms
adelante.
Ejemplo 3.1
Los siguientes datos (ver tabla 3.6) representan el tiempo en horas que
se requieren para realizar las reparaciones y/o mantenimientos en un
taller automotriz. Se tom una muestra de los ltimos 50 autos que
ingresaron al taller:
8.223
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)
= 8.223 0.023 = 8.2
77
b) Distribucin de frecuencias e histograma

8.2
= 1.072
1 + 3.322 (log 50)
Este valor es solamente una referencia, por lo que puede

considerarse un ancho adecuado de clase para 50 datos 1.2. En la
siguiente figura 3.7 se puede ver la distribucin de frecuencias y el
histograma correspondientes:
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
La distribucin a la cual se pretende verificar si los datos se ajustan

es la Exponencial negativa, es una distribucin continua por lo que la
funcin de densidad se tendr que integrar para obtener las
probabilidades correspondientes.
( ) =
1
=
En este caso como se obtuvo una muestra de tamao n= 50 se

utilizar como un estimador de .
=
113.397
1
= 2.27 =
= 0.4405
2.27
50
La integracin de la funcin de densidad para obtener las

probabilidades de cada clase es de la siguiente manera:
(
<
) =
<
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 = .
El resumen del clculo de
es como se muestra en la siguiente
tabla 3.8:
79
(
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
En la figura 3.9 se puede ver la regin de rechazo y no rechazo para

la prueba de bondad y ajuste:
1-
0.95
=1.9326
Figura 3.9
80
= 0.05
5.99
Decisin: Como
<
entonces no rechazar 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
e) Prueba de Kolmogorov-Smirnov con =0.05.
En este caso los pasos son los siguientes:
1. Calcular la probabilidad relativa de cada clase
2. Calcular la probabilidad terica de cada clase (de la distribucin que

se eligi en la H0).
3. Acumular la probabilidad relativa y la probabilidad terica en sus
columnas respectivas,
4. Calcular la diferencia absoluta entre ambas
5. Comparar contra el valor de tablas.
Recordemos las hiptesis nulas y la alternativa:
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
El resumen del clculo para la prueba de Kolmogorov-Smirnov es
como se ve en la tabla 3.10:
81
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
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) Calculo del rango:
= 8 1 = 7
b) Calculo del ancho de clase:

7
= 1.18
1 + 3.322 (log 30)
En este caso los datos son discretos y el rango es pequeo

(Rango=7) as que el ancho de clase no es una referencia adecuada ya
que quedaran clases de 12, 23, etc. y como los datos son discretos
nunca se darn valores intermedios solo enteros por lo que en este
caso en particular es ms conveniente tomar los valores puntuales y
ajustar a alguna distribucin terica discreta.
La distribucin de frecuencias e Histograma son como se muestran
en la figura 3.12:
Figura 3.12
83
c) Los datos parece que siguen una distribucin de Poisson.

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
d) Prueba de bondad y ajuste.
En este caso la distribucin considerada es discreta por lo que
simplemente basta utilizar la ecuacin de la distribucin de Poisson
directamente para obtener las probabilidades correspondientes.

( ) =
=

= 0,1,2,3,4, ,
!
Como se obtuvo una muestra de tamao n= 30 se utilizar
un estimador de .
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
El resumen de los clculos de la prueba de bondad y ajusta se

muestra en la tabla 3.13:
Clases
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
, =
, .
, :
En la siguiente figura 3.14 se muestra la regin de rechazo y no

rechazo para la prueba de bondad y ajuste de este ejercicio:
85
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
El valor de tablas para =0.05 (tabla de Kolmogorov-Smirnov) es:

0.29. Como |0.054| < |0.29| entonces no se rechaza H0.
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
Ejercicio 3.3
Los siguientes datos de la tabla 3.16 representan el tiempo en segundos
que tarda un operador en realizar una operacin de ensamble,
mencione que tipo de distribucin pueden seguir estos mediante la
prueba de Kolmogorov-Smirnov.
138
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
b) Calculo del ancho de clase de referencia:

57

=
= 9.02 10
1 + 3.322 (log 40)
c) Distribucin de frecuencias e histograma.
En la siguiente figura 3.17 se muestra la distribucin de frecuencias y
el histograma correspondientes:
87
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
Para estimar se utiliza y para estimar se utiliza S. Utilizando la

hoja de clculo se puede estimar la media y la desviacin estndar de la
muestra con la cual se obtiene la siguiente informacin:
=
146.8 y = 13.05.
Para el clculo de las probabilidades se consideran los lmites reales
de clase. La probabilidad de la primera clase es: P1(x<128.5) por lo
tanto se tiene que transformar a unidades estndar el valor 128.5 con la
frmula:
=
128.5 146.8
= 1.40
13.05
El valor negativo indica que 128.5 esta -1.4 desviaciones estndar

por debajo de la media (146.8) y haciendo uso de las tablas de la
distribucin normal estndar (ver el anexo de este texto) finalmente se
obtiene la probabilidad de la primera clase:
( < 128.5) = 0.5 (1.4) = 0.5 0.4192 = .
La segunda probabilidad es: P2 (128.5<x<138.5). Aqu se tienen que
considerar dos valores de Z, el primero: Z1 = -1.40 que se calculo
anteriormente y el nuevo valor Z2:
=
138.5 146.8
= 0.64
13.05
De aqu que la probabilidad sea:

(128.5 <
< 138.5) = (1.4) (0.64) = 0.4192 0.2389 = .
Es importante recordar que cuando los valores de Z sean del mismo

signo, se debe restar la probabilidad del valor menor al valor mayor de
Z, por su parte cuando los valores obtenidos de Z sean de signo
diferente, las probabilidades del rea bajo la curva se suman. Siguiendo
con este proceso, en resumen las probabilidades seran:
89
( < 128.5) = 0.5 (1.4) = 0.5 0.4192 = .

(128.5 <
< 138.5) = (1.4) (0.64) = 0.4192 0.2389 = .
(138.5 <
< 148.5) = (0.64) + (0.13) = 0.2389 0.0517 = .
(148.5 <
< 158.5) = (0.90) (0.13) = 0.3159 0.0517 = .
(158.5 <
< 168.5) = (1.66) (0.90) = 0.4515 0.3159 = .
( > 168.5) = 1
= 1 0.9515 = .
En la siguiente tabla 3.18 se muestra el resumen del clculo de la

prueba de Kolmogorov-Smirnov:
Clases
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
siempre se van a ajustar mejor a una en particular, si se emplea la

prueba de bondad y ajuste por ejemplo para verificar si un grupo de
datos sigue una o varias distribuciones, se recomienda utilizar la que
tenga el valor de
mas pequeo ya que este presenta una menor
dispersin entre los valores observados y esperados.
3.3.2 Identificacin del tipo de distribucin de probabilidad
utilizando un lenguaje especfico de simulacin.
Como se ha mencionado anteriormente, existen diversos lenguajes
informticos de uso especfico para simulacin, estos generalmente
incluyen alguna aplicacin para la identificacin del tipo de distribucin
probabilstica de las variables de entrada del modelo que se desea
simular.
En el caso del software ProModel, este incluye una herramienta
llamada Stat:Fit, la cual es de suma utilidad para analizar y determinar
el tipo de distribucin de las variables consideradas. Incluye las pruebas
de bondad y ajuste (chi-cuadrada), Kolmogorov-Smirnov y AndersonDarling. Tambin incluye informacin de estadstica descriptiva de los
datos que pueden alimentarse manualmente o incluso pegarlos de otras
aplicaciones como hojas de clculo ya que es totalmente compatible
con las aplicaciones de Microsoft para PC.
Existen varias versiones del ProModel profesionales, pero en este
caso, el texto que se desarrolla es meramente para uso acadmico, se
har referencia a la versin estudiantil que ya se incluye en el libro:
Garca Dunna et. al. (2006) titulado Simulacin y anlisis de sistemas
con ProModel primera edicin, de editorial PEARSON (ver figura 3.19):
91
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
Para utilizar el Stat:Fit, se puede ejecutar desde la pantalla inicial de

ProModel o desde los comandos del men Tools (ver figura 3.21):
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
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
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
3.3.3 Ajuste de curvas manual a tendencias lineales para

distribuciones empricas continuas
Para el caso en que se considere una variable aleatoria continua
emprica (que no sigue ninguna distribucin terica conocida), se puede
utilizar el enfoque de ajuste a una tendencia lineal con el mtodo de
mnimos cuadrados.
Como es conocido, existen diversos tipos de tendencias: lineal,
parablica, logartmica, etc. pero en este caso se ver el ajuste a la
tendencia lineal para verificar si esta puede utilizarse en la obtencin del
generador de la variable (posteriormente) en lugar de la distribucin
original.
97
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
Para obtener la ecuacin de la recta es necesario conocer los valores

de las constantes a y b obteniendo las sumatorias necesarias (ver tabla
3.28):
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
Estos valores se grafican sobre el polgono de frecuencias y

originando la recta de ajuste tal como se ve en la siguiente figura 3.29:
Poligono de frecuencias
25
y = 1.7143x + 10.667
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
De aqu el valor de R= 0.9310 y por lo tanto R2=0.8668, con este

valor se puede decir que la tendencia lineal hace un buen ajuste de los
datos muestreados para posteriormente obtener un generador de esta
variable.
3.4 Generacin de variables aleatorias.

El objetivo real de conocer el tipo de distribucin de las variables
aleatorias, es poder generarlas en el modelo de simulacin que se est
desarrollando para darle el parecido con la realidad que se requiera y
obtener informacin fidedigna que permita tomar la mejor decisin en un
momento dado.
Existen varios mtodos para generar las variables aleatorias, por
ejemplo:
a)
b)
c)
d)
e)
f)
Mtodo de la transformada inversa.

Mtodo de convolucin
Mtodo de composicin.
Mtodo de la transformacin directa.
Mtodo de aceptacin y rechazo.
Mtodo de Montecarlo
En los siguientes puntos se describirn el mtodo de la transformada

inversa, el mtodo de Montecarlo y el de composicin (que es una
aplicacin especial del de la transformada inversa), el lector puede
consultar los dems mtodos en la bibliografa de este texto.
En la siguiente figura 3.30 se puede observar un cuadro sinptico
con un resumen de este punto adecuado al tipo de variable considerado
para un mejor entendimiento del tema:
101
Distribucin
Discreta
Terica
Distribucin
Continua
Terica
Si los datos
analizados
tienen una.
1. Aplicar directamente la frmula directamente y obtener

las probabilidades de cada valor posible 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.
Mtodo de la Transformada inversa:
1.
2.
3.
4.
Dado f(x) calcular

Hacer F(x) = R
Despejar =
Generar valores
( )
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
Si R2<0.85 entonces ordenar los valores de Xi

en forma ascendente y encontrar la frecuencia
observada de cada uno.
Aplicar el Mtodo de Montecarlo
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
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
Dado f(x) calcular F(X):

( ) =
+ 1
Igualar F(x) = R y despejar X:

+ 1 =
ln(
=1
) = ln( 1 )
= ln( 1 )
= ln( )
nota: 1-R R
Los valores generados son:

Si R1=0.269 entonces:
= 5 (0.269) = 6.56
= 5 (0.819) = 0.99
= 5 (0.360) = 5.11
= 5 (0.454) = 3.95
= 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):
( )=
b) Igualar F(x) =R y despejar X:
=( )
+( )
c) Los 5 valores generados si a=3 y b=7 son:

Si R1 = 0.2375 entonces X1= 3 + 4(0.2375) = 3.95
Si R2 = 0.7031 entonces X2= 3 + 4(0.7031) = 5.81
Si R3 = 0.9915 entonces X3= 3 + 4(0.9915) = 6.97
Si R4 = 0.0388 entonces X4= 3 + 4(0.0388) = 3.16
107
Si R5 = 0.4221 entonces X5= 3 + 4(0.4221) = 4.69

Ejemplo 3.8
Los datos que se muestran en la distribucin de frecuencias de abajo
(tabla 3.35), representan el tiempo en minutos para realizar una
operacin de ensamble. Obtenga un generador para dicha variable.
FO 3 7 11 15
X 1 2 3
4
Tabla 3.35
Solucin:
Para tener una idea del tipo de distribucin primeramente se trazar
el histograma correspondiente a los datos muestreados (ver figura
3.36):
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
La forma bsica de la distribucin es

un trapecio
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
Con este valor se puede obtener la nueva f(x) ajustada con la

ecuacin de la pendiente:
1
7
12 12 =
41
110
1
12 = 1 1
6
12
1
Entonces la f(x) de la distribucin es:

1
1
( ) =

6
12
Como es una distribucin emprica continua se aplicar entonces el

mtodo de la transformada inversa:
1
1

12
6
( ) =
1
12
1
1(1 ) 1
1
(1) =
12
12
12
12
1
12
Como se est calculando la distribucin acumulada debe esperarse

que al sustituir con el valor de x superior (en este caso 4) se obtenga un
valor de 1 que es la probabilidad total acumulada de cualquier tipo de
evento:
1
12
42
1
12
4 = 1.
El siguiente paso es igualar la ecuacin a R y despejar x:

1
12
1
12
1
12
12
=0
Como no se trata de una ecuacin lineal se utilizar la frmula general

para conocer el valor de x. Se puede multiplicar por 12 toda la ecuacin
para eliminar las fracciones:
1
1
= 0 12 = 12 = 0
12
12
4
2
1 1 4(1)(12 )
1 48 + 1
=
2(1)
2
Para saber cul de los dos signos (+ o -) es el adecuado se puede

evaluar la frmula con los extremos de los nmeros R para los que
aplica (0R1) se supone que con R=0 la ecuacin debe proporcionar
111
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
Si se generan 10 valores con este generador el resultado sera como se

muestra a continuacin en la tabla 3.39:
n
1
2
3
4
5
6
7
8
9
10
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
b) Enseguida se calculan las respectivas f1(x) y f2(x) con la ecuacin de

la pendiente:
113
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
: ( )
c) El siguiente paso es aplicar la transformada inversa a cada f(x).

Cuando se aplica este mtodo a ms de un rea, se le llama mtodo
de Composicin.
( ) =
2
3

5
5
3
10
2
3(1 ) 2
3
(1) =
5
5
10
10
2
1
+
5
10
Como la distribucin total de esta variable se puede dividir en dos

reas, se puede evaluar esta primer distribucin acumulada con el valor
de X superior para el cual aplica f1(x) (1X2) y debe dar el valor en
rea de la primer figura, en este caso es simtrica y el A1=1/2. Por lo
tanto si se evala la primer acumulada con X=2 el resultado es:
114
( )=
3
2
1
1
2 2+
=
10
5
10 2
Enseguida se calcular la F2(x):

3
+ 2
5
( )=
( = 2) +
( )=
3
10
23
10
+2
1
3

2 10
+2
3(2 )
+ 2(2)
10
Si se evala con X=3 ya que la f2(x) aplica para 2<X3 entonces el

valor a obtener debe ser 1 puesto que es la distribucin acumulada
total:
( )=
23
27
23 10
3
3 + 2(3)
= +6
=
=1
10
10
10
10 10
d) El paso siguiente del mtodo de la transformada inversa es hacer

F(x) = R y despejar la X.
Para F1(x):
2
1
+
=
5
10
2
1
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
Debe recordarse que este generador aplicar para valores 0R0.5

por lo tanto con R=0 debe dar X=1 y con R=0.5, X=2 por lo tanto
evaluando con los dos valores de R el primer generador queda as:
115
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 <
El generador Terminado queda de la siguiente manera:
4 + 4 + 120

6
0.5
X=
20 124 120

6
116
0.5 <
3.5
1. El nmero de toneladas de sulfato de amonio vendidas por una

empresa cada mes, se registran en la siguiente tabla, determine qu
tipo de distribucin siguen aplicando la prueba de KolmogorovSmirnov.
10
12
13
14
11
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
2. Los siguientes datos representan el tiempo de atencin en un

departamento de quejas de una importante empresa telefnica.
Determine qu tipo de distribucin siguen estos aplicando la prueba
de bondad y ajuste.
19
20
11
11
28
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
3. Considere una empresa que vende seguros para autos. Existen 5

opciones diferentes de beneficios, por lo que cada cliente puede
elegir si compra o no desde ninguna hasta comprar las 5 opciones
que le presentan. Las probabilidades para venta y no venta son
iguales. Los datos obtenidos son los siguientes:
No. de opciones vendidas
0
1
2
3
4
5
Frecuencia Observada
38
144
342
287
164
25
117
Verifique si estos datos siguen una distribucin Binomial aplicando:

a) La prueba de bondad y ajuste
b) La prueba de Kolmogorov-Smirnov
4. Verifique que tipo de distribucin tienen los siguientes datos
aplicando:
a) La prueba de bondad y ajuste
b) La prueba de Kolmogorov-Smirnov
1,170
1,332
1,471
1,826
1,440
1,119
1,352
1,428
1,470
1,249
949
1,752
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
5. Verifique si los siguientes datos pueden ajustarse a una tendencia

lineal para posteriormente obtener un generador considerndolos
como variable continua emprica.
X FO
1 12
2 16
3 14
4 20
5 18
6. Obtenga un generador manual para una distribucin Binomial con
n=10 y p=0.5
7. Obtenga un generador manual para una distribucin Uniforme
Continua entre 1 y 10.
118
8. Obtenga el generador para una distribucin de Poisson con =5.

9. Obtenga el generador para una distribucin Exponencial Negativa
con =3.
10. La siguiente figura representa la distribucin de una variable
continua emprica, obtenga el generador de dicha variable.
1/3
1
11. La siguiente figura representa la distribucin de una variable

continua emprica, obtenga el generador de dicha variable.
119
12. Obtenga un generador para la siguiente distribucin:
1/5
A1
3
120
A2
4
Capitulo 4:
Lenguajes de simulacin
121
122
4.1 Lenguajes de simulacin

Inicialmente los modelo s de simula cin se de sarrollaban utilizando
algn lenguaje de propsito general, como FORT
RAN, BASIC o
ASSEMBLER. Posteriormente se empezaron a desarrollar
lenguajes
especficos para simulacin que permitieron el desarrollo de modelos de
forma ms rpida, algunos de esos primeros lenguaje
s especficos
fueron: GPSS, GASP, SIMSCRIPT y SLAM. Con el advenimiento de las
interfaces grficas se revolucion el campo de las aplicacio nes en esta
rea y surgieron lenguajes especficos cada vez ms fciles de utilizar y
con una capacidad d e entregar informacin de salid a que facilita
enormemente la toma de decisiones. Algunos de los len guajes de la
actualidad son: ProModel, Arena, SIMPROCESS, SLIM.
El objetivo de este captulo es aprender a utilizar algn simulador, por
lo que en lo sucesivo
se vern las caracter sticas y ele mentos de
modelaje que conforman el lengu aje ProModel 7.0 versin estudian til.
Se eligi este por su facilidad de uso y adems por la razn de que no
se requiere un permiso especial por parte de la empresa que lo
comercializa. Claro est que el uso que se le dar al manejo del
software es eminentemente acadmico (razn de ser de
este texto).
Adicionalmente se puede comentar que ya se incluye en otros textos de
simulacin como el que se mencion en el captulo 3 punto 3.3.2.
4.2 Introduccin al uso de ProModel

Este software es uno d e los ms difundidos comercialmente y por
ende de los ms usados. Cuenta con poderosas herramientas de
anlisis y diseo que ju nto con las interfaces de animacin que posee,
permite realizar modelos con facilidad, analiza rlos y tomar decisione s
ms confiables para solucionar el problema bajo consid
eracin. Se
contemplan diferentes versiones segn el enfoque que se desee utilizar:
ProModel (software de lneas de pr oduccin, justificacin de capital,
entre otras aplicaciones).
ServiceModel (software de simulacin y optimizacin para sistemas
de servicio, diseo y planeacin de la capa cidad en e mpresas o
procesos de servicio).
123
MedModel (software de simulaci n y opti mizacin de hospitales,

clnicas y procedimientos de trabajo en ambiente de hospitales).
Es importante aclarar que en trminos generales todos tienen el
mismo fundamento, varan principalmente los grficos de la s versiones
profesionales, pero con la versin estudiantil del ProModel se pueden
simular prcticamente todos los sistemas
de produccin solo se
requiere de creatividad y un anlisis a fondo del sistema bajo estudio
como se ver ms adelante en los ejemplos diseados para este texto.
Para conocer de primera mano las ltimas not icias respecto a este
producto, visite la pgina web
http: //www.promodel.com, la cual
tambin contiene informacin sobre productos adicionales relacionados
con la simulacin de sistemas, artculos recie ntes, empresas que lo
utilizan, etc.
4.3 Elementos Bsicos

El software ProModel consta de diversos mdulos que
permiten
hacer un estudio ms completo sobre el model o que se qu iere simular,
dichos mdulos son:
ProModel: Es aqu donde se realiza todo el modelo, d
esde las
variables entrada, el proceso de operacin, uso de recursos, flujo de
las actividades, etc.
Mdulo de reporte de resultados: Al finalizar las cor ridas del
modelo de simulacin creado, esta interfaz e s de suma importancia
por la gran cantidad de informacin estadstica que gener a para su
anlisis, adems este mdulo permite la interaccin con programas
de hoja de clculo como Excel.
Editor grfico: Este cuenta con una serie de bibliotecas qu e ayudan
a mejorar los modelos visualmente. Se pueden importar imgenes de
otros paquetes compatible como la galera de imgenes de Word,
Corel Draw, etc., modificar las imgenes existentes e in cluso crear
las propias de acuerdo a las necesidades del modelo.
124
Stat::Fit: Esta es una herramienta de anlisis estadstico muy til

como ya se coment en el captulo3.
Editor de Turnos: Este como su nombre lo dice, permite crear y
asignar turnos de traba jo a los e lementos del modelo qu e as lo
requieran.
Simrunner: Esta herramienta es muy til en el anlisis p osterior del
modelo. Permite conocer el impacto que tie
ne en el modelo la
variacin de los valore s de las va riables aleatorias seleccionadas.
Permite tambin deducir cual es la mejor combinacin de
factores
para obtener el mximo beneficio al mejorar el proceso.
El software tambin cuenta con un sistema de ayuda
(en idioma
ingls) en t odo momento al presio nar la tecla F1que tambin resulta
muy til.
4.4 Estructura de programacin en ProModel

ProModel es un softw are visual y completamente compatible con
Windows, la versin estudiantil est limitada a 20 locaciones, 5 tipos de
entidades, 5 tipos de recursos y 5 atributos (ver figura 4.1):
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
FILE: Nuevo archivo, abrir, gua rdar, guardar como, y algunas

opciones especficas como combinar modelos (merge), imprimir
texto, imprimir rea d e trabajo (layout), cre ar un paqu ete de un
modelo, etc.
EDIT: Considera aspectos relacion ados con la edicin de l modelo
como borrar, insertar, mover elementos.
VIEW: Considera las diferentes opciones para cambiar el aspecto del
rea de trabajo.
BUILD: Esta opcin es una de las ms importantes ya qu e a travs
de esta se construye todo el
modelo de simulacin , aqu se
consideran las locaciones, e
ntidades, redes, recursos, el
procesamiento, las llegadas, turnos, variables, atributos, etc.
SIMULATION: Esta ventana considera aspect os relacionados con
las corridas de simulacin.
OUTPUT: Esta se utiliza para ver datos estadsticos de las corridas y
rastreo durante los tiempos de ejecucin.
TOOLS: Esta considera varias her ramientas como el edit or grfico,
anlisis estadstico para ajuste de curvas, etc.
HELP: Aqu est el n dice de co ntenido de la ayuda con la que
cuenta el software y que como se mencion ant eriormente, a la que
se puede tener acceso a travs de la tecla F1.
En la sigu iente figura 4.2 se puede ver las opcione

mencionadas:
Figura 4.2
126
s antes
Para lograr un mejor entendimiento del u

so del soft ware, se
desarrollarn varios ejemplos que conducirn de lo ms simple a lo ms
complejo, aunque es necesario aclarar que no se vern a bsolutamente
todos los elementos que lo componen, el nivel al que se aspira que lo s
estudiantes manejen e l software permitir analizar los sistemas m s
comunes tanto de servicios como productivos por ejemplo:
Lneas de espera.
Atributos como: tipo de cliente, tip o de produ cto/servicio, tipo de
materia prima, etc.
Procesos de produccin con maquinaria en secuencia y en paralelo.
Uso de recursos como operadores, montacargas, vehculos.
Bandas transportadoras de cinta y de rodillos.
Procesos de manufactura en general.
4.5 Construccin de modelos en ProModel

En esta se ccin se comenzar el anlisis de las in strucciones
bsicas de programacin en Pro Model para realizar un modelo, lo s
elementos bsicos que se utilizan son:
Locations (locaciones).
Entities (entidades).
Arrivals (llegadas).
Processing (proceso).
Existen otros comandos que se pueden ir agregando posteriormente

y que proporcionan
cierto grado de sofistica cin al modelo.
Generalmente estos co mandos son los que ayudan a proporcionar el
parecido del modelo a los sistemas reales. Algunos de estos comandos
que se pueden agregar posteriormente o que requiere el modelo son:
Resources (recursos).
Path Networks (redes).
Attributes (atributos).
Variables.
127
Backgroun Graphics (grficos de fondo).

4.5.1 Construccin de un modelo paso a paso
Ejemplo 4.1
Suponga que se quiere simular un sistema de lneas de espera bsico
como el de un cajero en un resta urant de co mida rpida al cual los
clientes llegan de acuerdo a una distribucin uniforme continua entre 4 y
8 minutos y el servidor tarda en promedio 6 minutos e n atenderlos
siguiendo una distribucin exponencial. En est e caso se supone que
una vez que son atendidos, los clien tes se dirigen a una salida y de ah
abandonan el sistema. Desarrolle el modelo
correspondiente en el
software ProModel, haga 30 corrid as de tamao 8 horas y conteste lo
siguiente:
a) Cul es el tiempo promedio que permanece un cliente en el
sistema?
b) Cul es el tiempo pro medio que permanece un cliente e n la fila
antes de ser atendido?
c) Suponga que el gerente del establecimient
o no quiere que lo s
clientes permanezcan ms de 7 minutos en pr omedio haciendo fila,
Se logra esto con un servidor?
d) Realice el modelo con dos servidores y comente.
En el ProModel, existe una secue ncia lgica en el desarrollo del
modelo, es decir, no se puede por ejemplo, definir las llega das de los
clientes al sistema sin antes haber definido a dnde llegarn, por lo
anterior, la secuencia sera la siguiente:
1. Definir locaciones
Lo primero que se deb e definir son las loca ciones del modelo, esto
se hace a travs del men Build, de hecho todo el modelo se construye
en los comandos que este ofrece:
Locations (locaciones), Entities
(entidades), Arrivals (tasa de llegadas) Processing (proceso), y otr os
que se comentarn m s adelante. Enseguida haga clic en el comand o
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
unidades (Units), tiempos muertos ( DTs), informacin estadstica

(Stats), reglas de entrada de las entidades (rules) y algun as notas que
quieran agregarse a la locacin (no tes). En la parte izquie rda se abre
una ventana de herramientas grficas vertica l (Graphics) que incluye
los grficos, botones con comandos ya definido s y opciones de edicin
y borrado, vase la figura 4.5.
rea de registro de los campos de cada locacin
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:
lo siguiente cuando se eligen las
Se recomienda dejar activada la casilla New en la ventana

Graphics y elegir cada una de las locacione s necesarias, slo se
tiene que dar clic en e l grfico deseado y posteriormente dar clic en
el Layout. Otra forma de elegir la s locaciones es dar clic sobre e l
grfico y arrastrar hacia el Layout y soltar el b otn. Ntese que por
cada locacin elegida, se crea u n registro e n la ventana superior
conteniendo informacin pre asignada.
Una vez q ue se eligen las locaciones ne
cesarias, se puede
desactivar la casilla New y modificar los campos de cada una de las
locaciones individualmente: nombre, capacidad, n
mero de
unidades, etc.
Se pueden modificar tambin las caractersticas de los grficos en el
Layout simplemente dando doble clic sobre estos.
En el caso de los bot ones de la parte izqu ierda de la ventana
Graphics, estos tienen funciones especficas, vea la figura 4.6:
131
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
hacer otros cambios fsicos como el color de relleno, slido o en barras,

etc. vea la siguiente figura 4.7:
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
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
posterior) que en este caso es un a mujer de lado, tambin se puede

editar: cambiar tamao, color etc. Ver figura 4.10:
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
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
Builder), el cual es una poderosa herramienta para crear cdigo de

simulacin sin tener que escribir literalmente.
Simplemente se abre el constructor de estatutos al presionar el botn
derecho del ratn o presionar el icono de construccin ( representado
por un martillo) en la v entana de l gica. Se a bre una ventana esti lo
plantilla para escribir comandos en formato apropiado.
Funciona en la lgica de movimiento, o en otros muchos campos
donde pueden ser vlidas mltiples entradas.
En este ca so sobre el campo Frequency se da clic d erecho y
aparece directamente en las funciones, se
elige: dist ribucin de
probabilidad (Distribution Functions) y se elige la unifor me, aclarando
que los par metros a llenar son: la media (Mean) = (4+8 )/2 = 6 y el
rango medio (half range) = 2 que es la distancia que existe entre el
valor mnimo y la medi a y de esta al valor mximo. En l as siguientes
figura 4.13 y 4.14se puede ver el Constructor de Estatutos:
Figura 4.13
137
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
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
ms se rep ite el proceso de seleccin de la

entidad que ahora se
encuentra con el servidor y aqu el tiempo de atencin es de acuerdo a
una distribucin exponencial con media de 6 m inutos. Para conocer los
comandos necesarios para especificar el tiemp o de servicio, hacer cli c
en el bot n Operation de la ventana
Process. Enseguida se
desplegar la ventana Operation (ver la figu ra 4.18) en dnde se
escribir la lgica del proceso.
Es necesario comentar que existe una manera ms rpida de realizar
toda la secuencia lgica del modelo, sobre el Layout se hace clic sobre
la primera locacin y se lleva esa lnea de secuencia hacia la siguient e
locacin se da clic otra vez para indicar que se termin esa primera ruta
lgica, posteriormente de ah mismo se repite el proce
so hacia la
siguiente locacin y as sucesivamente, es importante qu e en la ltima
ruta se haga clic sobre el botn Route to Exit que se encuentra en la
parte posterior de la ventana Tools. Solamente resta cambiar los
campos pre asignados con las entidades y valores correspondientes.
Cortar
Imprimir
Copiar
Compilar
Pegar
Deshacer
Buscar
Constructor
Lgico
Figura 4.18
141
Para programar el tiempo de servicio (o de operacin) hacer clic en el

cono del martillo para comenzar la construcci n lgica. A l hacerlo se
abrir otra ventana la cual
contiene todos los comandos de
programacin que incluye el ProModel (ver figura 4.19):
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
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
Para finalizar el modelo, el ltimo registro es cuando el cliente de la

salida abandona el sistema, en este caso no h ay nada en operacin y
solamente en la ventana
Route en el bo tn Destination debe
seleccionarse la instruccin Exit que es la que indica que las entidades
abandonan el sistema, el modelo completo
queda de la siguient e
manera (ver figura 4.23):
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
marcar la c asilla Pause para que p ermita ajustar la velocidad de la

animacin antes de que inicie la corrida. Ver figura 4.25
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
Los datos pueden leerse y graficarse de inmediato con las herramientas

que ofrece ProModel, o guardarse en archivos con formato de Exc el
para personalizarlos posteriormente. Las diferentes fich as que se
despliegan en el reporte de salida son:
Ficha General: Algunos de los datos que despliega muestran la
fecha y hora de la cor rida, la ruta donde se encuentra ubicado el
archivo y el titulo del modelo. Ver la figura 4.26
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
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
movimiento y el tiempo promedio que permaneci bloqueada la

entidad (ver figura 4.31)
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
Respuesta: de la ficha Entity Activity se pue de ver que el tiemp o

promedio en el sistem a que permanecen los clientes es de 32.30
minutos.
b) Cul es el tiempo pro medio que permanece un cliente e n la fila
antes de ser atendido?
Respuesta: de la ficha Entity Activity se pue de ver que el tiemp o
promedio en espera (fila) que per manecen los clientes e s de 20.19
minutos.
c) Suponga que el gerente del establecimient
o no quiere que lo s
clientes permanezcan ms de 7 minutos en pr omedio haciendo fila,
Se logra esto con un servidor?
Respuesta: No, ya que el tiempo promedio de espera es muy largo
como se mencion en el inciso anterior.
d) Realice el modelo con dos servidores y comente.
Para realizar este cambio lo nico que debe hacerse es regresar a la
programacin del modelo y en el co mando Locations en la columna
Units de la ventana Locations se cambia el valor de
1 por 2,
automticamente aparecer otra locacin (se rvidor) en lo s registros
de la mis ma ventana y en e l Layout, se puede distribuir
manualmente con el mouse y se vuel ve a correr el modelo (ver figura
4.33). En el reporte de salida de la ficha
Entity Activity se puede
apreciar que el tiempo en siste ma baj a W= 7.50 minutos en
promedio y el tiempo promedio de espera en la fila baj a W q= 0.09
minutos, es decir prcticamente los clientes tienen que esperar solo
5.4 segundos para ser atendidos (ve figura 4.34).
151
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
siguientes puntos se ver como se puede mejorar el model o bsico de

servicio que se present en el punto 4.5.1.
4.5.2.1 Uso de atributos, variables y comandos de decisin
Ejemplo 4.2
Suponga que al modelo inicial se le agregarn las siguientes variables:
a) El 40% de los clie ntes ordenan para llevar y el resto para consumir
ah mismo.
b) Existen 5 tipos de men diferentes a ordenar con una distribucin de
probabilidad emprica tal como muestra en la tabla 4.36
Men
1
2
3
4
5
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
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
Para editar las variable s se abre e l men Build y se da clic en el

comando Background Graphics en el submen
Front of Grid,
aparecern 2 ventanas, una de he rramientas grficas y o tra superior
con los grf icos que contiene la b iblioteca del editor grf ico (Graphic
Editor) que incluye el ProModel. Observe la figura 4.39.
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
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
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
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
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
Una vez cerrado el co nstructor de estatutos las expresiones en el

campo Logic quedan de la siguiente manera (ver figura 4.52):
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
b) Enseguida dar clic en el b

otn Statement, como son do s
instrucciones en esta parte se hace clic en el estatuto BEGIN (inicia
un ciclo de instrucciones) Return y Paste. Se pueden quitar las
llaves que aparecen sin n ingn problema si a s se desea.
Enseguida seleccionar el estatuto INC, dar clic en Identifier (manda
directo a la s variables) y seleccion ar Clientes para consu mo local,
enseguida dar clic en el botn Return y posteriormente Paste, el
siguiente paso es sele ccionar el e statuto GRAPHIC y se anota el
nmero 1 e n el campo Graphic Number, se hace clic e n Paste y
finalmente se cierra el ciclo seleccionando el comando END.
c) Se repite todo el ciclo para los clientes que comen en el local (tipo 2).
Ver figuras el siguiente grupo de figuras 4.53.
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.
ual a 1 ent onces se

Para modificar este campo se har lo siguiente:

a) Dar clic en el botn Operation de la ventana Process para que se
despliegue la ventana Operation.
167
b) En el campo Operation se tiene la instruccin del tiempo de servicio

la cual es una distribucin exponencial con media de 6 minutos:
WAIT E(6). Debajo de esta instruccin se sit a el cursor dando
Enter. Enseguida hacer clic en el martillo para que aparezca el
Constructor de Estatutos o Constructor Lgico (Logic Builder).
c) 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 Men y hacerlo igual a 1.
d) Enseguida dar clic en el botn Statement,. Enseguida seleccionar el
estatuto INC, dar clic en Identifier (manda directo a las variables) y
seleccionar Men tipo 1 (quitar la s llaves si se desea), e nseguida
dar clic en el botn Return y posteriormente Paste.
e) Repetir todo el proceso para las dems variables.
En la siguiente figura 4.55 se pueden ver el listado de instrucciones:
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
de salida para hacer las recomendaciones pe rtinentes acerca de est e

modelo.
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
unidades agregando un grfico de barras para ver como se ocupan las

mesas y una etiqueta con el nombre de la locacin, vea la figura 4.57:
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
nmero de bloque para el Routing for correspondiente , ver la figura

4.58.
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
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
la ventana Operation, posteriormente dar clic en el marti llo para que

aparezca el constructor de estatutos y con e l estatuto WAIT y el bot n
Time indicar el tiempo que tarda en dicha loca cin (es una distribuci n
normal con media de 25 y des viacin estndar de 5), lo anterior se
describi a detalle en paso 4 del p unto 4.5.1. Por su parte en Routing
For, tambin se elige la entidad de salida, la locacin
que ser la
Salida y e n el campo Move Logic tambin se agrega u n tiempo de
traslado de un minuto (Move For 1) como se describi e n el mismo
punto y paso antes mencionado. E n la figura 4.62 se pue de apreciar
completa la insercin de este registro.
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
4.5.3 Modelos que incluyen ms de un proceso

En esta seccin se realizarn los modelos de un sistema de
manufactura que in corpora ms d e un proce so, se iniciar con un
modelo bsico y po steriormente se in crementar el grado de
sofisticacin para agregarle ms elementos de programacin que harn
finalmente un modelo muy parecido a algn sistema de produccin real.
4.5.3.1 Modelo con bandas de transporte (CONVEYORS) y filas de
espera (QUEUE)
Ejemplo 4.4
En este mo delo se cre ar una red de filas y bandas sobre las cuale s
viajar una caja. Existen tres filas ( de cajas, monitores y empaque) de
longitud 20 metros, una banda de tarimas con una longitud de 20 metros
con una velocidad de 20 metros por minuto y otra banda d e embarque
con una longitud de 60 metros y una velocidad de 20 metros por minuto.
La capacidad para cada fila se considerar de cinco piezas y la de
bandas infinita. Todas las dems loca ciones se conside ran con un a
capacidad de solo una pieza. El producto que se manejar en todo e l
sistema ser una caja que tiene una dimensin de un metro por un
metro (para el caso de bandas transportadoras).
Proceso:
Llega al sist ema tanto a la fila de cajas como a la fila de monitores
una caja. La caja que sale de ambas filas pa
sa a una estacin de
trabajo en donde se realiza una op eracin que consume un tiempo de
un minuto con distribu cin exponencial. De est a estacin, pasan a una
fila de empaque que conducir a la caja hasta una zona de carga en
donde el tiempo de c arga ser de0.5 a 1.5 minutos con distribuci n
uniforme. A la zona de carga, tambin llega una caja procedente de una
banda de tarimas. Una vez que se realiza la operacin en zona de
carga, la caja se dirige a una banda de embarque que a su vez sta la
llevar a una zona de embarque. Para realizar la o peracin de
embarque se lleva un tiempo de 2 minutos con distribucin de poison.
Ya que se ha realiza do la operacin anterior, la caja
abandona el
sistema.
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
Arrivals: 1 caja a fila Monitores

1 caja a fila cajas
1 caja banda tarimas
Ocurrencia: Infinita
Banda Tarimas
Fila Monitores
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
Recurdese que el primer paso en ProModel es definir las locaciones
fsicas del modelo, en este caso:
1.
2.
3.
4.
5.
Fila de cajas (longitud 20 metros, capacidad de 5).

Fila de monitores (longitud 20 metros, capacidad de 5).
Estacin de trabajo (capacidad 1).
Fila de empaque (longitud 20 metros, capacidad de 5)
Zona de empaque (capacidad 1).
176
6. Banda tarimas (longit ud 20 metros, velocid ad de 20 metros por

minuto y capacidad infinita).
7. Banda de embarque (Longitud 60 metros, velocidad de 20 metros por
minuto y capacidad infinita).
8. Zona de embarque (capacidad 1).
Para definir las loca ciones abrir el men Build y elegir Locations o
directamente en el botn destinado para ello mencionado anteriormente
(el cubo a zul que se encuentra ubicado d ebajo del men). Debe
recordarse que se tiene que dar clic en ca da grfico de la venta na
Graphics y luego clic en el
Layout para crear cada registro. Es
importante para evitar errores de duplicidad elegir todas las locaciones
primeramente con la ca silla New activada (de la ventana Graphics) y
luego editar adecuadamente cada una de las locaciones elegidas.
En el caso particular de las filas y bandas:
Seleccionar el icono que parece una escalera horizon tal en la
ventana Graphics, y h acer clic e n la po sicin de la ventana Layout
donde se desea que aparezca la fila. Si se mu eve el cursor del ratn a l
realizar este procedimiento, una flecha indicar que se e st definiendo
una fila, deslizar el ra tn en la direccin que se de sea (incluso se
pueden realizar cambio s de direccin dando clic en el bot n izquierdo
del ratn) y terminar la f ila dando doble clic. Como se mencion
anteriormente, las filas se determinarn con un color slido al editarlas y
las bandas transportadoras con barras, en la siguiente figura 4.65 est
definida una fila con la ventana de edicin abierta para cambiar s us
caractersticas:
177
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
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
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
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
En la siguiente figura 4.75 se puede ver el modelo durante la corrida
185
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
salga una caja llena qu e posteriormente se cargar en una tarima, e sa

tarima se transporta ha sta una zona de embarque y posteriormente se
descargar la caja para finalmente embarcarse.
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
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
botn Save de los bot ones que se encuentra n la parte superior a l a

derecha. Para salir del editor grfico se cierra la ventana principal y se
guarda la biblioteca, ver figura
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
referencia solo a las entidades se leccionadas. Recurdese que las

entidades que se movern por las bandas deben tener dimensiones de
1x1 metro.
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
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
modifica ah directamente en este caso el tiempo carga ser de u n

minuto (WAIT 1).
7. Enseguida entra una tarima llena a la banda de embarque y sale una
tarima llena a la zona de embarque.
8. En el siguiente registro, entra una tarima llena a la zona de embarque
y en el campo Operation se descarga la caja con el estatuto
UNLOAD (dar clic en el martillo, seleccionar el estatuto y en cantidad
poner 1), el tiempo de operacin (WAIT) es de 1.5 minutos y sale una
tarima vaca con destin o a la banda de tarima s (en un tiempo de 3
minutos), esta operacin es con el estatuto MOVE FOR en el campo
Move Logic. El incremento de la variable que se tiene ah se borra
por que va en otro registro.
9. En el siguiente registro, del lado izquierdo en el Process se oprime la
tecla Enter para crear un registro en blanco. Se elige la caja llena que
tambin est en la zon a de embarque, aqu en el campo Operation
se incrementar la variable embarcados co
n el estatu to INC y
finalmente la caja llena abandona el sistema ( EXIT) para as dar por
terminado el modelo.
En el siguie nte cuadro 4.85 se muestra el Processing del modelo
como debe quedar finalmente, recurdese que esta opcin es po sible
en el men File en la opcin View Text o Print Text.
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
4.5.3.3 Modelo con Recursos y Redes Fsicas

Ejemplo 4.6
En este modelo se aa dirn recursos al ejer cicio anterior. En ProModel
cuando se desea u tilizar recursos, primeramente se tiene qu
e
desarrollar la ruta por donde se mover est e (Path network) y con
cuales locaciones va a interactuar (Interfaces). Posteriormente se crea
el recurso y se especifica por donde se va a mover (Path network).
Se harn los siguientes cambios al modelo:
Crear dos redes fsicas de caminos las cuales se llamarn Red 1 que
ser para el Operario1 y Red 2 que ser para el operario 2.
La Red 1 p ermite que un operario viaje de la estacin de trabajo a
zona de carga. Distancia 15 metros. La Red 2 permite que un operario
viaje de zona de embarque a zona de carga, y hasta la parte superio r
de la banda tarimas. La distancia entre zona de carga y embarque: 30
metros; la distancia de la banda de tarimas a la zona de carga es de 20
metros.
Crear las siguientes interfaces:
Red 1: Estacin de trabajo y zona de carga.
Red 2: Zona de embarque, zona de carga y banda tarimas.
Se deben crear dos operarios: operario 1 y operario 2.
En las e specificaciones, poner oper ario 1 en Red 1 y oper ario 2 en
red 2. Ambos operario s con las siguientes caractersticas: velocidades
50 metros/min sin carg a y 45 metros/min carg ando material. Tiempo de
recoleccin: 3 segundos y tiempo para depositar: 6 segundos.
Poner los e statutos GET, FREE y MOVE WITH/THEN FREE en las
locaciones apropiadas, de manera que se lleven a
cabo las
siguientes actividades:
El operario 1 realiza el JOIN y el WAIT en la estacin de trabajo.
196
El operario 1 y el operario 2 realizan el LOAD y el WAIT en la zona

de carga.
El operario 2 consigue las tarimas de embarque y las regresa a la
banda de tarimas.
Recuerde primeramente guardar este archivo como ejercicio 4.6.
1. Definicin de Redes
Para definir las redes, se puede tener acceso por el men Build en el
comando Path Networks o utilizando el botn de acceso d irecto que se
encuentra a un lado del de las entidades. Ver Figura 4.87.
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
observar como que da la primera red. La red 1 est situada de la

estacin de trabajo a la zona de
empaque y como se
mencion
anteriormente, no es necesario qu e toque las locacione s con las qu e
har interface, eso se mostrar enseguida (ver figura 4.88):
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
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
la izquierda se elige a un operador que es uno de los grficos que se

incluyen en la bibliote ca de grfico s, se puede cambiar el tamao, el
color de este, la orientacin, etc. Vea figura 4.93
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
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
Operador 1. El grupo de instruccio nes en la e stacin de trabajo queda

de la siguiente manera:
GET Operador_1
JOIN 1 Monitor
WAIT 4
FREE Operador_1
El grupo d e instrucciones que se acaban de establecer significan
captura el operador 1 y este realiza la operacin de unir el monitor en la
caja vaca en un tiempo de 4 minutos y luego soltarlo. De la estacin de
trabajo sale una caja llena con destino a la fila de empaque.
El siguiente registro a modificar es en la zona de empaque, se
supone que entre los d os operadores subirn la caja a la tarima vaca,
as que de igual man era en este registro se da clic en el camp
o
Operation y se da Enter para re correr hacia abajo las instruccion es
existentes, enseguida se hace cli c en el martillo de la ventana para
definir estatutos y se selecciona
nuevamente GET, en el botn
Resource se hace clic y aparecen los re
cursos disponibles, se
selecciona el operador 1 y en los b otones pequeos centrales aparece
la palabra AND, se selecciona esta y luego se elige al operador 2, se da
clic en Paste y esta in struccin aparece en el rea de estatutos encima
de las otras instruccion es, para terminar esta parte, en la parte inferio r
despus de la instruccin WAIT, se selecc iona el estatut o FREE ALL
para liberar todos los recursos que se tenan seleccionados, el grupo de
instrucciones queda as:
GET Operador_1 AND Operador_2
LOAD 1
WAIT 1
FREE ALL
Finalmente, solo falta modificar cuando se d escarga la caja de la
tarima llena y el operad or 2 se lleva las tarima s vacas hasta la banda
de tarimas. Para hacer esto, ir al registro donde llegan las tarimas llenas
a la zona de embarque y en el campo Operacin hacer clic para que se
despliegue el cuadro d e dialogo d onde se est ablecen los estatutos a
206
utilizar. Se supone que el operador 2 descargar la tarima llena y el

mismo se llevar las tarimas vaca s hacia la b anda de tarimas, as que
se recorren hacia abajo un espacio los estatutos existentes y se utiliza
nuevamente el estatuto GET como se mencionado para capturar el
operador 2, pero no se utilizar el estatuto FREE al final de este grupo
de instrucciones sino que cuando sale la tarima vaca hacia la banda de
tarimas, en el campo Move Logic, se hace clic para que aparezca e l
constructor de estatutos que manda directa
mente a los tipos de
movimientos. Se utiliza el MOVE WITH y se selec ciona el mismo
operador 2 y luego se da clic en e l botn THEN FREE y es hasta ese
momento que se liber a el recurso, el grupo de instrucciones en
el
campo Operation queda de la siguiente manera:
GET Operador 2
UNLOAD 1
WAIT 1.5
En el cam po Move Logic la instruccin queda de la
manera:
MOVE WITH Operador 2 THEN FREE
siguiente
En la sigu iente figura 4 .98 se pued e ver el grupo de instru cciones

para el campo Operation y para el campo Move Logic.
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
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,
FIFO,
Time Series Oldest,
FIFO,
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
4.5.3.4 Modelo de manufactura con varios procesos e inspeccin

Suponga un sistema de produccin el cual consta de las siguiente
s
etapas:
1. Llega la materia prima a un almacn inicial de acuer do a una
distribucin normal co n media d e 10 minut os y una desviacin
estndar de 2. La capacidad del almacn es para 50 piezas.
2. Enseguida la materia prima pasa a una cortadora de dnde salen 5
piezas en proceso por cada unid ad de materia prima que entra, e l
tiempo de o peracin es de 4 minut os con distribucin exponencial.
Crear una variable piezas en pr oceso par a contabilizar estas e
incrementarla cuando son enviadas a la siguiente locacin.
3. La siguiente locacin es un torno donde son trabajadas las piezas en
un tiempo que consume 3 minutos con distribu cin Poisson. Cambiar
tambin el grfico de la entidad pieza en proceso cuando sale de
esta locacin.
4. Posteriormente las piezas en proceso pasan a un molino dnde se
trabajan en un tiempo que sigue una distribucin uniforme entre 1 y 3
minutos. Cambiar el grfico tambin cuando salen de esta locacin.
5. Despus las piezas p asan por u n proceso de inspeccin que
consume un tiempo constante de u n minuto. De aqu el 75 % pasa a
la siguiente locacin y el resto sale fuera del sist ema como producto
rechazado. Crear una variable para contabilizar las piezas que son
rechazadas fuera del sistema.
6. Enseguida las pieza s en proceso acepta das despus de la
inspeccin, pasan a un horno dnde se combinan 10 de estas
piezas y salen como un lote. El tie mpo de operacin es de acuerdo a
una distribucin log no rmal con media de 7 minutos y d esviacin
estndar de 2.
7. Finalmente los lote s pasan a un almacn de producto terminado
dnde se combinan 5 de estos para conformar un
producto
terminado. Decrementar la variable piezas e n proceso y crear e
incrementar la variable piezas terminadas.
210
Existe un tiempo de traslado entre cada operacin de 0.5 mi nutos. Edite

y agregue indicadores numricos en las locaciones co n capacidad
mltiple. Corra el mod elo durante 40 horas y analice el reporte de
salida.
Solucin:
En el men Build comando Locations o a travs del botn de
acceso directo, seleccionar las locaciones pedidas. Recuerde que e s
recomendable seleccionar todos los grficos de las locaciones pedidas
con la casill a New activada de la ventana Graphics y po steriormente
desmarcar la casilla pa ra editarlas (agregue etiquetas y grficos de
barras para las locaciones de capacidad mltiple). Cambie l a capacidad
de las locaciones que tienen capacidad mltiple. Las locaciones quedan
como se muestra en las siguientes figuras 4.101 y 4.102:
Figura 4.101
211
Figura 4.102
2. Seleccin de las entidades

En el men Build comando Entities o por medio del botn de acceso
directo seleccionar las entidades correspondientes a e ste sistema de
produccin:
Materia prima
Pieza en proceso (con tres grficos)
Pieza rechazada
Producto terminado
Lote
En las siguientes figuras 4.103 y 4 .104 se pueden ver la s entidades

seleccionadas para est e modelo y los grficos diferentes de la entidad
Pieza en Proceso respectivamente.
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
ha mencionado anteriormente, en Distribution Functions se elige la

distribucin pedida.
Adems de elegir las opciones de cada campo (haciendo clic en el
botn superior) la ent idad, locacin, etc. existe otra for ma, la cual
consiste en elegir primeramente la entidad que llega (de la ventana
Tools) y h aciendo clic en el Layout, automticamente se llenan lo s
campos por defecto y s olo se procede a camb iar la informacin que no
corresponda con la infor macin del sistema a modelar. En la siguie nte
figura 4.105 se ilustra este comando:
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
3.
4.
5.
6.
7.
Move Logic) tambin en este campo incrementar la variable

Inventario en proceso.
Entra la pieza en proceso al torno, el tiempo de operacin es de
acuerdo a una distribucin de Poison con media de 3, utilizar el
grfico 2 y sale la pieza en proceso con destino al molino de uno en
uno y el tiempo de traslado de 0.5 minutos.
Entra la pieza en proceso al molino, el tiempo de operacin es entre
1 y 3 minutos con d istribucin uniforme, utilizar grfico 3 y sale la
pieza en proceso con destino a la inspeccin.
Entra la pieza en proceso a la inspeccin, el tiempo de op eracin es
de 1 minuto constante y de aqu hay dos posibles salidas:
a. Pieza en pr oceso con destino al horno con un a probabilidad del
0.75. Utilizar en el campo Rule la opcin Probability y asignar el
porcentaje mencionado, en el campo Move Logic asignar el
tiempo de traslado de 0.5 minutos.
b. Ah mismo del lado derecho ( Routing for) se da Enter para
generar un nuevo regi stro y se elige la
pieza rechazada del
campo Output con destino a Exit y en el campo Rule asignar el
0.25 restante en la opcin Probability, en el campo Move Logic
incrementar la variable Piezas rechazadas y decreme ntar la
variable Inventario en proceso.
Al horno entran las piezas en proceso y se hornean en un tiempo que
sigue una distribucin LogNormal con media de 7
minutos y
desviacin estndar de 2 minutos, utilizar el estatuto COMBINE para
consolidar 10 piezas en proceso y conformar un Lote que sale con
destino al almacn de producto terminado.
Al almacn de producto terminado entran lotes y ah se realiza una
ltima operacin que consume un tiempo de 3 minutos co nstantes
para combinar 5 de estos como un producto terminado
(estatuto
COMBINE). Decrementar la variable Inventario en proceso en 50
unidades e incrementar la variable Producto terminado de uno en
uno al salir esta entidad hacia Exit.
Todas las instrucciones quedan como se muestra en

cuadro 4.107 que se muestra a continuacin:
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
MOVE FOR 0.5

INC Inventario_en_Proceso
1 Pieza_en_Proceso
Molino
FIRST 1
MOVE FOR 0.5
1 Pieza_en_Proceso
1 Pieza_en_Proceso
Pieza_rechazada
Inspeccion
Horno
EXIT
FIRST 1
0.75
0.25
MOVE FOR 0.5

MOVE FOR 0.5
INC Piezas_Rechazadas
DEC Inventario_en_Proceso
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)
MOVE FOR 0.5
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
Figura 4.108
4.6 Comentarios adicionales

Con la realizacin de los 7 ejercicios anteriores, se pueden simular una
gran cantidad de sistemas productivos reales tanto de servicios como
de manufactura, algunos ejemplos de sistemas que se pueden simular
son:
Bancos
Cajeros automticos
Restaurantes de comida rpida
Servicios administrativos
Cajeros de tienda de autoservicio
Auto lavados
Talleres de manufactura
218
Centros de servicios para autos

Consultorios mdicos/urgencias
Etc.
En general todos los sistemas tien en el proce so bsico d e entrada,
proceso y salida, solo se tiene qu e analizar y adaptar el modelo del
sistema que se desea simular, claro que esa habilidad se va
adquiriendo con la experiencia y el uso del so ftware. ProModel cuenta
con muchos ms estatutos pero corresponde al estudiante e xperimentar
y manejar otros estatutos que pueden enriquecer los modelos a realizar.
Es importante puntualizar que el ProModel incluye siempre ayuda en
lnea oprimiendo solamente la tecla F1 (la cual viene en idioma ingls),
dicha ayuda se desplieg a con la informacin d el comando que se est
usando en ese moment o adems incluye un ndex para buscar algo de
manera especfica.
4.7 Ejercicios propuestos

1. A un cajero automtico llegan clientes cada 10 minutos de acuerdo a
una distribucin exponencial. El tiempo que t arda cada cliente en
hacer sus movimientos bancarios se distribu ye exponencialmente
con una media de 4 minutos. Si se d esea que el cajero no tenga ms
de 5 client es esperando en la fila, qu recomendacin hara al
banco, basndose en una simulacin de 40 horas de trabajo?
2. A un taller de manufactura llegan piezas con media de 8 minutos y
distribucin exponencial. Las pie zas entran a un almacn con
capacidad para 50 unidades, donde esperan a ser procesadas en un
torno. Ah son torneada s por 3 minutos con distribucin exponencial.
El tiempo de transportacin del almacn
al torno tiene una
distribucin normal con media de 4 minutos y desviacin estndar de
1 minuto. Posteriormente, las piezas son transportada s a una
estacin de inspeccin donde se e ncuentran 2 operarios, cada uno
trabajando de manera independiente. La inspe ccin de ca da pieza
tarda de 4 a 8 minut os con d istribucin uniforme. El tiempo de
219
transporte entre el torno y los ope rarios es de 3 a 5

distribucin uniforme.
minutos con
a) Simule el sistema por 30 das de 8 horas de tr abajo cada uno y

analice el reporte de salida.
b) Incluya un contador y u na grfica d e barra para las piezas en el
almacn.
c) Observe el porcentaje de utilizacin de cad a operador en la
inspeccin Cul trabaja ms?
3. Suponga un sistema de lneas de espera tal como el de un cibercaf,
la tasa de llegadas de los clien tes es de acuerdo a una distribucin
normal con media de 7 minutos y desviacin estndar de 2 minutos.
Existen 3 tipos de servicios :
a) Renta de PC
b) Venta de consumibles
c) Impresiones
Las probabilidades respectivas de que
un cliente seleccione
cualquiera de los tres servicios anteriores so n 60%, 10% y 30 %
respectivamente. El tiempo de permanencia en PC es de 50 minutos
con distribucin exponencial, el tiempo que
tarda el servidor en
atender a un cliente par a cualquiera de los otros dos servicios es de
acuerdo a una distribucin uniforme entre 2 y 8 minutos (incluyendo
el pago).
El local cu enta con 10 computadoras y des pus de usarlas los
clientes pasan con el servidor a pagar y posteriormente se dirigen
hacia la salida, el tiempo de esta tr ansaccin es de acuerd o a una
distribucin uniforme entre 1 y 3 minutos, el tiempo que duran los
clientes en trasladarse del rea de pago a la salida es de 1 minuto.
Los clientes que compran consumibles o imprimen despus se
dirigen hacia la salida en un tiempo de 1 minuto.
Desarrolle un modelo para este sistema, que incluya atributos,
distribuciones de usuario, variables para cada servicio, etiquete las
220
locaciones adecuadamente y cambie el grfico de la e

acuerdo al servicio que solicitan.
Corra el modelo durante 40 horas y determine:
ntidad de
a) La utilizacin de las PCs.

b) Nmero total de clientes para cada servicio.
c) Son suficientes las 1 0 computadoras con la s que se cuenta?
Comente.
4. A una operacin de empacado de bolsas
de detergente entran
bolsas a una velocidad de 20 por minuto. Cuando las bolsas entran al
sistema son colocadas en una banda (capacid ad infinita longitud 20
metros) que las transporta hasta
la mesa de un operario de
empaque. El tiempo de transporte en la banda es de 20 mpm. Una
vez que la bolsa llega al final de la banda, ca e por gravedad hacia
una mesa donde se va acumulando con otras. Existe otra banda
(capacidad infinita longitud 20 metros) en la que llegan cajas vacas a
razn de 1 0 cajas por minuto, la llegada de estas inicia 6 segundos
despus de iniciar la simulacin y la velocidad de transporte es de 20
mpm. Un operario toma 30 bolsas d e la mesa y las introdu ce en una
caja vaca, el t iempo que le lleva al operar io tomar un a bolsa y
colocarla dentro de la caja es de 1 segundo/bolsa. Una vez que la
caja se llena, el operario la lleva al almacn de cajas; la velocidad de
transporte cargando es de 45 mpm, vacio 50 mpm, el tiempo d
e
recoger una caja es de 3 segundos y de
depositarla es de 6
segundos, la distancia de la mes a al almacn es de 30 metros.
Colocar una variable que cuente de manera cclica las bolsas que se
van a empacar cuando pasan de la banda a la mesa de empaque y
colocar otra variable que cuente la cantidad
de cajas lle nas que
llegan al almacn.
Realiza lo siguiente:
a) Cul es el porcentaje de utilizacin del operador?
b) Cul es el porcentaje de tiempo ocioso del operador?
c) Cuntas bolsas llenas pasaron al almacn?
221
d) Existe cuello de botella? Justifiqu e su respuesta con base en el

reporte de salida.
5. En un taller se estn p roduciendo piezas de madera para proveer
una fbrica. Llegan troncos de madera (a una tasa de llegadas
normal con media de 20 minutos y desviacin estndar de 2 minutos)
a una fila d e materia prima la cual tiene una lon gitud de 15 metros y
una capacidad de 10, de ah se llevan por medio de un montacargas
a una sierra donde de c ada tronco se obtienen 5 piezas en proceso
las cuales pasan a una banda transportadora (que tiene una longitud
de 20 metros y una velocidad de 20 mpm), de e sta banda las piezas
en proceso van a un tor no que tiene una capacidad de pro cesar una
sola pieza a la vez (cambiar la grfica de la pieza en proceso cuando
sale de est a mquina), de ah pasan las pieza s a una pulidora que
tiene tambin una cap acidad de proceso de una pieza, cambiar
nuevamente la grfica de la pieza cuando sale de la pulidora. De las
mquinas mencionadas, pasan las piezas
en proceso por una
inspeccin donde se tiene un 90% de posibilidades de que las piezas
estn correctas, las piezas q ue no est n bien se mandan
nuevamente a la banda transportadora para retrabajarlas. Las piezas
buenas se van a una rea de empacado donde se comb inan 4 de
estas para que salga un lote con destino a
una banda de salida
(longitud de 15 metros y una velocidad de 20 mpm). De la banda de
salida se cargan los lotes con un segundo montacargas a un camin
y de ah salen fuera del sistema.
Los tiempos de procesamiento son:
Sierra 10 minutos.
Torno 2 minutos.
Pulidora 2 minutos.
Inspeccin Normal con media de 3 min. y desviacin estndar de
0.5 minutos.
rea de empacado 2 minutos.
Agregar las siguientes variables:
Piezas en proceso
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
6. Una compaa que manufactura pequeos componentes electrnicos

tiene varias estaciones de trabajo a travs de las cuales las partes
son procesadas: ensa mble, soldadura, pintura e inspeccin son las
operaciones principales. La materia prima llega a un rea de
recepcin de materia prima de acuerdo
a una d istribucin
exponencial con media de 20 minutos. Las distr ibuciones del tiempo
de proceso son como se muestran a continuacin:
Actividad
Distribucin
Ensamble
Soldadura
Pintura
Inspeccin
Poison (12) minutos

Normal (36,10) minutos
Log normal (40,10) minutos
Exponencial (8) minutos
La operacin de soldadura puede realizarse en tres trabajos a la vez,

la pintura puede realizarse en 4 a la vez. El ensamble y la in speccin
se realizan de uno a la vez. De la in speccin se acepta
aproximadamente el 80% y pasa a una rea de empaque donde se
combinan 5 piezas par a hacer un producto terminado en un tiempo
que sigue una distribucin Normal con media de 10 minutos y
desviacin estndar de 2 minutos, finalmente del rea de empaque el
producto es trasladado a un almacn final por medio de un
operador, la velocidad vaco de este es de 15 mpm y cargado es de
12 mpm, el tiempo de recoger el producto es de 3 segundos y el de
depositarlo es de 5 segundos, la distancia del empaque al almacn
final es de 20 metros. El resto sa le como producto recha zado fuera
del sistema Agregar variables para controlar el nmero de piezas
que se van trabajando en cada una de las operaciones, otra variable
para los productos re chazados as como el total de producto
terminado. Finalmente cambiar los grficos de las entidades cuando
sale de cada proceso de ensamble, soldadura y pintura.
Existe un
tiempo de 1 minuto de traslado entre cada operacin.
Corra el modelo 40 horas y conteste lo siguiente:
224
a) Cul es el porcentaje de utilizaci n de la locacin que ms

trabaja y cual es esta?
b) Existe cuello de botella? Justifiqu e su respuesta con base en el
reporte de salida.
c) Cuntos productos terminados se produjeron?
d) Cul es la locacin que tiene el porcentaje de utilizacin ms
bajo?
7. Durante las horas pico, los clientes llegan a la fila de entrad a de una
cafetera escolar de a cuerdo a un a tasa que sigue una d istribucin
normal con media de 3 minutos y d esviacin estndar de minuto.
Posteriormente son ate ndidos por un cajero y el tiempo en que se
realiza esta operacin es de acuerdo a una d istribucin Normal con
media de 4 minutos y d esviacin estndar de 1 minuto. En el prrafo
siguiente se enlistan los diversos tipos de productos que pueden
elegir y la secuencia que siguen para la obtencin de estos:
Dulces y golosinas. Estas se entregan ah mismo en la caja, el
tiempo de proceso va inclu ido en el tiemp o de atencin y
posteriormente se van al rea de comedores en un tiempo de un
minuto.
Refrescos. Estos se entregan ah mismo en la caja, el tiempo de
proceso va incluido en el tiempo de atencin y posteriormente se
van al rea de de comedores en un tiempo de un minuto.
Golosinas y refresco. Estos se entregan ah mismo en la caja,
van incluidos en el tiempo de atencin y posteriormente se van al
rea de de comedores en un tiempo de un minuto.
Jugos o caf. De la caja se van a la fila de entrega de bebidas,
luego son atendidos po r un servid or en el rea de entrega de
bebidas y el tiempo de operacin en esta parte del proceso es de
acuerdo a u na distribucin uniforme entre 4 y 6 minutos; y luego
los clientes van al rea de comedores en un tiempo de un
minuto.
Alimentos preparados . De la
caja se van a la
fila de
preparacin de alimentos para ser atendidos por otro servidor
que se encarga de preparar los alimentos en un tiempo que
225
sigue una distribucin exponencial con media de 10 minu tos, y

luego los clientes se t rasladan al rea de comedores en un
tiempo de un minuto.
Jugos o caf y alimentos preparados. De la caja pasan a la fila
de entrega de bebidas, son atendidos y luego van a la fila de
alimentos preparados, son atendidos y lueg o van al rea de
comedores en un tiempo de 1 minuto
Refresco y alimentos preparados. De la caja se van a la fila de
alimentos preparados, pasan al rea de alimentos preparados
y luego al rea de comedores en un tiempo de 1 minuto.
Del rea de comedores, los clientes salen del sistema. La fila de
entrada tiene una longitud de 5 metros y una capacidad de 10, las
dems filas tienen una longitud de 1 metro y una capacidad de 3.
Las probabilidades de eleccin de cualquiera de los productos son
como se muestra en la siguiente tabla:
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%
Establecer variables para contabilizar cada tipo de prod ucto y

mostrarlas en pantalla.
Considerar que de cad a 100 client es que entr an a la ca fetera,
solamente el 70 % co mpran algn producto y el resto slo va
como acompaante y se van directo al rea de comedores en un
tiempo de un minuto (mostrar variables en pantalla de los clientes
que consumen y de los que no consumen), cambiar ta mbin el
grfico de los clientes que no consumen.
226
La capacidad del rea de comed ores es de 50 personas y el

tiempo que permanecen en esta es de acuerdo a una distrib ucin
Normal con media de 15 minutos y desviacin estndar de 3.
Correr el modelo durante 40 horas y conteste lo siguiente:
a) Cuntos clientes consumieron Refrescos y alimentos
preparados?
b) Cuntos clientes consumieron slo refrescos?
c) Cul es el tiempo pro medio que permanece un cliente en el
sistema?
d) Cul es el porcentaje de la operacin que ms se utiliza?
227
228
Capitulo 5:
Desarrollo de un proyecto
de simulacin
229
Desarrollo de un proyecto de simulacin
230
5.1 Objetivo del captulo

Una vez que se ha visto el marco terico que concierne a la
simulacin, las etapas para desarrollar un proyecto as como el uso de
un lenguaje especfico, lgicamente se espera poner en prctica todo
lo anterior desarrollando un proyecto final, el cual consiste en el
anlisis, modelado y simulacin de sistemas de servicios o productivos
de una empresa, para detectar las mejoras posibles a realizar, y
plantear acciones que mejoren el desempeo de sistemas y que en
caso de poder implementarse se lleve hasta ese nivel.
5.2 Contenido sugerido del proyecto

Como este texto est orientado principalmente a estudiantes de
ingeniera industrial del sistema tecnolgico, se sugiere desarrollar el
proyecto en equipos de trabajo para aplicar las etapas descritas en el
captulo 1 adems de otra informacin complementaria y relevante
para conformar el documento final.
Es importante aclarar que los captulos que se mencionarn a
continuacin no necesariamente corresponden exactamente en
nmero con las etapas para realizar un proyecto de simulacin, esto
significa que algn capitulo puede contener dos o ms etapas segn
se considere necesario para el desarrollo del proyecto.
En el siguiente cuadro 5.1 se mostrar el contenido sugerido y la
numeracin general del proyecto:
Portada con datos generales e integrantes del equipo.

ndice de contenido de cada captulo.
Introduccin sobre el proyecto (hablar en trminos generales sobre lo
que se pretende realizar con el proyecto y cul es la intencin de
llevarlo a cabo).
Captulo 1: Antecedentes del Proyecto
1.1
Antecedentes generales (recabar datos estadsticos sobre el
giro de la empresa a nivel, estatal, local y cul es su
clasificacin de acuerdo al tamao de esta).
1.2
Marco de referencia (nombre, ubicacin de la empresa,
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.
Captulo 2: Definicin del Sistema

2.1
2.1.1
2.1.2
Etapa 2: definicin del sistema.

Descripcin detallada del sistema a analizar.
Determinar los principales subsistemas y reas fsicas que
integran el sistema analizado (incluir croquis de distribucin de
planta).
2.1.3 Determinar los diferentes tipos de servicios y/o productos que se
realizan en el sistema.
2.1.3.1 Desarrollar diagramas de anlisis de procesos general y particular
(si es necesario) para cada uno de los bienes/servicios
producidos.
2.1.4 Determinar los horarios y das de trabajo regulares as como los
horarios y das que sern sujetos de estudio.
2.1.5 Determine los datos requeridos.
2.1.6 Determine la fuente apropiada de los datos.
2.1.7 Haga supuestos donde sea necesario.
Captulo 3: Desarrollo del modelo y anlisis de datos
3.1
3.1.1
3.1.2
3.2
3.2.1
3.2.2
Etapa 3: Construccin del modelo conceptual o esquemtico.

Diseo del Modelo conceptual o esquemtico del sistema.
Determinar las variables de entrada del modelo.
Etapa 4: Recoleccin y anlisis de datos.
Diseo de la hoja de verificacin para toma de datos.
Realizar el muestreo de las variables de entrada del modelo en los
horarios y das considerados para su estudio.
3.2.3 Organizacin y anlisis de los datos muestreados (convierta los
datos de entrada en una forma conveniente para su uso).
3.2.4 Determinacin de las distribuciones de probabilidad tericas de las
232
variables de entrada (si es que la tienen) con el Stat::Fit del

ProModel.
3.3 Resumen final de cada variable y la distribucin a la cual se
ajustaron.
3.4 Generadores de Variables Aleatorias.
3.4.1 Determinacin de los generadores para cada variable de entrada
(empricas con el mtodo de Montecarlo, tericas con el mtodo que
corresponda).
Captulo 4: Simulacin y anlisis del Sistema.
4.1
4.2
4.2.1
4.2.2
4.2.3
4.3
4.3.1
4.3.2
4.3.3
4.4
4.4.1
4.5
4.5.1
4.5.2
Redaccin de las caractersticas del sistema a simular.

Etapa 5: Desarrollar el modelo en lenguaje especfico de
simulacin (ProModel).
Impresin del Lay-out del modelo.
Impresin del cdigo fuente del modelo.
Impresin del reporte de salida de las corridas
Etapa 6: Conduccin de experimentos y evaluacin de
alternativas.
Especificar las alternativas a considerar.
Impresin del Lay-out de las alternativas.
Impresin del cdigo fuente de las alternativas.
Etapa 7: Anlisis de resultados.
Realizar un resumen de las alternativas evaluadas basadas en los
reportes de salida.
Etapa 8: Recomendaciones finales.
Realizar las recomendaciones pertinentes
Conclusin de los objetivos planteados.
Cuadro 5.1
5.3 Ejemplo de desarrollo de un proyecto de

simulacin
A continuacin se ilustrar todo el contenido para desarrollar el
proyecto de simulacin mencionado en el punto anterior a travs de un
ejemplo prctico.
233
Ejemplo de portada del proyecto:
INSTITUTO TECNOLGICO DE COLIMA

Carrera:
INGENIERA INDUSTRIAL
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
Villa de lvarez, Col., junio del 2010.
En lo sucesivo se mostrar el proyecto redactado como ejemplo para

su entrega omitiendo el ndice y la separacin de hojas nuevas entre
captulos. Se respetar la numeracin original del contenido sugerido.
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
Figura 1.1 Mapa de la Republica Mexicana.

En la siguiente figura 1.2 se presenta el mapa del Estado de Colima,
para acercarse un poco ms al objetivo de estudio, ya que existen Tres
Jurisdicciones, la primera se encuentra en Colima, la segunda en Tecomn y
la tercera en Manzanillo.
236
Figura 1.2 Mapa del Estado de Colima.

En la siguiente figura 1.3 se encuentra el municipio dnde se ubica el
sistema objeto de estudio: Centro de Salud Rural Cuauhtmoc Colima.
237
Figura 1.3 Mapa del municipio de Cuauhtmoc.
1.1.2 Antecedentes de la institucin mdica

La Secretara de Salud ha pasado por diversas etapas evolucionando
histricamente hasta que en 1943 se constituye como tal con la facultad para
organizar, administrar, dirigir y controlar la prestacin de servicios de salud. El
30 de agosto de 1983, se expidi el Decreto mediante el cual el Ejecutivo
Federal estableci las bases a las que se sujet el programa de
descentralizacin de los servicios de salud de la Secretara de Salubridad y
Asistencia, con el cual se dio inicio la descentralizacin. Con base en este
Decreto, en febrero de 1984 los gobiernos federal y estatal, en el marco del
Convenio nico de Desarrollo, acordaron promover la descentralizacin de la
vida nacional y fortalecer las bases del rgimen federal, as como realizar
conjuntamente las acciones necesarias para llevar a cabo la integracin
programtica de los servicios de salud en los estados y, posteriormente, la
integracin orgnica de los servicios de salud a poblacin abierta a cargo de
la SSA, del IMSS-COPLAMAR y de la propia entidad. El Ejecutivo Federal
expidi el 8 de marzo de 1984, el Decreto por el que se descentralizan a las
238
entidades federativas los servicios que prestaban la Secretara en los estados

y los que, dentro del Programa de Solidaridad Social por Cooperacin
Comunitaria, denominado IMSS-COPLAMAR, proporcionaba el IMSS.
El 21 de enero de 1985, se reform la Ley Orgnica de la Administracin
Pblica Federal, con lo cual la Secretara de Salubridad y Asistencia cambi
su nombre por Secretara de Salud. El 25 de septiembre de 1996 se public
en el Diario Oficial de la Federacin el Acuerdo Nacional para la
descentralizacin de los servicios de salud en las 31 entidades federativas,
concretndose en 1997 con la firma de los convenios correspondientes para
su creacin como organismos pblicos descentralizados y derivar entre
muchos otros los Centros Rurales de Salud.
De acuerdo al Plan maestro de Infraestructura Fsica en Salud (PMI) de
la Direccin General de Planeacin y Desarrollo en Salud del Estado de
Colima actualizado a diciembre de 2010, existen 22 nuevos centros de
salud en el Estado de Colima, 4 en sustitucin, 42 en fortalecimiento y una
ampliacin, pero de las 69 obras, 56 son obras proyectadas y el resto estn
terminadas.
1.2. Marco de referencia

Los datos generales de esta institucin mdica son:
Nombre de la Institucin:
Ubicacin de la Institucin:
Domicilio:
Delegacin o municipio:
Jurisdiccin:
Entidad Federativa:
Telfonos:
Centro de Salud Rural Cuauhtmoc.

Cuauhtmoc, Colima.
Kilmetro 15 carretera Colima Tonila
Cuauhtmoc.
Sanitaria Nmero 1
Colima
(312 )-328-00-48, (312)-328-04-99
A continuacin se presenta en la siguiente figura 1.4 la estructura

organizacional del Centro de Salud Rural Cuauhtmoc Colima:
239
Figura 1.4
1.3 Metodologa propuesta de trabajo

Enseguida se enumeran los pasos o etapas de la metodologa que se
aplicar a lo largo de este proyecto:
1.
2.
3.
4.
5.
6.
7.
8.
Preparacin del proyecto.

Definicin del sistema.
Desarrollo del modelo conceptual o esquemtico.
Recoleccin y anlisis de datos.
Desarrollo del modelo en lenguaje especfico de simulacin.
Experimentacin y evaluacin de alternativas.
Anlisis de resultados.
Recomendaciones finales.
El objetivo de la preparacin del proyecto es hacer un ejercicio de

planeacin del proyecto identificando las restricciones del sistema,
determinando el objetivo general y especfico as como el alcance y el nivel
de detalle que se espera incluir en el modelo a desarrollar.
La intencin de la definicin del sistema es estudiarlo dividindolo en los
diversos sistemas y subsistemas que lo conforman utilizando diversas
herramientas emanadas de la ingeniera industrial como diagramas de flujo
de procesos, croquis de distribucin de planta, para conocer este a fondo.
Tambin se determina el proceso productivo para cada tipo de producto o
240
servicio ofrecido, determinar las fuentes posibles de obtencin de la

informacin, establecer supuestos que no afecten el modelo y que lo hagan
ms fcil de desarrollar sin perder efectividad para lograr los objetivos
planteados.
El objetivo de la construccin del modelo es, proveer una representacin
valida que describa el comportamiento del sistema analizado, se deben
obtener las variables de entrada que proveen la informacin necesaria para
cumplir con los objetivos de la simulacin.
La recoleccin y anlisis de los datos es sumamente importante ya que
estos constituyen el soporte estadstico que le proporciona el parecido con la
realidad al modelo a travs de las variables de entrada. Aqu convergen tanto
la estadstica descriptiva como la inferencial, ya que se toman muestra. Las
variables, se organizan en distribuciones de frecuencia, se hacen histogramas
y polgonos para observar la forma bsica de la distribucin y
posteriormente con la teora de prueba de hiptesis se verifican si siguen
alguna distribucin de probabilidad terica o no.
El siguiente paso es desarrollar el modelo en algn lenguaje especfico de
simulacin, correrlo y validarlo adecuadamente para verificar que la
informacin con que se aliment este sea congruente con el sistema real.
Como con la ayuda del modelo se busca resolver alguna problemtica
detectada en el sistema, se deben establecer diferentes alternativas,
experimentar con estas y analizarlas a fondo.
El ltimo paso en el procedimiento de la simulacin es el hacer
recomendaciones para mejorar el actual sistema, basado en los resultados
del modelo simulado. Estas recomendaciones deben ser estadsticamente
soportadas y claramente presentadas en un informe de resultados de la
simulacin.
1.4 Desarrollo de la metodologa.
1.4.1 Etapa 1: Preparacin del proyecto.
1.4.1.1 Identificar las restricciones del sistema
En este rubro las principales restricciones que pueden considerarse
despus de haber hecho un anlisis inicial del sistema son:
El tiempo para realizar el proyecto.
Conocimiento y habilidad para realizar el estudio.
La posible resistencia de las personas que integran el sistema para
proporcionar la informacin.
241
1.4.1.2 Determinar el objetivo general y especfico del modelo.

1.4.1.2.1 Objetivo general
Desarrollar un modelo de simulacin para el Centro de Salud Rural de
Cuauhtmoc, Colima, especficamente en las reas de enfermera, medicina
y farmacia, para que con el anlisis del mismo apoye en la toma de
decisiones que optimicen los distintos recursos que lo integran.
1.4.1.2.2 Objetivos especficos
Determinar el tiempo promedio de espera en la fila de los pacientes.
Determinar el tiempo promedio que permanecen los pacientes en el
sistema de atencin.
Determinar el porcentaje del tiempo ocioso de los servidores.
Determinar la cantidad de personal adecuado en las distintas reas
para hacer ms eficiente la consulta para brindar atencin mdica
oportuna y de calidad.
1.4.1.3 Preparacin de las especificaciones de la simulacin
1.4.1.3.1 Alcance del modelo
Se pretende realizar un modelo que incluya desde la llegada de
las personas a la recepcin, pasando por las reas de enfermera,
medicina y farmacia segn sean los requerimientos de los pacientes
hasta la salida de estos del sistema.
1.4.1.3.2 Nivel de detalle

En este punto se puede mencionar que las variables de entrada que se
elegirn son las adecuadas para dar respuesta a los objetivos planteados sin
considerar detalles del sistema que no le agreguen valor al modelo.
1.5 Hiptesis de partida
Partiendo de hecho de que la simulacin ha sido aplicada con xito en
diversos sistemas productores de bienes y / servicios, luego entonces es
factible aplicarla en una unidad mdica para optimizar sobre todo los tiempos
de espera de los pacientes, mejorando los servicios brindados.
242
Captulo 2: Definicin del Sistema

2.1 Etapa 2: definicin del sistema
2.1.1 Descripcin detallada del sistema a analizar
Con base a los procedimientos de operatividad de los servicios de
consulta externa a continuacin se mencionan de manera general las
actividades de los responsables de la unidad de primer nivel, con la finalidad
de basarse en ello para hacer el anlisis correspondiente.
El mdico del centro de salud rural responsable diagnostica y decide la
conveniencia de referir al paciente a una unidad mdica del paciente, llena la
hoja de referencia e integra el expediente clnico, registra en el expediente la
justificacin del envo, supervisa el registro en bitcoras de referencia,
entrega a trabajo social el trabajo de referencia en la jurisdiccin para
gestionar la cita a segundo nivel, mientras tanto la jefa de enfermera recibe el
expediente clnico y lo archiva registra los datos de referencia en la bitcora
entre otras funciones; sin embargo en lo concerniente a la atencin del
paciente no se cuenta con la cantidad necesaria de mdicos y enfermeras
para brindarles los servicios de atencin oportunos a todos los pacientes,
puesto que en los tres turnos de servicios existentes se otorga nicamente un
total de 60 fichas por da, desglosadas en: 20 a las 15 horas, 20 a las 13
horas, y 20 ms a las 20 horas; las cuales sugieren un tiempo de atencin de
20 minutos por paciente. Sin embargo cuando llegan a urgencias
evidentemente ese tiempo se alarga desde 10 a 40 min. adicionales a los que
normalmente espera cada uno de los pacientes, por lo cual aun cuando hay
una buena organizacin entre los responsables y dems trabajadores la
cantidad de personal es insuficiente no solo por el tiempo que espera el
paciente sino tambin porque llegan ms de 20 pacientes por turno.
2.1.2 Determinar los principales subsistemas que integran el sistema
analizado
En lo correspondiente a los subsistemas que integran el sistema principal,
este se dividir en tres aspectos principales:
a) Proceso administrativo interno
El Centro de Salud de Cuauhtmoc se rige de acuerdo a la normativa
vigente emanada de la Secretara de Salud y cuenta con las siguientes reas
de organizacin:
243
Direccin
Asesor y promotor del seguro medico popular
Mdicos generales
Personal de farmacia
Jefa de enfermera
Enfermeras de base
Enfermeras pasantes
MPSS.
b) Proceso de otorgacin del servicio

Existe un proceso estandarizado para todos los centros de salud rurales
de las entidades del pas. En trminos generales los pasos para la otorgacin
de los servicios son:
Llegada de las personas

Tomar turno en recepcin
Pasar a uno de los servidores
Pasar por medicamentos
Salida
c) Producto o servicio final

En el Centro de Salud se atiende a los usuarios de manera gratuita, donde
se otorgan los distintos servicios mdicos adems de proveer de los
medicamentos necesarios.
En la figura 2.1 se muestra la distribucin de planta del Centro de Salud.
En la entrada est la oficina de la jefa de mdicos y a la izquierda est la
oficina de promotora, en seguida esta la sala de espera; al lado de la
promotoria est a oficina de la jefa de enfermeras, a un lado se encuentra los
baos. A un lado de la sala de espera se encuentra el rea dental, seguido
esta las farmacias, despus el rea de curaciones, seguida de servicios, en
seguida el rea de camas y por ltimo los dos consultorios. Frente al ltimo
consultorio se encuentra la cocina, y a un lado el cuarto de lavado.
244
Figura. 2.1 Croquis de distribucin de planta

2.1. 3 Tipos de bienes o servicios que se ofrecen
En el Centro de Salud Rural tratado, las reas de medicina, enfermera,
dental, promotora y farmacia, brindan principalmente los servicios siguientes:
1. Se da atencin a la consulta general y/ consulta externa,
2. Urgencias.
3. Se manejan diferentes programas con los pacientes y con la poblacin,
como son:
a) Salud reproductiva: Planificacin familiar, control prenatal, atencin
de parto (si llegara a necesitarse de urgencia) y puerperio.
b) Salud del nio y del adolescente: Enfermedades diarreicas, Infeccin
respiratoria aguda y estado de nutricin.
c) Aplicacin de biolgicos.
d) Detecciones: Diabetes Mellitus, Hipertensin Arterial, Sfilis, Obesidad,
Osteoporosis, Hiperplasia Prosttica.
e) Salud del adulto y el anciano: Control de pacientes con diabetes
mellitus, hipertensin arterial y obesidad.
f) Microbacteriosis: Detecciones y tratamiento de Tuberculosis y Lepra.
245
g)
h)
i)
j)
k)
Infecciones de Transmisin Sexual.

Enfermedades Transmitidas por Vector: Dengue, Paludismo.
Picaduras de alacrn.
Zoonosis: Rabia, Brucelosis, Teniosis y Cisticercosis.
Salud Bucal.
2.1.3.1 Desarrollar diagramas de anlisis de procesos para los servicios

producidos.
Como ya se mencion, en conjunto, los cinco servicios mencionados,
colaboran para la realizacin de las siguientes actividades: Se da consulta,
asesora, promocin de todos los servicios y programas de salud
(vacunacin, control prenatal, estimulacin temprana, control del nio sano,
control de enfermedades crnico degenerativas, como son: diabetes,
hipertensin, obesidad, etctera; entre otros). En la siguiente figura 2.2 se
puede ver el flujo de las entradas de los pacientes a los diversos servicios
ofertados.
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
En la siguiente figura 2.3 se muestra un diagrama de flujo del proceso que

hace el paciente al visitar el Centro de Salud.
Inicio
Llegada del
paciente
Si
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
2.1.4 Determinar los horarios y das de trabajo regulares as como los

horarios y das de que sern sujetos de estudio.
Se espera tomar muestras del turno vespertino durante una semana
completa de labores con la ayuda del personal que labora en el centro y con
hojas de verificacin diseadas para tal efecto.
2.1.5 Determine los datos requeridos:
La informacin que puede ser til conocer es la siguiente:
Determinar el tiempo entre llegadas de los pacientes que asisten por
da a la unidad mdica.
Determinar los servicios de consulta, urgencias y curaciones.
Determinar el nmero de trabajadores: Mdicos, enfermeras, dentistas,
promotoras y encargados de farmacia.
Determinar el tiempo de duracin de cada servicio.
Otros servicios (toma de signos vitales, sntomas, aplicacin de
inyecciones, entre otros).
2.1.6 Determine la fuente apropiada de los datos.
Se aplicar la observacin directa y el estudio de tiempos con cronmetro
a los servicios de salud otorgados a los pacientes, as como al acceso
permitido a registros internos y bitcoras con los que cuentan en los
departamentos de medicina y enfermera, se sugieren stas alternativas
como las adecuadas, por lo cual fueron las tomadas para la realizacin del
presente proyecto.
2.1.7 Haga supuestos donde sea necesario.
Los siguientes supuestos ayudarn a realizar un modelo ms fcil de
manejar y que de respuesta a los objetivos planteados:
Atender a los pacientes conforme van llegando a las instalaciones,
excepto urgencias.
249
No interrumpir la atencin a cada paciente por causas ajenas al

sistema como fallas en el suministro de energa elctrica, falta de
personal, negligencia etc. excepto si se trata de una urgencia.
Evidentemente, no se deja de atender a un paciente por negligencia, sino
nicamente si se presenta un paciente en una condicin urgente.
Captulo 3: Desarrollo del modelo y anlisis de datos
En sta captulo se pretende construir el modelo de simulacin gracias a
que se da por entendido que la informacin obtenida es suficiente, ya ha sido
previamente analizada y
validada para describir claramente el
comportamiento del sistema.
3.1 Etapa 3: Construccin del modelo conceptual o esquemtico.
3.1.1 Diseo del Modelo conceptual o esquemtico del sistema.
La siguiente figura 3.1, muestra el modelo conceptual del sistema en
estudio, en el se representan cada uno de los servidores disponibles: una
enfermera en recepcin, 2 enfermeras para consulta general y/o urgencias, 2
mdicos ya sea para consulta general o para urgencias, 1 dentista, una
trabajadora social en farmacia), as como las variables de entrada requeridas,
por ejemplo, en la llegada de pacientes en el rea de recepcin se toman en
cuenta dos variables: el tiempo entre llegadas de los pacientes y el tipo de
paciente (si ste va a consulta o debe ser atendido en urgencias); en el rea
de urgencias, en lo referente a la enfermera responsable se registra el tiempo
de servicio de la misma, mientras que los mdicos que normalmente estn en
consulta tambin atienden urgencias cuando stas se presentan y en se
caso, se muestrea el tiempo de atencin al paciente; ahora bien, en lo que
respecta a la enfermera encargada de consultas, se registra el tiempo de
servicio de la misma y, mientras ella toma signos vitales al paciente, una vez
atendido pasa a consulta, ya sea con uno de los dos mdicos generales o con
el dentista, la variable en comn con los 3 profesionales mencionados es el
tiempo de atencin; ahora bien, una vez que los pacientes fueron atendidos,
ya sea en urgencias o en consultas, el paciente es pasado a farmacia a que
le surtan su receta.
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
Figura 3.1 Modelo Conceptual del Sistema
3.1.2 Determinar las variables de entrada del modelo.

Las variables a muestrear son las siguientes en las diferentes reas y
turnos:
Tiempo entre llegadas de los pacientes
Tiempo de servicio en recepcin
Tipo de Servicio
o Urgencia
o Consulta general (existen 2 mdicos generales)
o Dentista (1 mdico cirujano dentista)
Tiempo de servicio (Enfermera)
Tiempo de atencin (Mdico urgencias)
Tiempo de atencin (Dentista)
251
Tiempo de atencin (Mdicos Generales)

Tiempo de Servicio (rea de farmacia).
3.2 Etapa 4: Recoleccin y anlisis de datos.
3.2.1 Diseo de las hojas de verificacin para toma de datos.
En ste punto solo se muestran las hojas de verificacin diseadas para el
registro de cada variable en las distintas reas, sin embargo, ms adelante se
muestran dichas hojas de verificacin pero ya con los datos registrados del
muestreo.
Para las variables de tiempo entre llegadas de los pacientes, tiempo de
servicio en recepcin y el tipo de servicio solicitado se utilizar la
siguiente hoja de verificacin:
Hoja de Toma de Datos para el rea de Recepcin

Hora de inicio:
Recepcin
Llegadas
Tiempo de
Hora de
Hora de
Hora de
Paciente
servicio
llegada
inicio
salida
Tipo de
Servicio
Tabla 3.2 Hoja de toma de datos en recepcin
Para la variable del tiempo de servicio en enfermera ya sea para

consulta general o urgencias, se utilizar la siguiente hoja de verificacin:
Hoja de Toma de Datos para el rea de Enfermera
Hora de inicio:
ENFERMERIA
Llegadas
Hora de
Hora de
Hora de
Tiempo de
Paciente
Llegada
inicio
salida
Servicio
Tabla 3.3
Para la variable tiempo de atencin de mdicos en consulta general se
dise la siguiente hoja de verificacin.
252
Hoja de Toma de datos en el rea de Consultas

Hora de inicio:
Paciente
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
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
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
253
Hoja de Verificacin en el rea de Urgencias

Hora de Inicio:
Mdico
Tiempo
Paciente
Hora de
Hora de
de Servicio
inicio
Inicio
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
rea a muestrear: Recepcin

Hora de inicio:
Llegadas
Paciente
Hora de
llegada
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
La siguiente tabla 3.9 muestra el tiempo de servicio en enfermera,

recurdese que este tiempo corresponde a la enfermera que atendi a los
pacientes tanto de consulta general como de urgencias.
Llegadas
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
En la siguiente tabla 3.10 se consider el tiempo de servicio o atencin

de los 2 mdicos generales con que cuenta el Centro de Salud.
Hora de inicio
Paciente
Inicio
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
1:13PM
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
Hoja de Verificacin para el rea de Consultas

13:13 Horas
Mdico 1
Mdico 2
Tiempo de
Salida
Inicio
Salida
Servicio
1:28PM
15
1:00PM
1:14PM
1:45PM
17
1:14PM
1:28PM
2:00PM
15
1:28PM
1:35pm
2:17PM
17
1:35pm
1:45pm
2:22PM
5
1:45pm
1:55pm
2:37PM
15
1:55pm
2:12PM
2:52PM
15
2:12PM
2:27PM
3:07PM
15
2:27PM
2:42PM
3:24PM
17
2:42PM
3:00PM
3:34PM
10
3:00PM
3:13PM
3:49PM
15
3:13PM
3:22PM
3:59PM
10
3:22PM
3:37PM
4:10PM
11
3:37PM
3:45PM
4:20PM
10
3:45PM
3:59PM
4:37PM
17
3:59PM
4:10PM
4:53PM
16
4:10PM
4:29PM
5:00PM
7
4:29PM
4:39PM
5:14PM
14
4:39PM
4:55PM
5:25PM
11
4:55PM
5:10PM
5:38PM
13
5:10PM
5:25PM
5:51PM
13
5:25PM
5:42PM
6:02PM
11
5:42PM
5:55PM
6:18PM
16
5:55PM
6:19PM
6:33PM
15
6:19PM
6:35PM
6:51PM
18
6:35PM
6:49PM
7:04PM
13
6:49PM
6:59PM
7:22PM
18
6:59PM
7:15PM
7:39PM
17
7:15PM
7:29PM
7:59PM
20
7:29PM
7:45PM
8:14PM
15
7:45PM
7:58PM
8:25PM
11
7:58PM
8:10PM
8:31PM
6
8:10PM
8:20PM
8:38PM
7
8:20PM
8:27PM
8:45PM
7
8:27PM
8:39PM
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
En la siguiente tabla 3.11 se puede ver el tiempo de atencin del

dentista que labora en el Centro de salud.
Hoja de Verificacin en el rea Dental
Hora de Inicio
13:00
Paciente
Dentista
Tiempo de
Inicio
Salida
Servicio
1
1.05 PM
1:32 PM
27
2
1:33 PM
2:07 PM
34
3
2:10 PM
2:41 PM
31
4
3:05 PM
3:39 PM
34
5
3:40 PM
4:16 PM
36
6
4:18 PM
4:52 PM
34
7
4:53 PM
5:28 PM
35
8
5:31 PM
6:03 PM
32
9
6:04 PM
6:34 PM
30
10
6:34 PM
7:12 PM
38
11
1:07 PM
1:41 PM
34
12
1:41 PM
2:22 PM
41
13
2:25 PM
2:49 PM
24
14
3:16 PM
3:44 PM
28
15
3:46 PM
4:12 PM
26
16
4:13 PM
4:49 PM
36
17
4:52 PM
5:18 PM
26
18
5:19 PM
5:47 PM
28
19
5:48 PM
6:13 PM
25
20
6:15 PM
7:00 PM
15
21
1:07 PM
1:46 PM
39
22
1:48 PM
2:24 PM
36
23
2:25 PM
3:01 PM
36
24
3:05 PM
3:47 PM
42
25
3:47 PM
4:05 PM
18
26
4:07 PM
4:32 PM
25
27
4:34 PM
5:02 PM
28
28
5:05 PM
5:39 PM
34
29
5:40 PM
6:12 PM
32
30
6:13 PM
7:05 PM
52
Tabla 3.11
258
La siguiente tabla 3.12 muestra los datos tomados en el rea de farmacia.

Hoja de verificacin del rea de Farmacia
Hora de Inicio
13:18 Hrs.
Paciente
Trabajadora Social
Tiempo
de Servicio
Hora de
Hora de
(min)
Inicio
Salida
1
1:18 PM
1:21 PM
3
2
1:30 PM
1:31 PM
1
3
1:34 PM
1:36 PM
2
4
1:39 PM
1:40 PM
1
5
1:45 PM
1:47 PM
2
6
2:07 PM
2:08 PM
1
7
2:13 PM
2:16 PM
3
8
2:34 PM
2:35 PM
1
9
2:47 PM
2:49 PM
2
10
2:59 PM
3:00 PM
1
11
3:10 PM
3:12 PM
2
12
3:18 PM
3:19 PM
1
13
3:25 PM
3:27 PM
2
14
3:30 PM
3:31 PM
1
15
3:35 PM
3:37 PM
2
16
3:42 PM
3:43 PM
1
17
3:47 PM
3:48 PM
1
18
3:52 PM
3:54 PM
2
19
4:00 PM
4:01 PM
1
20
4:22 PM
4:24 PM
2
21
4:39 PM
4:40 PM
1
22
5:02 PM
5:05 PM
3
23
5:13 PM
5:15 PM
2
24
5:19 PM
5:21 PM
2
25
5:27 PM
5:28 PM
1
26
5:44 PM
5:45 PM
1
27
6:02 PM
6:04 PM
2
28
6:09 PM
6:11 PM
2
29
6:19 PM
6:20 PM
1
30
6:35 PM
6:37 PM
2
31
6:49 PM
6:51 PM
2
32
7:07 PM
7:09 PM
2
33
7:25 PM
7:27 PM
2
34
7:34 PM
7:35 PM
1
Tabla 3.12
259
La tabla 3.13 contiene los tiempos muestreados en el rea de urgencias

durante el periodo considerado.
Hoja de Verificacin para el rea de Urgencias
Hora de inicio:
13:30
Mdico
Tiempo
Paciente
de Atencin
Hora de
Hora de
(min)
Inicio
Salida
1
1:35PM
1:45PM
10
2
1:42PM
2:20PM
38
3
1:58PM
2:30PM
32
4
2:20PM
2:59PM
39
5
7:53PM
8:25PM
32
6
8:38AM
8:59AM
21
7
8:42AM
9:10AM
28
8
9:55AM
10:15AM
20
9
11:10AM
11:29AM
19
10
1:16PM
1:58PM
42
11
3:29PM
3:59PM
30
12
5:10PM
5:29PM
19
13
6:55PM
7:20PM
25
14
8:15PM
8:40PM
25
15
9:05AM
9:55AM
50
16
10:19AM
10:58AM
39
17
11:02AM
11:45AM
43
18
2:59PM
3:20PM
21
19
4:22PM
4:55PM
33
20
5:15PM
5:59pm
44
21
6:09PM
6:45PM
36
22
7:18PM
7:45PM
27
23
7:59PM
8:30PM
31
24
11:35AM
11:59AM
24
25
1:22PM
2:12PM
50
26
2:18PM
2:39PM
21
27
3:15PM
3:28PM
13
28
4:25PM
4:59PM
24
29
5:09PM
5:55PM
46
30
6:15PM
6:57PM
42
Tabla 3.13
260
3.2.3 Organizacin y anlisis de los datos muestreados (convierta los

datos de entrada en una forma conveniente para su uso).
Para un mejor manejo de los datos muestreados, se elaboraron las
siguientes tablas conteniendo los valores de cada variable en las distintas
reas del Centro de Salud, asimismo se calcularon tanto el rango de los datos
como el ancho de clase para cada caso y se elaboraron las tablas de
distribucin de frecuencias y los histogramas correspondientes.
Variable: Tiempo entre llegadas de los pacientes (minutos).
En la siguiente tabla 3.14 se muestran los datos recopilados de esta
variable:
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
Rango de los datos:

R= Valor mximo Valor mnimo = 13 1 = 12
Ancho de clase = R/1+3.322 log n = 12 / 1+3.322 log 33 = 1.98
Como el tamao de la muestra es pequeo, se considera el ancho de
clase de 3, para que resulten 5 clases que es lo que se considera adecuado
para 33 datos.
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).
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
Rango de los datos:

Como el rango de la muestra es pequeo, se recomienda tomar los datos
puntuales para poder apreciar mejor la distribucin de los datos.
262
Tabla de Distribucin de frecuencias

Frecuencia
Observada
1
6
5
8
8
3
0
2
Tabla 3.18
Clases
1
2
3
4
5
6
7
8
Figura 3.19
Variable: Tipo de servicio.

Esta variable se puede considerar como emprica, no tiene sentido buscar
si se ajusta a una distribucin terica ya que nunca se va a considerar un
valor que no sea cualquiera de los tres tipos de servicios que se otorgan, por
lo tanto solamente se establecer la distribucin de frecuencias y el
generador se obtendr con el mtodo de Montecarlo posteriormente. En el
siguiente cuadro 3.19 se puede ver como se distribuye la demanda de
servicios en el centro de salud.
263
Tipo de
Frecuencia
Servicio
Observada
Consulta General
23
Dental
6
Urgencias
5
Tabla 3.20
Variable: Tiempo de servicio en enfermera (minutos).

variable:
6
4
5
5
4
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
Rango de los datos:

Se considerar el ancho de clase de tamao 3 para obtener 5 clases en la
realizacin de la distribucin de frecuencias.
Frecuencia
Observada
24
11
57
18
8 10
3
11 13
0
14 16
2
Tabla 3.22
Clases
264
Figura 3.23
Variable: Tiempo de atencin de los mdicos generales (minutos).

En este caso se va a considerar el tiempo de los dos mdicos generales,
suponiendo que trabajan al mismo ritmo y no hay necesidad de hacer
distincin entre ellos, por lo que se sumaran los tiempos muestreados, ver
tabla 3.24.
15
17
15
17
5
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
Rango de los datos:

Se considerar el ancho de clase de tamao 3 para obtener 6 clases en la
realizacin de la distribucin de frecuencias.
265
Frecuencia
Observada
57
7
8 10
10
11 13
13
14 16
26
17 19
11
20 22
1
Tabla 3.25
Clases
Histograma del tiempo de

atencin de los mdicos
generales
30
20
10
0
5
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
Rango de los datos:

266
Como el rango es amplio y son pocos datos, se considerar el ancho de

clase de tamao 8 para obtener 5 clases en la realizacin de la distribucin
de frecuencias.
Frecuencia
Observada
15 22
2
23 30
10
31 38
14
39 46
3
47 - 54
1
Tabla 3.28
Clases
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
Rango de los datos:
En este caso como se tienen solamente 3 valores distintos se proceder a

tomar los valores puntuales y contar cuantos hay de cada uno para ver si se
ajustan a una distribucin terica.
Frecuencia
Observada
1
15
2
16
3
3
Tabla 3.31
Clases
Variable: Tiempo de atencin en urgencias (minutos).

Enseguida se muestran los datos del tiempo de atencin del mdico de
urgencias (ver tabla 3.32):
10 21 30 39 36 21
38 28 19 43 27 13
32 20 25 21 31 24
39 19 25 33 24 46
32 42 50 44 50 42
Tabla 3.32
Rango de los datos:
Como el rango es amplio y son pocos datos, se considerar el ancho de
clase de tamao 9 para obtener 5 clases en la realizacin de la distribucin
de frecuencias (ver tabla 3.33):
Frecuencia
Observada
10 18
2
19 27
11
28 36
7
37 45
7
46 - 54
3
Tabla 3.33
Clases
268
Figura 3.34
3.2.4
Determinacin de las distribuciones de probabilidad tericas de

las variables de entrada (si es que la tienen) con el Stat::Fit del
ProModel.
Variable Tiempo entre Llegadas:

Con la ayuda del Stat::Fit de ProModel obtenemos que esta variable se
ajusta perfectamente a la distribucin Lognormal y a la distribucin Normal en
menor medida, esto es muy frecuente, que una variable se ajuste a mas de
una distribucin terica, pero se recomienda la que haga un mejor ajuste de
los datos, en este caso el ProModel asigna una clasificacin de mayor a
menor ajuste tal como se puede apreciar en la figura 3.17. Los parmetros
estimados de los datos son: media 5.09 y desviacin estndar 2.77 (ver figura
3.35).
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
De las figuras anteriores se puede ver que esta variable se ajusta

perfectamente a una distribucin continua Normal con media de 4.12 y
desviacin estndar de 1.66. Tambin se ajusta a una distribucin discreta
terica Binomial, pero en este caso se tomar como la distribucin para crear
el modelo a la Normal.
Variable: Tipo de servicio
Esta variable sigue una distribucin emprica discreta.
Variable: Tiempo de servicio en enfermera
Esta variable se ajusta a una distribucin de Poisson, con media de 5.97,

tal como se puede ver en la siguiente figura 3.38.
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
Resumen final de cada variable y la distribucin a la cual se

ajustaron.
En el siguiente cuadro 3.43 se muestra el resumen de las variables de

entrada del modelo y la distribucin a la cual se ajustaron considerando los
estimadores de los parmetros para cada distribucin.
273
Variable
Distribucin
Estimadores
Tiempo entre llegadas de los pacientes
Lognormal
= 5.09, S = 2.77
Tiempo de atencin en recepcin
Normal
= 4.12, S = 1.66
Tipo de servicio solicitado
Emprica
Tiempo de servicio en enfermera
Poisson
Tiempo de atencin de mdicos generales
Normal
Tiempo de atencin de dentista
Normal
Tiempo de atencin en farmacia
Binomial
= 5.97
= 13.12, S = 3.5
= 31.90, S = 7.2
= 3, = 0.549
= 30.80
Tiempo de atencin en urgencias

Poisson
Cuadro 4.43
3.4
Generadores de Variables Aleatorias.
En lo referente a este punto, ya se hizo una explicacin detallada en el

captulo 3 especficamente en el punto 3.4 de cmo se obtienen los
generadores de las variables de entrada de acuerdo al tipo de distribucin
que sigan estas. Por lo tanto en este punto la intencin es mostrar el
generador ya determinado previamente para cada variable de acuerdo al
mtodo que corresponda
3.4.1 Determinacin de los generadores para cada variable de entrada.
Enseguida se mostrarn las frmulas de los generadores de las variables
de entrada:
Tiempo entre llegadas: Distribucin continua Log Normal
El generador de la distribucin Lognormal es como se muestra a
continuacin:
1+
Por lo tanto el generador especfico para la variable tiempo entre llegadas

sera:
274
1+
2.77
5.09
5.09
5.09
+ 2.77
Tiempo de atencin en recepcin: Distribucin continua Normal

La frmula original de la distribucin Normal es:
1
2
Como es una distribucin continua, se puede aplicar el mtodo de la

transformada inversa y el generador general sera:
= +
Por lo tanto el generador especfico para esta variable es:
= 4.12 +
6 1.66
Tipo de servicio solicitado: Distribucin emprica

El generador para esta variable se obtiene con el mtodo de Montecarlo y
se muestra en la tabla 3.44:
Tipo de
Servicio
Consulta
General
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
Tiempo de servicio en enfermera: Distribucin discreta de Poisson,

= 5.97
En la siguiente tabla 4.45 se muestra el generador de la distribucin de
Poisson para el tiempo de servicio en enfermera:
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
Nota: Recurdese que en este generador se consideran valores incluso que

no se hayan muestreado, esto por la razn de que ya que se tiene la certeza
estadstica que los datos siguen una distribucin terica.
Tiempo de atencin de mdicos generales: Distribucin continua
Normal
276
El generador especfico para esta variable es:
= 13.12 +
6 3.5
Tiempo de atencin de dentista: Distribucin continua normal

El generador especfico para esta variable es:
= 31.90 +
6 7.2
Tiempo de atencin en farmacia: Distribucin discreta Binomial,

= , = .
En la siguiente tabla 4.46 se muestra el generador de esta distribucin
discreta terica Binomial para el tiempo de atencin en farmacia:
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
Nota: Este generador se realiz considerando 3 ensayos, el valor cero que se

puede ver en la tabla es parte del tipo de experimento, ya que una
distribucin Binomial es una serie de experimentos de Bernoulli. De cualquier
manera, el cero significa que dos personas llegaron al mismo tiempo. Esa
puede ser la interpretacin del tiempo entre llegadas cero.
Tiempo de atencin en urgencias: Distribucin discreta Poisson, = 30.80
En la siguiente tabla 4.47 se muestra el generador para esta variable

discreta terica de Poisson para el tiempo de atencin en urgencias:
277
0.0917
0.4267
0.8345
1.0000
Probabilidad Poisson (=30.80)
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
Captulo 4: Simulacin y anlisis del Sistema.

4.1 Redaccin de las caractersticas del sistema a simular.
Como se pudo observar en el punto 3.1 del captulo 3, en el modelo
conceptual existe una fila de entrada de los pacientes que llegan a una
locacin definida como recepcin. El tiempo entre llegadas de los pacientes
del turno vespertino es de acuerdo a una distribucin Lognormal con = 5.09
y una S = 2.77 (tiempo en minutos), el tiempo de atencin en esta etapa es de
acuerdo una distribucin Normal con = 4.12 y S = 1.66. Posteriormente se
determina si el paciente acude a cualquiera de 3 servicios mdicos generales
que se han clasificado como: consulta general, dental y urgencias, estas se
presentan con probabilidades de 67.65%, 17.65% 14.70 % respectivamente.
Cuando se atiende a un paciente en cualquiera de los tres servicios mdicos
mencionados anteriormente, primeramente lo hace una enfermera en un
tiempo que sigue una distribucin discreta de Poisson con =5.97. Existen 2
enfermeras una para el rea de consultas y otra para urgencias.
Si el paciente acude con cualquiera de los dos mdicos generales con que
cuenta el Centro de Salud, el tiempo de atencin sigue una distribucin
continua Normal con = 13.12 y una S = 3.5. De la misma manera el tiempo
de atencin del dentista es de acuerdo a una distribucin Normal con
= 31.90 y una S = 7.2. Si el paciente requiere una atencin considerada de
urgencia, esta la realiza cualquiera de los mdicos generales en un tiempo
que sigue una distribucin discreta de Poisson con = 30.80.
Posteriormente el paciente acude a la farmacia para que le otorguen el
medicamento que necesite, y esta operacin consume un tiempo que sigue
una distribucin discreta Binomial con = 3 = 0.549
4.2 Etapa 5: Desarrollar el modelo en lenguaje especfico de simulacin
(ProModel).
Obviamente el objetivo de este punto es desarrollar el modelo en el
software incluyendo la edicin de las locaciones, atributos, estatutos
necesarios, variables para cada tipo de servicio solicitado, as como realizar
la lgica adecuada para que el modelo represente fielmente al sistema real.
Se agregar el supuesto de que cada fila tiene una capacidad mxima de 10
personas para ayudar a tomar una decisin que optimice el sistema de
acuerdo a la demanda de los servicios y la capacidad instalada. Se realizarn
279
30 corridas de tamao 8 horas para el turno considerado (vespertino) del

modelo.
4.2.1 Impresin del Lay-Out del modelo.

En la siguiente figura 4.48, se muestra la distribucin fsica de las
locaciones que componen el modelo en ProModel.
Figura 4.48
280
4.2.2 Impresin del cdigo fuente del modelo.

En la siguiente tabla 4.49 se muestra el cdigo fuente del modelo
realizado.
************************************************************************
********
*
Formatted Listing of Model:
*
************************************************************************
********
Time Units:
Minutes
Distance Units:
Meters
************************************************************************
********
*
Locations
*
************************************************************************
********
Name
-----------------------------Fila_de_Entrada
Recepcin
Fila_Atencion_a_Pacientes
Enfermeras
Enfermeras.1
Enfermeras.2
Medico_General
Medico_General.1
Medico_General.2
Dentista
Fila_Farmacia
Farmacia
Salida
Cap Units Stats

Rules
Cost
--- ----- ----------- --------------- -----10
1
10
1
1
1
1
1
1
1
10
1
1
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
De la tabla anterior se puede observar que el porcentaje de utilizacin en

recepcin es del 91%, las enfermeras en promedio es del 95.37%, los
mdicos generales es del 82.58%, el dentista es de 64.38% y solamente la
persona que atiende en farmacia presenta el porcentaje ms bajo con un
20.14%, lo que significa que tanto las enfermeras como los mdicos
generales estn trabajando a un ritmo muy alto. Esto puede entenderse ya
que estos atienden tanto consulta general como urgencias.
Locaciones: Reporte general de locaciones con mltiple capacidad
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
Esta tabla es muy importante ya que muestra que existe un cuello de

botella debido a los porcentajes de bloqueo de la recepcin (28.50%) y
enfermeras (56.81%), esto significa que los mdicos generales no trabajan a
un ritmo equilibrado entre las llegadas de los pacientes y el tiempo que
requieren atencin, por esa razn tanto la recepcin como las enfermeras no
pueden continuar su trabajo hasta que los mdicos terminen.
Llegadas fallidas
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
Actividad de la entidad en porcentaje
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
Etapa 6: Conduccin de experimentos

alternativas.
4.3.1 Especificar las alternativas a considerar.
evaluacin
de
En este caso se puede considerar como una alternativa la contratacin de

1 mdico general ms y ver que tanto mejora la atencin a los pacientes. No
se considera la contratacin de otra enfermera ya que estas estn
bloqueadas por los mdicos generales.
4.3.2 Impresin del Lay-Out de las alternativas.
Se considera un mdico general adicional.
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
Fila_Atencion_a_Pacientes 10 1
Enfermeras
1
2
Time Series Oldest, , First
Enfermeras.1
1
1
Enfermeras.2
1
1
Medico_General
1
3
Time Series Oldest, , First
Medico_General.1
1
1
Medico_General.2
1
1
Medico_General.3
1
1
Dentista
1
1
Fila_Farmacia
10 1
Farmacia
1
1
Salida
1
1
Cuadro 4.59
287
4.4 Etapa 7: Anlisis de resultados.

4.4.1 Realizar un resumen de las alternativas evaluadas basadas en los
reportes de salida.
En las siguientes tablas se muestra el reporte de salida de la alternativa
considerada: Contratar un mdico general adicional:
Locaciones: Reporte general
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
Locaciones: Reporte general de locaciones con mltiple capacidad
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.
Actividad de la entidad en minutos
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.
4.5 Etapa 8: Recomendaciones finales.

4.5.1 Realizar las recomendaciones pertinentes
Se recomienda gestionar la contratacin de un mdico general adicional
para que el Centro de Salud ofrezca un servicio ms eficiente con ms
calidad y a su vez se incremente la productividad del sistema considerado.
4.5.2 Conclusin de los objetivos planteados.
Con base en los objetivos especficos, se puede decir que se cumplieron
ampliamente ya que en los reportes de salida se consideraron todos estos y
otras medidas estadsticas adicionales que apoyaron fuertemente en la
recomendacin hecha anteriormente.
Por su parte en el objetivo general, en el cual se plante desarrollar un
modelo de simulacin para el Centro de Salud Rural de Cuauhtmoc,
Colima, especficamente en las reas de enfermera, medicina y farmacia, se
concluye que efectivamente se realiz este con xito el cual se pudo correr y
analizar adecuadamente para proponer alguna alternativa de mejora que lo
hiciera ms eficiente y productivo.
291
292
Anexos
Tablas de distribuciones de probabilidad
Generadores para distribuciones de

probabilidad en ProModel
Probabilidades de la Distribucin Normal Estndar
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
Fuente: Valores calculados con Excel.
295
Valores crticos para la Distribucin X2
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
Valores crticos de la prueba de Kolmogorov-Smirnov
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
Fuente: Massey, F.J. The Kolmogorov-Smirnov Test for Goodness of Fit,

The Journal of the American Statistical Association, vol. 46, pp.70 (1951).
297
Generadores para distribuciones de probabilidad en ProModel

Las siguientes expresiones se muestran como se codifican
distribuciones tericas de probabilidad en el software ProModel.
las
Distribucin
Sintaxis
Componentes Individuales
Beta
B(a,b,c,d)
a=Valor real de forma 1, b=Valor real de forma 2, c= Lmite

inferior, d= Lmite superior
Binomial
BI(a,b)
a=Tamao del lote, b=probabilidad de xito
Erlang
ER(a,b)
a=Media, b= Parmetro
Exponencial
E(a)
a=Media
Gamma
G(a,b)
a=Valor real de forma, b=Valor de escala
Geomtrica
GEO(a)
a=Probabilidad de xito
Inversa
Gaussiana
IG(a,b)
a=Valor de la forma, b=Valor de escala
Lognormal
L(a,b)
a=Media, b=Desviacin estndar
Normal
N(a,b)
a=Media, b=Desviacin estndar
Pearson5
P5(a,b)
a=Valor de la forma, b=Valor de escala
Pearson6
P6(a,b,c)
a=Valor de la forma 1, b=Valor de la forma 2, c=Valor de

escala
Poisson
P(a)
a= Media
Triangular
T(a,b,c)
a=Mnimo, b=Moda, c=Mximo
Uniforme
U(a,b)
a=Media, b=Rango medio,
Weibull
W(a,b)
a=Valor de forma, b=Valor de escala
Fuente: ProModel 7.0 versin estudiantil
298
Bibliografa
GARCA DUNNA Eduardo, GARCA REYES Heriberto, CRDENAS

BARRN Leopoldo E., (2006). Simulacin y anlisis de sistemas con
ProModel. Primera edicin. Mxico. Pearson Prentice Hall.
HARREL Charles R., GHOSH Biman K., BOWDEN Royce O., (2004).
Simulation using ProModel w/CD Rom (Hardcover). Second Edition. United
States of America. McGraw-Hill.
GARCA Francisco, SIERRA Jorge, GUZMN Virginia, (2005). Simulacin
de sistemas para administracin e ingeniera. Mxico. CECSA.
AZARANG Mohammad R., GARCA DUNNA Eduardo. (1996). Simulacin
y anlisis de modelos estocsticos. Primera edicin. Mxico. McGraw-Hill.
COSS BU Ral, (1993). Simulacin un Enfoque Prctico. Mxico, LIMUSA.
299

Libro Simulacion JCZ Corregido

Enviado por

Dados do documento

Descrição original:

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Libro Simulacion JCZ Corregido

Enviado por

Direitos autorais:

Formatos disponíveis

Simulacin

Anlisis y modelacin de sistemas discretos;

Jos Crdenas Zavala

Captulo 3: Variables Aleatorias

Captulo 4: Lenguajes de simulacin y simuladores de

Unidad 5: Proyecto de Aplicacin

Largo es el camino de la enseanza por medio de teoras; breve y

Este texto acadmico sobre simulacin de sistemas discretos tiene

Jos Crdenas Zavala

Simulacin, Anlisis y modelacin de sistemas discretos; un enfoque prctico

Introduccin a la simulacin de eventos discretos

Simulacin, Anlisis y modelacin de sistemas discretos; un enfoque prctico

1.1 Introduccin a la simulacin de eventos discretos

Introduccin a la simulacin de eventos discretos

1.2 Definiciones y conceptos

Simulacin, Anlisis y modelacin de sistemas discretos; un enfoque prctico

De acuerdo a Garca Dunna; et al. (2006), Simulacin de eventos

Introduccin a la simulacin de eventos discretos

Los intentos a prueba y error son

Simulacin, Anlisis y modelacin de sistemas discretos; un enfoque prctico

Lneas de espera (nmero de servidores en un proceso de atencin al

Introduccin a la simulacin de eventos discretos

Las variables que constituyen un sistema son condiciones cuyos

Simulacin, Anlisis y modelacin de sistemas discretos; un enfoque prctico

o matriciales que incluyen relaciones matemticas y probabilsticas (ver

Introduccin a la simulacin de eventos discretos

Ejemplo de un modelo grfico utilizando ProModel:

1.3 VENTAJAS Y DESVENTAJAS DE LA SIMULACIN

Simulacin, Anlisis y modelacin de sistemas discretos; un enfoque prctico

Existen softwares especficos cada vez mas sencillos lo que facilita su

1.4 Etapas para realizar un proyecto de simulacin

Introduccin a la simulacin de eventos discretos

PROCEDIMIENTO GENERAL PARA DESARROLLAR UN ESTUDIO

Desarrollo del modelo

Presupuesto para realizar el proyecto.

Simulacin, Anlisis y modelacin de sistemas discretos; un enfoque prctico

El hecho de que haya restricciones no quiere decir que no se pueda

Introduccin a la simulacin de eventos discretos

y secado sin considerar a las dems etapas del proceso, o si es

Simulacin, Anlisis y modelacin de sistemas discretos; un enfoque prctico

Qu actividad se realiza para cada entidad en cada locacin?

g) Haga supuestos donde sea necesario. Es necesario realizar

Introduccin a la simulacin de eventos discretos

No se interrumpir la produccin por apagones o falta de energa

Simulacin, Anlisis y modelacin de sistemas discretos; un enfoque prctico

metal que llegan a un almacn para obtener finalmente un producto

Modelo por bloques

Almacn de producto terminado

b) Determinar las variables de entrada del modelo. Estas se deben

Introduccin a la simulacin de eventos discretos

Tiempo entre llegadas de los clientes al sistema.

Considerando el ejemplo del modelo por bloques de la figura 1.7 el cual

Tiempo entre llegadas de las piezas al almacn de materia prima.

1.4.4 Recoleccin y anlisis de datos

Simulacin, Anlisis y modelacin de sistemas discretos; un enfoque prctico

HOJA DE VERIFICACION PARA EL TIEMPO ENTRE LLEGADAS

Introduccin a la simulacin de eventos discretos

HOJA DE VERIFICACION PARA EL TIEMPO ENTRE LLEGADAS

HORA DE INICIO: 08:00

Simulacin, Anlisis y modelacin de sistemas discretos; un enfoque prctico

Posteriormente debe realizarse el proceso de construccin de una

Introduccin a la simulacin de eventos discretos

Por lo general todo software de uso especfico de simulacin como