Escolar Documentos
Profissional Documentos
Cultura Documentos
INGENIERíA INDUSTRIAL
TEMA:
“DESARROLLO DE UN MODELO DE SIMULACIÓN EN FLEXSIM DEL
SISTEMA DE RECOLECCIÓN ACTUAL DEL MERCADO ZAPATA”
LUGAR DE REALIZACIÓN:
“INSTITUTO TECNOLÓGICO DE ORIZABA”
ASESOR INTERNO:
Fernando Ortiz Flores.
PRESENTA:
Juan Manuel Cárdenas Rovira
No. DE CONTROL:
05010365
Introducción..............................................................................................................................1
Planteamiento del problema....................................................................................................1
Justificación...............................................................................................................................2
Objetivo general........................................................................................................................2
Objetivos específicos.................................................................................................................2
Capítulo 1. Generalidades........................................................................................................4
1.1 Antecedentes de la empresa..................................................................................................4
1.2 Instituto Tecnológico de Orizaba..........................................................................................5
1.2.1 Escudo del ITO...............................................................................................................7
1.2.2 Política de calidad...........................................................................................................8
1.2.3 Objetivo general de calidad del sistema de gestión de calidad (SGC)...........................8
1.2.4 Valores de la organización..............................................................................................8
1.2.5 Ubicación y teléfonos del plantel...................................................................................9
1.3 Área en la que se participó...................................................................................................9
1.4 Actividades realizadas.........................................................................................................10
1.5 Alcances y limitaciones.......................................................................................................10
1.5.1 Alcances........................................................................................................................10
1.5.2 Limitaciones.................................................................................................................11
Concluciones…………………………………………………………………………………130
Referencias bibliográficas....................................................................................................132
Anexo 1.Formato para la toma de tiempos de los camiones.............................................134
Anexo 2. Formato para la toma de tiempos de los trabajadores......................................135
Anexo 3. Análisis estadístico de la muestras de datos........................................................136
Índice de figuras
La recolección de residuos sólidos urbanos es una parte esencial en cualquier ciudad ya sea
grande o pequeña y además, es una de las actividades que más tiempo y recursos consume.
Debido a la creciente urbanización y el aumento de la población han generado un incremento
considerable en los desechos sólidos urbanos tal como lo es en la ciudad de Orizaba Veracruz,
por este motivo la recolección debe ser lo más eficiente posible utilizando los recursos
disponibles.
1
En este caso se planea analizar la situación presente en el centro de recolección de residuos
sólidos en el mercado de la colonia zapata de la ciudad de Orizaba Veracruz ya que en este
mercado se han observado situaciones que pudieran ser resueltas con herramientas de
ingeniería industrial como la simulación de eventos discretos, programación lineal, medición
del trabajo por mencionar algunas.
Justificación.
El se ha demostrado que el problema de la basura es un problema que no sólo enfrentan las
ciudades con alto nivel de desarrollo sino también en ciudades en desarrollo o comunidades.
Para SEMARNAT, la basura es una constante que se encuentra en zonas urbanas y rurales,
regiones con distintos niveles socio económicos, en arroyos y ríos, a lo largo de caminos y
carreteras. Asimismo, son alarmante los niveles de residuos sólidos que generan los países
desarrollo como estados unidos: 2.2 Kg/habitante; y que los pronósticos para el 2010, en
México, es acercarse a esa cifra.
El promedio de generación de residuos sólidos per cápita en 1997 en la zona centro del país
era de 0.78Kg diarios y en el año 2008, alcanzó un promedio de 1.1Kg diarios per cápita en
base en el compendio de estadísticas ambientales 2009 de la SEMARNAT (secretaria de
medio ambiente y recursos naturales).
Por lo cual es importante realizar de manera eficiente la recolección de residuos sólidos y
mejorar la manera en que ésta es llevada a cabo.
Objetivo general.
Realizar un modelo de simulación en el software de simulación flexism que represente la
situación actual de recolección de sólidos urbanos del mercado Zapata.
Objetivos específicos.
1. Obtener datos relacionados con los procedimientos de recolección de basura.
Número de personas que laboran.
Tiempos de recorridos.
2
Rutas de recolección.
3
Capítulo 1
Generalidades
4
El Centro Tecnológico Orizabeño fue proyectado originalmente para impartir las enseñanzas
destinadas a la preparación de los técnicos demandados en la industria textil, en todos sus
grados; pero al crearse la escuela Superior de Ingeniería Textil en la Unidad Central del
Instituto Politécnico Nacional, se determinó reconsiderar el proyecto original para evitar la
duplicidad de centros de Educación Superior.
Esta situación se generó a la par del decreto Presidencial del 10 de julio de 1952, mediante la
cual fue creada la Comisión Nacional de la Caña de azúcar, donde se considera el
establecimiento de un Instituto Tecnológico de Orizaba.
Originalmente el Instituto fue una de las veintiocho escuelas de educación técnica del país que
dependían del Instituto Politécnico Nacional, y a partir de 1958 paso a ser el sexto Instituto
Tecnológico de la República al establecerse la Dirección General de Institutos Tecnológicos
Foráneos.
El Instituto Tecnológico desde su creación se ha caracterizado por ser uno de los pilares
fundamentales de la educación tecnológica en nuestro país y fundamentalmente en el estado
de Veracruz.
Cada una de las licenciaturas que se imparten en el Instituto Tecnológico de Orizaba han
contribuido socialmente en el crecimiento de la región, ya que sus egresados son contratados
en los diferentes sectores productivos de la región y del país.
Al centro del escudo están algunos signos que representan el año de la fundación del Instituto
Tecnológico de Orizaba (1957), los cuales están expresados con los signos que empleaban los
astrónomos del nuevo imperio Maya.
7
Fig. 1.2 Escudo de la Institución.
El escudo fue obra de los estudiantes Josué García Robles y Jesús Trujillo Murillo, en tanto
que el lema, fue de la alumna Noemí Ángel Martínez.
8
1.2.5 Ubicación y teléfonos del plantel
El Instituto Tecnológico de Orizaba, que se encuentra ubicado en la Av. Oriente 9 o Av.
Instituto Tecnológico Nº. 852, Col. Emiliano Zapata, Orizaba, Ver. 94320, cuenta con los
teléfonos (Conmutador): (2) 7 24 40 96, 7 24 45 50 y 7 24 45 79. Fax: (2) 7 25 17 28, y la
siguiente página de internet: www.itorizaba.edu.mx.
9
Figura 1.3 Mapa de la ciudad de Orizaba.
1.5.1 Alcances
Los alcances logrados a lo largo de este proyecto de residencias profesionales se mencionan a
continuación:
Información actualizada referente al tema de simulación.
Recolección de datos necesarios para la elaboración del modelo de simulación.
10
El análisis estadístico de los datos con el software Expertfit incluido en el paquete de
flexsim para ajustarlos a la distribución teórica correcta.
Un modelo de simulación que representa el sistema actual de recolección de residuos
sólidos del mercado Zapata.
1.5.2 Limitaciones
Las limitaciones presentadas para la aplicación se mencionan a continuación:
El modelo de simulación no muestra todos los detalles dado que no eran
representativos para la situación actual del sistema.
Solo muestra el sistema de recolección de residuos sólidos dentro del mercado pero no
muestra la distribución de ellos.
Debido a la técnica de muestreo utilizada no se tiene toda la información de los turnos
dentro del sistema de recolección de residuos sólidos.
11
Capítulo 2
Recolección y análisis de datos
2.1 Introducción
La recolección de datos es la tarea más desafiante, y a la vez, la que más tiempo consume en la
simulación, porque:
En sistemas nuevos, la información es comúnmente incompleta y toscamente estimada.
En sistemas existentes, puede haber años de datos desorganizados listos para
clasificarse.
12
4. ¿Qué tipos de análisis deben ser ejecutados a los datos?
5. ¿Cómo seleccionar la correcta distribución de probabilidad que represente los datos?
6. ¿Cómo deben ser los datos documentados?
14
2.3 Procedimiento para la recolección de datos
Si se siguen las indicaciones de la sección previa, el esfuerzo en la recolección de datos será
mucho más productivo y, si adicionalmente se llevan a cabo los pasos siguientes, se puede
asegurar que el tiempo y esfuerzo serán bien gastados:
Paso 1: Determinar los requerimientos de datos.
Paso 2. Usar un cuestionario.
Paso 2: Identificar fuentes de datos.
Paso 3: Recolectar los datos.
Paso 4: Hacer suposiciones cuando sea necesario.
Paso 5: Analizar los datos.
Paso 6: Documentar y aprobar los datos.
15
reglas. Si las decisiones y salidas varían, es importante al menos definir esta
variabilidad estadística usando expresiones o distribuciones de probabilidad.
Datos numéricos, los cuales provienen de la información cuantitativa del sistema.
Ejemplos de datos numéricos incluyen capacidades, tasas de llegada, tiempos de
actividad, y tiempo entre fallas. Algunos valores numéricos son fáciles de determinar,
como las horas de trabajo o capacidades de recursos. Otros valores son más difíciles de
evaluar, como el tiempo entre fallas y la probabilidad de las rutas. Esto es
especialmente verdadero si el sistema a ser modelado es nuevo y los datos no están
disponibles.
Para cualquiera de las preguntas que pueda requerir información numérica que pudiera tomar
la forma de una variable aleatoria, es más conveniente obtener:
Una buena muestra de datos. Si la muestra de datos no está disponible, es útil obtener
al menos estimaciones del mínimo, el más probable, y valores máximos hasta que
datos más precisos puedan ser obtenidos. Valores promedio deberían ser usados sólo
como estimados preliminares.
O, la definición de la distribución actual de probabilidad.
Responder las preguntas deberá proporcionar la mayoría, sino toda la información necesaria
para construir el modelo. Dependiendo la naturaleza del sistema y nivel de detalle requerido,
preguntas adicionales pueden ser agregadas.
El modelador debe estar dispuesto a fungir como detective para descubrir el conocimiento
necesario. “Ha sido mi experiencia,” apunta Carson (1986), “que para sistemas reales a gran
17
escala, rara vez existe algún individuo que entiende cómo funciona todo el sistema con un
detalle suficiente para construir un modelo de simulación preciso. El modelador deberá estar
dispuesto a hacerla un poco de detective para obtener el conocimiento necesario”. Por esta
razón, aquí es donde la persistencia, observación cuidadosa, y buenas habilidades de
comunicación son de gran ayuda.
Los tipos de fuentes dependen en sí se está simulando un sistema existente o uno nuevo:
Para sistemas existentes habrá un rango amplio de fuentes de las cuales extraer datos,
dado que hay registros e individuos con conocimientos de primera mano del sistema.
Como el sistema existe, entonces el modelador puede, adicionalmente, observar
personalmente el sistema y por lo tanto ser menos dependiente de las entradas de otros.
Para sistemas nuevos las fuentes de información están usualmente limitadas a aquellos
individuos directamente involucrados en el diseño del sistema. La mayoría de la
información es obtenida de las especificaciones del sistema y entrevistas con el equipo
de diseño.
Esto no significa, necesariamente, que los datos estarán disponibles en esta secuencia. Por
ejemplo:
Algunas suposiciones necesitan ser hechas inicialmente para que surjan con una
definición completa del flujo de la entidad.
Otra Información circunstancial, obtenida previamente, tal como tiempos de paro,
necesita ser segregada hasta que ésta sea necesitada en un estado posterior de
construcción del modelo.
Estación 3B
20
2.7.2 Desarrollando una descripción de la operación
Una vez que el diagrama de flujo de la entidad ha sido creado, una descripción de la operación
debe ser desarrollada para explicar cómo las entidades son procesadas a través del sistema.
Una descripción de la operación puede ser escrita paso a paso, de una forma resumida, o puede
ser representada de forma tabular (Tabla 2.1). Para sistemas sencillos en el diagrama de flujo
de la entidad puede ser anotada información operacional. De cualquier forma, la descripción
debe identificar para cada tipo de entidad en cada ubicación del sistema:
Se debe percatar que la descripción de la operación (Tabla 2.1) realmente provee los detalles
del diagrama de flujo de la entidad (Figura 2.1). Este detalle es necesario para definir el
modelo de simulación. Los tiempos asociados con actividades y movimientos pueden ser sólo
estimados en esta etapa. Lo importante a lograr en este punto es describir como las entidades
son procesadas a través del sistema.
21
que ellos son los que están familiarizados con la operación para asegurar que la descripción de
la operación es precisa y completa.
En esencia, modelar el sistema actualmente ayuda a definir y validar los datos del sistema.
En este punto, cualquier valor numérico como tiempos de actividad, tasas de llegadas, y otros
deben también ser confirmados. Tener un modelo corriendo permite que los estimados y otras
suposiciones sean probados para ver si es necesario gastar un tiempo adicional para obtener
información más precisa. En sistemas existentes para obtener datos más precisos es común
realizar un estudio de tiempos de la actividad o evento bajo investigación:
Una muestra es recolectada para representar todas las condiciones bajo la cual la
actividad o evento sucede.
Cualquier sesgo que no represente condiciones de operación normal es eliminado.
22
El tamaño de la muestra debe ser suficientemente grande para proporcionar una
imagen precisa, pero no tan grande que esta se convierta en costosa sin que realmente
añada información adicional.
Entonces, de esto, surge la pregunta siguiente: ¿qué tan buena es una simulación que está
basada en suposiciones? Para dar respuesta, hay que recordar que rutinariamente se toman
decisiones en la vida basadas en suposiciones y por consiguiente nunca se puede estar seguro
de las consecuencias. Cualquier predicción acerca de cómo operara el sistema en el futuro está
basado en suposiciones del futuro. No hay nada malo en hacer suposiciones al hacer
23
simulación siempre y cuando la confianza en los resultados nunca exceda la confianza en los
supuestos que subyacen. La razón para efectuar una simulación es ser capaz de predecir el
funcionamiento del sistema basado en determinadas suposiciones. Es mejor hacer decisiones
conociendo las implicaciones de las decisiones que calcular el error por tomar inferencias
erróneas de estas suposiciones. Incorporar las suposiciones en el modelo puede actualmente
ayudar a validar las suposiciones por ver si ellas tienen sentido en la operación total del
modelo. Ver comportamientos absurdos del modelo sólo dice que ciertas suposiciones no
tienen sentido.
Para estudios comparativos en la cual dos alternativas son evaluadas, el hecho de hacer
suposiciones es menos significativo porque se está evaluando el rendimiento relativo, no el
rendimiento absoluto. Por ejemplo:
Si se está tratando de determinar si los retardos en el tiempo pueden ser mejorados por
asignar tareas a un recurso por fecha de compromiso en lugar de primero entra–
primero sale, una simulación puede proporcionar información útil para hacer esta
decisión sin necesariamente tener completamente seguros los datos. Debido a que
ambos modelos usan las mismas suposiciones es posible comparar el rendimiento
relativo.
Se puede no conocer cuál es el rendimiento absoluto de la mejor opción, pero se
debiera de ser capaz de evaluar claramente la seguridad de que tan buena es una opción
comparada con la otra.
Algunas suposiciones naturalmente tendrán una mayor influencia en la validez del modelo que
otras, por ejemplo:
En un sistema con tiempos largos de procesamiento comparado a los tiempos de
movimiento, un tiempo de movimiento que está abajo por 20% puede hacer poca o no
diferencia en la salida del sistema.
Por el otro lado, si un tiempo de la actividad que está por abajo del 20% puede hacer
un 20% de diferencia en la salida del sistema
24
Una manera de evaluar la influencia de una suposición en el modelo es a través de un análisis
de sensibilidad. El análisis de sensibilidad, en el cual un rango de valores es probado por el
impacto potencial en el funcionamiento del modelo, puede indicar sólo que tan precisa la
suposición necesita ser. Una decisión puede ser hecha para confirmar la suposición de dejarla
como es. Si, por ejemplo:
El grado de variación en el tiempo de una actividad tienen poco o ningún impacto en el
funcionamiento del sistema, entonces una tiempo constante de la actividad puede ser
usado.
En el otro extremo, se puede encontrar que incluso el tipo de distribución tiene un
notable impacto en el comportamiento del modelo y por lo tanto necesita ser
seleccionado cuidadosamente.
El simple enfoque para análisis de sensibilidad para una suposición particular es correr tres
diferentes escenarios presentando:
Una mejor o el caso más optimista
Una peor o el caso más pesimista
Una más probable o el caso de mejor esperanza.
25
Que tiempos de la actividad actual necesitan ser aislados de las demoras causadas por
el sistema.
Que numerosas eventualidades de una actividad en particular necesitan ser
generalizadas en unos cuantos patrones de definición.
Que descripciones complejas de la operación necesitan ser convertidas en
abstracciones simplificadas.
Que entradas o variables que definen el sistema necesitan ser separadas de las salidas o
variables de respuesta y, finalmente.
Que datos históricos resumidos deberán ser proyectados hacia el periodo de tiempo a
ser estudiado por la simulación. La información que ayuda a ajustar los datos para el
futuro pueden ser obtenidos de pronósticos de ventas, tendencias de mercado, o planes
de negocios.
Antes de desarrollar una representación de los datos, los datos deben ser analizados para
verificar su idoneidad para su uso en el modelo de simulación. Las características siguientes
de los datos deben ser determinados:
Independencia (Aleatoriedad).
Homogeneidad. Que los datos provengan de la misma distribución.
Estacionalidad. Que la distribución de los datos no cambie con el tiempo.
Utilizando un programa de análisis de datos como el Stat Fit, de Promodel o Expert Fit de
Flexsim las características de los datos pueden ser analizadas automáticamente, probadas para
su uso en la simulación, y comparadas para obtener el mejor ajuste a una distribución.
Algunos de los parámetros que dan un análisis descriptivo de toda la muestra recopilada son:
Media: es el valor promedio de los datos.
Mediana: es el valor de la observación que está a la mitad, cuando los datos son
puestos en orden ascendente.
Moda: es el valor que se repite con mayor frecuencia.
Desviación estándar: Una medida de la desviación promedio desde la media.
Varianza: es el cuadrado de la desviación estándar.
26
Coeficiente de variación: es la desviación estándar dividida por la media. Este valor
representa una medida relativa de la desviación estándar a la media.
Sesgo: Una medida de simetría.
o Si el máximo valor está más lejos de la media que el mínimo valor, el dato
estará sesgado a la derecha, o positivamente sesgado.
o De otra manera, estará sesgado a la izquierda o negativamente sesgado
Kurtosis: es una medida de la uniformidad o la altura de la distribución.
Rango: la diferencia entre los valores máximos y mínimos.
Un análisis descriptivo dice las características clave acerca del conjunto de datos, pero no dice
que tan adecuados son los datos para su uso en el modelo de simulación. Lo que interesa poder
hacer es ajustar los datos de la muestra a una distribución teórica, como la normal o la
distribución beta. Esto requiere que los datos sean:
Independientes, es decir totalmente aleatorios, y
Idénticamente distribuidos, es decir que todos los datos pertenecen a la misma
distribución.
27
Cada prueba es específica a escalas diferentes de aleatoriedad, por tal razón, las tres deben ser
usadas para concluir la independencia de datos (Harrel, 2004).
28
Si las Xi’s están correlacionados positivamente, una línea de tendencia
positiva hacia arriba aparecerá.
Si las Xi’s están correlacionados negativamente una línea de tendencia
negativa aparecerá.
29
Un diagrama de dispersión es una forma simple de detectar un comportamiento de
dependencia fuerte.
Diagrama de correlación. Si las observaciones en una muestra son independientes,
estas además no presentaran correlación. Los datos correlacionados son dependientes
uno de cada otro y se dice que están auto correlacionados. Una medida de auto
correlación, rho( ρ ), puede ser calculada usando la Ecuación 2.1:
n− j
( x i− x̄ )( x i+ j − x̄ )
ρ= ∑
i=1 σ 2 (n− j) ....……………………. Ecuación 2.1
Donde:
j= La diferencia o distancia entre los puntos.
σ
= La desviación estándar de la población, aproximada por la desviación
estándar de la muestra; y
x̄
= La media de la muestra.
El cálculo es efectuado para 1/5 de la longitud del conjunto de datos, donde los pares
decrecientes comienzan a hacer el cálculo poco confiable. Este cálculo de auto
correlación asume que los datos son tomados de un proceso estacionario; es decir, los
datos parecerían venir de la misma distribución sin importar cuando fueron
muestreados (esto es, los datos no cambian con el tiempo).
o En el caso de una serie de tiempos, esto implica que el origen del tiempo puede
ser cambiado sin afectar las características estadísticas de las series de datos.
De esta manera la varianza para toda la muestra puede ser usada para
representar la varianza de cualquier subconjunto.
o Si el proceso a ser estudiado no es estacionario, el cálculo de auto correlación
es más complejo.
El valor de auto correlación varía entre 1 y -1 (es decir, entre correlación positiva y
negativa). Si la correlación está cerca de cualquiera de los extremos, los datos son auto
correlacionado. En la Figura 2.4, que muestra un diagrama de auto correlación, hay
que notar que los valores son cercanos a 0, indicando muy poca o nada de correlación,
30
y en la Figura 2.5 se muestra un diagrama de auto correlación con un gran nivel de
correlación.
Prueba de Corridas.
La prueba de corridas busca por corridas en los datos que puedan indicar correlación
de datos. Una corrida en una serie de observaciones es la ocurrencia de una secuencia
continua de números mostrando la misma tendencia. Por ejemplo, un conjunto
consecutivo de números crecientes o decrecientes se dice que proporcionan corridas
hacia arriba y abajo, respectivamente. Existen 2 tipos de pruebas de corridas:
o La prueba de la mediana que mide el número de corridas, es decir, secuencias
de números por arriba y debajo de la mediana. La corrida puede ser un solo
número por debajo o arriba de la mediana si los números adyacentes a este
están en la dirección opuesta.
31
Figura 2.5 Diagrama de auto correlación con alto nivel de correlación.
32
El nivel de significancia es la probabilidad de que una hipótesis rechazada sea cierta,
es decir, que la prueba rechace la aleatoriedad de las series cuando las series son
aleatorias.
Existen muchas otras pruebas para la aleatoriedad, algunas de las más sensibles
requieren grandes conjuntos de datos, por encima de 4,000 datos.
Existen varias maneras para determinar si los datos provienen de la misma población; éstas
son llamadas, algunas veces, pruebas de homogeneidad. Para determinar si los datos de un
conjunto de datos están distribuidos idénticamente, pueden usarse dos casos.
Caso 1.
El primer caso se da cuando en la recolección de datos, al definir un tiempo de una actividad
particular o intervalo del evento, se asume que ellos están distribuidos idénticamente. Sobre un
análisis más cercano, sin embargo, en algunas ocasiones se descubre que realmente son datos
no homogéneos. Ejemplos de conjunto de datos que tienden a ser no homogéneos incluyen:
Tiempos de actividad que son más grandes o más pequeños dependiendo del tipo de
entidad a ser procesada.
33
Tiempos de llegada que fluctúan en longitud dependiendo de la hora del día o el día de
la semana.
Tiempo entre fallas y tiempo para reparar donde la falla puede resultar de un número
de causas diferentes.
En cada una de estos casos, los datos recolectados pueden representar múltiples poblaciones.
Probar para ver si los datos están distribuidos idénticamente puede ser hecho de varias
maneras. Un enfoque es la inspección visual de la distribución para ver si ésta tiene más de
una moda.
Se puede encontrar, por ejemplo, que una grafica de valores de paros observados es
bimodal (Figura 2.6). El hecho de que hay dos agrupaciones de datos indica que al
menos hay dos causas diferentes de paros, cada una definiendo diferentes
distribuciones para el tiempo de reparación. Es probable que después de examinar la
causa de los paros, se descubra que algunas fueron debidas a partes atoradas que
fueron rápidamente corregidas, mientras que otras fueron debidas a fallas mecánicas
que les tomo más tiempo repararlas.
Un tipo de dato no homogéneo ocurre cuando la distribución cambia con el tiempo.
Esto es diferente de dos o más distribuciones que se manifiestan sobre el mismo
periodo de tiempo como la que es causada por la mezcla de tipos paros.
o Un ejemplo de una distribución que cambia con el tiempo puede resultar de un
operador que trabaja 20% más rápido en la segunda hora de su turno con
respecto a su primera hora. Sobre periodos largos de tiempo, el fenómeno de la
curva de aprendizaje ocurre cuando los trabajadores trabajan a un rango más
rápido cuando ellos logran experiencia en el trabajo. Tales distribuciones son
llamadas no estacionarias o con variante de tiempo debido a su naturaleza de
cambio con el tiempo.
o Otro ejemplo común de una distribución que cambia con el tiempo, es la tasa
de llegadas de los clientes a una instalación de servicio. Las llegadas de los
clientes a un banco o una tienda, fluctúan a través del día.
Las distribuciones no estacionarias pueden ser detectadas graficando subgrupos de datos que
ocurren dentro de un intervalo sucesivo de tiempo. Por ejemplo, llegadas muestreadas cada
34
media hora a un almacén, entre las 10 A.M. y 6 P.M. pueden ser graficadas separadas de las
llegadas entre las 9 y 10 A.M., y así sucesivamente (Figura 2.7). Note en esta figura que
mientras el tipo de distribución (Poisson) es la misma para cada periodo de tiempo, la tasa (y
de aquí el tiempo medio entre llegadas) cambia cada media hora.
Si la distribución es de un tipo diferente o pertenece a la misma distribución pero con un valor
mayor o menor de la media sobre el tiempo, la distribución es no estacionaria. Este factor
deberá ser tomado en cuenta para definir el comportamiento del modelo.
35
Caso 2.
El segundo caso se da cuando dos grupos de datos han sido recolectados y se desea conocer si
ellos provienen de la misma población o son idénticamente distribuidos. Situaciones, en donde
las pruebas para datos idénticamente distribuidos, son de gran ayuda, son las siguientes:
Tiempos de llegadas que han sido recolectadas en diferentes días y se quiere saber si
los datos de cada día vienen de la misma distribución.
Tiempos recolectados de la actividad de 2 o más operadores y se quiere saber si la
misma distribución puede ser usada para los operadores.
Tiempos de falla que han sido recolectados en 4 maquinas diferentes y se está
interesado en conocer si están idénticamente distribuidos.
Una forma sencilla de decir si dos conjuntos de datos tienen la misma distribución es correr el
Stat Fit o el Expert Fit y ver que distribución se ajusta mejor a cada conjunto de datos. Si la
misma distribución se ajusta a ambos conjuntos de datos, se puede asumir que ellos vienen de
la misma población. Si se está en duda, ellos pueden ser modelados, simplemente, como
distribuciones diferentes.
Varias pruebas formales existen para determinar si 2 o más grupos de datos pertenecen a
poblaciones idénticas. Algunas de estas aplican a familias especificas de distribuciones tal
como el análisis de varianza (ANOVA de las siglas en inglés de analysis of variance) pruebas
datos normalmente distribuidos. Otras prueban son:
La prueba de dos muestras -Kolmogorov-Smirnov.
La prueba de múltiples muestras chi-cuadrada.
37
o Como regla general, las distribuciones empíricas deberán ser usadas sola para
modelar cortes-ásperos o cuando la forma es muy irregular y no permite un
buen ajuste a una distribución.
3. El método preferido es seleccionar una distribución teórica que se ajuste de la mejor
manera a los datos.
Representar los datos usando una distribución teórica involucra el ajuste de los datos a
una distribución teórica. Durante la simulación, variables aleatorias son generadas de la
distribución de probabilidad para proveer los valores aleatorios simulados. Ajustar una
distribución teórica a la muestra de datos suaviza las irregularidades artificiales en los
datos y asegura que los valores extremos sean incluidos. Por esta razón, es mejor usar
una distribución teórica si un buen ajuste razonable existe. Los programas más
populares de simulación proveen utilidades para ajustar una distribución a datos
numéricos, de esta manera se libera al modelador de este complicado procedimiento.
Un modelador deberá ser precavido cuando utilice una distribución teórica para
asegurar que si una distribución no acotada es usada, los valores extremos que puedan
ser generados sean realistas.
38
cinco minutos. La Tabla 2.2 resume observaciones hechas durante la hora del almuerzo
(entre 11 A.M y 1 P.M.) por cinco días laborales sobre un período de 20 semanas.
Las distribuciones de frecuencias pueden ser gráficamente mostradas usando un
histograma. Un histograma de una distribución de frecuencias discreta se muestra en la
Figura 2.8 con los datos de la Tabla 2.2. Esta grafica fue obtenida usando el software
Minitab.
15
Frecuencia
10
0
0 2 4 6 8 10
Llegada de clientes
Figura 2.8 Histograma de los datos de los clientes mostrados en la tabla 2.2.
39
Distribución de Frecuencia continua
Una distribución de frecuencias continua define rangos de valores dentro de los cuales
los valores de la muestra caen. Se puede construir una distribución continua para la
muestra de 100 observaciones de tiempos de inspección (Tabla 2.3) debido a que los
valores pueden tomar cualquier valor dentro del intervalo especificado. Un histograma
basado en esta distribución de frecuencias se muestra en la Figura 2.9. Ésta figura con
6 intervalos fue creada con el software Stat Fit.
40
Note que la distribución de frecuencia y el histograma para la muestra de tiempos de
inspección está basada en dividir los datos en 6 intervalos o celdas. Mientras exista una guía
para determinar el mejor tamaño de intervalo o tamaño de celda, la cosa más importante es
asegurar que las celdas sean suficientes para mostrar una transición gradual en los valores,
pero no muchas celdas que haga que la agrupación se convierta en oscura. El número de
intervalos debe ser basado en el número total de observaciones y la varianza en los datos. Una
regla del pulgar para determinar el número de intervalos es la raíz cubica del doble producto
3
del número de muestras, esto es √(2 N ) . Éste es el método utilizado por default en el
software Stat Fit (Harrel, 2004), pero no por el software Expert Fit ya que éste no tiene una
regla general para seleccionar el número de intervalos, simplemente prueba diferentes
intervalos seleccionando el que refleje un histograma “suave” (Flexsim, 2009). El objetivo es
utilizar el número mínimo de intervalos posible sin perder la información de propagada de los
datos.
41
Las distribuciones discretas son raramente usadas en sistemas simulados de
manufactura y servicio debido a que estas pueden ser definidas por expresiones
simples de probabilidad.
Antes de discutir como las distribuciones teóricas se ajustan a los datos, es útil tener un
entendimiento básico de cuando menos las distribuciones teóricas más comunes. Banks and
Gibson (1997) mencionan que existen cerca de 12 distribuciones estadísticas que son
comúnmente usadas en la simulación. En este capítulo sólo se hará mención a las siguientes
distribuciones, debido a su familiaridad y fácil comprensión:
Distribución binomial
Distribución uniforme
Distribución triangular
Distribución normal
Distribución exponencial
Distribución Binomial
La distribución binomial es una distribución de probabilidad discreta que expresa la
probabilidad (p) de que una condición particular o resultado pueda ocurrir en n pruebas. Se
llama a la ocurrencia del resultado de interés un éxito y una no ocurrencia como un fracaso.
Para aplicar por una distribución binomial, cada intento debe ser un intento Bernoulli:
Esto debe ser independiente y tener sólo 2 posibles resultados (éxito o fracaso).
La probabilidad de un éxito debe mantenerse constante de prueba a prueba.
La media de una distribución binomial está dada por np, donde n es el número de
intentos y p es la probabilidad de éxito de cualquier ensayo dado.
La varianza está dada por np(1-p) .
42
Una aplicación común de la distribución binomial en la simulación es para:
Probar el número de piezas defectuosas en un lote
Probar el número de clientes de un tipo particular dentro de un grupo de clientes.
Suponer, por ejemplo, que es conocida que la probabilidad de que una parte defectuosa
provenga de una operación es 0.1 y que se inspeccionan las partes en lotes de 10 tamaños. El
número de partes defectuosas para cualquier muestra dada se puede determinar generando una
variable aleatoria binomial. La función de probabilidad de la distribución binomial, para este
ejemplo, se muestra en la Figura 2.10 (n=10, p=0.1).
Distribución uniforme
La distribución uniforme o rectangular es usada para describir un proceso en el cual el
resultado es igualmente probable de caer entre los valores a y b. En una distribución uniforme:
La media es (a+b)/2.
2
(b−a )
La varianza está expresada por 12 .
43
Figura 2.11 Función de densidad de una distribución uniforme.
Distribución triangular
La distribución triangular es una buena aproximación para usar en la ausencia de datos,
especialmente si un valor mínimo, máximo, y más probable (moda) pueden ser estimados.
Éstos son los 3 parámetros de la distribución triangular. Si a, m, y b representan el valor
mínimo, moda, y máximo respectivamente de una distribución triangular, entonces:
(a + m + b)
La media de una distribución triangular es 3 .
2 2 2
(a + m +b −am−ab−mb)
La varianza está definida por 18 .
44
Figura 2.12 Función de densidad de probabilidad de una
distribución triangular.
Distribución normal
La distribución normal (en ocasiones llamada distribución Gaussiana) describe el fenómeno
que varia simétricamente por encima y por debajo de la media (de aquí la curva con forma de
campana). Mientras que la distribución normal es seleccionada a menudo para definir tiempos
de actividad, en la práctica los tiempos de actividad manual son raramente distribuidos
normalmente. Ellos están siempre sesgados a la derecha (al final de la cola de la distribución
es más largo que el comienzo de la cola). Esto se debe a que los humanos pueden en ocasiones
tomar un tiempo significativamente más grande que el de la media, pero comúnmente no
mucho menor que el tiempo medio. Ejemplos de una distribución normal pueden ser:
Mediciones físicas como el peso, altura, diámetro, ancho.
Actividades que involucran múltiples tareas (como cargar un camión o llenar una
orden de un cliente.
45
La media de una distribución normal está designada por la letra griega mu (µ). La varianza es
Distribución exponencial
LA distribución exponencial en ocasiones es referida como la negativa exponencial. Esta
distribución es usada frecuentemente en simulaciones para representar intervalos de eventos.
La distribución exponencial es definida por un solo parámetro; la media (µ).
Esta distribución se relaciona con la distribución Poisson en que si una ocurrencia sucede a
una tasa con distribución Poisson, el tiempo entre sucesos está exponencialmente distribuido.
En otras palabras, la media de una distribución exponencial es el rango inversa de la tasa
Poisson. Por ejemplo, si la tasa a la cual los clientes llegan a un banco está distribuido Poisson
con una tasa de 12 personas por hora, el tiempo entre llegadas está distribuido
exponencialmente con una media de 5 minutos (1/12 * 60).
La distribución exponencial tiene la propiedad de olvido (Memoryless) que hace que ésta sea
bien ajustada para modelar ciertos fenómenos que ocurren independientemente uno del otro.
Por ejemplo, si los tiempos de llegada están distribuidos exponencialmente con una media de
5 minutos, entonces el tiempo esperado antes de la siguiente llegada será 5 minutos
independientemente de cuánto tiempo haya pasado desde la llegada previa.
46
Para una distribución exponencial, la varianza es la misma que la media. La función de
densidad de probabilidad de una distribución exponencial se muestra en la Figura 2.14.
48
histograma de una muestra de tiempos de ensamble parece simétrico en cada lado de la
media, una distribución normal puede ser inferida.
49
3. Pruebas de bondad y ajuste son realizadas para asegurarse que tan bien cada
distribución se ajusta a los datos.
Una vez que una distribución candidata ha sido asociada con sus parámetros, una
prueba de bondad de ajuste puede ser realizada para evaluar que tan cerca la
distribución se ajusta a los datos. Una prueba de bondad y ajuste mide la desviación de
distribución de la muestra de la distribución teórica inferida. Tres pruebas de bondad y
ajuste, comúnmente usadas son (Breiman (1973); Banks et al. 2001; Law and Kelton
2000; Stuart and Ord 1991):
2
La prueba chi cuadrada ( x ).
La prueba Kolmogorov-Smirnov.
La prueba Anderson-Darling.
Cada una de las tres pruebas de bondad de ajuste comienza con la hipótesis nula de que el
ajuste es bueno y calcula una prueba estadística para comparación a un estándar.
Para probar la hipótesis nula, se selecciona un nivel de significancia, el cual es la probabilidad
de hacer un error tipo 1, es decir rechazar la hipótesis nula cuando esta es cierta. Enunciado
de una manera diferente, es la probabilidad de que se pueda cometer el error de rechazar una
distribución que está bien ajustada. Por consiguiente, entre más pequeño sea este valor, es
menos probable que se rechacé cuando se debe aceptar.
Debido a la naturaleza del proyecto los pasos de la prueba chi-cuadrada no serán explicados,
pero pueden ser encontrados en el capítulo 6 del libro de Harrell (2004).
Revisar y aprobar los datos de entrada puede ser una tarea que consuma tiempo y difícil,
especialmente si se hicieron muchas suposiciones. En la práctica, la validación de los datos
termina siendo más un proceso de construcción-consenso donde se busca un acuerdo tal que
los datos sean suficientemente buenos para los propósitos de la simulación. El documento de
51
los datos no es un documento estático, más bien es uno dinámico que cambia frecuentemente
con la construcción del modelo y con experimentación posterior. La mayoría de los programas
proveen la capacidad de escribir comentarios en el modelo.
52
Capítulo 3
Conceptos generales de simulación
3.1 Introducción
En la realización de un proyecto de residencias es necesario conocer y comprender las técnicas
o herramientas de Ingeniería Industrial que van a ser utilizadas, con el objetivo de que el
alumno aplique de una forma correcta las técnicas o herramientas que se determinaron utilizar
para poder resolver el problema central del proyecto.
Cuando las relaciones que componen el modelo que representa el sistema real son simples, es
posible usar métodos matemáticos (tales como álgebra, cálculo, teoría de la probabilidad,
modelos de teoría de colas, etc.) para obtener la información exacta de las cuestiones de
interés; esto es llamado una solución analítica. Sin embargo, la mayoría de los sistemas de la
vida real son tan complejos para permitir que los modelos realistas sean evaluados
analíticamente; estos modelos deben ser estudiados por medio de la simulación. En una
simulación se usa una computadora para evaluar un modelo numérico, y los datos son
colectados para estimar las características reales deseadas del modelo.
El uso moderno de la palabra simulación data de 1940, cuando los científicos Von Neuman y
Ulam trabajaban en el proyecto Monte Carlo, durante la segunda guerra mundial. Ellos
resolvieron problemas de reacciones nucleares mediante la simulación, ya que una solución
experimental sería muy cara y el análisis matemático demasiado complicado. Con la invención
de la computadora y su utilización en los experimentos de simulación, surgieron incontables
53
aplicaciones y por consiguiente el uso de la simulación se ha incrementado enormemente.
La simulación involucra la generación de una historia artificial del sistema y él análisis de esta
historia para establecer inferencias concernientes a las características de operación del sistema
real bajo estudio. La simulación es usada para describir y analizar el comportamiento de un
sistema; responde a la pregunta ¿qué pasa si? sobre el sistema real, además, ayuda en el diseño
de sistemas reales, de esta manera pueden ser modelados tanto sistemas existentes como
conceptuales mediante la simulación.
54
3.2.2 Propósitos de la simulación
El modelado de simulación y análisis de diferentes tipos de sistemas, son conducidos con los
objetivos de (Chung, 2004):
Comprender mejor la operación de un sistema.
Algunos sistemas son tan complejos que es difícil entender la operación e interacciones
dentro del sistema sin un modelo dinámico. En otras palabras, puede ser imposible
estudiar el sistema deteniéndolo o examinando los componentes individuales por
separado. Un ejemplo típico de esto podría ser el tratar de intentar entender como los
cuellos de botella de procesos industriales ocurren.
Desarrollar políticas de operación y recursos.
Se puede tener un sistema existente que es entendible pero que se desea mejorar. Dos
formas fundamentales de hacer esto son cambiar las políticas de recursos o de
operación. Los cambios de políticas de operación podrían incluir prioridades de
programación diferentes para órdenes de trabajo. Los cambios de políticas de recursos
podrían incluir personal necesario o programación por intervalos.
Probar nuevos conceptos.
Si un sistema todavía no existe, o se considera la compra de nuevos sistemas, un
modelo de simulación puede ayudar a tener una idea de que tan bien el sistema
propuesto funcionará. El costo de modelar un nuevo sistema puede ser muy pequeño en
comparación con la inversión de capital implicada en la instalación de cualquier
proceso significativo de fabricación. Los efectos de diferentes niveles y costos de
equipo pueden ser evaluados. Además, el uso de un modelo de simulación antes de la
realización puede ayudar a refinar la configuración del equipo elegido.
o Medidas de desempeño.
o Disponibilidad de¿Modelo
datos. No
3 conceptual
válido?
o Restricciones de la computadora.
Sí
o Opiniones de los expertos en la materia.
Construir un
programa de
4
o Restricciones de tiempos y dinero.
computadora y
verificar
o Evitar el forzar una correspondencia uno a uno entre cada elemento del
modelo y 5el correspondiente
Hacer corridas elemento del sistema.
piloto
Correr el
8 programa
Analizar datos de
9 salida
58
Documentar,
10 presentar y usar
resultados
Figura 3.1 Pasos de un estudio de simulación. Fuente (Law y Kelton,
2007).
59
a. Programar el modelo en un lenguaje de programación (ejemplo, C o Fortran) o
en un software de simulación (ejemplo: Flexsim, Promodel, Arena, Automod,
etc.). Los beneficios de usar un lenguaje de programación es que tienen un bajo
costo de compra, además, se obtiene un modelo con un tiempo de ejecución
más pequeño. El uso de un software de simulación, por otro lado, reduce los
tiempos de programación y se obtiene un proyecto con un costo menor.
b. Verificar (depurar) el programa computacional de simulación.
5. Hacer corridas piloto.
Hacer corridas piloto para los intereses de validación del paso 6. Con estas corridas se
incrementa la experiencia del modelador en el uso del modelo de simulación y por
consiguiente se empieza a tener expectativas respecto a las salidas del modelo en
términos cuantitativos y cualitativos, además de proveer resultados que puedan ser
usados para planear varios aspectos de corridas posteriores, así como proporcionar
ayuda para validar el modelo de un sistema existente.
6. Probar si el modelo programado es válido.
Una de las principales etapas de un estudio de simulación es la validación del modelo
programado. A través de esta etapa es posible detallar deficiencias en la formulación
del modelo o en los datos alimentados del modelo, con el objetivo de que el modelo de
simulación sea una representación exacta del sistema real. Esta validación puede ser
realizada a través de alguno de los siguientes pasos:
a. Si hay un sistema existente, entonces comparar las medidas de desempeño del
modelo y el sistema existente.
b. Independientemente de que si hay un modelo existente, el analista de
simulación y el experto en el tema deben revisar los resultados del modelo para
su corrección.
c. Usar el análisis de sensibilidad para determinar que los factores del modelo
tienen un impacto significativo sobre las medidas de desempeño y, por
consiguiente, debe ser cuidadosamente modelado.
7. Diseño de experimentos.
La realización de la experimentación con el modelo de simulación se realiza después
de que éste ha sido validado. Con esta experimentación se logra obtener el número de
60
corridas de simulación que deben ser ejecutadas para cada alternativa para obtener el
grado de precisión deseado de las medidas de desempeño elegidas. Para la
experimentación del modelo de simulación se debe especificar lo siguiente para cada
configuración del sistema de interés:
a. Margen de error máximo aceptado de cada medida de desempeño.
b. Longitud de cada corrida.
c. Longitud del periodo de precalentamiento, si este es apropiado.
d. Número de corridas independientes de simulación usando diferentes números
aleatorios, esto facilita la construcción de intervalos de confianza.
8. Hacer corridas del programa.
Este paso involucra la realización de las corridas de simulación del modelo
determinadas en el paso 7. Las corridas de producción son realizadas para usarlas en el
paso 9.
9. Analizar los datos de salida.
Los resultados obtenidos de las corridas del modelo de simulación, con base en las
medidas de desempeño tienen dos objetivos principales:
a. Determinar el desempeño absoluto de configuraciones del sistema definitivas.
b. Comparar las configuraciones alternativas del sistema en un sentido relativo.
10. Documentar, presentar y usar resultados.
La documentación, presentación y uso de resultados del estudio de simulación
involucra preparar y escribir un reporte que describa todos los aspectos importantes del
estudio, entre los cuales están:
a. Documentar los supuestos (paso 2), programa de computadora, y resultados del
estudio para usar en el proyecto actual y en futuros proyectos.
b. Presentar los resultados del estudio.
o Usar animación para comunicar los resultados del modelo a los
directivos y a otras personas que no están familiarizadas con todos los
detalles del modelo.
o Discutir la construcción del modelo y el proceso de validación para
promover la credibilidad.
61
c. Usar los resultados obtenidos en el proceso de toma de decisiones, si ellos han
sido válidos y creíbles.
62
Las dos primeras alternativas presentan las desventajas de ser prohibitivamente
excesivas en costo.
Tamaño de la muestra.
El tamaño de la muestra es el número de corridas en la computadora. Es uno de los
factores principales a considerar en un estudio de simulación. La selección de un
tamaño de muestra apropiado que asegure un nivel deseado de precisión y a la vez
minimice el costo de operación del modelo, es un problema algo difícil pero muy
importante. Es necesario que un análisis estadístico sea realizado para determinar el
tamaño de muestra requerido. El tamaño de la muestra puede ser obtenido de dos
maneras:
1. Previa e independientemente de la operación del modelo.
2. Durante la operación del modelo y basado en los resultados arrojados por el
modelo. Para esta alternativa se utiliza la técnica estadística de intervalos de
confianza.
Lenguajes de programación.
Las primeras dos etapas de un estudio de simulación se refieren a la definición del
sistema a ser modelado y a la descripción del sistema en términos de relaciones lógicas
de sus variables y diagramas de flujo. La siguiente etapa consiste en describir el
modelo en un lenguaje que sea aceptado por la computadora que se va a usar, para ello
se tienen dos opciones a seguir sino se tiene un software de simulación:
1. Desarrollar el software requerido para estudios de simulación,
2. Comprar software (lenguajes de programación de propósito especial). Para esta
alternativa es necesario analizar y evaluar varios paquetes de simulación, antes
de tomar la decisión final.
Diseño de experimentos.
Es un tema cuya relevancia en experimento de simulación ha sido reconocida pero
raramente aplicado. El diseño de experimentos en los estudios de simulación puede ser
de varios tipos, dependiendo de los propósitos específicos que se hayan planteado. Los
tipos de análisis requeridos más comunes son los siguientes:
o Comparación de las medias y varianzas de las alternativas analizadas.
63
o Determinación de la importancia y el efecto de diferentes variables en los
resultados de la simulación.
o Búsqueda de los valores óptimos de un conjunto de variables.
64
El número de empresas que usan la simulación se ha incrementando rápidamente. Muchos
directivos se han dado cuenta de los beneficios de utilizar la simulación en sus procesos.
Además, debido a los avances en software, los directivos de empresas están incorporando la
simulación en sus operaciones diarias cada vez más regularmente. El uso de la simulación
presenta ventajas y desventajas, a continuación se mencionan algunas de ellas.
Ventajas.
o La mayoría de los sistemas reales más complejos son elementos estocásticos y
no pueden ser descritos por un modelo matemático; la simulación es el único
medio posible para analizar estos sistemas.
o A través de un estudio de simulación, se puede estudiar el efecto de cambios
internos y externos del sistema, al hacer alteraciones en el modelo del sistema y
observando los efectos de esas alteraciones en el comportamiento del sistema.
o El tiempo puede comprimirse o expandirse en los modelos de simulación, un
proceso puede ser simulado en segundos, minutos u horas en una computadora,
de acuerdo a las necesidades del proceso, esto permite que un gran número de
alternativas simuladas puedan ser investigadas y los resultados pueden estar
disponibles pronto.
o La observación detallada del sistema simulado puede conducir a un mejor
entendimiento del sistema y, por consiguiente, a sugerir estrategias que mejoren
la operación y eficiencia del sistema.
o La simulación de sistemas complejos puede ayudar a entender mejor la
operación del sistema, a detectar las variables más importantes que interactúan
en el mismo, y a entender mejor las interrelaciones entre estas variables.
o El concepto de simulación es más fácil e intuitivo de entender, por tanto los
clientes son más receptivos de usar la simulación que el modelo matemático.
Como resultado, los clientes se inclinan a implementar recomendaciones
basadas en simulación, en vez de resultados de los modelos basados en
matemáticas, que ellos no pueden entender y cuyos resultados no pueden
confiar.
65
o Cuando nuevos elementos son introducidos en un sistema, la simulación puede
ser usada para anticipar cuellos de botella o algún otro problema que puede
surgir en el comportamiento del sistema.
Desventajas
o La construcción del modelo requiere entrenamiento especial. La simulación es
un arte que es aprendido con el tiempo y a través de la experiencia.
Adicionalmente, si dos modelos del mismo sistema son construidos por dos
individuos competentes, ellos deben tener similaridades, pero es altamente
improbable que los modelos serán lo mismo.
o Los resultados de la simulación pueden ser difíciles de interpretar. Puesto que
la mayoría de las salidas de la simulación son variables esencialmente
aleatorias (ellas son usualmente basadas en entradas aleatorias), puede ser
difícil determinar si una observación es un resultado de las interrelaciones del
sistema o de la aleatoriedad.
o El modelado y análisis de simulación puede consumir demasiado tiempo y ser
costoso. Escatimar en recursos para el modelado y análisis puede resultar en un
modelo y análisis de simulación que no es suficiente y adecuado al objetivo de
estudio.
Capitulo 4
Conceptos generales del software Flexsim®
4.1 Introducción
Flexsim es un poderoso programa de simulación que permite visualizar y probar cambios en
las operaciones y los procesos de logística, manejo de materiales, y manufactura de la manera
más rápida y sencilla evitando los altos costos, riesgos y extensos tiempos que conllevan el
experimentar con cambios en el mundo real y su análisis por prueba y error.
66
Flexsim es un software de simulación verdaderamente orientado a objetos que sirve para
construir modelos que te ayudan a visualizar el flujo de los procesos, optimizarlos y generar
ahorros. Permite analizar diferentes escenarios y condiciones, encontrando la solución más
conveniente, todo esto en un ambiente gráfico en tres dimensiones (3D), con los últimos
avances en tecnología que facilita la comunicación y comprensión de las ideas para una
acertada toma de decisiones.
Adicionalmente un profundo análisis estadístico del desempeño del proceso, cuellos de botella
y de troughput (flujo) está disponible. Gráficas, reportes y estadísticas presentan los resultados
del modelo de simulación de una manera clara y precisa.
La simulación permite manejar valores promedio en los modelos en datos referentes a tiempos
de producción, número de productos a surtir por orden, camiones por día a recibir, tiempos de
mantenimiento o cualquiera que se desee.
67
cuellos de botella o diseños de layout (mapa o croquis) debido al uso de valores promedio, lo
que permite que el modelo de simulación represente fielmente la realidad.
Flowitems
Son los objetos que se mueven a través de tu modelo. Los flowitem pueden ser partes, tarimas,
ensambles, papel, contenedores o cualquier cosa que fluya a través del modelo. La mayoría de
los Flowitems pasan por operaciones del proceso o son trasladados por el modelo mediante
recursos de manejo de materiales. Se definen globalmente en Flexsim y son generados por el
objeto source.
Itemtype
Es una especie de “etiqueta” que tiene el flowitem que contiene cierta información como puede
ser el número del código de barras, tipo de producto, peso, destino, SKU, costo, precio o un
número de parte por nombrar algunos ejemplos. Flexsim está preparado para tomar decisiones
en base al Itemtype como puede ser definir la ruta según el valor del Itemtype. El flowitem
define en general el producto o parte, mientras que el itemtype define la característica
individual.
68
Ports
Cada objeto de Flexsim tiene un número ilimitado de puertos a través de los cuales se
comunican con otros objetos. Existen tres tipos de puertos: de entrada (input), de salida
(output) y central (central). Los puertos de input y output se usan en el ruteo de los flowitems o
bien para crear redes de caminos de tránsito (network paths) para que los sigan los recursos
móviles usando los nodos de la red (NetworkNodes). Los puertos centrales son usados para
crear referencias de un objeto a otro.
Un uso común de los puertos centrales es para referenciar a los objetos móviles (operators,
transporters, cranes y ASRSvehicles) en lugar de a los recursos fijos (processor, queues, o
conveyors). Los puertos son creados y conectados haciendo click en un objeto y arrastrando el
puntero del mouse hasta el segundo objeto, mientras se presiona alguna letra del teclado.
Si la letra “A” se presiona mientras se hace el arrastre del mouse, se creará un puerto de salida
(output port) en el primer objeto y un puerto de entrada (output port) en el segundo objeto.
Estos dos puertos quedarán conectados automáticamente. Estos son puertos que indican el
flujo del producto o flowitem. Las conexiones de flujo creadas presionando la letra “A”, que
son los puertos de flujo de entrada y salida, se pueden romper y los puertos borrar si se arrastra
el puntero al seleccionar el primer objeto y se dirige al segundo objeto mientras se presiona la
letra “Q”.
Manteniendo presionada la letra “S” mientras se arrastra el puntero de un objeto a otro se crea
un puerto central (central port) en ambos objetos que conecta a los dos nuevos puertos.
Los puertos centrales son utilizados generalmente para conectar a los objetos que harán
operaciones o los transportes de los flowitems.
Las conexiones de los puertos centrales se pueden romper y los puertos borrar si se arrastra el
puntero al seleccionar el primer objeto y se dirige al segundo objeto mientras se presiona la
letra “W” (que es la letra que se ubica arriba de la letra “S” en el teclado).
69
4.3 Vistas del Modelo
Flexsim tiene un ambiente de modelado en realidad virtual que usa la tecnología openGL. La
vista más común para construir modelos es la de arriba hacia abajo en ortogonal (orthographic
view). Flexsim permite esta vista (ortho) y la de perspectivas (persp). Generalmente es más
fácil empezar a desarrollar el layout con la vista desde arriba (ortho), pero puedes escoger
cualquier opción de vista para construir o correr el modelo. Puedes abrir tantas ventanas de
vistas como prefieras en Flexsim. Sólo recuerda que entre más ventanas de vistas se abran al
mismo tiempo mayor es la demanda de los recursos de la computadora. Las vistas VR ofrecen
las mejores vistas para una presentación del modelo.
4.5 Tecla F7
Presionar la tecla F7 activa el modo de vuelo en el modelo. Cuando se está en ese modo se
puede mover el mouse hacia arriba para ir hacia delante, hacia abajo para ir hacia atrás, a la
izquierda para ir en esa dirección o a la derecha para ir en la dirección contraria. Estando en
70
este modo también se puedan utilizar todas las funciones anteriores de movimiento, rotación y
zoom. Para salir del modo de vuelo se presiona de nuevo la tecla F7.
Sink
Descripción
El sink es utilizado para destruir los flowitems o productos que finalicen el proceso en el
modelo. Una vez que el flowitem se introduce al sink, no puede ser recuperado. Cualquier
recolección de datos de los flowitems que van a salir del modelo debe ser antes de que el
flowitem ingrese al sink o en el disparador de lógica de entrada del sink, llamado OnEntry
trigger.
Queue
Descripción
El queue (fila) sirve para almacenar flowitems cuando el siguiente objecto no los puede recibir
todavía. La opción predeterminada del queue permite que los Objetos operen bajo una regla
de primeras entradas primeras salidas (fifo, first- in first- out), es decir que el flowitem que ha
esperado más tiempo por llegar al siguiente objecto será el primer en continuar su camino
hacia el objeto. Estos criterios se pueden modificar. Adicionalmente el queue tiene la opción
para acumular los ítems en un lote o batch antes de liberarlos hacia los objetos siguientes.
71
Conveyor
Descripción
Este conveyor (transportador) también transporta flowitems a través de él, su forma se define
creando diferentes secciones y definiendo para cada sección su longitud, altura, si es recta o
curva. Si esa sección es curva se le define el ángulo y radio. Esto permite definir la forma
numéricamente a diferencia del SplineConveyor, que se hace según los spline points y los
movimientos del mouse. Puede ser acumulativo o no acumulativo.
Processor
Descripción
El processor (procesador) simula un lugar de operación o una máquina. Cualquier proceso es
simplemente modelado al forzar a los flowitems a un tiempo de espera determinado, que es el
tiempo de la operación. Puede contener más de un flowitem al mismo. Se pueden definir
tiempos de preparación o setups, tiempos de operación y de paro o mantenimientos. Pueden
llamarse a uno o varios operadores para hacer estas funciones. Cuando el processor tiene un
paro por descompostura, todos los flowitems que esté procesando en ese momento serán
demorados hasta que sea reparada.
MultiProcessor
Descripción
El MultiProcessor (multiprocesador) permite definir varios procesos subsecuentes que se
llevan a cabo en ese mismo lugar. A cada proceso se le puede definir su nombre y su duración.
Así mismo se puede especificar para cada proceso si se requiere o no de uno o varios
operadores.
Combiner
Descripción
El combiner (combinador) es utilizado para agrupar y juntar múltiples flowitems. Puede tanto
ensamblar o juntar (join) los flowitems definitivamente o bien agruparlos o empacarlos (pack)
con la posibilidad de volverlos a separar más adelante en el proceso. El combiner primero
72
debe aceptar un solo flowitem a través del puerto de entrada 1 antes de aceptar los
subsecuentes flowitems que se deseen a través de los puertos 2 o puertos superiores.
Únicamente después de recibir a todos los subsecuentes flowitems que se desean empiezan los
tiempos de Setup y de proceso que se hayan requerido. Se le puede pedir al combiner que
llame a ciertos operadores durante los tiempos de preparación, proceso y reparación.
Separator
Descripción
El separator (separador) es usado para separar o cortar un flowitem en múltiples partes. Esto
puede ser realizado al desempacar un flowitem anteriormente empacado por un combiner
(unpack) o bien al crear múltiples copias del flowitem original (split), que también podrían
simular un corte del flowitem original que se convertirá en varias piezas. Tanto el proceso de
desempaque como el de corte serán efectuados hasta que el tiempo de proceso definido haya
sido completado. El separator puede llamar a operadores para preparación, proceso y
reparación.
Rack
Descripción
El rack sirve para almacenar flowitems tal como se hace en los racks de un almacén o bodega.
El número y tamaño de las bahías y los niveles de los racks pueden ser definidos por el
usuario. También se puede especificar en qué bahía y nivel del rack acomodar los flowitems.
Si se utiliza un transporte para acomodar o recoger el producto del rack, este transporte irá
hasta la posición correcta automáticamente.
Reservoir
Descripción
Un reservoir (depósito) se usa para almacenar flowitems tal como si estuvieran en un tanque.
Tanto la tasa de flujo de entrada al reservoir como la de salida del mismo pueden ser
especificadas por el usuario. Se pueden definir varios eventos que ocurran en ciertas
condiciones, por ejemplo cuando el nivel del tanque sobrepase, llegue o baje a ciertos niveles
definidos por el usuario.
73
Dispatcher
Descripción
Un dispatcher (despachador) controla un grupo de transportes u operadores. Las solicitudes de
actividades o tareas (task request) son enviadas al dispatcher por un objeto y el dispatcher las
delega a los operadores o transportes que controla. Las tareas serán desempeñadas por el
operador o transporte que finalmente reciba la solicitud.
Operator
Descripción
Un operador (operador) o varios pueden ser llamados para ser utilizados durante los tiempos
de preparación, proceso o reparación. Permanecerán con el objeto que los llamó hasta que sean
liberados al terminar su actividad. Una vez liberados pueden ir a trabajar con otros objetos si
son llamados o solicitados. También pueden ser usados para transportar flowitems entre
objetos. Los operadores buscarán el camino más corto para llegar a los objetos o bien se les
puede definir caminos mediante una red o network si se necesita que sigan ciertos trayectorias
al trasladarse.
Transporter
Descripción
El transporter (transporte) es usado principalmente para trasladar flowitems desde un objeto a
otro. Puede llevar uno o varios al mismo tiempo. Un solo transporte puede recibir una o varias
solicitudes de tareas (task request) de los diferentes objetos del modelo. Estas tareas son
almacenadas en una fila imaginaria para que el transporter las atienda. Cuando el transporte
finaliza una tarea puede comenzar inmediatamente la siguiente tarea que esté en la fila o bien
esperar a recibir una tarea nueva si no tiene pendiente ninguna. En algunos casos requeriremos
que un despachador o dispatcher maneje las solicitudes de tareas y en otros dejaremos que el
mismo transporte lo haga directamente sin la ayuda del dispatcher. Los transportes buscan el
camino más corto al trasladarse, pero también se les puede especificar el camino a seguir
definiendo una red y sus nodos (network node).
Crane
74
Descripción
Un crane (grúa viajera) tiene funcionalidades similares a un transporte. La grúa trabaja en un
espacio definido con movimientos en los ejes x, y, z. Simula cualquier grúa guiada por rieles.
Por default, el crane picker o dispositivo de agarre de la grúa se eleva hasta la altura de la grúa
después de recoger o de dejar un flowitem antes de trasladarse a la siguiente locación. Para
mayor control sobre los movimientos del crane picker, se pueden utilizar los networknodes.
ASRSvehicle
Descripción
El Automated Storage and Retrieval System (ASRS) es un tipo especial de transporte
especialmente diseñado para trabajar con racks llamado ASRSvehicle en Flexsim. El
ASRSvehicle se moverá a lo largo de un pasillo entre dos racks recogiendo y almacenando
flowitems en ellos. Los movimientos de alcance, levantamiento y viaje se ven totalmente
animados. Los movimientos de levantamiento y traslado ocurren simultáneamente, pero el de
alcance solo será ejecutado cuando después de que el ASRSvehicle está totalmente detenido en
la posición requerida. Se puede conectar el ASRSvehicle, los objetos y racks a los que sirve a
un solo y exclusivo networknode para definir la posición a partir de la cual se puede mover.
Elevator
Descripción
El elevator (elevador) es otro tipo especial de transporte que transporta flowitems hacia arriba
y hacia abajo. Automáticamente viaje al nivel desde donde los flowitems necesitan ser
recogidos o dejados. Los flowitems se ven animados al entrar o salir del elevador, lo que
permite apreciar mejor el tiempo de carga y descarga de los flowitems una vez que el elevador
llega al nivel deseado.
Robot
Descripción
Un robot es un transporte especial que traslada los flowitems desde su locación inicial y los
coloca en su locación destino. Generalmente la base del robot no se mueve. En su lugar el
brazo del robot rota mientras transporta los objetos. El brazo del robot está compuesto por dos
75
segmentos que se mueven ya sea para alcanzar el flowitem que se quiera transportar o para
llegar al destino. La longitud de los brazos puede ser definida por el usuario, así como la
velocidad a la cual el robot rota y extiende el brazo.
NetworkNode
Descripción
Los NetworkNodes (nodos de red) son utilizados para definir una red de caminos o rutas que
los transportes y los operadores pueden seguir. Los caminos pueden ser modificados usando
los spline points para hacer las rectas, curvas y elevaciones que se necesiten. Por default los
objetos que viajan en la red seguirán el camino más corto entre el origen y el destino, en el
caso que tengan varios caminos de la misma red para llegar. El camino entre dos nodos puede
ser en un solo sentido o en ambos. En un nodo se le puede definir el número de transportes
inactivos que puede tener, tipos de conexión y el espacio entre los transportes en esas
conexiones.
Visual Tool
Descripción
El VisualObject (objeto visual) no son objetos de modelaje, sino simplemente son gráficos
utilizados para decorar el escenario del modelo para efectos de brindar una apariencia más
real. Pueden ser utilizados como paredes, pisos, máquinas, gente, carros, árboles o lo que se
desee. Pueden ser tan simples como un cubo con cierto color o bien un gráfico importado en
tercera dimensión (archivos .3DS, WRL, .DXF o .STL). Puede modificarse la forma, tamaño,
color, luminosidad, textura, rotación o el gráfico importado. Al crear un modelo puede ser
conveniente seleccionar una propiedad que no permite mover el objeto visual y lo deja fijo.
También permite mostrar texto en el layout del modelo. Este texto tridimensional puede ser
rotado y su tamaño modificado como cualquier otro objeto.
El usuario puede escoger entre mostrar un texto simple o bien una cadena de texto muy
elaborada que incluya una o más variables del modelo que cambien dinámicamente,
mostrando información actualizada. El texto visual contiene una larga lista de opciones
predefinidas para mostrar la mayoría de las variables del modelo, pero siempre permite
76
modificarlas según las necesidades del usuario. Se puede cambiar el tipo de texto, tamaño,
color, y la distancia a la que se ve.
Capítulo 5
Aplicación de la metodología de simulación al sistema de
recolección de residuos sólidos
5.1 Introducción
Gracias al avance tecnológico de la computación, la simulación se ha convertido en una
poderosa herramienta de análisis de diversos sistemas, ya que provee una manera de
solucionar problemas que de otra manera seria difícil o imposible de hacer, dada la
complejidad de los mismos. Entre los sistemas complejos, los cuales están formados de
elementos (conjuntos) dinámicamente relacionados con la finalidad de lograr un objetivo, se
encuentran los:
77
Sistemas logísticos.
Sistemas políticos.
Sistemas empresariales, y desde luego,
Sistemas de recolección de residuos sólidos.
El sistema de recolección de residuos sólidos es un sistema complejo, dado que cuenta con una
gran cantidad de variables que en la realidad sería muy difícil o casi imposible de analizar y
consumiría una gran cantidad de tiempo, si no se hace el análisis por medio de la simulación.
La recolección de residuos sólidos urbanos, que es una parte esencial en cualquier ciudad, ya
sea grande o pequeña, es una de las actividades que más tiempo y recursos consume del
gobierno, además de que es uno de los servicios que tiene un gran impacto en una ciudad,
tanto social como económicamente, debido a que las estadísticas mencionan que una persona
genera aproximadamente 2.2 Kg de residuos cada día (SEMARNAT, 2010) y que esto puede
agravarse debido a la creciente urbanización por el incremento de la población.
78
3. Apoyo por parte de la empresa en la obtención de la información requerida.
4. Desarrollo del modelo de simulación de la situación actual.
a. Formulación del problema
b. Planeación del estudio del desarrollo del modelo de simulación
i. Objetivo
ii. Definición de preguntas a ser contestadas con el modelo
iii. Medidas de desempeño a evaluar
iv. Alcance o propósito del modelo
v. Configuraciones del sistema a ser modeladas
vi. Marco de tiempo, recursos y software para el estudio
c. Colección de datos para el modelo
i. Definición de los tipos de datos necesarios para el modelo
ii. Recolección de datos
iii. Análisis estadístico de los datos
d. Construcción y verificación del modelo en Flexsim
i. Definición del sistema a simular
ii. Validar los datos y la definición del modelo
iii. Construcción del layout y objetos 3D involucrados en el sistema
logístico de recolección de residuos sólidos
iv. Exportación del layout y objetos 3D a Flexsim
v. Construcción del modelo de simulación
vi. Verificación del modelo de simulación
e. Validación del modelo de simulación
i. Aplicación de diseño de experimentos.
ii. Realización de corridas del modelo de simulación.
iii. Realización del análisis.
f. Correr el modelo de simulación.
5. Análisis y documentación de resultados.
79
5.3 Detección de las necesidades del sistema logístico del mercado Zapata
Con la finalidad de conocer la situación actual del sistema de recolección de residuos sólidos
del mercado Zapata, se realizó un diagnóstico durante el mes de Enero de 2010.
Días de la semana
o Identificación de los días de la semana. En todos los días de la semana existe
recolección de residuos sólidos, sin embargo, debido a ciertas características,
éstos se dividen en:
80
Días normales. Los días martes, viernes, y domingo son considerados
normales, porque en éstos no existe un incremento de comerciantes.
Días pico o de plaza. Los días miércoles y sábado son considerados
como pico o de plaza debido a que en éstos existe un incremento en el
número de comerciantes en el mercado.
Días de vaciado del tiradero. Los días lunes y jueves son considerados
de vaciado del tiradero ya que en estos días 3 camiones municipales se
llevan lo que se recolecto en los días normales y/o en los días pico.
Recolectores
o Número de recolectores en el mercado Zapata. En el mercado existen un total
de 7 trabajadores que son los encargados de realizar la recolección en los
alrededores del mercado.
o Rutas de recolección. Cada uno de los 7 recolectores tiene una ruta (Figura 5.1)
que recorre 4 veces al día para recolectar los residuos sólidos las cuales son
mostradas en el modelo de simulación.
o Los horarios de trabajo de los recolectores son:
En un día normal o en un día de vaciado es de 9:00 am a 5:00 pm
En un día de plaza es de 3:00 am a 11:00 pm para los trabajadores
asignados.
81
Ruta 2 Ruta 3 Ruta 4
Ruta 1
Ruta 6
Ruta 7
Ruta 5
Camiones recolectores
o Número de camiones recolectores de basura. El número total de camiones
recolectores de basura es de 3 los cuales van y regresan del basurero conocido
como colorines que es donde tiran la basura que llevan.
o El horario de recolección de los camiones. El horario de los camiones
recolectores es de 9:00 am a 2:30 pm., los días lunes y jueves.
o Tiempos de llenado de los camiones. El tiempo total que tarda en llenarse un
camión con la ayuda del trascabo es de 10.94 minutos.
82
o Tiempos promedio de entrada y salida de los camiones. El tiempo promedio
que tarda en entrar y salir de la zona de recolección es de 5.28 minutos.
o Cantidad promedio de basura recolectada por los camiones recolectores. La
cantidad promedio de basura recolectada por cada camión es de 16 .
o Tiempo entre llegadas de los camiones. El tiempo promedio que tardan los
camiones en ir y regresar del basurero es de 18.36 minutos1.
Las observaciones detectadas, al ser analizadas por el Dr. Fernando Ortiz Flores, responsable
del área de Manufactura de la Maestría en Ingeniería Industrial, eran factibles de solucionar
con la aplicación de herramientas de ingeniería industrial. Una de las posibles herramientas,
que sirve para analizar si las posibles alternativas de solución pueden dar resultados
satisfactorios, o no, es la aplicación de la técnica de simulación.
De esta manera, para empezar a ver si era factible aplicar está técnica, se realizaron recorridos
al Mercado Zapata y entrevistas con algunos recolectores de los residuos sólidos. Las
respuestas y observaciones dieron la pauta para determinar que el área de oportunidad es la
simulación del sistema de recolección de residuos sólidos del mercado Zapata para ver cómo
se comportarían las soluciones propuestas para mejorar las observaciones detectadas por el Dr.
Lassmann, debido a que éstas no pueden ser puestas en práctica, debido a políticas sindicales.
1
En el archivo de Excel, que se encuentra en la siguiente ubicación del cd que se anexa: E:\CD residencias\Informe
Técnico\Datos del Mercado segundos y minutos (final).xls, se encuentran las mediciones individuales -en minutos y en
segundos- de cada uno de los tiempos a los que se hizo referencia de la variable del sistema “camiones recolectores”.
83
5.3.3 Descripción de la situación problemática
La situación problemática del mercado Zapata, relacionada con la recolección de residuos
sólidos, la cual fue observada durante los recorridos realizados para determinar el área de
oportunidad, y que se corroboró durante la recolección de datos para la realización de un
modelo de simulación de la situación actual, se resume en los siguientes puntos:
Los trabajadores cuentan con mucho tiempo ocioso debido a una falta de organización
dentro del mercado ya que éstos son libres de ir a sus rutas cuando ellos lo creen
conveniente y no de una manera sistemática en función a la cantidad acumulada de
residuos sólidos a lo largo del día.
En ocasiones la ruta de algún recolector, se traslapa con la ruta de otro recolector
debido a que no están bien distribuidas, es decir, algunas rutas pasan por las mismas
calles o avenidas en el mismo periodo de tiempo.
En los días de recolección de residuos en ocasiones sucede lo siguiente:
o El trascabo no llega a la hora indicada generando un retraso en la recolección.
o Los camiones recolectores no llegan a la hora indicada generando un retraso en
la recolección.
Algunos de los recolectores no siguen su ruta al 100%, es decir, los recolectores van a
lugares que no les corresponden en su ruta de recolección por residuos sólidos
municipales (RSM) y después regresan a su ruta especifica
84
El software de simulación Flexsim para la construcción del modelo de simulación,
debido a que su característica de modelación en tres dimensiones permite lograr una
mejor visualización del área bajo estudio.
Los apoyos obtenidos, después de las actividades realizadas, fueron los siguientes:
Involucramiento: Se obtuvo el permiso para realizar la toma de datos de los
trabajadores que recolectan la basura y de los camiones recolectores de basura.
Apoyo personal: Los trabajadores facilitaron la toma de datos y permitieron que se les
pudiera acompañar durante sus viajes en sus rutas de recolección.
85
b. Planeación del estudio del desarrollo del modelo de simulación
c. Colección de datos para el modelo
d. Construcción del modelo en Flexsim
e. Validación del modelo de simulación
Aplicación de diseño de experimentos.
Realización de corridas del modelo de simulación.
Realización del análisis y documentación de resultados.
86
Representar en el modelo de simulación las rutas y horarios de recolección de
basura de los carritos recolectores en el mercado.
2. Preguntas específicas que deben ser contestadas por el proyecto.
Las preguntas específicas a las que se responderá con el desarrollo del presente
proyecto son:
¿Es necesario incrementar o reducir el número de trabajadores en los días de la
semana con base en los niveles de residuos recolectados?.
¿Es necesario definir nuevas rutas para los trabajadores recolectores en el
mercado?
¿Es necesario un incremento del número de camiones para reducir el tiempo de
uso del trascabo, en los días de recolección?
3. Configuraciones del sistema a ser modeladas.
En esta primera etapa, debido al alcance del proyecto, sólo se modelará la situación
actual del sistema de recolección de residuos sólidos del mercado Zapata. En una etapa
posterior, con base en el comportamiento de las medidas de desempeño, a definir en el
paso siguiente, se pensara en:
Incrementar o reducir el número de trabajadores recolectores de basura.
Incrementar el número de camiones recolectores de basura.
Incrementar el tiempo de trabajo del trascabo.
Analizar nuevas rutas de recolección.
4. Medidas de desempeño que serán usadas para evaluar la eficacia de las diferentes
configuraciones del sistema
Las medidas de desempeño definidas para la evaluación son:
Tiempo promedio de recorrido de los trabajadores recolectores de basura.
Tiempo promedio de vaciado de los carritos recolectores de basura.
Porcentaje de utilización de los trabajadores recolectores de basura.
Porcentaje de utilización de los camiones recolectores de basura.
Tiempo promedio de llenado de los camiones de basura.
Porcentaje de utilización del trascabo.
Cantidad promedio recolectada de basura en los diferentes días.
87
5. Alcance o propósito del modelo.
El alcance del modelo de simulación es representar las condiciones actuales del
sistema de recolección de residuos sólidos del mercado Zapata con base en las medidas
de desempeño planteadas en el punto anterior.
6. Marco de tiempo, recursos y software a ser usado para el estudio.
El marco de tiempo para realizar la recolección de datos de operación del
mercado Zapata será de 8 semanas, distribuidas en 2 meses, tal como se muestra
a continuación:
o La recolección de los tiempos de llenado de los camiones recolectores
de basura se realizó del 8 de Febrero del 2010 al 11 de Marzo del 2010;
en este caso el muestreo fue realizado los días lunes y jueves.
o La recolección de datos de los carritos recolectores de basura fue del 24
de Mayo del 2010 al 24 de Junio del 2010; en este caso los días para
este muestreo se seleccionaron de manera aleatoria.
El recurso humano, utilizado para la recolección de datos, será el alumno
residente involucrado en el proyecto. Éste contará con el apoyo de los
trabajadores en el tiempo mencionado.
El software a utilizar para el desarrollo del modelo será el software de
simulación Flexsim.
88
5.6.3.1 Definición de los tipos de datos necesarios para el modelo
Con el objeto de definir correctamente que datos necesarios caen en la clasificación de Harrel
y otros (2004), descrita en la sección 2.4 del presente trabajo, se realizaron los siguientes
pasos:
a. Se estudio el sistema de recolección de basura del mercado Zapata con la ayuda de
los trabajadores.
b. Se realizaron visitas periódicas para verificar que el proceso corresponde a lo
descrito por los trabajadores, y de esta manera familiarizarse con los mismos, y las
actividades que van a ser tomadas en cuenta en la toma de tiempos.
Teniendo un panorama ya completo del sistema a simular, y con base en la clasificación que
propone Harrel (2004), la definición de datos necesarios para el desarrollo del modelo de
simulación son los siguientes:
Datos estructurales
o Medidas reales del layout del sistema a simular.
o Número de trabajadores.
o Tipo de sistema a simular (continuo discreto).
o Número de camiones recolectores.
o Ubicaciones de aéreas de trabajo importantes del proceso.
o Cantidad de basura recolectada.
Datos operacionales
o Horarios de trabajo de los trabajadores.
o Horarios de trabajo de los camiones recolectores.
o Flujo de la basura dentro del sistema de recolección.
o Orden en el que es trasladada la basura.
o Rutas de los trabajadores.
Datos numéricos
o Capacidades de cada uno de los recursos.
o Tasa de llegada de los camiones recolectores.
o Los tiempos de las actividades de los recolectores y los camiones.
89
5.6.3.2 Recolección de datos
Para la recolección de datos se realizaron los siguientes pasos:
A. Se definieron los formatos del anexo 1 y 2 para anotar los tiempos de las
actividades realizadas en las aéreas consideradas para la recolección de datos en el
sistema de recolección de residuos sólidos del mercado Zapata. Algunos de los
tiempos fueron:
o Tiempo total promedio de recorrido de los trabajadores.
o Tiempo promedio de descarga del carrito.
o Tiempo promedio de entrada del camión.
o Tiempo promedio de salida del camión.
o Tiempo promedio de llenado del camión.
o Paleadas promedio necesarias para llenar un camión.
B. Se establecieron las semanas en que se iban a realizar la recolección de datos. Se
acordó con el personal del mercado tomar datos durante 8 semanas repartidas en 2
periodos:
o El primer periodo (8 de Febrero del 2010 al 11 de Marzo del 2010) para la
toma de datos a los camiones recolectores de basura.
o El segundo periodo (24 de Mayo del 2010 al 24 de Junio del 2010) para el
muestreo de los turnos de los trabajadores recolectores que trabajan en el
interior del mercado.
La elección de las semanas fue definida por el residente con base en el avance del
proyecto y, con el objetivo de poder muestrear los tiempos de los 3 diferentes
camiones recolectores de basura y del trascabo.
C. Se realizó la recolección de los datos del proceso definidos en la actividad
“Definición de los tipos de datos necesarios para el modelo” (sección 5.6.3.1). Los
datos se obtuvieron mediante mediciones de tiempos de las actividades en las áreas
consideradas de sistema logístico de recolección de sólidos.
90
D. Se concentró la información en un archivo en Excel 2 con el objeto de tener un
mejor control y organización de la información obtenida del paso anterior. Los
datos de los tiempos recolectados fueron convertidos a segundos, ya que es la
unidad de tiempo que se ocupará en el desarrollo del modelo de simulación.
Algunos de los resultados de los tiempos fueron:
o Tiempo total promedio de recorrido de los trabajadores de 37.01 minutos.
o Tiempo promedio de descarga del carrito de 1.92 minutos.
o Tiempo promedio de entrada del camión de 2.56 minutos.
o Tiempo promedio de salida del camión de 2.71 minutos.
o Tiempo promedio de llenado del camión de 10.94 minutos
o Paleadas promedio necesarias para llenar un camión fue 14.83 paleadas.
Experfit es una herramienta de análisis de datos incluida en el software Flexsim. Los pasos
utilizados para determinar las distribuciones de probabilidad de cada una de la muestra de
datos obtenidos del proceso real fueron los siguientes:
Abrir el software ExpertFit.
Crear un nuevo proyecto en ExpertFit.
Introducir los datos al proyecto.
Realizar el ajuste automatizado de los datos.
Seleccionar la distribución de probabilidad.
Obtener la representación de la distribución de probabilidad elegida para Flexsim.
2
En el archivo de Excel, que se encuentra en la siguiente ubicación del cd que se anexa: E:\CD residencias\Informe
Técnico\Datos del Mercado segundos y minutos (final).xls, se encuentran el concentrado de datos de la definición de los
datos necesarios para el desarrollo del modelo.
91
Guardar el proyecto.
Los resultados obtenidos mediante experfit, del análisis de cada una de las muestra de datos,
se resumirá en:
Una tabla resumen de las características descriptivas de los datos: media, mediana,
varianza, etc.
Un histograma de la muestra de los datos para visualizar de una manera preliminar una
posible distribución de probabilidad que se ajuste a la muestra de datos a simple vista
Pruebas de independencia, mediante el desarrollo de (Sección 2.9.1, pruebas de
independencia):
o Un diagrama de correlación para observar para ver si los datos de la muestra se
encuentran cercanos a cero, si es así se puede afirmar que existe poca o nada de
correlación en la muestra de los datos.
o Un diagrama de dispersión para mostrar la aleatoriedad de la muestra de datos,
es decir si se observa que los puntos en la grafica se encuentran dispersos y no
muestran tendencia, entonces se puede afirmar que la muestra de datos es
aleatoria e independiente
Un histograma de densidad de ajuste, en el cual se superpone una línea para
representar la distribución que mejor se ajusta a la muestra.
Prueba de Anderson-Darling para evaluar que tan bien una distribución de
probabilidad se ajustan los datos, con base en una prueba estadística que mide la
desviación; aquí, si los valores a ser probados son mayores al valor de prueba se puede
afirmar que el ajuste es idóneo a la muestra de datos.
En resumen, el análisis estadístico de los datos se realizó a las siguientes muestras de datos:
o Tiempo total promedio de recorrido de los trabajadores.
o Tiempo promedio de descarga del carrito.
o Tiempo promedio de entrada del camión.
o Tiempo promedio de salida del camión.
o Tiempo promedio de llenado del camión.
92
o Paleadas promedio necesarias para llenar un camión
En la tabla 5.1 se muestran las distribuciones de probabilidad obtenidas con el software
Expertfit y sus actividades correspondientes, y en él anexo 3 (Análisis estadístico de las
muestras de datos) se muestra la tabla resumen de características, histograma, diagrama de
correlación, prueba de independencia, histograma de densidad y prueba Anderson Darling
realizadas a cada una de las muestras de datos mostradas en la tabla 5.1.
93
5.6.4.1 Definición del sistema de recolección de basura del mercado Zapata
El sistema a simular consiste en un sistema de recolección de residuos sólidos municipales
(RSM) que se encuentra localizado en la ciudad de Orizaba en la colonia Emiliano Zapata en
el cual los residuos desechados por los comerciantes y las personas son recogidos por
recolectores que trabajan en el mercado, y posteriormente, en los días de recolección,
camiones recolectores vacían el tiradero del mercado para llevar la basura al basurero
municipal conocido como colorines.
94
Figura 5.2 Diagrama de flujo de la entidad (basura).
Zona de depósito
(tiradero)
Naves
Figura 5.3 plano del mercado Zapata, en amarillo se muestra el tiradero de basura.
96
La descripción detallada de cómo debe realizarse este paso se muestra en el reporte de
Barreto (2010).
En la figura 5.4 se muestra una vista del layout del mercado Zapata ya convertido al formato .
3ds dentro del programa Google Sketchup 8.
En la Figura 5.5 se muestran los dibujos en 3D del equipo que se ocupó en el sistema de
recolección de residuos sólidos del mercado Zapata ya convertidos al formato .3ds.
Figura 5.4 Vista lateral izquierda externa del layout del plano del mercado Zapata.
97
Carritos recolectores Camión de recolección
Figura 5.5 Equipo del sistema de recolección de residuos sólidos
del mercado Zapata en 3D.
Para iniciar la construcción del modelo de simulación, es necesario definir el tipo de modelo
de simulación con base en las características del sistema a simular. El sistema de recolección
de residuos sólidos del mercado Zapata presenta eventos discretos (apartado 3.2.3), por esta
razón se decidió utilizar un modelo de simulación discreto en las siguientes etapas para
simular el sistema de recolección de residuos sólidos del mercado Zapata:
La recolección de RSM por parte de los recolectores del mercado.
La llegada de los RSM al tiradero del mercado.
El vaciado del tiradero del mercado por los camiones municipales de recolección.
Definido el tipo de modelo de simulación a construir para representar el sistema bajo estudio,
se realizó lo siguiente:
Importar el layout del plano del mercado a Flexsim.
Definir los tipos de Flexsim objetcs a ser incluidos en el modelo.
Definir las características de los Flexsim objects en el modelo.
98
Realizar las conexiones del flujo del proceso entre los Flexsim objects.
Realizar la programación del modelo de simulación.
Los pasos generales para realizar la importación de un dibujo a un Visual Tool en Flexsim, con
el objeto de ocupar éste como el layout o plano de un modelo de simulación se describe a
continuación:
1. Crear un nuevo modelo en Flexsim.
Para crear un nuevo modelo en Flexsim se realiza lo siguiente:
o Abrir Flexsim.
o Seleccionar la opción New Model.
2. Crear un Visual Tool dentro del modelo.
La colocación de un Visual Tool en el modelo se realiza mediante:
o Seleccionar la Orthographic View-model de Flexsim (sección 4.3).
o Crear un Visual Tool (sección 4.6) en el origen, para obtener la Figura 5.6.
3. Configurar el Visual Display del Visual Tool.
La configuración del Visual Tool para poder asignarle una figura importada se lleva a
cabo al:
99
Figura 5.6 Visual Tool colocado en el origen.
o Dar doble click sobre el Visual Tool para entrar a la venta de propiedades de
éste.
o Seleccionar en el campo Visual Display la opción Imported Shape (Figura 5.7).
4. Seleccionar el dibujo 3D a importar en el Visual Tool.
Con este paso se seleccionará el dibujo en 3D que se asignará al Visual Tool realizando
los siguientes pasos:
o Seleccionar en el campo Filename (Figura 5.8) el botón browse el cual
abrirá la ventana Select 3D shapes file (Figura 5.9) para poder elegir el
archivo .3ds que se desea importar.
o Buscar el dibujo en formato .3ds, en este caso el archivo del dibujo se llama
“Plano del mercado Zapata”. Este dibujo se encuentra en la siguiente ubicación
del cd que se anexa: E:\CD Residencias\Informe Técnico\plano zapata.dxf.
o Oprimir el botón “Abrir” (Figura 5.9) para cerrar la ventana.
o Oprimir el botón Apply de la ventana de propiedades del Visual Tool (Figura
5.7). No apretar el botón OK para evitar que se cierre la ventana de
propiedades.
100
Visual
display
Browse
Filename
Browse
101
Figura 5.9 Ventana Select 3D shapes file.
102
Figura 5.10 vista del dibujo importado en el visual tool aún sin configurar su
posición, rotación y tamaño.
103
No select
En la Figura 5.13 se muestra el layout del plano del mercado ya importado dentro del modelo
de simulación en Flexsim.
104
Figura 5.13 Layout del plano del mercado importado dentro del modelo de Flexsim.
105
5.6.4.5.3 Definir las características de los Flexsim objects en el modelo
Definidos los Flexsim objects a ser incluidos dentro del modelo de simulación, se realizaron
los siguientes pasos con el objetivo de que éstos representaran en dimensiones y forma al
equipo del sistema a simular.
Crear los Flexsim objects dentro del modelo de simulación.
Cambiar la apariencia de los Flexsim objects por los dibujos en 3D propios del sistema
de recolección de residuos sólidos.
Definir las dimensiones y posición de los Flexsim objects.
106
b. Arrastrar el Flexsim object seleccionado a la posición en donde se desea
colocar en el modelo.
c. Liberar el botón del mouse.
Con esta opción si se requiere más de un Flexsim object del mismo tipo o algún
otro Flexsim object que se desea incorporar al modelo, se deben de repetir los pasos
a, b y c. En la Figura 5.15 se muestra un processor object colocado en la ortogonal
view del modelo.
5.6.4.5.3.2 Cambiar la apariencia de los Flexsim objects por los dibujos en 3D propios
del sistema de recolección de residuos sólidos.
Para cambiar la apariencia de un Flexsim object por un dibujo en 3D, se debe tener
primeramente el dibujo en 3D que va a tomar el lugar del Flexsim object; éste puede ser
obtenido realizando lo siguiente:
Bajándolo de páginas de internet dedicadas a la creación de dibujos 3D que comparten
dibujos 3D en el formato .3ds o .wrl.
Creado por el usuario con la ayuda de algún software de diseño tales, como el autocad,
mastercam, google sketchup, etc.
Obtenido el dibujo en el formato .3ds o .wrl, y creado el Flexsim objtect se realizan los
siguientes pasos para cambiar la apariencia (3D shape) del Flexsim object:
Dar doble click sobre el Flexsim object para abrir la ventana de propiedades de éste.
Ir a la pestaña “General” y buscar el campo “3D Shape” dentro de la ventana de
propiedades (Figura 5.16).
Hacer click con el botón izquierdo del mouse sobre el botón “Browse directories”
(Figura 5.16), para abrir la ventana Select 3D shapes file (Figura 5.17).
Buscar y seleccionar el dibujo 3D elegido en el formato .3ds o .wrl, dentro de la
ventana Select 3D shapes file, para que se modifique el 3D Shape del Processor object
a modificar. En la Figura 5.17 se muestra la selección del dibujo en 3D llamado
“volteo_pre.3ds” dentro de la ventana Select 3D shape file. El dibujo se encuentra en la
siguiente ubicación del cd que se anexa: E:\CD residencias\Informe Técnico\
camión.3ds.
107
Figura 5.15 Processor object de Flexsim colocado en la vista
ortogonal, al cual se le puede a cambiar la apariencia
(3D shape).
108
3D shape
Selección
del dibujo
109
Figura 5.18 Vista del processor object de Flexsim con su nueva apariencia
3D.
110
Edit Menu
Flecha para
Flechas para
editar la
editar el tamaño
rotación del
del object
Visualización
object
de cambios en
la position,
rotation y size
Figura 5.19 Processor object sin editar mostrando las flechas de los ejes X, Y y Z.
111
Figura 5.20 Ventana de propiedades del Processor object.
Edición de la
rotación sobre X,
Y y Z del object
Edición del
tamaño sobre X,
Y y Z del
object
5.6.4.5.4 Realizar las conexiones del flujo del proceso entre los flexsim objects
112
Una vez configurados dentro del modelo de simulación los Flexsim objects y Flowitems que
eran requeridos de acuerdo a las características del sistema de recolección de residuos sólidos
del mercado Zapata, se procedió a realizar las conexiones requeridas entre los Flexsim objects
del modelo con base al diagrama de flujo de la entidad en la figura 5.2 en la sección 5.6.4.1
como se puede observar en la figura 5.22.
113
del trabajador conforme va recorriendo su ruta3 y de esta forma simular un
incremento de basura en el carrito recolector.
o On unload. Se cambia la forma del operador para simular el vaciado del carrito
recolector.
En el flexsim object queue en la pestaña flow se marca la casilla de use transport y en
la pestaña request transport from se programo la secuencia de tareas de los
recolectores para que al momento de recorrer su ruta realicen las recolecciones en los
puntos de recolección en el modelo (Figura 5.25).
3
En una queue se establecieron casos. Cada vez que el recolector llega a un punto de su ruta, se le manda un mensaje a la
queue y esta cambia la forma en función del caso: vacio, casi vacío, casi lleno, lleno.
114
a) b) c)
115
Figura 5.25 secuencia de tareas para los recolectores.
En este caso particular, dadas las facilidades de la empresa en estudio, sólo se pudieron
obtener datos de las medidas de desempeño de interés (Tiempo promedio de recorrido de los
trabajadores y tiempo de entrada del camión recolector), durante 8 semanas (4 semanas para el
tiempo de recorrido de los trabajadores y 4 semanas para los tiempos del camión).
Law (2007) menciona que si un modelo va a ser validado contra un sistema real, debe hacerse
comparando los datos obtenidos de la medida de desempeño definida del sistema real contra
los datos obtenidos de esa misma medida de desempeño del modelo de simulación. Para este
trabajo, dado que se tienen datos de ocho semanas y el modelo de simulación desarrollado
tiene especificado una longitud de tiempo de una semana, se decidió efectuar las corridas
piloto de la siguiente manera:
14 corridas piloto para el tiempo promedio de recorrido de los trabajadores (Se cambio
la unidad de tiempo de simulación de semanas a días para simular sólo 2 semanas dado
117
que el número de corridas piloto es arbitrario), y de esta manera tener un mayor
número de corridas piloto ya que con 4 semanas el número de corridas piloto sería muy
pequeño).
8 corridas piloto para el tiempo promedio de entrada del camión (Se cambio la unidad
de tiempo de simulación de semanas a días para simular sólo 1 semana dado que el
número de corridas piloto es arbitrario), y de esta manera tener un mayor número de
corridas piloto ya que de igual manera que con el caso del tiempo promedio de
recorrido de los trabajadores, el número de corridas piloto sería muy pequeño).
Z =μ X −μ Y ……………..………………….…….. (5.7)
Usando las fórmulas 5.8 a 5.10 de la prueba t-apareada (se requiere que m=n).
118
n
∑ Zi
Z ( n) = i =1 …………………………………….. (5.9)
n
n
¿
∑ [ Z i−Z( n )]2
i =1
Var [ Z (n )]= …………………………………... (5.10)
n ( n−1 )
Z (n) t Var Z ( n ) …………..…………..……... (5.11)
n 1,1
2
Sea l() y u() el límite de confianza inferior y superior respectivamente. Si el valor cero (0) no
pertenece al intervalo entre l() y u(), es decir (0 [l(), u()]) entonces la diferencia observada
entre x y y:
En favor de la alternativa:
H a : μ X ≠μY …………………………………….. (5.14)
Conociendo la teoría de la prueba t apareada, para llevar a cabo el proceso de validación del
modelo de simulación del mercado Zapata, se realizó lo siguiente:
1. Establecimiento de las hipótesis.
119
2. Comprobación de hipótesis y conclusión.
La información utilizada para la realización de las pruebas, fue recolectada de los resultados
arrojados por el programa de simulación a lo largo de las 14 corridas piloto especificadas para
cada trabajador seleccionado, mismas que fueron definidos por el autor y el asesor del
presente trabajo.
120
a) Prueba 1. Tiempo de recorrido del trabajador 1
La prueba t apareada señala que se debe obtener una diferencia ( la expresada por la
ecuación 5.7) para validar que una hipótesis nula (expresada por la ecuación 13), es
estadísticamente significante a un nivel (aquí se desea que =0.10); sí es
significante, entonces la hipótesis nula sería rechazada y se concluiría que hay una
diferencia significativa entre los datos obtenidos de las corridas piloto y los datos
obtenido en el sistema actual; para este primer caso, respecto al tiempo de recorrido del
trabajador 1.
La tabla 5.2 muestra los cálculos para comprobar la hipótesis Ho. En esta tabla se usa
la siguiente nomenclatura:
Xi= Tiempo promedio de recorrido del trabajador 1, en el sistema actual.
Yi=Tiempo promedio de recorrido del trabajador 1, en el modelo de
simulación.
14
Z i
Z 14 i 1
-0.73601804
n
14
∑ [ Z i−Z 14 ]2
i=1 76 . 1280222
V^ ar [ Z 14 ]= = = 0 . 418286
n(n−1) (14 )(13 )
Z 14 t ˆ ( Zn)
Var
n 1,1
2
-0.736018 1.14533
(-1.881348, 0.409312)
122
Z x y
La diferencia no es estadísticamente significante, por lo que se puede
asegurar que el modelo es idóneo.
La tabla 5.3 muestra los cálculos para comprobar la hipótesis Ho. En esta tabla se usa
la siguiente nomenclatura:
Xi= Tiempo promedio de recorrido del trabajador 2, en el sistema actual.
Yi=Tiempo promedio de recorrido del trabajador 2, en el modelo de
simulación.
123
3
34.791666
10 7 36.5527273 -1.76106061 1.33193415
39.620833
11 3 36.6709091 2.94992424 12.6514688
38.608333
12 3 36.7818182 1.82651515 5.92183095
32.120833
13 3 37.7418182 -5.62098485 25.1403841
34.711111
14 1 37.7763636 -3.06525253 6.0431722
Suma 90.1130082
36.699007
Promedio 9 37.305974 -0.60696609
14
Z i
Z 14 i 1
-0.60696609
n
14
∑ [ Z i−Z 14 ]2
i=1 90. 1130082
V^ ar [ Z 14 ]= = = 0 . 495126
n(n−1) (14 )(13)
124
Z 14 t ˆ ( Zn)
Var
n 1,1
2
-0.606966 1.246098
(-1.853064, 0.639132)
Z x y
La diferencia no es estadísticamente significante, por lo que se puede
asegurar que el modelo es idóneo.
La tabla 5.4 muestra los cálculos para comprobar la hipótesis Ho. En esta tabla se usa
la siguiente nomenclatura:
Xi= Tiempo promedio de recorrido del trabajador 3, en el sistema actual.
125
Yi=Tiempo promedio de recorrido del trabajador 3, en el modelo de
simulación.
126
14
Z i
Z 14 i 1
-0.09664141
n
14
∑ [ Z i−Z 14 ]2
i=1 67. 3636348
V^ ar [ Z 14 ]= = = 0 . 37013
n(n−1) (14 )(13 )
Z 14 t ˆ ( Zn)
Var
n 1,1
2
-0.09664141 1.077385
(-1.174027, 0.980744)
Z x y
La diferencia no es estadísticamente significante, por lo que se puede
asegurar que el modelo es idóneo.
La tabla 5.5 muestra los cálculos para comprobar la hipótesis Ho. En esta tabla se usa
la siguiente nomenclatura:
Xi= Tiempo promedio de recorrido del trabajador 4, en el sistema actual.
Yi=Tiempo promedio de recorrido del trabajador 4, en el modelo de
simulación.
Z i
Z 14 i 1
-0.59786869
n
14
∑ [ Z i−Z 14 ]2
i=1 71 . 2658135
V^ ar [ Z 14 ]= = = 0. 39157
n(n−1) (14 )(13 )
Z 14 t ˆ ( Zn)
Var
n 1,1
2
129
e) Prueba 5. Tiempo de entrada del camión recolector
La prueba t apareada señala que se debe obtener una diferencia ( la expresada por la
ecuación 5.7) para validar que una hipótesis nula (expresada por la ecuación 13), es
estadísticamente significante a un nivel (aquí se desea que =0.10); sí es
significante, entonces la hipótesis nula sería rechazada y se concluiría que hay una
diferencia significativa entre los datos obtenidos de las corridas piloto y los datos
obtenido en el sistema actual; para este primer caso, respecto al tiempo de recorrido del
trabajador 1.
La tabla 5.6 muestra los cálculos para comprobar la hipótesis Ho. En esta tabla se usa
la siguiente nomenclatura:
Xi= Tiempo promedio de entrada del camión recolector, en el sistema actual.
Yi=Tiempo promedio de entrada del camión recolector, en el modelo de
simulación.
Tabla 5.6 Prueba t-apareada del tiempo de entrada del camión recolector.
Corrida i Xi Yi Zi= Xi-Yi ( Zi Z 8 )2
19.835454
1 17 5 -2.83545455 3.99949963
2 13.8 19.666 -5.866 25.305129
19.948888
3 15.7142857 9 -4.23460317 11.553361
19.891111
4 20 1 0.10888889 0.89202081
19.771111
5 19.8571429 1 0.08603175 0.84936755
19.608888
6 19.8355476 9 0.22665868 1.12835025
19.473333
7 23.7142857 3 4.24095238 25.7711774
19.744444
8 21.3333333 4 1.58888889 5.87804766
Promedio 18.9068244 19.742404 -0.83557964
Suma 75.3769532
130
Construyendo el intervalo de confianza al 90% para Z, en donde Zi= Xi-Yi.
8
∑ Zi
i =1
Z 8= = -0. 83557964
n
8
∑ [ Zi −Z8 ]2
i=1 75. 37695
V^ ar [ Z 8 ]= = = 1. 346017
n(n−1 ) ( 8)(7 )
Z8 t ˆ ( Zn)
Var
n 1,1
2
El intervalo de confianza resultante
incluye al cero.
-0.83558 t8,0.95 1.346017
Z x y
-0.83558 1.8946 1.346017 La diferencia no es
-0.83558 2.198077
(-3.033656,1.362497)
Conclusiones
131
propuestas de mejora en el sistema sin tener que realizarlas de forma física, ya que esto
implicaría altos costos para la realización de dichas mejoras.
Cabe destacar que la simulación es una técnica de ingeniería industrial que sirve para estudiar
y representar sistemas reales, esto implica un alto nivel de dedicación para realizar las
actividades necesarias para que el modelo funcione adecuadamente y represente de manera
efectiva el sistema, para que con base en éste se puedan tomar decisiones confiables.
Un paso importante dentro de la metodología es la recolección de datos, ya que con base a los
datos recolectados a lo largo del tiempo necesario o estimado se van a ajustar las
distribuciones de probabilidad idóneas para representar la realidad en el modelo de
simulación, por esta misma razón los datos deben ser confiables y para esto existen diferentes
pruebas que ayudan a corroborar si los datos son aceptables o si se debe de realizar la toma de
datos de nuevo o ajustar los datos a una distribución empírica.
132
programa de simulación que permite visualizar y probar cambios en las operaciones y los
procesos de logística, manejo de materiales y manufactura de la manera más rápida y sencilla
evitando los altos costos, riesgos y extensos tiempos que conlleva el experimentar con
cambios en el mundo real y el analizar por prueba y error.
Además, el entorno 3D que maneja el software permite comprender de una manera sencilla el
funcionamiento del sistema; sin embargo se debe tener especial cuidado al realizar estudios de
simulación, ya que es necesario contar con conocimientos formales de estadística y de teoría
de simulación.
Referencias bibliográficas
Libros
Banks, Jerry, Handbook of simulation, principles, methodology, advances, applications
and practice, John Wiley and Sons, USA, 1998.
133
Chung, Christopher A., Simulation modeling handbook, a practical approach, CRC
Press, USA, 2004.
Coss Bu, Raúl, Simulación un enfoque práctico, Editorial Limusa, México, 2005.
Flexsim Software Products, Flexsim simulation software user guide, Version 4.5,
Flexsim Software Products Inc., USA, 2009.
Harrell, Charles, Ghosh, Biman K., Bowden, Royce O., Simulation using Promodel,
Second edition, Mc Graw Hill, USA 2004.
Kuehl, Robert O., Diseño de experimentos, principios estadísticos de diseño y análisis
de investigación, Segunda edición, Thomson Learning, México, 2001.
Law, Averill M. & Associates, Inc., ExpertFit version 7, User´s guide, Averill M. Law,
USA, 2006.
Law, Averill M., Simulation modeling & analysis, Fourth edition, Mc Graw Hill,
Singapore, 2007.
Ross, Sheldon M., Simulation, Academic Press, USA, 2006.
Shannon, Robert E., Simulación de sistemas, Editorial Trillas, México, 1988.
Material no publicado
Apuntes de clase
134
Moras Sánchez, Constantino G., “Apuntes de la clase de Simulación”, Maestría en
Ingeniería Industrial, Instituto Tecnológico de Orizaba, 2009.
Anexo 1
Formato para la toma de tiempos de los camiones
135
La Tabla A.1, se utilizó para anotar los tiempos de las actividades que se muestran en las
columnas.
Tabla A.1 Toma de tiempos de los camiones.
Fecha de la recolección de datos
Hora de llegada Camión Número de paleadas Tiempo de entrada Tiempo salida Tiempo de llenado
Anexo 2
Formato para la toma de tiempos de los trabajadores
136
La Tabla A.2, se utilizó para anotar los tiempos de las actividades que se muestran en las
columnas.
Tabla A.2 Toma de tiempos de los recolectores.
Fecha de la recolección de datos
Número de Hora de
carro4 salida Tiempo de recorrido Tiempo de descarga Tiempo de recolección Tiempo de paleo
Anexo 3
Análisis estadístico de la muestras de datos
El análisis estadístico de los datos. Mediante el software Experfit, se realizó a las siguientes
muestras de datos:
4
En este formato se asume que al trabajador 1, se le asigna el carro 1, y así sucesivamente.
137
Tiempo total promedio de recorrido de los trabajadores.
Tiempo promedio de descarga del carrito.
Tiempo promedio de entrada del camión.
Tiempo promedio de salida del camión.
Tiempo promedio de llenado del camión.
Paleadas promedio necesarias para llenar un camión
Los resultados obtenidos mediante Experfit, del análisis de cada una de las muestra de datos,
se resumirá en:
Una tabla resumen de las características descriptivas de los datos.
Un histograma de la muestra de los datos.
Pruebas de independencia, mediante el desarrollo de un
o Un diagrama de correlación.
o Un diagrama de dispersión.
Un histograma de densidad de ajuste.
Prueba de Anderson-Darling.
El Histograma (Figura A3.1) de la muestra de los datos del tiempo de recorrido de los
recolectores muestra que los datos se pueden ajustar a una distribución Weibull.
139
Figura A3.2 Diagrama de dispersión de los datos.
El diagrama de correlación (Figura A3.3) muestra que los datos se encuentran muy cercanos
al cero con lo cual se puede afirmar que la muestra de datos tiene muy poca o nada de
correlación, así que se puede afirmar que la muestra de datos es aleatoria e independiente.
140
El histograma de densidad de ajuste de la figura A3.4 muestra que la distribución de
probabilidad Weibull es la que mejor se ajusta a la muestra de datos.
La prueba de bondad y ajuste de Anderson Darling (Tabla A3.2) muestra que los valores
críticos a ser probados son mayores al estadístico de prueba y por esta razón se afirma que el
ajuste de los datos de la muestra a la distribución Weibull es idóneo.
El Histograma (Figura A3.5) de la muestra de los datos de la descarga de los carritos muestra
que los datos se pueden ajustar a una distribución Johnson.
El diagrama de correlación (Figura A3.7) muestra que los datos se encuentran muy cercanos
al cero con lo cual se puede afirmar que la muestra de datos tiene muy poca o nada de
correlación, así que se puede afirmar que la muestra de datos es aleatoria e independiente.
143
Figura A3.8 Histograma de densidad de ajuste de la distribución
Johnson.
La prueba de bondad y ajuste de Anderson Darling (Tabla A3.4) muestra que los valores
críticos a ser probados son mayores al valor de prueba y por esta razón se afirma que el ajuste
de los datos de la muestra a la distribución Johnson es idóneo.
144
Tabla A3.5 Resumen de datos.
El Histograma (Figura A3.9) de la muestra de los datos de la descarga de los carritos muestra
que los datos se pueden ajustar a una distribución Weibull.
145
Figura A3.10 Diagrama de dispersión de los datos del tiempo
del tiempo de entrada de los camiones.
El diagrama de correlación (Figura A3.11) muestra que los datos se encuentran muy
cercanos al cero con lo cual se puede afirmar que la muestra de datos tiene muy poca o nada
de correlación, así que se puede afirmar que la muestra de datos es aleatoria e independiente.
146
Figura A3.12 Histograma de densidad del ajuste de la
distribución Weibull.
La prueba de bondad y ajuste de Anderson Darling (Tabla A3.6) muestra que los valores
críticos a ser probados son mayores al estadístico de prueba y por esta razón se afirma que el
ajuste de los datos de la muestra a la distribución Weibull es idóneo.
Tabla A3.6 prueba de bondad de ajuste Anderson-Darling para los datos del tiempo de entrada del
camión.
Prueba de Anderson-Darling a la distribución Weibull
Tamaño de muestra 56
Estadístico de Prueba 0.16003
Valores críticos para el nivel de significancia
Tamaño de muestra 0.25 0.1 0.05 0.025 0.01
56 0.462 0.62 0.737 0.854 1.011
¿Rechazar? No
A3.4 Análisis estadístico de la muestra del tiempo de salida de un camión de 16 toneladas.
La tabla resumen (Tabla A3.7) indica, entre otros datos que la media de los datos del tiempo
de salida del mercado de un camión de 16 toneladas es de 2.71806 minutos.
147
Tabla A3.7 Resumen de los datos de la salida de los
camiones.
Característica del dato Valor
Tipo de observación Valor real
Número de observaciones 55
Observación mínima 1.66483
Observación máxima 4.521
Media 2.71806
Mediana 2.72217
Varianza 0.34814
Coeficiente de variación 0.21708
Sesgo 0.4774
148
Figura A3.14 Diagrama de dispersión de los datos de la
salida de los camiones.
El diagrama de correlación (Figura A3.15) muestra que los datos se encuentran muy
cercanos al cero con lo cual se puede afirmar que la muestra de datos tiene muy poca o nada
de correlación, así que se puede afirmar que la muestra de datos es aleatoria e independiente.
149
Figura A3.16 Histograma de densidad de ajuste de la
distribución Gamma.
La prueba de bondad y ajuste de Anderson Darling (Tabla A3.8) muestra que los valores
críticos a ser probados son mayores al valor del estadístico de prueba y por esta razón se
afirma que el ajuste de los datos de la muestra a la distribución Gamma es idóneo.
150
Tabla A3.9 Resumen de los datos.
151
Figura A3.19 Diagrama de aleatoriedad de los datos de
llenado del camión.
El diagrama de correlación (Figura A3.18) muestra que los datos se encuentran muy
cercanos al cero con lo cual se puede afirmar que la muestra de datos tiene muy poca o nada
de correlación, así que se puede afirmar que la muestra de datos es aleatoria e independiente.
152
Figura A3.18 Diagrama de correlación de los datos de
llenado del camión.
La prueba de bondad y ajuste de Anderson Darling (Tabla A3.10) muestra que los valores
críticos a ser probados son mayores al valor del estadístico de prueba y por esta razón se
afirma que el ajuste de los datos de la muestra a la distribución Gamma es idóneo.
Tabla A3.10 Prueba de bondad de ajuste Anderson-Darling para los datos de llenado del camión.
Prueba Anderson-Darling a la distribución Gamma
153
Tamaño de muestra 57
Prueba estadística 0.28875
Tamaño de Valores críticos de nivel de significancia
muestra 0.25 0.1 0.05 0.025 0.01 0.005
57 0.472 0.634 0.755 0.877 1.04 1.166
¿Rechazar? No
154
Figura A3.21 histograma de los datos de las paleadas del trascabo.
155
El diagrama de correlación (Figura A3.23) muestra que los datos se encuentran muy
cercanos al cero con lo cual se puede afirmar que la muestra de datos tiene muy poca o nada
de correlación, así que se puede afirmar que la muestra de datos es aleatoria e independiente.
156
Figura A3.24 histograma de densidad del ajuste de la distribución Weibull.
La prueba de bondad y ajuste de Anderson Darling (Tabla A3.12) muestra que los valores
críticos a ser probados son mayores al estadístico de prueba y por esta razón se afirma que el
ajuste de los datos de la muestra a la distribución Weibull es idóneo.
Tabla A3.12 Prueba de bondad de ajuste Anderson-Darling para los datos de las paleadas del trascabo.
Prueba Anderson-Darling a la distribución Weibull
Tamaño de muestra 43
Prueba estadística 0.93193
Tamaño de Valores críticos de nivel de significancia
muestra 0.25 0.1 0.05 0.025 0.01 0.005
57 1.248 1.993 2.492 3.07 3.857 4.5
¿Rechazar? No
157