Simulacion Papeleria Completo

78

Transcript of Simulacion Papeleria Completo

Simulacin

77

aaaaa

77

Instituto Tecnolgico Superior De Poza RicaIngeniera industrialTrabajo final de SimulacinTema:

INTEGRANTES:Cobos Rivas Tiburcio AdrinRamrez Gonzlez Jos OctavianoRifka Hernndez GregVzquez Garca Alba CitlalliVizcarra Karla Monserrat

CONTENIDOCAPITULO I3INTRODUCCIN31.1 Planteamiento del problema.41.2 Justificacin.41.3 Objetivo general.51.4 Objetivos especficos.5CAPTULO 25RECOLECCIN Y ANLISIS DE DATOS52.1 Introduccin52.2 Indicaciones para la recoleccin de datos62.3 Procedimiento para la recoleccin de datos82.4 Determinar los datos necesarios82.5 Anlisis estadstico de los datos numricos92.5.1 Pruebas de independencia112.5.2 Pruebas para datos distribuidos idnticamente182.6 Ajuste de distribucin22CAPTULO 324CONCEPTOS GENERALES DE SIMULACIN243.1 La tcnica de Simulacin243.2.1 Definiciones de simulacin253.2.2 Propsitos de la simulacin263.2.3 Clasificacin de la simulacin283.2.4 Pasos de un estudio de simulacin283.2.5 Factores a considerar en el desarrollo del modelo de simulacin353.2.6 Errores comunes al realizar un estudio de simulacin373.2.7 Ventajas y desventajas de un estudio de simulacin37CAPITULO 439CONCEPTOS GENERALES DEL SOFTWARE FLEXSIM394.1 Introduccin394.2 Aprendiendo conceptos del Software de Simulacin Flexsim414.2.1 Terminologa de Flexsim414.3 Vistas del Modelo434.4 Navegacin con el mouse434.5 Tecla F7444.6 Librera de Objetos de Flexsim44CAPTULO 551

CAPITULO IINTRODUCCIN

La simulacin es una tcnica que imita el comportamiento de un sistema mediante un modelo computarizado, en el cual se expresan las caractersticas des sistema mediante relaciones lgico-matemticas. Gracias al avance tecnolgico de la computacin la simulacin se ha convertido en una poderosa herramienta de anlisis de diversos sistemas, ya que provee una manera de solucionar problemas que de otra manera seria difcil o imposible de hacer, dada la complejidad de los mismos. En este trabajo se aplic la simulacin para reproducir el proceso de ventas de la Papelera Ciber Games dicho proceso se modificar para proponer ciertas mejoras o cambios que eventualmente logren hacer ms expedito el proceso de atencin del cliente.

En este caso el propsito de este proyecto es modelar el sistema de venta y compra por medio de la herramienta de ingeniera industrial simulacin. Y de esta manera llevar a cabo un anlisis para plantear posibles mejoras por medio de mediciones y muestreos, generando as un modelo de simulacin con el software Flexsim del sistema.1.1 Planteamiento del problema.La papelera Ciber Games", es una empresa de servicio que se encuentra ubicada en la calle Luis Donaldo Colosio con esquina Isabel la catlica en la ciudad de poza rica Veracruz ofrece servicios de Ciber, Papeleria, maquinas multi-juegos y comestibles. Esta presenta un problema que radica en la falta de equipos de cmputo y mquinas de video juegos, ya que existe una gran demanda por parte de los estudiantes del ITSPR la cual origina aglomeracin causando un efecto negativo a la hora de brindar el servicio a los clientes.

1.2 Justificacin.Las empresas siempre deben buscar la mejora en sus procesos, para ello deben identificar los problemas que se presentan y cules son las causas que lo generan para solucionarlos, y de esta manera garantizar un buendesempeode las actividades y crear confianza por parte del cliente.Elobjetivo de estetrabajoes proporcionar la informacin necesaria para establecer un mejor mtodode trabajo, distribucin de los equipos de cmputo y maquinas multi-juegos, utilizando las herramientas de laingeniera industrial generando as un modelo de simulacin con el software Flexsim.Este estudio traer como beneficio la capacidad de presentar los posibles errores que se estaran cometiendo en la empresa a la hora de organizarse, al mismo tiempo se contribuir a la solucin y al mejoramiento del mismo.La importancia de la resolucin de este problema radica en que una mejor distribucin de los de los equipos antes mencionados trae como resultado la fluidez a la hora de prestar el servicio, adems de crear un buenambiente.

1.3 Objetivo general.Realizar un modelo de simulacin en el software de simulacin flexism que represente la situacin actual de la Papeleria ciber Games.1.4 Objetivos especficos.1. Obtener datos relacionados con. Nmero de personas. Tiempos.2. Determinar las distribuciones de probabilidad de servicio.3. Plantear mejoras que permitan mejorar la eficiencia al atender a los clientes.

CAPTULO 2RECOLECCIN Y ANLISIS DE DATOS2.1 IntroduccinLa recoleccin de datos es la tarea ms desafiante, y a la vez, la que ms tiempo consume en la simulacin, porque: En sistemas nuevos, la informacin es comnmente incompleta y toscamente estimada. En sistemas existentes, puede haber aos de datos desorganizados listos para clasificarse. En general, la informacin est raramente disponible en la forma necesaria para construir un modelo de simulacin, por lo que siempre es necesario filtrarla y manipularla para tenerla en el formato correcto, de tal forma que refleje las condiciones proyectadas bajo las cuales el sistema va a ser analizado. Gran parte del esfuerzo en la recoleccin de datos termina con una gran cantidad de datos, pero con poca informacin til.El resultado del esfuerzo de la recoleccin de datos es un modelo conceptual o mental de cmo el sistema est configurado y de cmo opera ste. Este modelo conceptual puede tomar la forma de una descripcin escrita, un diagrama de flujo, o incluso un simple bosquejo en la parte trasera de un sobre. Esto se convierte en las bases del modelo de simulacin que ser creado. 2.2 Indicaciones para la recoleccin de datosLa recoleccin de datos no debe ser realizada sin orden con la idea de que se podr ordenar toda la informacin una vez colectada. Los datos deben ser colectados sistemticamente, buscando datos especficos de informacin que son necesitados para la construccin del modelo. Las siguientes indicaciones, que deben tenerse presentes, ayudan a tener un determinado propsito cuando se hace una recoleccin de datos: Identificar los eventos activadores. Cuando se definen las actividades que ocurren en el sistema a ser modelado, es importante identificar las causas o condiciones que activan dichas actividades, por ejemplo, algunas causas de inactividad o paro (downtime) pueden ser la no disponibilidad del almacn, por falla o porque fueron planeadas o programadas. Enfocarse slo en los factores de impacto clave. La segregacin debe ser usada cuando se recolectan datos para evitar la prdida de tiempo localizando informacin que tiene poco o nada de impacto en el funcionamiento del sistema. Por ejemplo, actividades de mantenimiento fuera de turno que no retardan el flujo del proceso, paros extremadamente raros, inspecciones sobre la marcha, entre otras. Aislar los tiempos actuales de la actividad. En la determinacin de los tiempos de la actividad, es importante aislar nicamente el tiempo que se toma en hacer la actividad en s, excluyendo cualquier tiempo extrao de espera por material y recursos para que la actividad pueda ser realizada. Por ejemplo, el tiempo de espera por artculos o partes no debe ser incluido en el tiempo para hacer un ensamble. Buscar agrupaciones comunes. Cuando se trata con mucha variedad en una simulacin tal como cientos de tipos de partes o perfiles de clientes, es til buscar patrones o grupos comunes. Por ejemplo, si se est modelando un proceso que tiene 300 tipos de partes, puede ser difcil obtener informacin de la mezcla exacta y de todas las rutas variadas que pueden ocurrir. La solucin es reducir los datos a patrones y comportamientos comunes. Una forma para agrupar los datos es: Identificar categoras generales dentro de las cuales todos los datos puedan ser asignados. Calcular o estimar el porcentaje de casos que caen dentro de cada categora.El secreto para identificar grupos comunes es pensar probabilsticamente. Enfocarse en la esencia ms que en la substancia. Una definicin de sistema para propsitos de modelacin debe capturar las relaciones causa-efecto e ignorar los detalles insignificantes (para simulacin). Esto, que es llamado sistema de abstraccin, busca definir la esencia del comportamiento del sistema ms que la sustancia. Un sistema debe ser abstracto al ms alto nivel posible mientras se preserva la esencia de la operacin del sistema. Para lograr esto se puede usar el enfoque de la caja negra black box, es decir, no se estar interesado en la naturaleza de la actividad que est siendo ejecutada, tal como fresado o inspeccin, en cambio se estar interesado en el impacto que la actividad tiene en el uso de los recursos y el retardo del flujo de la entidad. Separar variables de entrada de variables de respuesta. Los modeladores novatos comnmente confunden las variables de entrada que definen la operacin del sistema con las variables de respuesta que reportan el rendimiento del sistema. Las variables de entrada, que definen como el sistema trabaja (tiempos de la actividad, secuencias de envo, etc.), debe ser el objetivo de la recoleccin de datos. Las variables de respuesta describen como el sistema responde a un conjunto dado de variables de entrada dada (cantidad de trabajo en proceso, utilizacin del recurso, tiempos de produccin total, etc.). Las variables de respuesta no manejan el comportamiento del modelo.Los datos de rendimiento o respuesta deben ser de inters slo si se est construyendo un modelo y quiere validar la simulacin comparando la salida de simulacin con el actual rendimiento.2.3 Procedimiento para la recoleccin de datosSi se siguen las indicaciones de la seccin previa, el esfuerzo en la recoleccin de datos ser mucho ms productivo y, si adicionalmente se llevan a cabo los pasos siguientes, se puede asegurar que el tiempo y esfuerzo sern 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.2.4 Determinar los datos necesariosEl primer paso en la recoleccin de datos es determinar los datos necesarios para construir el modelo. stos deben ser dictados por el alcance del modelo y el nivel de detalle requerido para conseguir los objetivos de la simulacin. Los datos del sistema pueden ser categorizados como: Datos estructurales, los cuales envuelven todos los objetos del sistema a ser modelado. Esto incluye tales elementos como entidades (productos, clientes), recursos (operadores, mquinas) y ubicaciones (reas de trabajo, estaciones de trabajo). La informacin estructural describe la configuracin del croquis del sistema as como identifica los artculos que se procesan. Datos operacionales, los cuales explican cmo opera el sistema, esto es, dnde, cundo y cmo los eventos y actividades toman lugar. Los datos operacionales consisten de toda la informacin lgica o situacional acerca del sistema tal como rutas, programacin, tiempos de paro y asignacin de recursos. Si el proceso est estructurado y bien controlado, la informacin operacional es fcil de definir. Por otro lado, si el proceso est envuelto en una operacin informal, sin reglas, sta puede ser muy difcil de definir. Para un sistema a ser simulado las polticas operacionales, que estn indefinidas o ambiguas, deben ser codificadas en procedimientos definidos y reglas. Si las decisiones y salidas varan, es importante al menos definir esta variabilidad estadstica usando expresiones o distribuciones de probabilidad. Datos numricos, los cuales provienen de la informacin cuantitativa del sistema. Ejemplos de datos numricos incluyen capacidades, tasas de llegada, tiempos de actividad, y tiempo entre fallas. Algunos valores numricos son fciles de determinar, como las horas de trabajo o capacidades de recursos. Otros valores son ms difciles 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 estn disponibles.2.5 Anlisis estadstico de los datos numricosPara el anlisis de los datos, considerar: Que datos en bruto deben ser analizados e interpretados para que sirvan en un modelo de simulacin, de manera que la operacin del sistema sea representada correctamente en el modelo. Que eventos activadores y otras relaciones de causa-efecto necesitan ser identificadas. Que datos irrelevantes e insignificantes deben ser descartados. 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 definicin. Que descripciones complejas de la operacin 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 histricos resumidos debern ser proyectados hacia el periodo de tiempo a ser estudiado por la simulacin. La informacin que ayuda a ajustar los datos para el futuro pueden ser obtenidos de pronsticos de ventas, tendencias de mercado, o planes de negocios.

Antes de desarrollar una representacin de los datos, los datos deben ser analizados para verificar su idoneidad para su uso en el modelo de simulacin. Las caractersticas siguientes de los datos deben ser determinados: Independencia (Aleatoriedad). Homogeneidad. Que los datos provengan de la misma distribucin. Estacionalidad. Que la distribucin de los datos no cambie con el tiempo.

Utilizando un programa de anlisis de datos como el Stat Fit, de Promodel , Expert Fit de Flexsim o Easy fit, las caractersticas de los datos pueden ser analizadas automticamente, probadas para su uso en la simulacin, y comparadas para obtener el mejor ajuste a una distribucin.Algunos de los parmetros que dan un anlisis descriptivo de toda la muestra recopilada son: Media: es el valor promedio de los datos. Mediana: es el valor de la observacin que est a la mitad, cuando los datos son puestos en orden ascendente. Moda: es el valor que se repite con mayor frecuencia. Desviacin estndar: Una medida de la desviacin promedio desde la media. Varianza: es el cuadrado de la desviacin estndar. Coeficiente de variacin: es la desviacin estndar dividida por la media. Este valor representa una medida relativa de la desviacin estndar a la media. Sesgo: Una medida de simetra. Si el mximo valor est ms lejos de la media que el mnimo valor, el dato estar sesgado a la derecha, o positivamente sesgado. De otra manera, estar sesgado a la izquierda o negativamente sesgado Kurtosis: es una medida de la uniformidad o la altura de la distribucin. Rango: la diferencia entre los valores mximos y mnimos.

Un anlisis descriptivo dice las caractersticas clave acerca del conjunto de datos, pero no dice que tan adecuados son los datos para su uso en el modelo de simulacin. Lo que interesa poder hacer es ajustar los datos de la muestra a una distribucin terica, como la normal o la distribucin beta. Esto requiere que los datos sean: Independientes, es decir totalmente aleatorios, y Idnticamente distribuidos, es decir que todos los datos pertenecen a la misma distribucin.

Cuando se recolectan datos de un sistema dinmico y posiblemente un sistema con variacin con tiempos variantes, se debe estar sensible a las tendencias, patrones y ciclos que puedan ocurrir con el tiempo. Pruebas especficas pueden realizarse para determinar si los datos son independientes e idnticamente distribuidos tales como: Pruebas de independencia Pruebas para datos distribuidos idnticamente2.5.1 Pruebas de independencia En esta seccin se describirn 3 pruebas para probar la independencia de los datos: Diagrama de dispersin. Diagrama de correlacin. Prueba de corridas.

Cada prueba es especfica a escalas diferentes de aleatoriedad, por tal razn, las tres deben ser usadas para concluir la independencia de datos (Harrel, 2004). El diagrama de dispersin y el diagrama de correlacin son pruebas estadsticas paramtricas en la cual la naturaleza de las grficas dependen del tipo de distribucin de los datos. La prueba de corridas es una prueba no paramtricas y no hace suposicin acerca de la distribucin de los datos.Los datos son independientes si el valor de una observacin no es influenciada por el valor de otra observacin. La dependencia es comn en el muestreo de una poblacin finita cuando el muestreo es realizado sin remplazo. Por ejemplo, en el muestreo de un mazo de cartas para encontrar la probabilidad de sacar un as, la probabilidad de que la siguiente carta sea as aumenta con cada carta que no sea un as. Para poblaciones muy grandes o infinitas tal como actividades continuas o eventos repetitivos, la dependencia de datos se manifiesta comnmente en si misma cuando el valor de una observacin es influenciada por el valor de una observacin anterior. En el muestreo la probabilidad de que un objeto se defectuoso, por ejemplo, en ocasiones es mucho mayor si el artculo anterior fue defectuoso (los defectos ocurren generalmente en ondas).

Cuando el valor de una observacin es dependiente del valor de la observacin anterior, se dice que los datos estn correlacionados. Varias tcnicas son usadas para determinar la dependencia de datos o correlacin, entre ellas se encuentra: Diagrama de dispersin, el cual es un diagrama de puntos adyacentes en la secuencia de valores observados graficados contra cada otro. De esta manera cada punto graficado representa un par de observaciones consecutivas (Xi, Xi+1) para i=1,2,, n-1. Si las Xis son independientes, los puntos estarn graficados aleatoriamente (Figura 2.2). Si las Xis son dependientes una de la otra, una lnea de tendencia ser aparente (Figura 2.3). Si las Xis estn correlacionados positivamente, una lnea de tendencia positiva hacia arriba aparecer. Si las Xis estn correlacionados negativamente una lnea de tendencia negativa aparecer.

Figura 2.2 Diagrama de dispersin de datos independientes.

Figura 2.3 Diagrama de dispersin de datos dependientes.

Un diagrama de dispersin es una forma simple de detectar un comportamiento de dependencia fuerte. Diagrama de correlacin. Si las observaciones en una muestra son independientes, estas adems no presentaran correlacin. Los datos correlacionados son dependientes uno de cada otro y se dice que estn auto correlacionados. Una medida de auto correlacin, rho(), puede ser calculada usando la Ecuacin 2.1:

..... Ecuacin 2.1

Dnde: j= La diferencia o distancia entre los puntos.

= La desviacin estndar de la poblacin, aproximada por la desviacin estndar de la muestra; y

= La media de la muestra.

El clculo es efectuado para 1/5 de la longitud del conjunto de datos, donde los pares decrecientes comienzan a hacer el clculo poco confiable. Este clculo de auto correlacin asume que los datos son tomados de un proceso estacionario; es decir, los datos pareceran venir de la misma distribucin sin importar cuando fueron muestreados (esto es, los datos no cambian con el tiempo). En el caso de una serie de tiempos, esto implica que el origen del tiempo puede ser cambiado sin afectar las caractersticas estadsticas de las series de datos. De esta manera la varianza para toda la muestra puede ser usada para representar la varianza de cualquier subconjunto. Si el proceso a ser estudiado no es estacionario, el clculo de auto correlacin es ms complejo.

El valor de auto correlacin vara entre 1 y -1 (es decir, entre correlacin positiva y negativa). Si la correlacin est cerca de cualquiera de los extremos, los datos son auto correlacionado. En la Figura 2.4, que muestra un diagrama de auto correlacin, hay que notar que los valores son cercanos a 0, indicando muy poca o nada de correlacin, y en la Figura 2.5 se muestra un diagrama de auto correlacin con un gran nivel de correlacin. Prueba de Corridas.La prueba de corridas busca por corridas en los datos que puedan indicar correlacin de datos. Una corrida en una serie de observaciones es la ocurrencia de una secuencia continua de nmeros mostrando la misma tendencia. Por ejemplo, un conjunto consecutivo de nmeros crecientes o decrecientes se dice que proporcionan corridas hacia arriba y abajo, respectivamente. Existen 2 tipos de pruebas de corridas: La prueba de la mediana que mide el nmero de corridas, es decir, secuencias de nmeros por arriba y debajo de la mediana. La corrida puede ser un solo nmero por debajo o arriba de la mediana si los nmeros adyacentes a este estn en la direccin opuesta.

Figura 2.4 Diagrama de auto correlacin con poca o nada de correlacin.

Figura 2.5 Diagrama de auto correlacin con alto nivel de correlacin.

Si hay muchas o pocas corridas, la aleatoriedad de la serie es rechazada. Esta prueba de corridas de la mediana usa una aproximacin normal para la aceptacin o el rechazo que requiere que el nmero datos por arriba o por debajo de la media sean mayores que 10. La prueba de punto de cambio que mide el nmero de veces que las series cambian de direccin (Kontz, 1992). De nuevo, si existen muchos o pocos puntos de cambio, la aleatoriedad de la serie es rechazada. La prueba de las corridas de puntos de cambio usan una aproximacin normal para la aceptacin o rechazo que requiere ms de 12 puntos de datos.

El resultado de cualquiera de estas dos pruebas es: No rechazar la hiptesis de que la serie es aleatoria, o Rechazar la hiptesis con el nivel de significancia dado.

El nivel de significancia es la probabilidad de que una hiptesis 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 ms sensibles requieren grandes conjuntos de datos, por encima de 4,000 datos.

El nmero de corridas en una serie de observaciones indica la aleatoriedad de aquellas observaciones. Pocas corridas indican una fuerte correlacin, punto a punto. Varias corridas indican un comportamiento cclico.2.5.2 Pruebas para datos distribuidos idnticamenteCuando se muestrean datos, a menudo es necesario determinar: Si los datos de un solo conjunto de datos provienen de la misma poblacin (ellos estn idnticamente distribuidos) o si stos representan mltiples poblaciones. Si dos o ms conjuntos de datos pueden ser tratados como si provinieran de la misma poblacin o si es necesario mantenerlos como poblaciones separadas.

Existen varias maneras para determinar si los datos provienen de la misma poblacin; stas son llamadas, algunas veces, pruebas de homogeneidad. Para determinar si los datos de un conjunto de datos estn distribuidos idnticamente, pueden usarse dos casos. Caso 1.El primer caso se da cuando en la recoleccin de datos, al definir un tiempo de una actividad particular o intervalo del evento, se asume que ellos estn distribuidos idnticamente. Sobre un anlisis ms cercano, sin embargo, en algunas ocasiones se descubre que realmente son datos no homogneos. Ejemplos de conjunto de datos que tienden a ser no homogneos incluyen: Tiempos de actividad que son ms grandes o ms pequeos dependiendo del tipo de entidad a ser procesada. Tiempos de llegada que fluctan en longitud dependiendo de la hora del da o el da de la semana. Tiempo entre fallas y tiempo para reparar donde la falla puede resultar de un nmero de causas diferentes.

En cada una de estos casos, los datos recolectados pueden representar mltiples poblaciones. Probar para ver si los datos estn distribuidos idnticamente puede ser hecho de varias maneras. Un enfoque es la inspeccin visual de la distribucin para ver si sta tiene ms 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 reparacin. Es probable que despus de examinar la causa de los paros, se descubra que algunas fueron debidas a partes atoradas que fueron rpidamente corregidas, mientras que otras fueron debidas a fallas mecnicas que les tomo ms tiempo repararlas. Un tipo de dato no homogneo ocurre cuando la distribucin cambia con el tiempo. Esto es diferente de dos o ms distribuciones que se manifiestan sobre el mismo periodo de tiempo como la que es causada por la mezcla de tipos paros. Un ejemplo de una distribucin que cambia con el tiempo puede resultar de un operador que trabaja 20% ms rpido en la segunda hora de su turno con respecto a su primera hora. Sobre periodos largos de tiempo, el fenmeno de la curva de aprendizaje ocurre cuando los trabajadores trabajan a un rango ms rpido 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. Otro ejemplo comn de una distribucin que cambia con el tiempo, es la tasa de llegadas de los clientes a una instalacin de servicio. Las llegadas de los clientes a un banco o una tienda, fluctan a travs del da.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 media hora a un almacn, entre las 10 A.M. y 6 P.M. pueden ser graficadas separadas de las llegadas entre las 9 y 10 A.M., y as sucesivamente (Figura 2.7). Note en esta figura que mientras el tipo de distribucin (Poisson) es la misma para cada periodo de tiempo, la tasa (y de aqu el tiempo medio entre llegadas) cambia cada media hora.Si la distribucin es de un tipo diferente o pertenece a la misma distribucin pero con un valor mayor o menor de la media sobre el tiempo, la distribucin es no estacionaria. Este factor deber ser tomado en cuenta para definir el comportamiento del modelo.

Figura 2.6 Distribucin bimodal.

Figura 2.7 Cambio en las llegadas de los clientes entre las 10 A.M. y las 6 P.M.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 poblacin o son idnticamente distribuidos. Situaciones, en donde las pruebas para datos idnticamente distribuidos, son de gran ayuda, son las siguientes: Tiempos de llegadas que han sido recolectadas en diferentes das y se quiere saber si los datos de cada da vienen de la misma distribucin. Tiempos recolectados de la actividad de 2 o ms operadores y se quiere saber si la misma distribucin puede ser usada para los operadores. Tiempos de falla que han sido recolectados en 4 maquinas diferentes y se est interesado en conocer si estn idnticamente distribuidos.

Una forma sencilla de decir si dos conjuntos de datos tienen la misma distribucin es correr el Stat Fit o el Expert Fit y ver que distribucin se ajusta mejor a cada conjunto de datos. Si la misma distribucin se ajusta a ambos conjuntos de datos, se puede asumir que ellos vienen de la misma poblacin. Si se est en duda, ellos pueden ser modelados, simplemente, como distribuciones diferentes.Varias pruebas formales existen para determinar si 2 o ms grupos de datos pertenecen a poblaciones idnticas. Algunas de estas aplican a familias especificas de distribuciones tal como el anlisis de varianza (ANOVA de las siglas en ingls de analysis of variance) pruebas datos normalmente distribuidos. Otras prueban son: La prueba de dos muestras -Kolmogorov-Smirnov. La prueba de mltiples muestras chi-cuadrada. 2.6 Ajuste de distribucinUna vez que los datos numricos han sido probados por independencia y correlacin, ellos pueden ser convertidos a una forma adecuada para su uso en la simulacin. Tomar muestras de datos numricos que han sido obtenidos de tiempos de actividad, intervalos de llegadas, cantidades en lotes, etc., pueden ser representados en un modelo de simulacin de tres maneras. 1. Los datos pueden ser usados exactamente en la manera en que fueron tomados.Utilizar los datos tal y como fueron tomados es relativamente directo pero problemtico. Durante la simulacin, los valores de los datos son ledos directamente del archivo de datos de la muestra en el orden en que fueron recolectados. El problema con esta tcnica es que el conjunto de datos no es lo suficientemente grande para representar la poblacin. Esto tambin representa un problema a la hora de correr mltiples replicas de un experimento de simulacin debido a los grupos separados de datos, los cuales comnmente no estn disponibles, son necesarios para cada replica. Los conjuntos de datos de la muestra tienden a ser usados directamente en una simulacin cuando ellos son datos muestreados de otro modelo de simulacin relacionado, desde el cual ste recibe su entrada. Esta tcnica de modelo particionado en ocasiones es usada en la simulacin de grandes sistemas. Los tiempos de salida para entidades en una simulacin se convierten en el flujo de llegadas usado para el modelo al que va a alimentar.2. Una distribucin emprica que caracterice los datos puede ser usada. Utilizar una distribucin emprica requiere que los datos sean convertidos a una distribucin de frecuencia continua o discreta. Una distribucin de frecuencia continua resume el porcentaje de valores que caen dentro de intervalos dados. En este caso de distribucin continua los intervalos necesitan no ser iguales en amplitud En el caso de una distribucin de frecuencia discreta es el porcentaje de veces en que ocurre un valor en particular. Durante la simulacin, variables aleatorias son generadas usando una funcin de distribucin continua emprica basada en datos agrupados (Law and Kelton, 2000). Los inconvenientes de utilizar una distribucin emprica como entrada para la simulacin son dobles. Un tamao de muestra insuficiente puede crear un sesgo inclinacin artificial o encrespamiento en la distribucin que no represente la verdadera distribucin. Distribuciones empricas basadas en un tamao de muestra limitada comnmente fallan en capturar valores extremos raros que pueden existir en la poblacin de la cual fueron muestreados. Como regla general, las distribuciones empricas debern ser usadas sola para modelar cortes-speros o cuando la forma es muy irregular y no permite un buen ajuste a una distribucin.3. El mtodo preferido es seleccionar una distribucin terica que se ajuste de la mejor manera a los datos.Representar los datos usando una distribucin terica involucra el ajuste de los datos a una distribucin terica. Durante la simulacin, variables aleatorias son generadas de la distribucin de probabilidad para proveer los valores aleatorios simulados. Ajustar una distribucin terica a la muestra de datos suaviza las irregularidades artificiales en los datos y asegura que los valores extremos sean incluidos. Por esta razn, es mejor usar una distribucin terica si un buen ajuste razonable existe. Los programas ms populares de simulacin proveen utilidades para ajustar una distribucin a datos numricos, de esta manera se libera al modelador de este complicado procedimiento. Un modelador deber ser precavido cuando utilice una distribucin terica para asegurar que si una distribucin no acotada es usada, los valores extremos que puedan ser generados sean realistas.

CAPTULO 3CONCEPTOS GENERALES DE SIMULACIN3.1 La tcnica de SimulacinLa simulacin es una tcnica de modelacin y anlisis usada para evaluar y mejorar los sistemas dinmicos de todos los tipos (Harrell, 2004). sta ha crecido desde ser una relativamente oscura tecnologa usada por unos cuantos especialistas, a una ampliamente aceptada herramienta, usada por los responsables de toma de decisiones en todos los niveles de una organizacin.Cuando las relaciones que componen el modelo que representa el sistema real son simples, es posible usar mtodos matemticos (tales como lgebra, clculo, teora de la probabilidad, modelos de teora de colas, etc.) para obtener la informacin exacta de las cuestiones de inters; esto es llamado una solucin analtica. Sin embargo, la mayora de los sistemas de la vida real son tan complejos para permitir que los modelos realistas sean evaluados analticamente; estos modelos deben ser estudiados por medio de la simulacin. En una simulacin se usa una computadora para evaluar un modelo numrico, y los datos son colectados para estimar las caractersticas reales deseadas del modelo.El uso moderno de la palabra simulacin data de 1940, cuando los cientficos Von Neuman y Ulam trabajaban en el proyecto Monte Carlo, durante la segunda guerra mundial. Ellos resolvieron problemas de reacciones nucleares mediante la simulacin, ya que una solucin experimental sera muy cara y el anlisis matemtico demasiado complicado. Con la invencin de la computadora y su utilizacin en los experimentos de simulacin, surgieron incontables aplicaciones y por consiguiente el uso de la simulacin se ha incrementado enormemente.3.2.1 Definiciones de simulacinExisten muchas definiciones que varios autores manejan sobre el concepto de simulacin. Las siguientes definiciones, ayudarn a la comprensin de los alcances de esta tcnica empleada para la solucin de problemas: Christopher A. Chung, la define como:El anlisis y modelado por simulacin es el proceso de creacin y experimentacin con un modelo matemtico computarizado de un sistema fsico. (Chung, 2004:2). H. Maisel y G. Gnignol la definen como:Simulacin es una tcnica numrica para realizar experimentos en una computadora digital. Estos experimentos involucran ciertos tipos de modelos matemticos y lgicos que describen el comportamiento de sistemas de negocios, econmicos, sociales, biolgicos, fsicos o qumicos a travs de largos periodos de tiempo." (Coss Bu, 2005:12). Jerry Banks la define como:"La Simulacin es la imitacin de la operacin de un proceso o sistema de la vida real a travs del tiempo. (Banks, 1998:3). Robert E. Shannon la define como:"Simulacin es el proceso de disear un modelo de un sistema real y realizar experimentos con l para entender el comportamiento o evaluar varias estrategias (dentro de los lmites impuestos por un criterio o por un conjunto de criterios) para la operacin del sistema. (Shannon, 1988:11).

La simulacin involucra la generacin de una historia artificial del sistema y l anlisis de esta historia para establecer inferencias concernientes a las caractersticas de operacin del sistema real bajo estudio. La simulacin es usada para describir y analizar el comportamiento de un sistema; responde a la pregunta qu pasa si? sobre el sistema real, adems, ayuda en el diseo de sistemas reales, de esta manera pueden ser modelados tanto sistemas existentes como conceptuales mediante la simulacin.3.2.2 Propsitos de la simulacinEl modelado de simulacin y anlisis de diferentes tipos de sistemas, son conducidos con los objetivos de (Chung, 2004): Comprender mejor la operacin de un sistema.Algunos sistemas son tan complejos que es difcil entender la operacin e interacciones dentro del sistema sin un modelo dinmico. En otras palabras, puede ser imposible estudiar el sistema detenindolo o examinando los componentes individuales por separado. Un ejemplo tpico de esto podra ser el tratar de intentar entender como los cuellos de botella de procesos industriales ocurren. Desarrollar polticas de operacin 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 polticas de recursos o de operacin. Los cambios de polticas de operacin podran incluir prioridades de programacin diferentes para rdenes de trabajo. Los cambios de polticas de recursos podran incluir personal necesario o programacin por intervalos. Probar nuevos conceptos.Si un sistema todava no existe, o se considera la compra de nuevos sistemas, un modelo de simulacin puede ayudar a tener una idea de que tan bien el sistema propuesto funcionar. El costo de modelar un nuevo sistema puede ser muy pequeo en comparacin con la inversin de capital implicada en la instalacin de cualquier proceso significativo de fabricacin. Los efectos de diferentes niveles y costos de equipo pueden ser evaluados. Adems, el uso de un modelo de simulacin antes de la realizacin puede ayudar a refinar la configuracin del equipo elegido.

Actualmente, varias compaas requieren que los vendedores de equipo de manejo de materiales desarrollen una simulacin de sus sistemas propuestos antes de la compra. El modelo de simulacin es usado para evaluar las afirmaciones de los vendedores. Incluso despus de la instalacin, el modelo de simulacin puede ser til. La compaa puede usar el modelo de simulacin para ayudar a identificar problemas cuando el sistema instalado no funciona como lo prometido. Obtener informacin sin interrumpir el sistema actual.Los modelos de simulacin son posiblemente el nico mtodo disponible para la experimentacin con sistemas que no pueden ser alterados. Algunos sistemas son tan crticos o sensibles que no es posible hacer algn tipo de cambio en las polticas de operacin o recursos del sistema a analizar. El ejemplo clsico de este tipo de sistema sera el punto de control de seguridad en un aeropuerto comercial. La experimentacin fsica del sistema tendra un serio impacto en la capacidad operacional o la eficacia de seguridad del sistema.3.2.3 Clasificacin de la simulacinLa siguiente clasificacin de la simulacin se basa en los tipos de modelos de simulacin, clasificndolos en tres diferentes dimensiones (Law y Kelton, 2007): Modelos de simulacin estticos y dinmicos. Modelo esttico. Es aquel en el que las variables del modelo no cambian con el tiempo. Un modelo de simulacin esttico es una representacin de un sistema en un tiempo particular, o uno que puede ser usado para representar un sistema en el cual el tiempo simplemente no juega un papel. Ejemplo: La distribucin de planta de una fbrica. Modelo dinmico. Es aquel en el que las variables del modelo si cambian con el tiempo. Representa un sistema que evoluciona con el tiempo. Ejemplo: Los modelos de colas. Modelos de simulacin probabilsticos y determinsticos. Modelo probabilstico. Es aquel que contiene variables aleatorias que son definidas por una funcin de probabilidad. Ejemplo: Simulacin de un banco. Modelo determinstico. Es aquel que contiene variables matemticas que se conocen con certeza. Ejemplo: Simulacin de una lnea de ensamble controlada por robots.

Modelos de simulacin discretos y continuos. Modelo discreto. Es aquel en que el estado de las variables cambia en determinados puntos separados en el tiempo, que pueden ser contados. Ejemplo: Simulacin de un banco. Modelo continuo. Es aquel en que el estado de las variables cambia continuamente con respecto al tiempo. Ejemplo: Proceso qumico en el cual la temperatura y la presin cambian continuamente a travs del tiempo.3.2.4 Pasos de un estudio de simulacinSe han escrito por varios autores competentes en simulacin los pasos necesarios para realizar un estudio de simulacin, por lo que no hay una regla estricta de cmo realizarlo. Un estudio de simulacin no es un simple proceso secuencial. Cuando se empieza con un estudio de simulacin, puede ser necesario regresar a un paso previo. En la Figura 2.1 se muestran los pasos de un estudio de simulacin propuestos por Law y Kelton (2007), y en los prrafos siguientes se brinda una descripcin detallada de cada stos:

Figura 3.1 Pasos de un estudio de simulacin. Fuente Law y Kelton, 2007.

1. Formular el problema y planear el estudio.Cada estudio de simulacin empieza con una definicin del problema a resolver. Para poder realizar una correcta formulacin del problema y posteriormente realizar la planeacin del estudio de simulacin, se debe seguir lo siguiente:a. El problema de inters es seleccionado por el director o gerente de la empresa.b. Una o ms reuniones inciales para el estudio son conducidas, con asistencia del responsable del proyecto, el analista de simulacin y el experto en el tema. En stas reuniones los siguientes puntos son discutidos: Los objetivos globales del estudio. Preguntas especficas que deben ser contestadas por el estudio. Medidas de desempeo que sern usadas para evaluar le eficacia de las diferentes configuraciones del sistema. Alcance o propsito del modelo. Configuraciones del sistema a ser modeladas. Software a ser usado. Marco de tiempo para el estudio y los recursos requeridos.

2. Colectar datos y definir un modelo.Una vez que el problema y la planeacin del estudio han sido aceptadas, se proceder a empezar la recoleccin de datos y definir el modelo de simulacin, para ello se deben seguir los siguientes pasos:Colectar informacin sobre la distribucin de planta del sistema y procedimientos de operacin.a. Realizar un diagrama de flujo del sistema a modelar.b. Colectar datos (si es posible) para especificar los parmetros del modelo y las distribuciones de probabilidad de los datos.c. Delinear la informacin y datos mencionados arriba en un documento apropiado, el cual es el modelo conceptual.d. Colectar datos (si es posible) sobre el desempeo del sistema existente (para la validacin de objetivos indicados en el paso 6).e. Definir por escrito en un documento los supuestos del modelo, con el objeto de establecer cules son las condiciones o aspectos del sistema que van a ser tomadas en cuenta en la definicin del modelo de simulacin.f. Definir el nivel del detalle del modelo, el cual depender de lo siguiente: Objetivos del proyecto. Medidas de desempeo. Disponibilidad de datos. Restricciones de la computadora. Opiniones de los expertos en la materia. Restricciones de tiempos y dinero. Evitar el forzar una correspondencia uno a uno entre cada elemento del modelo y el correspondiente elemento del sistema. Interactuar con el gerente (y otro personal clave del proyecto) de un modo regular.

3. Verificar que el modelo conceptual es vlido.La verificacin consiste en checar si la operacin del modelo es una representacin compatible del sistema que se est modelando. La verificacin del modelo con el objeto de validarlo se puede realizar con los siguientes pasos:a. Desarrollar una explicacin estructurada del modelo conceptual usando el documento de los supuestos ante una audiencia de gerentes, analistas y expertos en el tema.b. Ayudar a asegurar que los supuestos del modelo son correctos y completos.c. Fomentar la pertenencia del modelo.d. Entender el diagrama de flujo del modelo antes del inicio de la programacin para evitar reprogramaciones significativas mas tarde.4. Construir un programa de cmputo y verificar.Validado el modelo conceptual se procede a la construccin de ste a una forma computarizada. Para ello se siguen los siguientes pasos:a. Programar el modelo en un lenguaje de programacin (ejemplo, C o Fortran) o en un software de simulacin (ejemplo: Flexsim, Promodel, Arena, Automod, etc.). Los beneficios de usar un lenguaje de programacin es que tienen un bajo costo de compra, adems, se obtiene un modelo con un tiempo de ejecucin ms pequeo. El uso de un software de simulacin, por otro lado, reduce los tiempos de programacin y se obtiene un proyecto con un costo menor.b. Verificar (depurar) el programa computacional de simulacin.5. Hacer corridas piloto.Hacer corridas piloto para los intereses de validacin del paso 6. Con estas corridas se incrementa la experiencia del modelador en el uso del modelo de simulacin y por consiguiente se empieza a tener expectativas respecto a las salidas del modelo en trminos cuantitativos y cualitativos, adems de proveer resultados que puedan ser usados para planear varios aspectos de corridas posteriores, as como proporcionar ayuda para validar el modelo de un sistema existente.6. Probar si el modelo programado es vlido.Una de las principales etapas de un estudio de simulacin es la validacin del modelo programado. A travs de esta etapa es posible detallar deficiencias en la formulacin del modelo o en los datos alimentados del modelo, con el objetivo de que el modelo de simulacin sea una representacin exacta del sistema real. Esta validacin puede ser realizada a travs de alguno de los siguientes pasos:a. Si hay un sistema existente, entonces comparar las medidas de desempeo del modelo y el sistema existente.b. Independientemente de que si hay un modelo existente, el analista de simulacin y el experto en el tema deben revisar los resultados del modelo para su correccin.c. Usar el anlisis de sensibilidad para determinar que los factores del modelo tienen un impacto significativo sobre las medidas de desempeo y, por consiguiente, debe ser cuidadosamente modelado.7. Diseo de experimentos.La realizacin de la experimentacin con el modelo de simulacin se realiza despus de que ste ha sido validado. Con esta experimentacin se logra obtener el nmero de corridas de simulacin que deben ser ejecutadas para cada alternativa para obtener el grado de precisin deseado de las medidas de desempeo elegidas. Para la experimentacin del modelo de simulacin se debe especificar lo siguiente para cada configuracin del sistema de inters:a. Margen de error mximo aceptado de cada medida de desempeo.b. Longitud de cada corrida.c. Longitud del periodo de precalentamiento, si este es apropiado.d. Nmero de corridas independientes de simulacin usando diferentes nmeros aleatorios, esto facilita la construccin de intervalos de confianza.8. Hacer corridas del programa.Este paso involucra la realizacin de las corridas de simulacin del modelo determinadas en el paso 7. Las corridas de produccin son realizadas para usarlas en el paso 9.9. Analizar los datos de salida.Los resultados obtenidos de las corridas del modelo de simulacin, con base en las medidas de desempeo tienen dos objetivos principales:a. Determinar el desempeo absoluto de configuraciones del sistema definitivas.b. Comparar las configuraciones alternativas del sistema en un sentido relativo.10. Documentar, presentar y usar resultados.La documentacin, presentacin y uso de resultados del estudio de simulacin involucra preparar y escribir un reporte que describa todos los aspectos importantes del estudio, entre los cuales estn: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. Usar animacin para comunicar los resultados del modelo a los directivos y a otras personas que no estn familiarizadas con todos los detalles del modelo. Discutir la construccin del modelo y el proceso de validacin para promover la credibilidad.c. Usar los resultados obtenidos en el proceso de toma de decisiones, si ellos han sido vlidos y crebles.3.2.5 Factores a considerar en el desarrollo del modelo de simulacinLa simulacin est basada fuertemente en la teora de probabilidad y estadstica, en matemticas, en ciencias computacionales, etc., se describe a continuacin como intervienen estas reas en el desarrollo y formulacin del modelo de simulacin (Coss Bu, 2000): Generacin de variables aleatorias no uniformes.Si el modelo de simulacin es probabilstico, la simulacin debe ser capaz de generar variables aleatorias no uniformes de distribuciones de probabilidad tericas o empricas, esto se puede obtener si se cuenta con un generador de nmero uniformes y una funcin que transforme estos nmeros en valores de la distribucin de probabilidad deseada. Se han desarrollado una gran cantidad de generadores para las distribuciones de probabilidad ms comunes como: la distribucin normal, exponencial, poisson, erlang, binomial, gamma, beta, f, t, etc. Condiciones inciales.La mayora de los modelos de simulacin probabilsticos se corren con la idea de estudiar al sistema en una situacin de estado estable. Sin embargo, la mayora de estos modelos presentan en su etapa inicial estados transientes (es decir que al salir desde el estado i existe la probabilidad de no retornar, a diferencia de los estados recurrentes, que retornarn con certeza) los cuales no son tpicos del estado estable.

Por consiguiente es necesario establecer claramente las alternativas o cursos de accin que existen para resolver este problema. La forma de atacar este problema sera a travs de: Usar un tiempo de corrida lo suficientemente grande de modo que los periodos transientes sean relativamente insignificantes con respecto a la condicin de estado estable. Excluir una parte apropiada de la parte inicial de la corrida. Utilizar simulacin regenerativa.Las dos primeras alternativas presentan las desventajas de ser prohibitivamente excesivas en costo. Tamao de la muestra.El tamao de la muestra es el nmero de corridas en la computadora. Es uno de los factores principales a considerar en un estudio de simulacin. La seleccin de un tamao de muestra apropiado que asegure un nivel deseado de precisin y a la vez minimice el costo de operacin del modelo, es un problema algo difcil pero muy importante. Es necesario que un anlisis estadstico sea realizado para determinar el tamao de muestra requerido. El tamao de la muestra puede ser obtenido de dos maneras:1. Previa e independientemente de la operacin del modelo.2. Durante la operacin del modelo y basado en los resultados arrojados por el modelo. Para esta alternativa se utiliza la tcnica estadstica de intervalos de confianza.

Lenguajes de programacin.Las primeras dos etapas de un estudio de simulacin se refieren a la definicin del sistema a ser modelado y a la descripcin del sistema en trminos de relaciones lgicas 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 simulacin:1. Desarrollar el software requerido para estudios de simulacin,2. Comprar software (lenguajes de programacin de propsito especial). Para esta alternativa es necesario analizar y evaluar varios paquetes de simulacin, antes de tomar la decisin final.

Diseo de experimentos.Es un tema cuya relevancia en experimento de simulacin ha sido reconocida pero raramente aplicado. El diseo de experimentos en los estudios de simulacin puede ser de varios tipos, dependiendo de los propsitos especficos que se hayan planteado. Los tipos de anlisis requeridos ms comunes son los siguientes: Comparacin de las medias y varianzas de las alternativas analizadas. Determinacin de la importancia y el efecto de diferentes variables en los resultados de la simulacin. Bsqueda de los valores ptimos de un conjunto de variables.

3.2.6 Errores comunes al realizar un estudio de simulacinAl realizar un estudio de simulacin se puede caer en ciertos errores, lo que ocasiona deficiencias en los resultados obtenidos, los errores ms comunes son (Law y Kelton, 2007): No se definen claramente los objetivos del estudio de simulacin. No se detalla adecuadamente el modelo del sistema real que se est simulando. Aplicar simulacin sin tener conocimientos de estadstica. Creer que la simulacin es demasiado compleja. Falta de comunicacin con el gerente y gente involucrada en el estudio que se est llevando a cabo. Demasiada confianza en simuladores que hacen accesible la simulacin a todo el mundo. Usar distribuciones de probabilidad arbitrarias (por ejemplo la distribucin normal) como entradas del programa, ya que se asigna lo que se desea, ms no lo que realmente debe ser. Usar medidas de desempeo errneas por no definir el objetivo. Mal uso de la animacin, ya que se debe usar para convencer al gerente haciendo a la simulacin una tcnica entendible.3.2.7 Ventajas y desventajas de un estudio de simulacinLa competencia en la industria de la informtica ha producido grandes adelantos tecnolgicos que permite a las compaas de hardware producir mejores productos continuamente. Una industria en particular que ha venido presentando esta tendencia ha sido la industria del software de simulacin. A la par de que las computadoras han llegado a ser ms poderosas, exactas, rpidas y fciles de usar, el software de simulacin tambin.El nmero de empresas que usan la simulacin se ha incrementado rpidamente. Muchos directivos se han dado cuenta de los beneficios de utilizar la simulacin en sus procesos. Adems, debido a los avances en software, los directivos de empresas estn incorporando la simulacin en sus operaciones diarias cada vez ms regularmente. El uso de la simulacin presenta ventajas y desventajas, a continuacin se mencionan algunas de ellas. Ventajas. La mayora de los sistemas reales ms complejos son elementos estocsticos y no pueden ser descritos por un modelo matemtico; la simulacin es el nico medio posible para analizar estos sistemas. A travs de un estudio de simulacin, 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. El tiempo puede comprimirse o expandirse en los modelos de simulacin, 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 nmero de alternativas simuladas puedan ser investigadas y los resultados pueden estar disponibles pronto. La observacin detallada del sistema simulado puede conducir a un mejor entendimiento del sistema y, por consiguiente, a sugerir estrategias que mejoren la operacin y eficiencia del sistema. La simulacin de sistemas complejos puede ayudar a entender mejor la operacin del sistema, a detectar las variables ms importantes que interactan en el mismo, y a entender mejor las interrelaciones entre estas variables. El concepto de simulacin es ms fcil e intuitivo de entender, por tanto los clientes son ms receptivos de usar la simulacin que el modelo matemtico. Como resultado, los clientes se inclinan a implementar recomendaciones basadas en simulacin, en vez de resultados de los modelos basados en matemticas, que ellos no pueden entender y cuyos resultados no pueden confiar. Cuando nuevos elementos son introducidos en un sistema, la simulacin puede ser usada para anticipar cuellos de botella o algn otro problema que puede surgir en el comportamiento del sistema. Desventajas La construccin del modelo requiere entrenamiento especial. La simulacin es un arte que es aprendido con el tiempo y a travs 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 sern lo mismo. Los resultados de la simulacin pueden ser difciles de interpretar. Puesto que la mayora de las salidas de la simulacin son variables esencialmente aleatorias (ellas son usualmente basadas en entradas aleatorias), puede ser difcil determinar si una observacin es un resultado de las interrelaciones del sistema o de la aleatoriedad. El modelado y anlisis de simulacin puede consumir demasiado tiempo y ser costoso. Escatimar en recursos para el modelado y anlisis puede resultar en un modelo y anlisis de simulacin que no es suficiente y adecuado al objetivo de estudio.

CAPITULO 4CONCEPTOS GENERALES DEL SOFTWARE FLEXSIM4.1 IntroduccinFlexsim es un poderoso programa de simulacin que permite visualizar y probar cambios en las operaciones y los procesos de logstica, manejo de materiales, y manufactura de la manera ms rpida y sencilla evitando los altos costos, riesgos y extensos tiempos que conllevan el experimentar con cambios en el mundo real y su anlisis por prueba y error.Flexsim es un software de simulacin 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 solucin ms conveniente, todo esto en un ambiente grfico en tres dimensiones (3D), con los ltimos avances en tecnologa que facilita la comunicacin y comprensin de las ideas para una acertada toma de decisiones.Adicionalmente un profundo anlisis estadstico del desempeo del proceso, cuellos de botella y de troughput (flujo) est disponible. Grficas, reportes y estadsticas presentan los resultados del modelo de simulacin de una manera clara y precisa.Flexsim representa la mayor innovacin en software de simulacin de los ltimos 10 aos, al ofrecer todo el poder, flexibilidad y conectividad. Es la ms avanzada tecnologa de simulacin. Flexsim presenta una extraordinaria facilidad de uso. Permite construir modelos simples y complejos de la forma ms rpida y sencilla posible, sin necesidad de conocimientos de programacin.La simulacin permite manejar valores promedio en los modelos en datos referentes a tiempos de produccin, nmero de productos a surtir por orden, camiones por da a recibir, tiempos de mantenimiento o cualquiera que se desee.

La desventaja de utilizar promedios es que no contemplan un efecto muy importante, el de la aleatoriedad y variabilidad. Sabemos que el tiempo de una operacin no siempre es exactamente el mismo, as como el tiempo de preparacin de una mquina o el que se lleva el revisar la documentacin de cierto camin o bien la cantidad de productos que este lleva, por mencionar un ejemplo. Mediante distribuciones de probabilidad se puede representar con gran precisin las variaciones en cantidades y tiempos de los procesos y omitir los errores en la determinacin de capacidades, programas de produccin, fechas de entrega, balanceo de lneas, identificacin de cuellos de botella o diseos de layout (mapa o croquis) debido al uso de valores promedio, lo que permite que el modelo de simulacin represente fielmente la realidad.4.2 Aprendiendo conceptos del Software de Simulacin Flexsim4.2.1 Terminologa de Flexsim

Objetos de FlexsimLos objetos de Flexsim se encuentran la biblioteca de objetos (Object Library) que es un panel cuadriculado. Incluyen: Source (fuente), Queu (fila o buffer de acumulacin), Processor (mquina), Sink (salida), SplineConveyor, Conveyor (transportador o banda transportadora), NetworkNode (nodo de red de caminos), Crane (gra viajera), ASRSvehicle (Automated Storage and Retrieval System (ASRS) es un vehculo robotizado que traslada y posiciona tarimas), VisualObject (objeto visual), VisualText (texto visual). Los objetos de Flexsim se pueden simplemente arrastrar y soltar.FlowitemsSon los objetos que se mueven a travs de tu modelo. Los flowitem pueden ser partes, tarimas, ensambles, papel, contenedores o cualquier cosa que fluya a travs del modelo. La mayora 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.ItemtypeEs una especie de etiqueta que tiene el flowitem que contiene cierta informacin como puede ser el nmero del cdigo de barras, tipo de producto, peso, destino, SKU, costo, precio o un nmero de parte por nombrar algunos ejemplos. Flexsim est preparado para tomar decisiones en base al Itemtype como puede ser definir la ruta segn el valor del Itemtype. El flowitem define en general el producto o parte, mientras que el itemtype define la caracterstica individual.PortsCada objeto de Flexsim tiene un nmero ilimitado de puertos a travs 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 trnsito (network paths) para que los sigan los recursos mviles usando los nodos de la red (NetworkNodes). Los puertos centrales son usados para crear referencias de un objeto a otro. Un uso comn de los puertos centrales es para referenciar a los objetos mviles (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 crear un puerto de salida (output port) en el primer objeto y un puerto de entrada (output port) en el segundo objeto. Estos dos puertos quedarn conectados automticamente. 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 harn 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).4.3 Vistas del ModeloFlexsim tiene un ambiente de modelado en realidad virtual que usa la tecnologa openGL. La vista ms comn 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 ms fcil empezar a desarrollar el layout con la vista desde arriba (ortho), pero puedes escoger cualquier opcin de vista para construir o correr el modelo. Puedes abrir tantas ventanas de vistas como prefieras en Flexsim. Slo recuerda que entre ms 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 presentacin del modelo.4.4 Navegacin con el mouseBotn izquierdo del mouseSi se selecciona el layout se mueve el modelo en el plano X-Y. Si se selecciona un objeto este se mover en el plano X-Y.Botn derecho del mouseSi se selecciona el layout se rota en X-Y-Z. Si selecciona un objeto se rotar en las mismas coordenadas.Botones izquierdo y derecho del mouse simultneosSi se presionan ambos botones simultneamente sobre el layout hacen un zoom de acercamiento o alejamiento, segn se mueva el mouse hacia el frente o hacia atrs (lo mismo sucede si se presiona el botn tipo rueda del mouse). Si se selecciona un objeto y se presionan ambos botones se puede cambiar la altura en eje Z del objeto.4.5 Tecla F7Presionar la tecla F7 activa el modo de vuelo en el modelo. Cuando se est en ese modo se puede mover el mouse hacia arriba para ir hacia delante, hacia abajo para ir hacia atrs, a la izquierda para ir en esa direccin o a la derecha para ir en la direccin contraria. Estando en este modo tambin se puedan utilizar todas las funciones anteriores de movimiento, rotacin y zoom. Para salir del modo de vuelo se presiona de nuevo la tecla F7.4.6 Librera de Objetos de FlexsimSourceDescripcin:Source (fuente) es utilizado para crear flowitems o productos que viajan por el modelo. Cada source crea un tipo de flowitem y le puede asignar propiedades tales como el color o el nmero de itemtype. El modelo debe tener por lo menos un Source. Puede crear flowitems definidos por una tasa nter arribos, segn una lista de programacin de arribos o simplemente por una secuencia de arribos o llegadas.SinkDescripcinEl 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 recoleccin 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 lgica de entrada del sink, llamado OnEntry trigger.QueueDescripcinEl queue (fila) sirve para almacenar flowitems cuando el siguiente objecto no los puede recibir todava. La opcin 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 ms tiempo por llegar al siguiente objecto ser el primer en continuar su camino hacia el objeto. Estos criterios se pueden modificar. Adicionalmente el queue tiene la opcin para acumular los tems en un lote o batch antes de liberarlos hacia los objetos siguientes. ConveyorDescripcinEste conveyor (transportador) tambin transporta flowitems a travs de l, su forma se define creando diferentes secciones y definiendo para cada seccin su longitud, altura, si es recta o curva. Si esa seccin es curva se le define el ngulo y radio. Esto permite definir la forma numricamente a diferencia del SplineConveyor, que se hace segn los spline points y los movimientos del mouse. Puede ser acumulativo o no acumulativo.ProcessorDescripcinEl processor (procesador) simula un lugar de operacin o una mquina. Cualquier proceso es simplemente modelado al forzar a los flowitems a un tiempo de espera determinado, que es el tiempo de la operacin. Puede contener ms de un flowitem al mismo. Se pueden definir tiempos de preparacin o setups, tiempos de operacin 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 est procesando en ese momento sern demorados hasta que sea reparada.

MultiProcessorDescripcinEl 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 duracin. As mismo se puede especificar para cada proceso si se requiere o no de uno o varios operadores.CombinerDescripcinEl combiner (combinador) es utilizado para agrupar y juntar mltiples flowitems. Puede tanto ensamblar o juntar (join) los flowitems definitivamente o bien agruparlos o empacarlos (pack) con la posibilidad de volverlos a separar ms adelante en el proceso. El combiner primero debe aceptar un solo flowitem a travs del puerto de entrada 1 antes de aceptar los subsecuentes flowitems que se deseen a travs de los puertos 2 o puertos superiores. nicamente despus 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 preparacin, proceso y reparacin.SeparatorDescripcinEl separator (separador) es usado para separar o cortar un flowitem en mltiples partes. Esto puede ser realizado al desempacar un flowitem anteriormente empacado por un combiner (unpack) o bien al crear mltiples copias del flowitem original (split), que tambin podran simular un corte del flowitem original que se convertir en varias piezas. Tanto el proceso de desempaque como el de corte sern efectuados hasta que el tiempo de proceso definido haya sido completado. El separator puede llamar a operadores para preparacin, proceso y reparacin.

Rack DescripcinEl rack sirve para almacenar flowitems tal como se hace en los racks de un almacn o bodega. El nmero y tamao de las bahas y los niveles de los racks pueden ser definidos por el usuario. Tambin se puede especificar en qu baha y nivel del rack acomodar los flowitems. Si se utiliza un transporte para acomodar o recoger el producto del rack, este transporte ir hasta la posicin correcta automticamente.ReservoirDescripcinUn reservoir (depsito) 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.DispatcherDescripcinUn 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 sern desempeadas por el operador o transporte que finalmente reciba la solicitud.OperatorDescripcinUn operador (operador) o varios pueden ser llamados para ser utilizados durante los tiempos de preparacin, proceso o reparacin. Permanecern con el objeto que los llam hasta que sean liberados al terminar su actividad. Una vez liberados pueden ir a trabajar con otros objetos si son llamados o solicitados. Tambin pueden ser usados para transportar flowitems entre objetos. Los operadores buscarn el camino ms 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.TransporterDescripcinEl 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 est 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 ms corto al trasladarse, pero tambin se les puede especificar el camino a seguir definiendo una red y sus nodos (network node).CraneDescripcin Un crane (gra viajera) tiene funcionalidades similares a un transporte. La gra trabaja en un espacio definido con movimientos en los ejes x, y, z. Simula cualquier gra guiada por rieles. Por default, el crane picker o dispositivo de agarre de la gra se eleva hasta la altura de la gra despus de recoger o de dejar un flowitem antes de trasladarse a la siguiente locacin. Para mayor control sobre los movimientos del crane picker, se pueden utilizar los networknodes.ASRSvehicleDescripcinEl Automated Storage and Retrieval System (ASRS) es un tipo especial de transporte especialmente diseado para trabajar con racks llamado ASRSvehicle en Flexsim. El ASRSvehicle se mover 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 simultneamente, pero el de alcance solo ser ejecutado cuando despus de que el ASRSvehicle est totalmente detenido en la posicin requerida. Se puede conectar el ASRSvehicle, los objetos y racks a los que sirve a un solo y exclusivo networknode para definir la posicin a partir de la cual se puede mover.ElevatorDescripcinEl elevator (elevador) es otro tipo especial de transporte que transporta flowitems hacia arriba y hacia abajo. Automticamente 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. RobotDescripcinUn robot es un transporte especial que traslada los flowitems desde su locacin inicial y los coloca en su locacin 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 est compuesto por dos 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, as como la velocidad a la cual el robot rota y extiende el brazo.NetworkNodeDescripcinLos 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 seguirn el camino ms 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 nmero de transportes inactivos que puede tener, tipos de conexin y el espacio entre los transportes en esas conexiones.Visual ToolDescripcinEl VisualObject (objeto visual) no son objetos de modelaje, sino simplemente son grficos utilizados para decorar el escenario del modelo para efectos de brindar una apariencia ms real. Pueden ser utilizados como paredes, pisos, mquinas, gente, carros, rboles o lo que se desee. Pueden ser tan simples como un cubo con cierto color o bien un grfico importado en tercera dimensin (archivos .3DS, WRL, .DXF o .STL). Puede modificarse la forma, tamao, color, luminosidad, textura, rotacin o el grfico importado. Al crear un modelo puede ser conveniente seleccionar una propiedad que no permite mover el objeto visual y lo deja fijo. Tambin permite mostrar texto en el layout del modelo. Este texto tridimensional puede ser rotado y su tamao 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 ms variables del modelo que cambien dinmicamente, mostrando informacin actualizada. El texto visual contiene una larga lista de opciones predefinidas para mostrar la mayora de las variables del modelo, pero siempre permite modificarlas segn las necesidades del usuario. Se puede cambiar el tipo de texto, tamao, color, y la distancia a la que se ve.

CAPTULO 5APLICACIN DE LA METODOLOGA DE SIMULACIN AL SISTEMA DE VENTAS DE LA PAPELERA CIBER GAMES5.1 IntroduccinGracias al avance tecnolgico de la computacin, la simulacin se ha convertido en una poderosa herramienta de anlisis de diversos sistemas, ya que provee una manera de solucionar problemas que de otra manera seria difcil o imposible de hacer, dada la complejidad de los mismos. Entre los sistemas complejos, los cuales estn formados de elementos (conjuntos) dinmicamente relacionados con la finalidad de lograr un objetivo, se encuentran los:1. Sistemas de renta de equipos de cmputo y videojuegos y la venta de papelera.

El sistema de renta de equipos de cmputo y video juegos as como la venta de papelera es un sistema complejo, dado que cuenta con una gran cantidad de variables que en la realidad sera muy difcil o casi imposible de analizar y consumira una gran cantidad de tiempo, si no se hace el anlisis por medio de la simulacin con un software adecuado.

Las rentas y ventas, que realiza este establecimiento es esencial para los alumnos de la comunidad del ITSPR, ya sea grande o pequea, es una actividad fundamental para la comunidad estudiantil, ya que cuentan con uno de los servicios fundamentales para los estudiantes (renta de computadoras, impresiones, fotocopiado y material para la escuela), debido a la gran demanda que se generan en este establecimiento decidimos simular su proceso y forma de trabajo para realizar mejoras en sus sistemas formulndonos preguntas como:Qu pasa si? Deberas tener ms personal? Entre otras preguntas.Este captulo mostrara como se aplic la metodologa de simulacin para desarrollar un modelo de simulacin que muestra la situacin actual del sistema de renta y venta de los servicios y/o productos que brinda a la comunidad estudiantil. Este captulo concluye con los resultados obtenidos de la metodologa de simulacin, los beneficios alcanzados y los obstculos encontrados.5.2 Metodologa para la construccin del modelo de simulacin de la situacin actual del sistema de la papelera Ciber-Games.Para la construccin de un modelo de simulacin, que permita simular la situacin actual del sistema de rentas y venta de la papelera, se requiri definir una metodologa general que permitiera realizar de una forma estructurada la realizacin del proceso de construccin del modelo; esta metodologa fue la siguiente:1. Deteccin de las necesidades de la comunidad estudiantil.1. Seleccin de las herramientas de Ingeniera Industrial a ser utilizadas.1. Apoyo por parte de la empresa en la obtencin de la informacin requerida como son la toma de tiempos, entradas y salidas (ventas generadas).1. Desarrollo del modelo de simulacin de la situacin actual.3. Formulacin del problema.3. Planeacin del estudio del desarrollo del modelo de simulacin.0. Objetivo.0. Definicin de preguntas a ser contestadas con el modelo.0. Medidas de desempeo a evaluar.0. Alcance o propsito del modelo.0. Configuraciones del sistema a ser modeladas.0. Marco de tiempo, recursos y software para el estudio.3. Recoleccin de datos para el modelo.0. Definicin de los tipos de datos necesarios para el modelo.0. Recoleccin de datos.0. Anlisis estadstico de los datos.3. Construccin y verificacin del modelo en Flexsim.0. Definicin del sistema a simular.0. Validar los datos y la definicin del modelo.0. Construccin del layout y objetos en 3D involucrados en el sistema de venta y renta de la papelera.0. Exportacin del layout y objetos 3D a Flexsim.0. Construccin del modelo de simulacin.0. Verificacin del modelo de simulacin.

3. Validacin del modelo de simulacin.1. Aplicacin de diseo de experimentos.1. Realizacin de corridas piloto del modelo de simulacin.1. Realizacin del anlisis.3. Correr el modelo de simulacin.1. Anlisis y documentacin de resultados.5.3 Deteccin de las necesidades del sistema de renta y venta de la papelera.Con la finalidad de conocer la situacin actual del sistema que utiliza la papelera para realizar sus ventas, se realiz un diagnstico durante dos semanas del 26 de mayo al 6 de junio del 2014. El procedimiento utilizado para obtener este diagnstico fue:1. Obtencin de un panorama general del establecimiento.1. Determinacin de las reas donde se ubican los elementos a analizar.1. Descripcin de la situacin problemtica.

5.3.1 Obtencin de un panorama general del establecimiento

Para obtener un panorama general del sistema de renta y ventas, se sostuvieron plticas con algunos alumnos del ITSPR, con lo cual se determin:1. El objetivo de estudio. Realizar un modelo de simulacin del sistema actual de la papelera, y as, con base a esto buscar soluciones que permitan controlar el sistema en la parte de rapidez en algunas cosas y ms que nada se detectan retrasos y demora en ciertas horas del da cuando la demanda incrementa al triple que en una hora normal. 1. Las variables del sistema. Las variables definidas para la construccin del modelo de simulacin, fueron clasificadas as:1. Horas en la que la demanda aumenta.1. Numero de computadoras y videojuegos a rentar.1. Cantidad de personal.

Horas en la que la demanda aumenta.1. El tiempo en el transcurso del da es un factor importante ya que llegan horas pico en las que la demanda para la papelera incrementa de forma considerable, como para optar tener ms personal en algn turno ya sea matutino o el vespertino.

Numero de computadoras y videojuegos a rentar.

1. El nmero de computadoras es considerable ya que en muchas ocasiones son insuficientes y se puede ver que se comienzan a generar colas esperando un turno para ocupar un equipo, de la misma manera sucede con los videojuegos solo que aqu al contrario que las computadoras le demandas ms grande y se generan grandes colas en tan solo unos minutos.

Cantidad de personal.1. Es un factor muy importante porque solo se cuentan con 3 personas las cuales tienen que estar a cargo de los videojuegos, computadoras, papelera, fotocopiado y venta de abarrotera.5.3.2 Determinacin del rea de oportunidad.Las observaciones detectadas, son factibles de solucionar con la aplicacin de herramientas de ingeniera industrial. Una de las posibles herramientas, que sirve para analizar si las posibles alternativas de solucin pueden dar resultados satisfactorios, o no, es la aplicacin de la tcnica de simulacin. De esta manera, para empezar a ver si era factible aplicar est tcnica, se realizaron observaciones en la papelera. Las respuestas generadas por las observaciones dieron la pauta para determinar que el rea de oportunidad es la simulacin del sistema de renta y venta de la papelera para ver cmo se comportaran las posibles soluciones propuestas para mejorar el sistema que ocupan en la papelera.5.3.3 Descripcin de la situacin problemtica.La situacin problemtica de la papelera, relacionada con la renta y venta, que se corrobor durante la recoleccin de datos para la realizacin de un modelo de simulacin de la situacin actual, se resume en los siguientes puntos: 1. Los trabajadores cuentan con mucho tiempo ocioso debido a una falta de organizacin dentro del establecimiento ya que 1. No se cuenta con el personal suficiente el cual sera mnimo una persona para cada rea.5.4 Seleccin de las herramientas de Ingeniera Industrial a ser utilizadasEn un proyecto de ingeniera industrial, como en cualquier proyecto, es esencial tener claramente definidas las herramientas de ingeniera industrial que van a ser utilizadas, de esta manera, se ha decidido utilizar las siguientes herramientas, para dar solucin al rea de oportunidad detectada:1. La metodologa de simulacin de Law y Kelton (2007) para desarrollar conceptualmente un modelo de simulacin de la situacin actual, evaluar y validar estadsticamente los resultados del modelo y, asegurar que ste represente la situacin real del rea bajo estudio.1. El software de simulacin Flexsim para la construccin del modelo de simulacin, debido a que su caracterstica de modelacin en tres dimensiones permite lograr una mejor visualizacin del rea bajo estudio. 5.5 Apoyo por parte del establecimiento Ciber-Games en la obtencin de la informacin requerida para buscar una posible solucin.Para el apoyo y aprobacin de la obtencin de toda la informacin, fue necesario pedir el apoyo del dueo de la papelera el cual amablemente nos proporcion todo lo que necesitamos. Adicionalmente se le hizo ver que esta tcnica se hace con la finalidad de ayudarlo a mejorar el sistema de su papelera.Despus de presentarles este panorama general de lo que es la tcnica de simulacin, se les present una programacin de actividades propuestas para la realizacin del presente proyecto. Los apoyos obtenidos, despus de las actividades realizadas, fueron los siguientes:1. Involucramiento: Se obtuvo el permiso para realizar la toma de datos.1. Apoyo personal: Los trabajadores facilitaron la toma de datos y permitieron que se les pudiera acompaar durante su jornada de trabajo en lapsos de 1 hora diaria.5.6 Desarrollo del modelo de simulacin de la situacin actualObtenido el apoyo por parte de la papelera, se empez a trabajar con la construccin del modelo de simulacin de la situacin actual de su sistema. Para la realizacin de la construccin del modelo se utilizaron como base los 10 pasos de un estudio de simulacin propuestos por Law y Kelton. La metodologa utilizada para la construccin del modelo de simulacin es la siguiente:0. Formulacin del problema0. Planeacin del estudio del desarrollo del modelo de simulacin0. Coleccin de datos para el modelo0. Construccin del modelo en Flexsim0. Validacin del modelo de simulacin1. Aplicacin de diseo de experimentos.1. Realizacin de corridas del modelo de simulacin.1. Realizacin del anlisis y documentacin de resultados.5.6.1 Formulacin del problema.La formulacin del problema, que es el primer paso de la metodologa para un estudio de simulacin propuesta por Law y Kelton (2007), se puede expresar de la siguiente manera:

La creciente demanda semestral en el Instituto Tecnolgico Superior de Poza Rica (ITSPR) es el principal factor que ha hecho que crezca considerablemente la demanda diaria de las rentas, ventas que brinda la papelera por lo cual se a optado por hacer una mejora en su sistema mediante un estudio de simulacin.5.6.2 Planeacin del estudio del desarrollo del modelo de simulacin.En este paso se definieron los siguientes 6 puntos para la planeacin del estudio de simulacin.1. Objetivos globales del estudio.Los objetivos globales del estudio de simulacin son los siguientes:1. Representar la cantidad de ventas diarias.1. Representar en donde se presenta mayor demanda de sus artculos o servicios.1. Representar en el modelo de simulacin los horarios en el que la demanda aumenta demasiado.1. Preguntas especficas que deben ser contestadas por el proyecto.Las preguntas especficas a las que se responder con el desarrollo del presente proyecto son:1. Es necesario incrementar o reducir el nmero de trabajadores en alguno de los dos turnos matutino o vespertino?1. Es necesario el incremento de computadoras o mquinas de video juegos?1. Es necesario contar con un empleado para cada rea para aumentar la venta en horas pico?1. Configuraciones del sistema a ser modeladas.En esta primera etapa, debido al alcance del proyecto, slo se modelar la situacin actual del sistema. En una etapa posterior, con base en el comportamiento de las medidas de desempeo, a definir en el paso siguiente, se pensara en las posibles respuestas a las preguntas anteriores.1. Medidas de desempeo que sern usadas para evaluar la eficacia de las diferentes configuraciones del sistema Las medidas de desempeo definidas para la evaluacin son:1. Tiempo promedio en el que existe ms venta.1. Porcentaje de utilizacin de las computadoras.1. Porcentaje de utilizacin de las maquinitas de video juegos.1. Tiempo promedio que se tarda en sacar fotocopias.1. Porcentaje de utilizacin de la mquina de fotocopiado.1. Alcance o propsito del modelo.El alcance del modelo de simulacin es representar las condiciones actuales del sistema de renta y venta, con base en las medidas de desempeo planteadas en el punto anterior.1. Marco de tiempo, recursos y software a ser usado para el estudio.1. El marco de tiempo para realizar la recoleccin de datos de la papelera es de 2 semanas empezando el 26 de mayo y terminando el 6 de junio, realizando la toma de tiempos con una hora diaria.1. El recurso humano, utilizado para la recoleccin de datos, sern los alumnos involucrados en el proyecto. 1. El software a utilizar para el desarrollo del modelo ser el software de simulacin Flexsim.5.6.3 Recoleccin de datos del sistema de renta y venta de la papelera.Para la construccin del modelo de simulacin se deben obtener datos del sistema real bajo estudio, con el objeto de que el modelo de simulacin represente lo ms cercano posible el sistema de recoleccin de residuos slidos del mercado Zapata. De esta forma, para tener datos significativos para el desarrollo del modelo de simulacin se realizaron las siguientes actividades:1. Definicin de los tipos de datos necesarios para el modelo.1. Recoleccin de datos.1. Anlisis estadstico de los datos.5.6.3.1 Definicin de los tipos de datos necesarios para el modeloCon el objetivo de definir correctamente que datos son necesarios los clasificamos de la siguiente manera:1. Datos estructurales 0. Medidas reales del layout del sistema a simular.0. Nmero de trabajadores.0. Tipo de sistema a simular (continuo o discreto).0. Nmero de computadores, maquinitas de video juegos y cantidad de personal.0. Ubicaciones de areas de trabajo.1. Datos operacionales 1. Horarios de trabajo para los trabajadores.1. Horarios en el que la demanda aumenta.1. Datos numricos 0. Capacidades en el rea de computadoras.0. Capacidad en el rea de video juegos.0. Los tiempos en las mquinas de fotocopiado.5.6.3.2 Recoleccin de datosPara la recoleccin de datos se realizaron los siguientes pasos:1. Tiempo total que permanece abierto.1. Tiempo promedio de funcionamiento de las computadoras. 1. Tiempo promedio de funcionamiento de las maquinitas.1. Tiempo promedio de funcionamiento de la fotocopiadora.5.6.3.3 Anlisis estadstico de los datosRealizada la recoleccin de los datos durante el periodo mencionado en la seccin 5.6.2 del presente captulo, se procedi a analizarlos estadsticamente utilizando el software EasyFit, con la finalidad de obtener sus caractersticas clave y la mejor distribucin terica (como la normal o beta, si es posible) que se ajuste a ellos y, de esta forma, estar seguro de su idoneidad para su uso en un modelo de simulacin. Easyfit es una herramienta de anlisis 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:1. Abrir el software EasyFit.1. Crear un nuevo proyecto en EasyFit.1. Introducir los datos al proyecto.1. Realizar el ajuste automatizado de los datos.1. Seleccionar la distribucin de probabilidad.1. Obtener la representacin de la distribucin de probabilidad elegida para Flexsim.1. Guardar el proyecto.

Los resultados obtenidos mediante Easyfit, del anlisis de cada una de las muestra de datos, se resumir en:1. Una tabla resumen de las caractersticas descriptivas de los datos: media, mediana, varianza, etc.1. Un histograma de la muestra de los datos para visualizar de una manera preliminar una posible distribucin de probabilidad que se ajuste a la muestra de datos a simple vista1. Un diagrama de dispersin 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.5.6.4 Construccin y verificacin del modelo en FlexsimPara poder desarrollar el modelo de simulacin de la situacin actual del sistema de la papelera ciber-games, en el software de simulacin Flexsim se realizaron las siguientes actividades: Definicin del sistema a simular. Consiste en la renta de computadoras, mquinas de video juegos, fo