Libro Simulación JCZ PDF

Simulacin
Anlisis y modelacin de sistemas discretos; un

enfoque prctico
Instituto Tecnolgico de Colima
Jos Crdenas Zavala
i
ii
Contenido
Introduccin v
Captulo 1: Introduccin a la Simulacin de Eventos Discretos

1.1 Introduccin a la simulacin de eventos discretos 2
1.2 Definiciones y conceptos 4
1.3 Ventajas y desventajas de la simulacin 7
1.4 Etapas de un proyecto de simulacin 8
1.4.1 Preparacin inicial del proyecto 9
1.4.2 Definicin del sistema 10
1.4.3 Desarrollo del modelo conceptual o esquemtico 11
1.4.4 Recoleccin y anlisis de datos 13
1.4.5 Desarrollo del modelo en un lenguaje especifico de simulacin 15
1.4.6 Conduccin de experimentos y evaluacin de alternativas 16
1.4.7 Anlisis de resultados 16
1.4.8 Recomendaciones finales 17
1.5 Algunos peligros en la simulacin 17
1.6 Modelos tpicos de lneas de espera 17
1.7 Ejemplos bsicos de simulacin 19
1.8 Problemas propuestos 26
Capitulo 2: Nmeros Pseudoaleatorios

2.1 Nmeros pseudoaleatorios 30
2.2 Caractersticas de los nmeros pseudoaleatorios 30
2.3 Generacin de los nmeros pseudoaleatorios 31
2.3.1 Algoritmo de cuadrados medios 31
2.3.2 Algoritmo de productos medios 32
2.3.3 Algoritmo congruencial mixto 33
2.3.4 Algoritmo congruencial multiplicativo 33
2.4 Pruebas estadsticas de aleatoriedad 34
2.4.1 Prueba de los promedios 35
2.4.2 Prueba de las frecuencias 38
2.4.3 Prueba del pker 41
2.4.4 Prueba de Kolmogorov-Smirnov 43
2.5 Ejercicios propuestos 45
Captulo 3: Variables Aleatorias

3.1 Introduccin 48
3.2 Tipos de variables aleatorias 48
3.2.1 Variables aleatorias discretas 48
3.2.2 Variables aleatorias continuas 49
3.3 Identificacin del tipo de distribucin las variables aleatorias 51
3.3.1 Ejemplos utilizando la prueba de chi-cuadrada y Kolmogorov-Smirnov 51
3.3.2 Identificacin del tipo de distribucin de probabilidad utilizando un lenguaje
61
especfico de simulacin
3.3.3 Ajuste de curvas a tendencia lineal para distribuciones empricas continuas 66
3.4 Generacin de variables aleatorias. 68
3.4.1 Ejemplos de obtencin de generador de variables aleatorias a travs de mtodos
70
manuales
iii
Captulo 4: Lenguajes de simulacin y simuladores de eventos discretos.
4.1 Lenguajes de simulacin y simuladores 84
4.2 Introduccin al uso de ProModel 84
4.3 Elementos bsicos 85
4.4 Estructura de programacin en ProModel 85
4.5 Construccin de modelos en ProModel 87
4.5.1 Construccin de un modelo paso a paso 87
4.5.2 Refinamiento progresivo del modelo 105
4.5.2.1 Uso de atributos, variables y comandos de decisin 105
4.5.2.2 Uso del comando ROUTE 116
4.5.3 Modelado de un proceso que incluye ms de un proceso 119
4.5.3.1 Modelo con bandas de transporte y filas de espera 119
4.5.3.2 Modelo con estatutos JOIN y LOAD/UNLOAD 127
4.5.3.3 Modelo con recursos 133
4.5.3.4 Modelo de manufactura con varios procesos e inspeccin 144
4.6 Comentarios adicionales 184
Unidad 5: Proyecto de Aplicacin

5.1 Objetivo del captulo 192
5.2 Contenido sugerido del proyecto a desarrollar. 192
5.3 Ejemplo de desarrollo de un proyecto de aplicacin 194
Anexos
Tablas de distribuciones de probabilidad 237
Generadores para distribuciones de probabilidad en ProModel 240
Bibliografa 241
iv
Largo es el camino de la enseanza por medio de teoras; breve y eficaz por medio de ejemplos.
Sneca
Introduccin
Una de las caractersticas principales de l os tiempos actuales es la incertidumbre, generada

mayormente por la globalizacin; las empresas buscan constantemente posicionarse y generar
utilidades. Sin embargo las polticas de l comercio nacional e i nternacional, la creciente
competencia, la bsqueda para ganar nuevos espacios y otras variables, obligan a las
organizaciones a d ar una respuesta rpida a l os retos que surgen da a da para que estas
progresen y sean exitosas financieramente. La bsqueda de alternativas y toma de decisiones es
de suma importancia sobre todo en los niveles medio o altos de las empresas que es dnde los
ingenieros industriales tienen principalmente su mbito de aplicacin.
Existen muchas tcnicas emanadas de la estadstica y las matemticas para la toma de
decisiones tal como la programacin lineal, pronsticos o modelos de inventarios; dichas tcnicas
generalmente son tiles en un determinado punto del tiempo. Cuando se desea tomar una decisin
dinmica sin arriesgar la sanidad financiera generada por la experimentacin a prueba y error o por
actuar basados en la intuicin sin considerar la solidez o solvencia estadstica, se pueden
experimentar los diversos escenarios para tratar de t omar la mejor decisin utilizando la
simulacin.
La simulacin es una tcnica de experimentacin en que se usan modelos lgico-matemticos
utilizando (principalmente) recursos informticos como un s oftware de propsito especfico
diseado para tal fin, aunque si se tiene la habilidad para programar en software de uso general
tambin es viable hacerlo.
Este texto acadmico sobre simulacin de sistemas discretos tiene un enfoque eminentemente
prctico y est basado principalmente en el programa de la materia de Simulacin de la carrera de
Ingeniera Industrial del Sistema Nacional de Institutos Tecnolgicos.
La obra est compuesta por cinco captulos ordenados en secuencia lgica para que se
asimilen los conceptos y se finaliza con el desarrollo de un proyecto prctico donde se puede ver la
utilidad de la simulacin como una herramienta muy poderosa del ingeniero industrial para la toma
de decisiones.
Jos Crdenas Zavala
v
Capitulo 1:
Introduccin a la simulacin de
eventos discretos
Simulacin, anlisis y modelacin de sistemas discretos; un enfoque prctico
Pgina 2
1.1 Introduccin a la simulacin de eventos discretos

La simulacin es una herramienta de anlisis muy importante para los ingenieros industriales ya
que se puede aplicar a u na gran cantidad de pr ocesos productivos de bi enes y/o servicios, pero
requiere de ciertos conocimientos previos; esencialmente se apoya en la probabilidad y estadstica lo
que proporciona un sustento terico-prctico para la creacin de los modelos de los sistemas que se
desean simular, tambin es necesario el manejo de un s oftware especfico de s imulacin como
ProModel o el ARENA, aunque si se posee la habilidad de programar en un software de propsito
general como el C++, Visual Basic, Delphi, etc. tambin pueden ser una opcin para desarrollar los
modelos.
El concepto de simulacin es muy amplio, se puede hablar de simuladores de vuelo, modelos de
aviones o aut os a es cala para medir la resistencia al aire, o puede considerarse la simulacin de
reacciones de ciertos metales a diferentes temperaturas, etc. pero como en este texto se est
considerando un enfoque a la simulacin de sistemas productivos de bienes y/o servicios, entonces la
orientacin ser a lo que se conoce como simulacin de eventos discretos.
Aunque en este captulo se abordaran temas, conceptos y definiciones que s on bsicos para el
aprendizaje de lo que ser el sustento terico de la simulacin, la intencin es que desde el principio
quede claro cmo se pueden simular los sistemas bsicos de produccin y de qu manera ayudan en
la toma de decisiones.
Resumiendo las caractersticas o h abilidades de la persona que realiza los modelos podran
considerarse las siguientes: primeramente desarrollar una mente analtica, conocimientos estadsticos,
comunicacin, organizacin y habilidad de ingeniera. Dicha persona debe entender el sistema ha
modelar, conociendo la relacin causa-efecto que determina el sistema que se pretende representar
(observe la figura 1.1). Como se podr inferir la simulacin de eventos discretos consiste en relacionar
los diferentes eventos que pueden cambiar el estado de un s istema bajo estudio por medio de
distribuciones de probabilidad y condiciones lgicas del problema que se est analizando.
Figura 1.1
Pgina 3
1.2 Definiciones y conceptos

En lo referente a este punto es til iniciar por citar algunas de las definiciones en orden cronolgico
de diferentes autores sobre la simulacin:
Shannon, Robert; Johannes, James D. (1976), precisan que simulacin es el proceso de disear y
desarrollar un modelo computarizado de un sistema o proceso y conducir experimentos con este
modelo con el propsito de entender el comportamiento del sistema o evaluar. Varias estrategias
con las cuales se puede operar el sistema.
De acuerdo a Schriber (1987), la simulacin es el modelaje de un proceso o sistema de manera

semejante que el modelo responda al sistema real tomando su lugar a travs del tiempo.
De acuerdo a Harrel (2003), Simulacin es la representacin de un sistema dinmico usando un

modelo computacional con la finalidad de evaluar y mejorar el desempeo del sistema.
De acuerdo a Garca Dunna; et al. (2006), Simulacin de eventos discretos es el conjunto de

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

consumen tiempo y pueden ser fallidos
Figura 1. 2
Pgina 4
Si se pretende clasificar de alguna manera los usos de la simulacin, entonces se pueden

considerar tres objetivos esenciales de lo que puede obtenerse de un modelo que ha sido corrido y
evaluado, dichos objetivos serian:
Visualizacin: Observar qu est sucediendo en el sistema.

Clculo: Cuantificar qu est sucediendo en el sistema.
Comunicacin: Mostrar qu est sucediendo en el sistema
Otra pregunta frecuente es: Cundo la simulacin es apropiada?, para contestarla, es muy
importante la habilidad y capacidad de anlisis de la persona que est analizando el sistema y que es
lo que se espera obtener con el modelo que se pretende realizar, pueden considerarse algunas
razones como las siguientes:
Cuando se desea tomar alguna decisin en una operacin o servicio.

Cuando el proceso est definido y es repetitivo.
Cuando las actividades o eventos son interdependientes y manifiestan variabilidad.
Cuando es ms barato simular que experimentar con el sistema real.
La simulacin puede utilizarse en cualquier tipo de sistema productor de bienes y/o servicios, pero
especficamente en el rea de ingeniera industrial pueden considerarse los siguientes usos:
Anlisis de cuellos de botella (para determinar la capacidad y el nmero de maquinas).

Balanceo de lneas (equilibrar la produccin de c ada lnea considerando maquinaria y mano de
obra).
Lneas de espera (nmero de servidores en un proceso de atencin al cliente).
Planeacin de la capacidad.
Programacin de la produccin.
Programacin de los recursos.
Programacin del mantenimiento, etc.
Para la realizacin de un modelo es necesario familiarizarse con los trminos ms utilizados para
construir los modelos:
Sistema: se entiende como el c onjunto de elementos que se interrelacionan para lograr un

objetivo en comn. Para la simulacin, se puede decir que un s istema contiene diversos
elementos, los cuales definen el qu, quin, dnde, cundo, por qu y cmo.
Entidades: Representacin de los flujos de entrada a un sistema (clientes, piezas, ventas por da,
etc.).
Eventos (actividades): Cambio en el estado actual del sistema (entrada o salida de una entidad,
finalizacin de un proceso en un equipo, etc.).
Locaciones: Lugares en los que se realiza una actividad a una entidad o puede esperar para que
se le realice (mquinas, bandas transportadoras, estaciones de inspeccin, etc.).
Recursos: Son aquellos dispositivos (diferentes a l as locaciones) necesarios para llevar a c abo
una operacin. Por ejemplo: montacargas, personas, camiones, etc.
Atributos: Es una caracterstica de una entidad, es una manera de clasificar las entidades. Por
ejemplo si los clientes se clasifican en hom bres o mujeres, tipo de pieza, tipo de pr oducto o
servicio, si el cliente acude directamente a la empresa o llama por telfono, etc.
Reloj de Simulacin: Es el contador de tiempo de l a simulacin. Siempre hay un i nicio y un fin
cronolgico.
Pgina 5
Las variables que constituyen un sistema son condiciones cuyos valores se crean y modifican por
medio de ecuaciones matemticas y relaciones lgicas. Estas pueden ser continuas como el tiempo
de operacin de una mquina o el tiempo entre llegadas de los clientes o pedidos, tambin pueden ser
discretas como el nmero de productos a empacar en un lote, nmero de unidades producidas en un
turno de operacin, etc.
Para entender como los elementos del sistema se afectan unos a otros e influyen en el
desempeo de las metas globales es necesario definir tres tipos de variables:
Variables de decisin (de entrada o independientes). Cuando se conduce un experimento las

variables de decisin son referidas como variables independientes en el experimento. Si se cambia
un valor de las variables independientes, se afecta a todo el ambiente del sistema, y por lo tanto
su desempeo, por ejemplo: tiempo entre llegadas, tiempo de servicio de un servidor, tiempo de
proceso de una mquina, etc.
Variables de respuesta. Las variables de r espuesta son variables que m iden el desempeo del
sistema en r espuesta al establecimiento de una variable de d ecisin particular. Una variable de
respuesta puede ser el nmero de piezas o entidades procesadas en un determinado tiempo, o el
porcentaje de utilizacin de un r ecurso, el tiempo de es pera de u n cliente en la fila, etc. En un
experimento la variable de respuesta es la variable dependiente, la cual depende de un
determinado valor de una variable independiente.
Variables de estado (cuando se utiliza un software de uso especfico). Las variables de estado
son variables que indican el estado del sistema en cualquier punto del tiempo. Por ejemplo el
nmero actual de entidades que esperan ser procesadas o el estado actual de un recurso (ocioso,
ocupado, etc.)
Por su parte en lo referente a la definicin de los modelos, hay muchas clasificaciones o formas de
clasificarlos, por ejemplo si son fsicos, continuos o discretos, dinmicos o estticos, determinsticos o
probabilsticos, etc. pero de manera prctica se puede decir que si el modelo es meramente didctico,
se pueden considerar modelos tabulares o matriciales que incluyen relaciones matemticas y
probabilsticas (ver tabla 1.3).
Ejemplo de modelo matricial o tabular:
Tiempo
Aleatorio Tiempo Aleatorio Tiempo de Hora de
entre Hora de fin
Cliente tiempo entre medido de tiempo de servicio Inicio de
llegadas de servicio
llegadas llegadas servicio (min) servicio
(min)
1 0.2569 2 2 0.7892 4 2 6
2 0.5874 3 5 0.4565 7 6 13
3 0.9863 5 10 0.3214 8 13 21
4 0.0047 1 11 0.9874 1 21 22
5 0.4236 4 15 0.7543 4 22 26
Tabla 1.3
Pgina 6
Por su parte, si el modelo a realizar se hace utilizando un software especfico como el ProModel,
ARENA o cualquiera que exista en el mercado, primeramente se desarrolla un modelo conceptual que
incluya la informacin lgica secuencial y las variables que influyen en el proceso, posteriormente se
realiza este utilizando generalmente una interfaz grfica del simulador que lo hacen muy fcil de
utilizar (ver figuras 1.4 y 1.5).
Fresadora
Torno Salida y
Recepcin de enviar a salida
materia prima Mover con en banda embarque
operador transportadora
Figura 1.4
Ejemplo de un modelo grfico utilizando ProModel:
Figura 1.5
1.3 VENTAJAS Y DESVENTAJAS DE LA SIMULACIN

Como se ha c omentado, la simulacin es una herramienta muy valiosa para tomar decisiones y
mejorar procesos. Sin embargo, como todas las dems herramientas de que dispone el ingeniero
industrial, la simulacin de eventos discretos presenta ciertas ventajas y desventajas que es necesario
considerar para ver si esta es apta para resolver un problema especfico. Dentro de las ventajas ms
comunes que ofrece la simulacin, se pueden mencionar las siguientes:
Se pueden simular sistemas complejos.

Permite explorar muchas alternativas o presentar diversos escenarios.
Permite experimentar sin el riesgo consecuente de un fracaso del sistema.
Permite control total sobre el tiempo de ejecucin.
Se puede observar como se comportar el sistema al momento de su ejecucin.
Existen softwares especficos cada vez mas sencillos lo que facilita su aplicacin.
Mejora el entendimiento del proceso actual al permitir que e l analista vea cmo se comporta el
modelo generados bajo diferentes escenarios.
Pgina 7
Entre las desventajas ms comunes de la simulacin pueden considerarse las siguientes:
La simulacin no deja de ser una estimacin del sistema real, por lo que el muestreo de las
variables de entrada del modelo debe ser justificado estadsticamente.
Se puede requerir mucho tiempo para hacer un buen estudio de simulacin.
Se requiere dominar algn software especfico de simulacin.
La simulacin no pr oporciona una solucin ptima como otras herramientas de an lisis, solo
muestra lo que puede suceder y queda bajo la responsabilidad del analista elegir la mejor
alternativa para la mejora de algn proceso.
1.4 Etapas para realizar un proyecto de simulacin

Una vez que se ha elegido un proyecto para ser simulado, se debe tener una metodologa para
conducir el estudio con xito. Existen muchas metodologas que varan un poco de ac uerdo a c ada
autor de los textos existentes sobre el tema de simulacin, pero en general todas tienen la misma
esencia, en este caso en la figura 1.6 se pueden observar las siguientes etapas de carcter general:
PROCEDIMIENTO GENERAL PARA DESARROLLAR UN ESTUDIO DE SIMULACIN
Preparacin del Definicin del Desarrollo del

proyecto sistema modelo conceptual o
esquemtico
Experimentacin Desarrollo del modelo Recoleccin y

y evaluacin de en lenguaje especfico anlisis de datos
alternativas de simulacin
Anlisis de Recomendaciones
resultados finales
Figura 1.6
Pgina 8
1.4.1 Preparacin inicial del proyecto

En lo concerniente a este punto, se recomienda seguir los puntos que a continuacin se
mencionan:
a) Identificar las restricciones del sistema. Es importante identificar las restricciones bajo las
cuales el estudio debe ser conducido, por ejemplo:
Presupuesto para realizar el proyecto.

El tiempo con el que se dispone para realizarlo.
La accesibilidad de la informacin.
Conocimiento y habilidad para realizar el estudio por parte del analista.
Limitaciones de hardware o software que pudieran presentarse.
El hecho de que haya restricciones no quiere decir que no se pueda realizar el proyecto, esto
significa que debe considerarse la manera de subsanar o compensar dicha restriccin.
b) Determinar el objetivo general y especfico del modelo. La simulacin es necesaria porque se

estara buscando solucin a algn problema que podra presentarse en el proceso de produccin,
en el caso del objetivo general, puede ser: Desarrollar un modelo de simulacin de la
empresa especficamente en el sistema de para detectar las mejoras posibles a realizar,
y plantear acciones que mejoren su desempeo.
En el caso de los objetivos especficos, algunos ejemplos podran ser:
Si se est considerando un sistema de servicio tal como el de un cajero en un banco, puede ser un
problema determinar cuntos cajeros se van a necesitar durante un da pico (como el de pago de
quincena) aqu el objetivo especfico sera: Determinar el nmero de cajeros ptimo para que
el cliente no pase ms de 10 minutos en fila durante un da pico.
En el caso de un proceso de manufactura podra ser un objetivo: Determinar el porcentaje de
tiempo ocioso en la operacin del torno as como el nmero de piezas producidas.
Considerando el caso de una empresa que vende gasolina: Determinar el nmero de bombas
de gasolina adecuado para que no estn ms del 30% del tiempo ociosas durante el turno
vespertino.
c) Preparacin de las especificaciones de la simulacin.

Debe analizarse previamente a la realizacin del modelo lo siguiente:
El alcance del modelo. Es decir que parte del sistema se desea simular, ya que cada sistema
est integrado a la vez por subsistemas, puede analizarse de manera modular o integral, claro que
entre ms amplio sea el sistema mayor ser la complejidad del modelo. Por ejemplo en un aut o
baos puede simularse solamente el rea de lavado y secado sin considerar a las dems etapas
del proceso, o si es necesario desde que llegan los clientes hasta que se les proporciona el
servicio y abandonan el sistema, depende del objetivo del modelo.
Nivel de detalle. Este punto es muy importante ya que le proporciona al modelo el parecido con el
sistema real, entre mas detalles se deseen incorporar, mayor ser la cantidad de v ariables de
entrada al modelo que posteriormente tendrn que muestrearse. Generalmente se comete el error
de querer incorporar ciertas actividades que no agregan valor al modelo como por ejemplo simular
considerando fallos en la energa elctrica o ciertos vicios metodolgicos que desarrollan los
Pgina 9
operadores o par os imprevistos por falta de m ateria prima, etc. si no es necesario no d eben
incorporarse este tipo de variables al modelo.
1.4.2 Definicin del sistema

Para esta etapa se debe realizar lo que a continuacin se menciona:
a) Determinar los principales subsistemas y reas fsicas que integran el sistema analizado. En
este caso, se pretende determinar las principales reas productivas que integran el sistema
considerado, es una b uena opcin describir brevemente cual es la razn de ser de cada
departamento o rea (incluir croquis de distribucin de planta).
b) Determinar los diferentes tipos de servicios y/o productos que se realizan en el sistema.
Enumerar todos los productos y/o servicios que proporciona la empresa.
c) Establecer diagramas de anlisis de procesos general y particular para cada uno de los
bienes/servicios producidos.
d) Determinar los horarios y das de trabajo regulares as como los horarios y das de que
sern sujetos de estudio.
e) Determine los datos requeridos. Este se refiere a que t ipo de informacin se puede necesitar
para realizar el estudio. Algunas preguntas que ayudan a determinar estos pueden ser:
Qu tipo de entidades son procesadas en el sistema y que atributos tienen?

Cul es la secuencia de ruteo para cada tipo de entidad en el sistema?
Qu actividad se realiza para cada entidad en cada locacin?
Dnde, cundo y en qu cantidad las entidades entran al sistema (definir el tiempo entre arribos o
condiciones del arribo)?
En qu orden las entidades parten de cada locacin (primero que entra, primero que sale; ltimo
que entra, primero que sale, etc.)?
f) Determine la fuente apropiada de los datos. Buenas fuentes de obtencin de datos del sistema
pueden ser las siguientes:
Diagramas de flujo.
Estudio de tiempos.
Observacin directa.
Tiempos estndar predeterminados.
Registros internos.
Pronsticos del mercado.
Reportes de mantenimiento.
Registros de produccin.
Experiencia del personal de piso.
Comparaciones con operaciones similares.
Tickets de compra, etc.
g) Haga supuestos donde sea necesario. Es necesario realizar supuestos cuando se est
experimentando en el modelo que representa la realidad del sistema, hasta obtener los resultados
deseados o alcanzar el objetivo planteado.
Pgina 10
Es importante recordar que los supuestos hacen ms sencillo un modelo, pero debe haber
congruencia entre los supuestos y lo que se espera obtener del modelo, por que entre ms supuestos
se agreguen, ms se aleja este de la realidad. Ejemplos ms comunes de supuestos pueden ser:
Los clientes que lleguen al sistema se van a ir atendiendo conforme llegan ( primeras entradas
primeras salidas).
No se interrumpir el servicio por falta de insumos o materia prima.
No se interrumpir la produccin por apagones o falta de energa elctrica.
El tiempo ocioso por negligencia del operador de la mquina se considerar dentro del muestreo
de campo realizado a la variable de entrada tiempo de operacin, etc.
1.4.3 Desarrollo del modelo conceptual o esquemtico

Una vez que la informacin es suficiente, analizada y validada para describir el comportamiento
del sistema, se proceder a la construccin del modelo inicial. El objetivo de l a construccin de un
modelo es, proveer una representacin valida que describa el comportamiento del sistema analizado.
El modelo debe ser capaz de proveer informacin necesaria para cumplir con los objetivos de la
simulacin.
Se tomara en cuenta lo siguiente:
a) Realizar el Modelo conceptual o esquemtico. Como se mencion anteriormente en el punto

1.2, el modelo conceptual generalmente consta de bloques conceptuales secuenciales que
incluyan la informacin general de las actividades principales del proceso de produccin. Se puede
desarrollar el modelo con la ayuda del diagrama de flujo de operaciones destacando:
Tipo de entidades que entran al sistema.

Tipo de e ntidades que se van obteniendo durante el proceso (para el caso de procesos de
manufactura).
Tamao del lote en las llegadas.
tiempo entre llegadas.
Tiempos de operacin o de servicio.
Flujo de las operaciones.
Recursos utilizados para realizar las operaciones (operadores, montacargas, vehculos, etc.)
Nmero de operadores por mquina o estacin de trabajo, etc.
En la siguiente figura 1.7 se puede apreciar un ejemplo de m odelo conceptual considerando un

taller de manufactura donde se realiza un proceso que involucra diferentes operaciones a lotes de 20
piezas de metal que llegan a un almacn para obtener finalmente un producto terminado.
Pgina 11
Modelo por bloques
Llegadas
(tasa de llegadas)
Lotes de 20 piezas
Materia prima
Almacn de Materia Prima
Materia prima
Tiempo de
traslado entre Cortadora
operaciones = 1 (Tiempo de operacin)
Pieza en proceso
Torno
(Tiempo de operacin)
Pieza en proceso
Fresadora
(Tiempo de operacin)
Producto terminado
Almacn de producto terminado

(Tiempo de inspeccin)
Exit
Figura 1.7
b) Determinar las variables de entrada del modelo. Estas se deben determinar de acuerdo a la
informacin que se espera obtener del sistema que se desea modelar, pueden considerarse como
ejemplos para el caso de sistemas de servicios :
Tiempo entre llegadas de los clientes al sistema.

Tipo de producto a comprar.
Nmero de productos a comprar.
Tiempo de operacin o de servicio, etc.
Considerando el ejemplo del modelo por bloques de l a figura 1.7 el cual es un pr oceso de
produccin o manufactura, las variables de entrada seran las siguientes:
Tiempo entre llegadas de las piezas al almacn de materia prima.

Tiempo de operacin en la cortadora.
Tiempo de operacin en el torno.
Tiempo de operacin en la fresadora.
Tiempo de inspeccin en el almacn de producto terminado.
Pgina 12
1.4.4 Recoleccin y anlisis de datos

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

ENERGETICOS DE COLIMA S.A. DE C.V.
AREA A MUESTREAR FECHA: REALIZO:
HORA
HORA DE INICIO:
TERMINO:
TIPO DE
HORA BOMBA TIPO DE VEHICULO
VEHICULO COMBUSTIBLE
LLEGADA
GASOLINA DIESEL 1 2 CH MED GDE FACTURACION
1
2
3
4
5
6
7
8
9
10
n
Tabla 1.8
b) Convierta los datos de entrada en una forma conveniente para su uso. Los datos raramente
estn listos para ser usados tal y como se encuentran. Generalmente se tiene que hacer un
anlisis estadstico en ellos para determinar sus parmetros y as poder usarlos correctamente,
estos deben ser agrupados para simplificar su anlisis y de esta manera determinar su
comportamiento en el sistema, en es te caso se hace uso de la estadstica descriptiva
especficamente en la construccin de d istribuciones de f recuencia e hi stogramas para poder
apreciar la tendencia grfica de las variables.
Para proporcionar un ejemplo de lo mencionado anteriormente, suponga que en la siguiente tabla

1.9 se tomaron los siguientes datos:
Pgina 13
HOJA DE VERIFICACION PARA EL TIEMPO ENTRE LLEGADAS
ENERGETICOS DE COLIMA S.A. DE C.V.

AREA A MUESTREAR: Bombas FECHA: REALIZO: Ricardo Prez
HORA
HORA DE INICIO: 08:00
TERMINO:
TIPO DE
HORA BOMBA TIPO DE VEHICULO
VEHICULO COMBUSTIBLE
LLEGADA
GASOLINA DIESEL 1 2 CH MED GDE FACTURACION
1 08:03 Si
2 08:05 Si
3 08:12 Si
4 08:17 Si
5 08:22 Si
6 08:30 Si
7 08:33 Si
8 08:40 No
9 08:45 Si
10 08:48 No
Tabla 1.9
Los datos muestreados como se muestran en la tabla anterior no se pueden aplicar directamente
en la elaboracin del modelo, por lo que se deben convertir para poder utilizarlos, si se est
considerando la variable: Tiempo entre llegadas entonces los datos muestreados fueron: 3, 2, 7, 5, 5,
8, 3, 7, 5, y 3 minutos entre la llegada de un auto al otro al sistema. Si la hora de inicio de toma de
datos empez a las 8:00 y el primer auto lleg a las 8:03 pasaron tres minutos, el segundo auto lleg a
las 8:05 pasaron dos minutos desde la llegada del auto anterior y as sucesivamente. Es importante
sealar que el periodo de muestreo y el tamao de la muestra debe ser representativo, pueden
muestrearse turnos, das, semanas, etc. segn se considere en el impacto que debe tener el periodo
en el modelo a representar.
Posteriormente debe realizarse el proceso de construccin de una distribucin de frecuencias para
observar cual puede ser la distribucin terica a la cual pueden ajustarse los datos (ver tabla 1.10 y
grfico 1.11):
Frecuencia
Intervalo
Observada
1 X 5 5
5 < X 10 12
10 < X 15 20
15 < X 20 10
20 < X 25 3
Tabla 1.10
Pgina 14
Histograma
20
20
12
Frecuencia
15 10
10 5
3
5
0
1 2 3 4 5
Clases
Grfico 1.11
Enseguida se procede a realizar un ajuste de los datos a distribuciones de probabilidad

tericas. Los datos recolectados debern ajustarse a una d istribucin de probabilidad (terica o
emprica) de tal manera que pueda describir el comportamiento de la variable que se analiza, se utiliza
generalmente el proceso de pruebas de hiptesis de estadstica inferencial.
Por lo general todo software de uso especfico de simulacin como ProModel, traen incluidos una
herramienta estadstica muy til para determinar el tipo de distribucin de las variables de entrada del
modelo.
1.4.5 Desarrollo del modelo en lenguaje especfico de simulacin

Se debe manejar algn lenguaje especfico de s imulacin o s i se domina algn lenguaje
informtico de pr opsito general para realizar el modelo. En general hoy en da los lenguajes de
simulacin son amigables y con entornos grficos como el que se muestra en la figura 1.12:
Figura 1.12
Pgina 15
Una vez que se realiza el modelo se recomienda lo siguiente:
a) Refinamiento progresivo. Una forma prctica dentro de l a simulacin, es que no siempre todos
los modelos tienen toda la informacin al nivel de detalle deseado en su primer construccin, esto
permite utilizar una estrategia de refinamiento progresivo la cual nos permitir ir agregando
complejidad en el modelo en c ada uno de sus estados. Por lo general el nivel de det alle est
relacionado con la cantidad de variables de entrada que se incorporan al modelo, entre ms
variables tenga ms detallado se considera el modelo. Se recomienda comenzar con los elementos
bsicos del modelo y posteriormente agregar mayor complejidad para un mejor entendimiento del
sistema a analizar.
b) Expansin incremental. Para agregar complejidad a un modelo en cada uno de sus estados, el
modelo debe tener un alcance bien definido el cual permita su construccin en secciones que son
agregadas incrementalmente a s te. Este mtodo de permite que una por cin del modelo s ea
construido, depurado y probado antes de ser agregado a nuevas secciones del modelo que lo
hagan ms largo, mejor manejable y comprensible. A esto se le conoce como particin de
modelo.
c) Verificacin del modelo. Una vez que el modelo ha sido construido, ste debe ser sometido a un
proceso de verificacin para demostrar que trabaje correctamente, es decir verificar que el
modelo corra como se dise.
Para este inciso se sugiere lo siguiente:
Revise el proceso del modelo con respecto a la realidad.

Vea la animacin.
Darle seguimiento al modelo a travs de ver lo que est sucediendo paso a paso.
d) Validacin del modelo. La validacin es el proceso de comprobacin de que el modelo dentro de

este dominio de aplicabilidad es suficientemente preciso para la aplicacin proyectada. Durante el
proceso de c onstruccin del modelo, la persona que lo construye debe asegurase que s e est
elaborando de tal manera que refleje la realidad del sistema a simular.
1.4.6 Conduccin de experimentos y evaluacin de alternativas

Los resultados de una s imple corrida de s imulacin representan solo uno de varios posibles
resultados. Esto requiere que mltiples rplicas sean corridas para comprobar la reproducibilidad de
los resultados. Siempre es mejor considerar los promedios de todas las corridas como un dato
confiable para tomar una decisin.
Las simulaciones son frecuentemente desarrolladas para comparar dos o ms alternativas
diseadas. Esta comparacin puede estar basada en una o ms variables de decisin tales como; la
capacidad de un contenedor, el programa de trabajo, la disponibilidad de recursos, determinacin de
tiempo estndar de operacin, etc.
1.4.7 Anlisis de resultados

Considerando que en la experimentacin e n una simulacin, los resultados son aleatorios (de
acuerdo a la naturaleza probabilstica de las entradas), se debe tener cuidado cuando se interpretan
stos ya que debido a qu e la simulacin no es una representacin igual a l a realidad, sino que se
acerca a sta; la decisin tomada debe estar bajo una mayor certidumbre del sistema analizado.
Pgina 16
1.4.8 Recomendaciones finales

El ltimo paso en el procedimiento de la simulacin es el hacer recomendaciones para mejorar el
actual sistema, basado en los resultados del modelo simulado. Estas recomendaciones pueden ser
soportadas y claramente presentadas en un informe de resultados de la simulacin.
1.5 Algunos peligros en la simulacin

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

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

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

Hora de Hora de
Llegadas Hora de Salida
Llegada Inicio de
servicio
Wq
W
Wq = Tiempo en la fila W= Tiempo en el sistema
Wq = Hora de inicio de servicio Hora de Llegada W = Hora de salida Hora de llegada
Figura 1.13
Pgina 17
Una lnea mltiples servidores en paralelo
Figura 1.14
Mltiples lneas y mltiples servidores en paralelo
Figura 1.15
Pgina 18
Mltiples Lneas y Mltiples servidoresen secuencia
Figura 1.15
Es muy comn que dentro de un sistema productivo existan combinaciones de los modelos tpicos
de lneas de espera dependiendo del tipo de actividad o proceso realizado.
1.7 Ejemplos bsicos de simulacin
1. Suponga un sistema tal como el de una estacin de trabajo en una fbrica donde se realiza un
proceso de ensamble para conformar una pieza, las piezas llegan cada 5 minutos y el tiempo que
tarda el operador en ensamblar es de 7 minutos, simule 10 llegadas a este sistema y calcule lo
siguiente:
a) Cul es el tiempo promedio en el sistema que permanece cada pieza desde que llegan los
componentes de esta hasta que sale ensamblada?
b) Cul es el tiempo promedio en la fila que permanecen las piezas antes de ser ensambladas?
c) Cul es el porcentaje de tiempo ocioso del servidor?
d) Suponga que se tienen 2 operadores en esa lnea, realice el ejercicio anterior y comente.
Solucin:
En este caso los nicos datos que se tienen son el tiempo entre llegadas y el tiempo de operacin,
tienen la particularidad de que son constantes pero por tratarse de un modelo inicial es vlido para
entender el concepto de la simulacin.
No existe una forma nica de realizar los modelos, tiene mucho que ver la experiencia y habilidad
del analista, pero como una m anera metodolgica de desarrollo, el modelo debe contener toda la
informacin para responder a l a problemtica que se desea resolver. Se pide informacin sobre
algunos indicadores bsicos como el tiempo en el sistema (W), el tiempo en la fila (Wq) y porcentaje
de tiempo ocioso del servidor, adems deben incluirse columnas para las variables de salida: hora de
llegada, hora de inicio y la hora de terminacin, el modelo quedara de la siguiente manera (ver tabla
1.17):
Pgina 19
Operador Piezas
Tiempo
Grupo Tiempo Hora Tiempo Hora Hora Tiempo Tiempo
Ocioso
de entre de de de de en el en
del
piezas Llegadas Llegada Operacin inicio Terminacin Sistema Fila
operador
1 5 5 7 5 12 5 7 -
2 5 10 7 12 19 - 9 2
3 5 15 7 19 26 - 11 4
4 5 20 7 26 33 - 13 6
5 5 25 7 33 40 - 15 8
6 5 30 7 40 47 - 17 10
7 5 35 7 47 54 - 19 12
8 5 40 7 54 61 - 21 14
9 5 45 7 61 68 - 23 16
10 5 50 7 68 75 - 25 18
5 160 90
Tabla 1.17
Recurdese que:
el tiempo en el sistema (W) = la hora de terminacin la hora de llegada
el tiempo en la fila (Wq) = hora de inicio hora de terminacin.
Respuesta a los incisos:

160
=
a) Tiempo promedio en el sistema: = 16
10
90
=
b) Tiempo promedio en la fila: = 90
10
5
c) Porcentaje de tiempo ocioso del servidor: = = 0.06 = 6.6%
75
Es lgico que se est generando un cuello de botella, ya que las piezas llegan cada 5 minutos y el
tiempo de operacin es de 7 minutos, en esta corrida de tamao diez se puede apreciar cmo se va
incrementando tanto el tiempo en el sistema como el tiempo en la fila.
Para el inciso d, la matriz quedara de la siguiente manera (ver tabla 1.18):
Operador 1 Operador 2 Piezas

Grupo Tiempo Hora Tiempo Hora Hora Hora Hora
Tiempo Tiempo
de Entre De De De De De De W Wq
ocioso ocioso
Piezas llegadas Llegada operacin inicio Termino inicio Termino
1 5 5 7 5 12 5 - - - 7 -
2 5 10 7 - - - 10 17 10 7 -
3 5 15 7 15 22 3 - - - 7 -
4 5 20 7 - - - 20 27 3 7 -
5 5 25 7 25 32 3 - - - 7 -
6 5 30 7 - - - 30 37 3 7 -
7 5 35 7 35 42 3 - - - 7 -
8 5 40 7 - - - 40 47 3 7 -
9 5 45 7 45 52 3 - - - 7 -
10 5 50 7 - - 5 50 57 3 7 -
22 22 70 -
Tabla 1.18
Pgina 20
De la tabla anterior se obtiene lo siguiente:
70
=
a) Tiempo promedio en el sistema: = 7
10
0
=
b) Tiempo promedio en la fila: = 0
10
22
c) Porcentaje de tiempo ocioso del operador 1: = = 0.3859 = 38.59%
57
22
Porcentaje de tiempo ocioso del operador 2: = = 0.3859 = 38.59%
57
Evaluando las dos alternativas tenemos el resumen que se muestra en la tabla 1.19:
%
Alternativa

Ocioso
promedio
1 operador 16 minutos 9 minutos 6.6%
2 operadores 7 minutos 0 minutos 38.59%
Tabla 1.19
Qu se puede concluir de la tabla anterior?, depende el objetivo que se tenga planteado, si lo que
se desea es optimizar el tiempo de operacin del operador sin importar los niveles de produccin, solo
reducir costos de mano de obra, entonces se recomienda un solo servidor.
Por otra parte si se tuvieran compromisos de produccin y lo que se desea es producir volmenes
ms elevados entonces se recomendaran dos operadores.
2. Considere un sistema de formacin de colas de un solo canal (lnea de espera) tal como el de un
servidor de comida rpida (McDonalds), y se quiere simular la hora pico de llegadas en el rea de
cajas, suponga por simplicidad que el tiempo entre llegadas de l os clientes vara e ntre 1 a 5
minutos y que el tiempo de servicio del cajero es de 3 a 7 minutos por cada cliente, estos tiempos
son distribuidos de manera uniforme. Suponga que el gerente no desea que los clientes duren ms
de 5 m inutos haciendo fila en l a caja, Cuntos servidores son necesarios? Con base en u na
corrida de tamao 10 clientes primeramente conteste lo siguiente:
a) Cul es el tiempo promedio en el sistema que permanece cada cliente?

b) Cul es el tiempo promedio en la fila que permanece cada cliente? Es suficiente con un
servidor?
d) Realice el ejercicio anterior con dos servidores y comente.
Solucin:
La diferencia fundamental entre el ejemplo 1 y el 2 es que en es te ltimo las llegadas no s on
constantes, lo que le proporciona un efecto aleatorio al modelo el cual se entiende como el parecido
con la realidad del sistema real con el que se desea representar. Una forma aleatoria de representar
las llegadas por ejemplo es utilizando el mtodo del sombrero, el cual consiste en escribir los minutos
uno en cada pedazo de papel, doblarlos y sacarlos aleatoriamente de un recipiente con reposicin
para asignarlos a cada cliente que entra al sistema. Pero como no siempre es factible este mtodo se
puede entonces imitar utilizando los nmeros aleatorios que sabemos estn ubicados en el rango 0-
1 y utilizando el concepto probabilstico de que la suma de l as probabilidades de c ada posible
resultado para un experimento dado siempre es 1(probabilidad acumulada), se puede entonces
Pgina 21
emular el experimento de asignar aleatoriamente un tiempo entre llegadas o tiempo de servicio para
cada cliente que entra al sistema.
Las variables de entrada del modelo se pueden generar utilizando nmeros aleatorios y buscando
el correspondiente valor en las tablas 1.20 y 1.21 que se muestran a continuacin:
Generador para el tiempo entre llegadas

Probabilidad
Valor Probabilidad Clases
acumulada
1 1/5 0.20 0.00 Rnd 0.20
2 1/5 0.40 0.20 < Rnd 0.40
3 1/5 0.60 0.40 < Rnd 0.60
4 1/5 0.80 0.60 < Rnd 0.80
5 1/5 1.00 0.80 < Rnd 1.00
Tabla 1.20
Generador para el tiempo de servicios

Probabilidad
Valor Probabilidad Clases
acumulada
3 1/5 0.20 0.00 Rnd 0.20
4 1/5 0.40 0.20 < Rnd 0.40
5 1/5 0.60 0.40 < Rnd 0.60
6 1/5 0.80 0.60 < Rnd 0.80
7 1/5 1.00 0.80 < Rnd 1.00
Tabla 1.21
Corrida tamao 10 llegadas (ver tabla 1.22):

Servidor Cliente
Rnd Rnd
Tiempo Hora Tiempo Hora Hora Tiempo Tiempo Tiempo
Tiempo Tiempo
Cliente entre de de de de Ocioso en el en
entre De
Llegadas Llegada Servicio inicio Salida Sistema Fila
Llegadas Servicio
1 0.563 3 3 0.721 6 3 9 3 6 -
2 0.966 5 8 0.598 5 9 14 - 6 1
3 0.232 2 10 0.755 6 14 20 - 10 4
4 0.354 2 12 0.367 4 20 24 - 12 8
5 0.151 1 13 0.441 5 24 29 - 16 11
6 0.495 3 16 0.154 3 29 32 - 16 13
7 0.385 2 18 0.555 5 32 37 - 19 14
8 0.857 5 23 0.786 6 37 43 - 20 14
9 0.717 4 27 0.097 3 43 46 - 19 16
10 0.509 3 30 0.237 4 46 50 - 20 16
3 144 97
Tabla 1.22
144
=
a) Tiempo promedio en el sistema: = 14.4
10
97
=
b) Tiempo promedio en la fila: = 9.7 por lo tanto no se cumple el objetivo establecido por
10
el gerente en el cual se especifica que no se desea ms de 5 minutos en promedio de espera en la
fila.
3
c) Porcentaje de tiempo ocioso del servidor: = = 0.06 = 6%
50
d) Realizar el ejercicio con 2 servidores (ver tabla 1.23).
Pgina 22
Servidor 1 Servidor 2 Cliente

Tiempo Hora Tiempo Hora Hora Hora Hora
Rnd Tiempo Tiempo
Cliente entre De Rnd de de de de de W Wq
ocioso ocioso
Lleg. Lleg. Serv. inicio Salida inicio Salida
1 0.466 3 3 0.934 7 3 10 3 - - - 7 -
2 0.739 4 7 0.497 5 - - - 7 12 7 5 -
3 0.019 1 8 0.438 5 10 15 - - - - 7 2
4 0.442 3 11 0.084 3 - - - 12 15 - 4 1
5 0.185 1 12 0.932 7 15 22 - - - - 10 3
6 0.256 2 14 0.449 5 - - - 15 20 - 6 1
7 0.899 5 19 0.343 4 - - - 20 24 - 5 1
8 0.682 4 23 0.903 7 23 30 1 - - - 7 -
9 0.693 4 27 0.773 6 - - - 27 33 3 6 -
10 0.953 5 32 0.794 6 32 38 2 - - 5 6 -
6 15 63 8
Tabla 1.23
63
=
a) Tiempo promedio en el sistema: = 6.3
10
8
=
b) Tiempo promedio en la fila: = 0.8 1 si se cumple el objetivo establecido por el
10
gerente,
6
c) Porcentaje de tiempo ocioso del servidor 1: = = 0.1578 = 15.78%
38
15
Porcentaje de tiempo ocioso del servidor 2: = = 0.3947 = 39.47%
38
El porcentaje promedio de tiempo ocioso es: 27.63%. En la siguiente tabla 1.24 se puede ver una
comparativa de las dos alternativas:
%
Alternativa

Ocioso
promedio
1 Servidor 14.4 minutos 9.7 minutos 6%
2 Servidores 6 minutos 0.8 1 minuto 27.63%
Tabla 1.24
Lgicamente el tiempo ocioso promedio se increment, pero el objetivo principal era que los
clientes no permanecieran ms de 5 minutos en fila y con dos servidores se cumple ampliamente.
3. Suponga que una empresa est considerando el lanzamiento de un nuevo producto para nios, se
sabe que los costos fijos sern de $20,000 durante el primer trimestre del ao y que el precio de
venta debe ser de $5 pesos por unidad (esto por razones competitivas). La empresa quiere por lo
menos alcanzar el punto de equilibrio en el primer trimestre de ventas. Existe incertidumbre en
cuanto a l os costos variables y a l a demanda del producto se refiere, es por eso que s e desea
evaluar que puede suceder. Las mejores estimaciones son que los costos variables estarn entre
$2.0 y $2.9 pesos por unidad con incrementos de 0.10 pesos. Se piensa que la demanda depende
de la reaccin de los competidores, si reaccionan rpidamente el primer trimestre se espera que
las ventas sean de 8,000, 9,000 y 10,000 unidades. Si no hay reaccin rpida las ventas pueden
llegar a 10,000, 11,000 y 12,000, la empresa percibe que existen un 50% de posibilidades de que
sus competidores reaccionen rpidamente. La ad ministracin desea seguir adelante con el
producto.
Pgina 23
Qu posibilidad existe de llegar por lo menos al punto de equilibrio durante el primer trimestre de
ventas del producto?
Solucin:
Este tipo de problema es totalmente diferente a las aplicaciones bsicas de lneas de espera, por lo
que se tendrn que buscar los indicadores para realizar el modelo tabular. Como la finalidad que
persigue cualquier empresa, el objetivo es obtener ganancias o utilidades, por lo que el objetivo
principal es verificar si se espera obtener alguna utilidad con los elementos que se conocen (costos
variables, precio de venta, costos fijos, etc.)
Considerar los siguiente.
Utilidad = ingresos egresos

Utilidad= (Volumen de ventas)(Precio de venta) ((costo variable) (volumen de ventas)+ costo fijo))
Las variables de entrada del modelo son:

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

Reaccin de la Probabilidad
Probabilidad Clases
Competencia Acumulada
Rpida 0.50 0.50 0.00 Rnd 0.50
Lenta 0.50 1.00 0.50 < Rnd 1.00
Tabla 1.25
Generador para la Demanda con Reaccin Rpida

Probabilidad
Demanda Probabilidad Clases
Acumulada
8,000 1/3 0.3333 0.0000 Rnd 0.3333
9,000 1/3 0.6666 0.3333 < Rnd 0.6666
10,000 1/3 1.0000 0.6666 < Rnd 1.0000
Tabla 1.26
Generador para la Demanda con Reaccin Lenta

Probabilidad
Demanda Probabilidad Clases
Acumulada
10,000 1/3 0.3333 0.0000 Rnd 0.3333
11,000 1/3 0.6666 0.3333 < Rnd 0.6666
12,000 1/3 1.0000 0.6666 < Rnd 1.0000
Tabla 1.27
Pgina 24
Generador para el Costo Variable
Costo Probabilidad
Probabilidad Clases
Variable Acumulada
2.00 0.10 0.10 0.00 Rnd 0.10
2.10 0.10 0.20 0.10 < Rnd 0.20
2.20 0.10 0.30 0.20 < Rnd 0.30
2.30 0.10 0.40 0.30 Rnd 0.40
2.40 0.10 0.50 0.40 < Rnd 0.50
2.50 0.10 0.60 0.50 < Rnd 0.60
2.60 0.10 0.70 0.60 Rnd 0.70
2.70 0.10 0.80 0.70 < Rnd 0.80
2.80 0.10 0.90 0.80 < Rnd 0.90
2.90 0.10 1.00 0.90 < Rnd 1.00
Tabla 1.28
Si se dan 10 corridas de tamao 1 semestre el modelo quedara de la siguiente manera:
Egresos
Ingresos
Rnd Costo
Rnd Rnd Por Costo Costo
Trimestre Reaccin Demanda Costo variable Utilidad
Reaccin demanda Ventas Fijo Variable
variable ($)
($5.0 u)
1 0.267 Rpida 0.636 9,000 0.499 2.40 45,000 20,000 21,600 3,400
2 0.494 Rpida 0.524 9,000 0.569 2.50 45,000 20,000 22,500 2,500
3 0.379 Rpida 0.072 8,000 0.106 2.10 40,000 20,000 16,800 3,200
4 0.734 Lenta 0.664 11,000 0.454 2.40 55,000 20,000 26,400 8,600
5 0.895 Lenta 0.282 10,000 0.442 2.40 50,000 20,000 24,000 6,000
6 0.586 Lenta 0.486 11,000 0.998 2.90 55,000 20,000 31,900 3,100
7 0.490 Rpida 0.181 8,000 0.867 2.80 40,000 20,000 22,400 -2,400
8 0.271 Rpida 0.163 8,000 0.961 2.90 40,000 20,000 23,200 -3,200
9 0.982 Lenta 0.757 12,000 0.113 2.10 60,000 20,000 25,200 14,800
10 0.588 Lenta 0.416 11,000 0.620 2.60 55,000 20,000 28,600 6,400
Tabla 1.29
De acuerdo a la simulacin anterior existe un 80% de posibilidades de lograr por lo menos el punto
de equilibrio, lo que es alentador para la empresa siempre y cuando los datos de entrada sean
confiables.
Se puede considerar otro indicador como la utilidad promedio, incluso hacer un anlisis de
sensibilidad evaluando con diferentes precios de venta para verificar hasta que tanto se puede reducir
este y seguir obteniendo utilidades, pero eso depende de la profundidad del anlisis y del tiempo con
que se disponga para tomar la decisin ms adecuada.
Pgina 25
1.8 Problemas propuestos
1. Simule un sistema en el cual se realiza un operacin de ensamble para conformar una producto,
las piezas llegan 4 cada minutos y el tiempo que tarda el operador en ensamblar es de 7 minutos,
simule 10 llegadas a este sistema y calcule lo siguiente:
a) Cul es el tiempo promedio en el sistema que permanece cada pieza desde que llegan los
componentes de esta hasta que sale ensamblada?
b) Cul es el tiempo promedio en la fila que permanecen las piezas antes de ser ensambladas?
d) Suponga que se tienen 2 operadores en esa lnea, realice el ejercicio anterior y comente.
2. Considere un sistema de lneas de espera tal como el de un cajero automtico, suponga por
simplicidad que el tiempo entre llegadas de los clientes vara entre 2 a 5 minutos y que el tiempo
de servicio del cajero varia de de 3 a 7 minutos por cada cliente, estos tiempos son distribuidos
de manera uniforme. Suponga que el gerente del banco no desea que los clientes duren ms de 4
minutos haciendo fila en la caja, Cuntos cajeros son necesarios? Con base en una corrida de
tamao 10 clientes primeramente conteste lo siguiente:
a) Cul es el tiempo promedio en el sistema que permanece cada cliente?

b) Cul es el tiempo promedio en la fila que permanece cada cliente? Es suficiente con un cajero
automtico?
c) Realice el ejercicio anterior con dos cajeros y comente.
3. Una compaa desea establecer un negocio de renta de autos, el gerente quiere saber el nmero
de autos ptimo a comprar. El costo promedio anual es de $200,000 por auto, la renta diaria por
auto se fijar en $700. El costo de no tener un auto disponible cuando se solicita es de $300 y el de
tener un a uto ocioso durante el da es de $ 200. De acuerdo a u na investigacin realizada, se
encontr que el nmero de autos rentados por da as como el nmero de das rentados es como
se muestra a continuacin:
No. de Autos Frecuencia No. Das Frecuencia

Rentados Observada Rentados Observada
0 15 1 40
1 25 2 35
2 45 3 15
3 10 4 10
4 5
a) Cules son las variables de entrada de este modelo?

b) Cul es el principal indicador para determinar el nmero ptimo de autos a comprar?
c) Cules son las alternativas que se pueden considerar para este modelo?
d) Realice una corrida de tamao 10 autos para cada una de las alternativas y recomiende cuantos
comprar.
4. La panadera la Trinidad satisface la demanda del da con pan recin horneado. El pan se produce
en lotes de docenas de panes, cada pan tiene un costo de pr oduccin de $2 Suponga que l a
demanda diaria total de pan tambin se presenta en mltiplos de 12. Los datos muestran que la
demanda vara de 36 a 96 panes diarios. Un pan se vende a $4 y si sobra pan al final del da, este
se vende a una cocina de beneficencia a un precio de recuperacin $1 cada pan. Si la demanda es
mayor que la oferta, suponemos un c osto por ganancia prdida. Los registros de l a panadera
Pgina 26
muestran que l a demanda diaria se puede clasificar en t res tipos: alta, media y baja, estas se
presentan con probabilidades de 0.30, 0.45 y 0.25 respectivamente. La empresa quisiera saber el
nmero ptimo de panes que se deben producir cada da para maximizar las ganancias.
Distribucin de la Demanda
Demanda Alta Media Baja
36 0.15 0.10 0.15
48 0.10 0.20 0.25
60 0.25 0.30 0.35
72 0.30 0.25 0.15
84 0.10 0.10 0.05
96 0.10 0.05 0.05
a) Cules son las variables de entrada de este modelo?

b) Cul es el principal indicador para determinar el nmero ptimo de panes a producir?
c) Cules son las alternativas que se pueden considerar para este modelo?
d) Realice una corrida de tamao 10 das para cada una de las alternativas y haga las
recomendaciones que considere pertinentes.
5. Lea y desarrolle el siguiente caso:
Gerente: Seores, el desarrollo de n uestro nuevo producto ha alcanzado el punto en qu e debemos

tomar una dec isin sobre la produccin. Por supuesto, la cuestin clave es: se obtendr una
ganancia?
Ventas: Pienso que la demanda puede estimarse bastante bien basndonos en nuestros estudios.
Esperamos niveles de ventas de 5,300; 6,000 y 6,700 unidades. Estadsticamente estimamos que el
primer y tercer nivel de ventas tengan un peso probabilstico de un 35%.
Produccin: Para producirlo necesitamos alguna maquinaria nueva, una persona ms en
mantenimiento y relocalizacin de algunas estaciones de trabajo existentes. He costeado
cuidadosamente estas necesidades y ascienden a un total de $200,000 de costos fijos. Dira que hay
50% de posibilidades para los $200,000 y 25% para $198,000 o para $202,000.
Gerente: Qu sucede con el costo variable?
Contabilidad: Despus de consultar a nues tros departamentos de i ngeniera y produccin, hemos
llegado a un costo esperado entre $48 y $52. Digamos que existe el 50% de posibilidades para $50y
25% tanto para $48 como para $52.
Ventas: Eso parece bien por qu podremos cobrar alrededor de $100 por unidad. Para ser ms
preciso, un pronstico de $100 con un 50% de posibilidades y una probabilidad del 25% para $95 o
$105.
Gerente: Veo que todos ustedes han tomado recientemente cursos de estadstica. Si uso sus datos
promedio, tendremos una ganancia con el lanzamiento del nuevo producto durante el primer
semestre del ao. Pero, podramos perder dinero si quedamos en el lado bajo de sus estimaciones,
aunque con lograr el punto de equilibrio estara bien.
Ingeniero industrial Seores, permtanme elaborar una s imulacin para ustedes. Les ayudar a
tomar una decisin.
Pgina 27
Captulo 2:
Nmeros pseudoaleatorios
Pgina 29
2.1 Nmeros pseudoaleatorios

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

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

b) Estadsticamente independientes.
c) De perodo largo o completo.
d) Con = 0.5
2
e) Con = 1/12
a) Deben estar uniformemente distribuidos en el intervalo [0,1]. Es decir, que se ajusten a la

funcin de densidad de probabilidad uniforme continua:
1 01
() =
0
b) El concepto de estadsticamente independientes se refiere a que la probabilidad de generar un

nmero siempre ser la misma, es decir, la ocurrencia de un nmero aleatorio no determina la
ocurrencia del siguiente y as sucesivamente.
c) Se le llama periodo a la cantidad de nmeros que pue den generarse con una f rmula o
31 64
algoritmo determinado, son deseables periodos de vida mnimos de n=2 o n=2 aunque en la
actualidad se cuenta con generadores y procesadores capaces de construir una secuencia de
200
nmeros con periodo de vida de n=2 .
d) Si los nmeros se distribuyen uniformemente (todos con la misma probabilidad de ocurrencia)

luego entonces se espera que la media de todos los nmeros posibles que se puedan generar
cuando n tiende a i nfinito es de = ya que estos se encuentran en el rango 0 1. La
explicacin matemtica de esto es como sigue en la figura 2.1:
Pgina 30
= ()( )
1 = ( ) ()
1
=

1
() =

1 1 1 2 1
() = = = 0 = =2
10 2
Figura 2.1
e) De la misma manera que se obtuvo la media, partiendo de la misma distribucin uniforme

continua la varianza se obtiene por medio de:
1 1
1 2
2 = ( )2 =
0 0 2
1 1 3 2 1
2 = 0 2 + = +
4 3 2 4
1 1 1 1
2 = + =
3 2 4 12
1
=
12
2.3 Generacin de los nmeros pseudoaleatorios

Generar un conjunto de ri nmeros pseudoaleatorios es relativamente sencillo, solo se tiene que
aplicar algn algoritmo de generacin (sucesiones de dgitos por medio de una relacin de
recurrencia.) o incluso disear un propio algoritmo de generacin. Lo que se debe tener en cuenta
es que los nmeros generados cumplan las caractersticas sealadas en el punto 2.2.
A continuacin se presentan diferentes algoritmos determinsticos para generar los nmeros
pseudoaleatorios. Existen muchos algoritmos pero en gener al se pueden clasificar en al goritmos
no congruenciales y algoritmos congruenciales.
2.3.1 Algoritmo de cuadrados medios

Este es un algoritmo no c ongruencial y se fundamenta en la elevacin al cuadrado de una
semilla de n dgitos tomando los d dgitos centrales para conformar el nuevo nmero, mismo que
servir como la nueva semilla y as sucesivamente.
Los pasos para este algoritmo son:
1. Seleccionar una semilla (X0) con d dgitos (d > 3).

2. Elevar al cuadrado X0 y sea X1 = d dgitos del centro. Sea entonces ri=0.d dgitos del centro.
Pgina 31
3. Sea Yi = resultado de elevar Xi al cuadrado; y sea Xi+1= los d dgitos del centro y ri=0.d del
centro para toda i = 1,2,3,,n.
4. Repetir el paso 3 hasta obtener los n nmeros ri deseados.
Nota: Si no es posible obtener los d dgitos del centro del nmero Yi se pueden tomar los d dgitos
cargados un dgito hacia la derecha o hacia la izquierda.
Ejemplo 2.1
Generar los primeros 5 nmeros ri de 4 dgitos (d) a partir de la semilla X0=9876, ver tabla 2.2:
Y0 = 9876 = 97535376 X1 = 5353 r1 = 0.5353

Y1 = 5353 = 28654609 X2 = 6546 r2 = 0.6546
Y2 = 6546 = 42850116 X3 = 8501 r3 = 0.8501
Y3 = 8501 = 72267001 X4 = 2670 r4 = 0.2670
Y4 = 2670 = 7128900 X5 = 2890 r5 = 0.2890
Tabla 2.2
2.3.2 Algoritmo de productos medios

Este es otro algoritmo no congruencial y la mecnica es similar al anterior. La diferencia radica
en que el algoritmo de productos medios requiere dos semillas, ambas con d dgitos y en lugar de
elevarlas al cuadrado, se multiplican y del producto se seleccionan los d dgitos del centro. Los
pasos son como se enumeran a continuacin:

3. Sea Y0=(X0) (X1); Sea X2= los d dgitos del centro, y sea ri=0.d dgitos del centro.
4. Sea Yi=(Xi) (Xi+1); Sea Xi+2= los d dgitos del centro, y sea ri+1=0.d dgitos del centro para toda i =
1,2,3,..,n
5. Repetir el paso 4 hasta obtener los n nmeros ri deseados.
Nota: Si no es posible obtener los d dgitos del centro del nmero Yi se pueden tomar los d dgitos
cargados un dgito hacia la derecha o hacia la izquierda.
Ejemplo 2.2
Generar los primeros 5 nmeros ri de 4 dgitos (d) a partir de las semillas X0=9638 y X1=8527, ver
tabla 2.3:
Y0= (9638)(8527)= 82183226 X2= 1832 r1= 0.1832

Y1= (8527)(1832)= 15621464 X3= 6214 r2= 0.6214
Y2= (1832)(6214)= 11384048 X4= 3840 r3= 0.3840
Y3= (6214)(3840)= 23861760 X5= 8617 r4= 0.8617
Y4= (3840)(8617)= 33089280 X6= 0892 r5= 0.0892
Y5= (8617)(0892)= 7686364 X7= 6863 r6= 0.6863
Tabla 2.3
Pgina 32
2.3.3 Algoritmo congruencial mixto

Los mtodos congruenciales estn basados en el lgebra de congruencias. Este mtodo tiene
la siguiente relacin de recurrencia:
Xn+1 = (aXn + c) mod m
Donde:
X0 = Semilla
a = Factor multiplicador
c = Constante aditiva
m = magnitud del mdulo
Los requisitos mnimos que estos parmetros deben satisfacer son: X0, a, c, m 0; enteros y m
>a, m >c, m >X0. Aqu mod representa a la operacin aritmtica mdulo entre enteros a y b tal que
el resultado de a mod b es el residuo entero de la divisin a entre b.
Es muy importante aclarar que en la seleccin de los parmetros de l os generadores
congruenciales deben seguirse reglas y teoremas muy estrictos pero como todos los lenguajes de
uso especfico de s imulacin ya incluyen sus propios generadores de nm eros pseudoaleatorios
solo se expondrn ejemplos meramente didcticos para ver cmo funcionan los generadores
congruenciales.
Ejemplo 2.3
Genere 8 nmeros a partir del generador congruencial mixto: considere X0 = 4, a=5, c=7 y mod=8.
Los resultados son como se muestran en la tabla 2.4:
Generador Divisin Xi Nmero Aleatorio

X1 = ((5)(4) + 7) mod 8 27/8 = 3 + 3/8 X1= 3 r1= 3/8 = 0.375
X2 =( (5)(3) + 7) mod 8 22/8 = 2 + 6/8 X2= 6 r2= 6/8 = 0.750
X3 = ((5)(6)+ 7) mod 8 37/8 = 4 + 5/8 X3= 5 r3= 5/8 = 0.625
X4 = ((5)(5) + 7) mod 8 32/8 = 4 + 0/8 X4= 0 r4= 0/8 = 0.000
X5 =((5)(0) + 7) mod 8 7/8 = 0 + 7/8 X5= 7 r5= 7/8 = 0.875
X6 =((5)(7) + 7) mod 8 42/8 = 5 + 2/8 X6= 2 r6= 2/8 = 0.250
X7 =((5)(2) + 7) mod 8 17/8 = 2 + 1/8 X7= 1 r7= 1/8 = 0.125
X8 =((5)(1) + 7) mod 8 12/8 = 1 + 4/8 X6= 4 r8= 4/8 = 0.500
Tabla 2.4
2.3.4 Algoritmo congruencial multiplicativo

Este mtodo es muy similar al anterior salvo por la constante aditiva que en este caso no s e
considera. La relacin de recurrencia es:
Xn+1 = (aXn) mod m

Donde:
X0 = Semilla
a = Factor multiplicador
m = magnitud del mdulo
Los requisitos mnimos que estos parmetros deben satisfacer son: X0, a, m 0; enteros y m >a y
m >X0.
Pgina 33
Ejemplo 2.4
Genere 8 nmeros a par tir del generador congruencial multiplicativo: considere X0 = 51, a=3 y
mod=100. Los resultados son como se muestran en la tabla 2.5
Generador Divisin Xi Nmero Aleatorio

X1 = (3)(51) mod 100 153/100 = 1 + 53/100 X1= 53 r1= 53/100 = 0.530
X2 = (3)(53) mod 100 159/100 = 1 + 59/100 X2= 59 r2= 59/100 = 0.590
X3 = (3)(59) mod 100 177/100 = 1 + 77/100 X3= 77 r3= 77/100 = 0.770
X4 = (3)(77) mod 100 231/100 = 2 + 31/100 X4= 31 r4= 31/100 = 0.310
X5 =(3)(31) mod 100 93/100 = 0 + 93/100 X5= 93 r5= 93/100 = 0.930
X6 =(3)(93) mod 100 279/100 = 2 + 79/100 X6= 79 r6= 79/100 = 0.790
X7 =(3)(79) mod 100 237/100 = 2 + 37/100 X7= 37 r7= 37/100 = 0.370
X8 =(3)(37) mod 100 111/100 = 1 + 11/100 X6= 11 r8= 11/100 = 0.110
Tabla 2.5
2.4 Pruebas estadsticas de aleatoriedad

Como el valor de l as variables aleatorias de un modelo dado, dependen de los nmeros
aleatorios, es importante verificar que los nmeros aleatorios generados cumplan con la
caracterstica de u niformidad [0,1]. Para ello se aplicarn algunas de las muchas pruebas
estadsticas que han sido desarrolladas para probar la uniformidad y aleatoriedad o independencia
de los nmeros aleatorios. Dichas pruebas estn basadas en el proceso estadstico de pruebas de
hiptesis variando nicamente los estadsticos de pr ueba. El proceso general de l as pruebas de
hiptesis es como sigue:
1. Establecer las hiptesis nula y alternativa: H0 y H1

2
2. Dependiendo de la prueba utilizar el estadstico de prueba correspondiente: Zc, X , F, etc.
3. Determinar el nivel de confianza (error tipo I, rechazar algo cuando es verdadero) y 1-.
Usualmente = 1%,5%,10%.
4. Determinar la regin de rechazo y no rechazo (ver figura 2.6).
Regin de rechazo y no rechazo para una distribucin que utiliza el

estadstico de prueba de una distribucin normal
rea de rechazo 1- rea de rechazo

rea de no
/2 rechazo /2
Figura 2.6
Pgina 34
5. Tomar una decisin comparando el estadstico de prueba contra el valor de tablas.
| | 2 0
2 < ,
2
0
6. Finalmente formular una conclusin agregando el tamao de la muestra y el nivel de

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

Esta prueba est basada en la media de los nmeros aleatorios y esencialmente consiste en
comparar la media de una muestra de tamao n contra la media de toda la poblacin de nmeros
que puedan generarse (cuando n tiende a ): .
Los pasos son los siguientes:
1. H0: = 0.5
H1: 0.5

2. Calcular la de los n nmeros generados: =

3. Estadstico de prueba:
( 0.5)
=
1
12

4. Determinar las regiones de rechazo y no rechazo para los valores de considerados.
5. Tomar la decisin para cada valor de .
6. Concluir.
Ejemplo 2.5
Realice la prueba de los promedios a los 40 nmeros aleatorios de la tabla 2.7 de abajo
considerando: a) = 1%, b) = 5% y c) = 10% y concluya.
0.2186 0.7143 0.0361 0.7344

0.6370 0.1394 0.1374 0.3697
0.5062 0.4826 0.0773 0.3395
0.9720 0.0643 0.9052 0.2530
0.8155 0.2974 0.5155 0.9851
0.2052 0.5657 0.2244 0.5658
0.5824 0.0449 0.7542 0.2415
0.0541 0.1126 0.7263 0.3207
0.9324 0.1528 0.0721 0.7062
0.6208 0.2971 0.4579 0.3276
Tabla 2.7
Pgina 35
Solucin:
1. H0: = 0.5
H1: 0.5

2. Calcular la de los n nmeros generados: = = 0.42913

(0.42913 0.5)
= (40)1/2 = 1.55
1
12
4. Calculo de la regin de rechazo y no rechazo:
a) = 0.01
rea de rechazo 0.99 rea de rechazo
rea de no 0.005
0.005
rechazo
- 2.575 + 2.575
ZC = - 1.55
5. Decisin: Como ZC < Z/2 entonces no rechazar H0
6. Conclusin:
Existe suficiente evidencia para decir que los nmeros aleatorios se distribuyen
uniformemente considerando n=40 y =0.01
Pgina 36
b) = 0.05
0.025 rea de no 0.025

rechazo
- 1.96 + 1.96
ZC = - 1.55

6. Conclusin:
Existe suficiente evidencia para decir que los nmeros aleatorios se distribuyen uniformemente
considerando n=40 y =0.05
c) = 0.10
0.05 rea de no 0.05

rechazo
- 1.96 + 1.96
ZC = - 1.55

6. Conclusin. Existe suficiente evidencia para decir que los nmeros aleatorios se distribuyen
uniformemente considerando n=40 y =0.10
Conclusin general:
Como la hiptesis nula no se rechaza con ninguno de los tres valores de , entonces se trata de
una prueba altamente significativa para decir que los nmeros se distribuyen uniformemente
considerando n=40.
Pgina 37
2.4.2 Prueba de las frecuencias

Esta prueba consiste en dividir el espacio [0,1] en k subintervalos y verificar la cantidad de
nmeros aleatorios que caen en cada particin contra los que deberan ser suponiendo que estos
se distribuyen uniformemente. Es en realidad una prueba de bondad y ajuste (utiliza el estadstico
de prueba de la 2 ) donde la 2 mide la dispersin que existe entre los valores esperados y los
observados.
Los pasos son los siguientes:
1. H0: Los nmeros se distribuyen uniformemente.

H1: Los nmeros no se distribuyen uniformemente
2. Asignar un nmero de subintervalos k
3. La frecuencia esperada es: = /
4. El ancho del intervalo es: = 1/
5. La frecuencia observada (FO) es la cantidad de nmeros aleatorios que se ubican en cada
particin del espacio 0 -1.

( )2
2 =

=1
7. Determinar las regiones de rechazo y no r echazo para los valores de considerados (por
omisin =0.05)
8. Tomar la decisin.
9. Concluir.
Ejemplo 2.6
Aplicar la prueba de l as frecuencias a los 50 nmeros que se muestran en la tabla 2.8 de abajo
considerando a) k=5 y b) k=10:
0.5290 0.9508 0.7302 0.4182 0.8247

0.2233 0.1331 0.7271 0.9921 0.9552
0.1970 0.7999 0.2793 0.2572 0.1057
0.2388 0.8879 0.7263 0.9925 0.3879
0.9071 0.4665 0.8564 0.4825 0.9250
0.3778 0.6973 0.2126 0.7262 0.9357
0.8825 0.9306 0.9246 0.7890 0.2406
0.3359 0.2044 0.5873 0.3982 0.1455
0.2851 0.0011 0.9680 0.8493 0.7545
0.8442 0.6809 0.7273 0.1561 0.6818
Tabla 2.8
Solucin:
a) k = 5

2. K=5
3. FE= 50/5 = 10
4. AC= 1/5 = 0.2
Pgina 38
5. Calculo de 2 :
2 ( )
Clases FO FE FO-FE (FO-FE)

0 r 0.2 6 10 -4 16 1.6
0.2 < r 0.4 12 10 2 4 0.4
0.4 < r 0.6 5 10 -5 25 2.5
0.6 < r 0.8 11 10 1 1 0.1
0.8 < r 1.0 16 10 6 36 3.6
50 50 = 8.2
Tabla 2.9
6. Para obtener el valor de tablas, es necesario primero calcular los grados de libertad:
V = k-1, y el valor de = 0.05
V = 5 1 = 4 grados de libertad,
2
,2 = 4,0.05 = 9.49
7. La regin de rechazo y no rechazo est dada por:
1-
0.95 = 0.05
0 2 =8.2 9.49
8. Decisin: Como 2 < ,2 entonces no rechazar H0.

9. Conclusin: Existe suficiente evidencia para decir que los nmeros se distribuyen
uniformemente, considerando n = 50, K=5 y = 0.05
b) Para k = 10 Solucin:

2. K=10
3. FE= 50/10 = 5
4. AC= 1/10 = 0.1
5. Calculo de 2 : ver tabla 2.10
Pgina 39
2 ( )
Clases FO FE FO-FE (FO-FE)

0.0 r 0.1 1 5
6 10 -4 16 1.6
0.1 < r 0.2 5 5
0.2 < r 0.3 8 5
12 10 2 4 0.4
0.3 < r 0.4 4 5
0.4 < r 0.5 3 5
5 10 -5 25 2.5
0.5 < r 0.6 2 5
0.6 < r 0.7 3 5
11 10 1 1 0.1
0.7 < r 0.8 8 5
0.8 < r 0.9 6 5 1 1 0.2
0.9 < r 1.0 10 5 5 25 5.0
50 50 = 9.8
Tabla 2.10
Nota: una condicin de la prueba de bondad y ajuste es que debe existir un nmero mnimo de
observaciones por celda (5) es por esto que se tienen que agrupar los valores de celda que sean
menores de 5 con el valor de celda inmediato superior o inferior segn sea el caso. Tambin se
pueden agrupar varias celdas menores de 5 par a sumar entre todas 5 o un v alor mayor. Por
supuesto que esto modifica tambin el clculo de los grados de libertad.
6. Para obtener el valor de tablas, es necesario primero calcular los grados de libertad: V = k-1, y
el valor de = 0.05. En este caso quedan 6 clases una vez que se agruparon los valores de las
celdas menores a 5.
2
V = 6 1 = 5 grados de libertad, ,2 = 5,0.05 = 11.07
7. La regin de rechazo y no rechazo est dada por:
1-
0.95 = 0.05
0 2 =9.8 11.07
8. Decisin: Como 2 < ,2 entonces no se rechaza H0.

9. Conclusin: Existe suficiente evidencia para decir que los nmeros se distribuyen
uniformemente, considerando n = 50, K=10 y = 0.05
Conclusin general:
Como con los dos valores de k no se rechaza H0 entonces se considera una prueba altamente
significativa, para decir que los nmeros siguen una distribucin uniforme
Pgina 40
2.4.3 Prueba del pker.

Esta prueba considera los dgitos del nmero aleatorio de manera individual y los clasifica en
jugadas emulando el juego de cartas de poker. Cada nmero aleatorio debe tener 5 dgitos y las
jugadas estn basadas en los valores numricos de c ada dgito sin considerar las jugadas con
figuras de la baraja original. Tambin se utiliza la prueba de bondad y ajuste en este caso
comparando el nmero de jugadas observadas en cada celda contra las jugadas esperadas.
Pasos:
2. Jugadas, ver la tabla 2.11:
Probabilidad de
Jugadas
Ocurrencia
(x)
f(x)
Todos diferentes 0.3024
Un par 0.5040
Dos pares 0.1080
Tercia 0.0720
Full 0.0090
Pker 0.0045
Quintilla 0.0001
Tabla 2.11
3. La frecuencia esperada es: = () ()

4. La frecuencia observada (FO) es la cantidad de jugadas que se ubican en cada celda.
( )2
2 =

6. Determinar las regiones de rechazo y no r echazo para los valores de considerados (por
omisin =0.05)
7. Tomar la decisin.
8. Concluir.
Ejemplo 2.7
Aplicar la prueba del pker a los 100 nmeros que se muestran a continuacin en la tabla 2.12:
0.80772 0.17791 0.13522 0.33942 0.51952 0.56367 0.30992 0.53029 0.32886 0.22031
0.99704 0.37347 0.56938 0.72269 0.23036 0.36737 0.64306 0.06359 0.48597 0.93187
0.10688 0.58583 0.32024 0.07030 0.84387 0.56090 0.14836 0.59700 0.76514 0.38088
0.94045 0.52118 0.81727 0.88695 0.39582 0.27950 0.90993 0.04543 0.33388 0.13548
0.21890 0.44946 0.99206 0.10144 0.09683 0.96107 0.78364 0.63935 0.10515 0.21707
0.24923 0.29121 0.31590 0.48642 0.36869 0.40785 0.85366 0.91186 0.38562 0.81903
0.65589 0.70207 0.03764 0.80680 0.33174 0.57563 0.66228 0.60460 0.36740 0.67429
0.66905 0.05462 0.24422 0.74264 0.31128 0.81286 0.26439 0.28189 0.54555 0.98381
0.37665 0.24623 0.46671 0.82446 0.26924 0.75091 0.04372 0.33886 0.81618 0.75224
0.94338 0.31334 0.86353 0.42163 0.30297 0.21871 0.28123 0.01430 0.55963 0.22901
Tabla 2.12
Pgina 41
Solucin:
2. Tamao de la muestra: n = 100
3. Calculo de 2 ver la tabla 2.13:
Jugadas Probabilidad 2 ( )
FO FE FO-FE (FO-FE)
(x) f(x)
Todos diferentes 0.3024 27 30.24 -3.24 10.50 0.347
Un par 0.5040 53 50.40 2.60 6.76 0.134
Dos pares 0.1080 12 10.80 1.20 1.44 0.133
Tercia 0.0720 5 7.20
Full 0.0090 2 0.90
8 8.56 -0.56 0.314 0.037
Pker 0.0045 1 0.45
Quintilla 0.0001 0 0.01
1 100 100 = 0.651
Tabla 2.13
4. Como se mencion anteriormente, para obtener el valor de tablas, es necesario primero calcular
los grados de libertad: V = k-1, y el valor de =0.05. En este caso quedan 4 clases una vez que
se agruparon los valores de las celdas menores a 5.
2
V = 4 1 = 3 grados de libertad, ,2 = 3,0.05 = 7.81
Regin de rechazo y no rechazo para el ejercicio:
1-
0.95 = 0.05
0 2 =0.651 7.81
5. Decisin: Como 2 < ,2 entonces no se rechaza H0.

6. Conclusin: Existe suficiente evidencia para decir que l os nmeros si se distribuyen
uniformemente, considerando n = 100 y = 0.05
Pgina 42
2.4.4 Prueba de Kolmogorov-Smirnov

Esta prueba consta de los siguientes pasos:
1. Generar una muestra de nmeros aleatorios de tamao n.
2. Establecer:
H0: Los nmeros se distribuyen uniformemente.

3. Ordenar dichos nmeros en forma ascendente ri.

4. Calcular la probabilidad relativa de los nmeros generados con la siguiente expresin: () =
donde i es la posicin que ocupa el nmero aleatorio Xi.

5. Calcular la distribucin acumulada: () = =1 ()
6. Calcular las diferencias absolutas entre cada valor ordenado ri y la respectiva distribucin
acumulada Fn (xi)
7. Tomar la diferencia absoluta mayor de acuerdo a:
= | ( ) |
8. Si Dn < d,n entonces no se puede r echazar la hiptesis de qu e los nmeros tienen una
distribucin uniforme.
Ejemplo 2.8
Aplique la prueba de Kolmogorov-Smirnov a los nmeros que s e muestran a c ontinuacin en la
tabla 2.14 considerando =0.05.
0.8715 0.9898 0.7292 0.4683

0.4502 0.0648 0.9240 0.6107
0.1528 0.3454 0.6218 0.1623
0.9579 0.1757 0.3219 0.2110
0.1602 0.2965 0.6632 0.5324
0.2560 0.5009 0.9652 0.9058
0.6807 0.0889 0.5691 0.4732
0.2522 0.5820 0.7512 0.0430
0.0740 0.8760 0.7706 0.9840
0.3337 0.3611 0.3072 0.4595
Tabla 2.14
Solucin:
2. Ordenar los nmeros aleatorios y aplicar las operaciones correspondientes. Ver tabla 2.15
Pgina 43
ri Valor absoluto
i
Ordenado () = (ri)-(fi)
1 0.0430 0.0250 0.0180
2 0.0648 0.0500 0.0148
3 0.0740 0.0750 0.0001
4 0.0889 0.1000 0.0111
5 0.1528 0.1250 0.0278
6 0.1602 0.1500 0.0102
7 0.1623 0.1750 0.0127
8 0.1757 0.2000 0.0243
9 0.2110 0.2250 0.0140
10 0.2522 0.2500 0.0022
11 0.2560 0.2750 0.0190
12 0.2965 0.3000 0.0035
13 0.3072 0.3250 0.0178
14 0.3219 0.3500 0.0281
15 0.3337 0.3750 0.0413
16 0.3454 0.4000 0.0546
17 0.3611 0.4250 0.0639
18 0.4502 0.4500 0.0002
19 0.4595 0.4750 0.0155
20 0.4683 0.5000 0.0317
21 0.4732 0.5250 0.0518
22 0.5009 0.5500 0.0491
23 0.5324 0.5750 0.0426
24 0.5691 0.6000 0.0309
25 0.5820 0.6250 0.0430
26 0.6107 0.6500 0.0393
27 0.6218 0.6750 0.0532
28 0.6632 0.7000 0.0368
29 0.6807 0.7250 0.0443
30 0.7292 0.7500 0.0208
31 0.7512 0.7750 0.0238
32 0.7706 0.8000 0.0294
33 0.8715 0.8250 0.0465
34 0.8760 0.8500 0.0260
35 0.9058 0.8750 0.0308
36 0.9240 0.9000 0.0240
37 0.9579 0.9250 0.0329
38 0.9652 0.9500 0.0152
39 0.9840 0.9750 0.0090
40 0.9898 1.0000 0.0102
Tabla 2.15
De la tabla anterior obtenemos que l a diferencia mayor absoluta es de Dn = 0.0639 y el valor de
tablas de l a distribucin Kolmogorov-Smirnov con n= 40 y un n ivel de significacin = 0.05 es:
d40,0.05=0.215 y puesto que 0.0639<0.215, entonces no se puede rechazar H0.
Conclusin:
Existe suficiente evidencia para decir que los nmeros se distribuyen uniformemente considerando
n=40 y =0.05
Pgina 44
2.5 Ejercicios propuestos.
1. Genere los primeros 7 nmeros aleatorios ri de 4 dgitos con el algoritmo de cuadrados medios
a partir de la semilla X0=9576.
2. Genere los primeros 5 nmeros aleatorios ri de 4 dgitos con el algoritmo de productos medios a
partir de las semillas X0=8543 y X1=7433.
3. Desarrolle los siguientes generadores congruenciales para nmeros aleatorios uniformes y

determine el periodo de estos:
a) a = 71, c =315, mod =313; X0 =37

b) a = 45, c =377, mod =1321; X0 =931
c) a = 111, c =281, mod =4294; X0 =123
d) a = 233, mod =4294; X0 =583
e) a = 711, mod =65536; X0 =17
4. Genere y anote con su calculadora 50 nmeros aleatorios y aplique la prueba de los promedios
con:
a) =1%
b) =5%
c) =10%.
Concluir.
5. Genere y anote 100 nmeros aleatorios y aplique la prueba de las frecuencias con k=5, k=10 y
concluir.
6. Realice la prueba del pker a los 100 nmeros del ejercicio 5 y concluir.
7. Genere y anote 50 nmeros aleatorios con su calculadora y aplique la prueba de Kolmogorov-

Smirnov.
Pgina 45
Captulo 3:
Variables aleatorias
Pgina 47
3.1 Introduccin del captulo

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

Tiempo entre llegadas de las entidades al sistema Tiempo en fila de las piezas o clientes
Tiempo de servicio del servidor Tiempo en el sistema
Tiempo de operacin de la mquina Porcentaje de tiempo ocioso del servidor
Tipo de cliente tipo que entra al sistema Porcentaje de utilizacin de las mquinas
Tipo de servicio solicitado por los clientes Porcentaje de tiempo en operacin/entidad
Tipo de producto a desarrollar en el sistema Porcentaje de tiempo bloqueado de la entidad
Tabla 3.1
3.2 Tipos de variables aleatorias

En este punto si se har referencia a la clasificacin probabilstica de las variables aleatorias.
Se pueden diferenciar de acuerdo con el tipo de valores aleatorios que representan. Si por ejemplo
se habla del nmero de clientes que entran a un restaurant de comida rpida en el turno matutino,
se pueden encontrar valores tales como: 0,1, 2, 3, 4,,n, es decir, valores que se pueden contar
como el de l as distribuciones de pr obabilidad discretas. Por otra parte, si lo que interesa es el
tiempo que tarda el servidor en atender a cada cliente que entra al restaurant, se obtendran
valores como: 3.47 minutos o 0. 092 horas, en es te caso son valores medibles y obviamente
similares a las distribuciones de probabilidad continuas.
3.2.1 Variables aleatorias discretas

Este tipo de variables se distinguen por que generalmente involucran experimentos estadsticos
donde se pueden contar las caractersticas de la poblacin a muestrear. Tienen las siguientes
condiciones:
1) () 0
2)
=0 = 1
3) ( ) = = + +
Pgina 48
Ejemplos de distribuciones tericas discretas son:
Distribucin de Bernoulli
Distribucin Binomial
Distribucin Uniforme Discreta
Distribucin de Poisson
Distribucin Hipergeomtrica
En las siguientes figuras 3.2 y 3.3 se pueden ver los grficos de dos distribuciones discretas
comunes.
Figura 3.2
Figura 3.3
3.2.2 Variables aleatorias continuas

Por otro lado, este tipo de variables involucran experimentos estadsticos donde se pueden
medir las caractersticas de la poblacin a muestrear. Estas variables se representan por
ecuaciones conocidas como funciones de densidad de probabilidad y en lugar de s umarse los
pesos probabilsticos se integran. Tienen las siguientes condiciones:
Pgina 49
1. () 0
2. ( = ) = 0

3. () = 1

4. ( ) = ( < < ) = ()
Ejemplos de distribuciones tericas continuas son:
Distribucin Normal
Distribucin uniforme continua
Distribucin de Exponencial
Distribucin Log Normal
Distribucin Erlang
En las siguientes figuras 3.4 y 3.5 se pueden ver los grficos de dos distribuciones continuas:
Distribucin Normal
P(X) 0.30
0.20
0.10
0.00
1 2 3 4 5 6 7
X
Figura 3.4
Distribucin Exponencial
P(x)
1
0.8
0.6
0.4
0.2
0
1 2 3 4 5
X
Figura 3.5
Pgina 50
3.3 Identificacin del tipo de distribucin de probabilidad de las variables

aleatorias
El objetivo de identificar el tipo de distribucin de alguna variable aleatoria es poder generarla

cuando se est realizando el modelo en algn lenguaje especfico informtico, de hecho la mayora
de estos lenguajes traen su propia aplicacin para determinar el tipo de distribucin de las
variables, en el caso del ProModel, tiene una aplicacin llamada Stat:Fit la cual es muy til para
este fin.
El procedimiento para la identificacin de l a distribucin que sigue una variable de entrada es
aplicando el proceso de pruebas de hiptesis utilizando la prueba de bondad y ajuste que utiliza
como estadstico de prueba a la chi-cuadrada (x2), tambin se puede utilizar la prueba de
Kolmogorov-Smirnov o la de Anderson-Darling. En este captulo se revisarn los dos primeros
procedimientos mencionados anteriormente.
El procedimiento general es como se menciona a continuacin:
1. Determinar Variables de entrada del modelo y muestrear en horarios y das de inters. Deben
muestrearse por lo menos 30 datos (n 30).
2. Organizar los datos en una forma conveniente para su uso.
3. Determinar el Rango de los datos muestreados (R = Vmax Vmin)
4. Determinar el ancho del intervalo aproximado. Se recomienda la frmula siguiente:

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

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

La prueba de bondad y ajuste utiliza el estadstico de prueba de la chi-cuadrada (x ) y e l
2
fundamento de esta prueba es comparar la frecuencia observada de cada clase (ki) de la

distribucin de frecuencias contra la frecuencia esperada y medir la dispersin entre ambas, dicha
dispersin se mide con el valor 2 y este a su vez se compara contra el valor de tablas ,2 , si
2 < ,2 entonces no se rechaza H0. Las frmulas son las siguientes:
FEi = n Pi

( )2
2 =

=1
Pgina 51
2
Para la obtencin del valor de tablas de , el valor de V=K m 1 donde m es el nmero de
parmetros estimados en la distribucin considerada.
La prueba de Kolmogorov-Smirnov compara directamente las probabilidades tericas contra las
relativas y utiliza sus propias tablas para diferentes valores de . El procedimiento se ver un poco
ms adelante.
Ejemplo 3.1
Los siguientes datos (ver tabla 3.6) representan el tiempo en horas que se requieren para realizar
las reparaciones y/o mantenimientos en un taller automotriz. Se tom una muestra de los ltimos
50 autos que ingresaron al taller:
8.223 0.836 2.634 4.778 0.406 0.517 2.330 2.563 0.511 6.426
2.230 3.810 1.624 1.507 2.343 1.458 0.774 0.023 0.225 3.214
2.920 0.968 0.333 4.025 0.538 0.234 3.323 3.334 2.325 7.514
0.761 4.490 1.514 1.064 5.088 1.401 0.294 3.491 2.921 0.334
1.064 0.186 2.782 3.246 5.587 0.685 1.725 1.267 1.702 1.849
Tabla 3.6
Realice lo siguiente:
a) Obtenga el Rango.
b) Construya una distribucin de frecuencias y realice el histograma correspondiente.
c) Mencione que tipo de distribucin terica pueden seguir los datos (establecer H0 y H1).
d) Aplicar la prueba de bondad y ajuste con =0.05 y concluya.
e) Aplicar la prueba de Kolmogorov-Smirnov con =0.05 y concluya.
Solucin:
a) = 8.223 0.023 = 8.2
b) Distribucin de frecuencias e histograma
8.2
= = 1.23
1 + 3.322 (log 50)
Este valor es solamente una referencia, por lo que puede considerarse un ancho adecuado de
clase para 50 datos 1.2. En la siguiente figura 3.7 se puede ver la distribucin de frecuencias y el
histograma correspondientes:
Pgina 52
Figura 3.7
c) De la figura anterior, los datos parece que siguen una distribucin exponencial negativa, por lo
tanto las hiptesis nula y alternativa son:
H0 = Las horas de reparacin y/o mantenimiento siguen una distribucin Exponencial negativa.
H1 = Las horas de reparacin y/o mantenimiento no siguen una distribucin Exponencial
negativa
d) Prueba de bondad y ajuste.
La distribucin a la cual se pretende verificar si los datos se ajustan es la Exponencial negativa,

es una distribucin continua por lo que la funcin de densidad se tendr que integrar para obtener
las probabilidades correspondientes.
1
() = 0 =

En este caso como se obtuvo una muestra de tamao n= 50 se utilizar como un estimador de
.
=1 113.397 1
= = = 2.27 = = 0.4405
50 2.27
La integracin de la funcin de densidad para obtener las probabilidades de cada clase es de la

siguiente manera:
2
(1 < < 2 ) = = = 2 + 1
1
Por lo tanto:
1 ( 0.00 < < 1.15) = (0.4405)(1.15) + (0.4405)(0) = 0.6026 + 1.0000 = .
2 (1.15 < < 2.35) = (0.4405)(2.35) + (0.4405)(1.15) = 0.3552 + 0.6026 = .
3 (2.35 < < 3.55) = (0.4405)(3.55) + (0.4405)(2.35) = 0.2093 + 0.3552 = .
4 (3.55 < < 4.75) = (0.4405)(4.75) + (0.4405)(3.55) = 0.1234 + 0.2093 = .
Pgina 53
5 (4.75 < < 5.95) = (0.4405)(5.95) + (0.4405)(4.75) = 0.0727 + 0.1234 = .

6 (5.95 < < 7.15) = (0.4405)(7.15) + (0.4405)(5.95) = 0.0429 + 0.0727 = .
6
7 ( > 7.15) = 1 = 1 0.9571 = .

=1
El resumen del clculo de 2 es como se muestra en la siguiente tabla 3.8:
( )
Clases FO
2
Pi FE=nPi FO-FE (FO-FE)

0.0 X 1.2 18 0.3974 20 -2 4 0.2000
1.2 < X 2.4 13 0.2474 12 1 1 0.0833
2.4 < X 3.6 10 0.1459 7 -3 9 1.2857
3.6 < X 4.8 4 0.0859 4
4.8 < X 6.0 2 0.0507 3
9 11 -2 4 0.3636
6.0 < X 7.2 1 0.0298 1
7.2 < X 8.4 2 0.0429 3
50 1 50 2 = 1.9326
Tabla 3.8
Para determinar el valor de tablas de ,2 considerar los grados de libertad v de acuerdo a: v =

k-m-1 donde k es el nmero de clases resultantes y m es el nmero de parmetros estimados en la
distribucin considerada.
2
V=4-1-1=2 grados de libertad ,2 = 2,0.05 = 5.99
En la figura 3.9 se puede ver la regin de rechazo y no r echazo para la prueba de bond ad y
ajuste:
1- = 0.05
0.95
0 2 =1.9326 5.99
Figura 3.9
Decisin: Como 2 < ,2 entonces no rechazar H0.
Conclusin:
Existe suficiente evidencia para decir que las horas de reparacin y/o mantenimiento siguen una
distribucin exponencial negativa, considerando n = 50, y = 0.05
Pgina 54
e) Prueba de Kolmogorov-Smirnov con =0.05.
En este caso los pasos son los siguientes:

1. Calcular la probabilidad relativa de cada clase = ,

2. Calcular la probabilidad terica de cada clase (de la distribucin que se eligi en la H0).
3. Acumular la probabilidad relativa y la probabilidad terica en sus columnas respectivas,
4. Calcular la diferencia absoluta entre ambas
5. Comparar contra el valor de tablas.
Recordemos las hiptesis nulas y la alternativa:
H0: Las horas de reparacin y/o mantenimiento siguen una distribucin Exponencial negativa.
H1: Las horas de reparacin y/o mantenimiento no siguen una distribucin Exponencial negativa
El resumen del clculo para la prueba de Kolmogorov-Smirnov es como se ve en la tabla 3.10:
Clases FO Pi Pi Terica Relativa Diferencia

Terica Relativa Acum. Acum. absoluta
0.0 X 1.2 18 0.3974 0.36 0.3974 0.36 0.0374
1.2 < X 2.4 13 0.2474 0.26 0.6448 0.62 0.0248
2.4 < X 3.6 10 0.1459 0.20 0.7907 0.82 0.0293
3.6 < X 4.8 4 0.0859 0.08 0.8766 0.90 0.0234
4.8 < X 6.0 2 0.0507 0.04 0.9273 0.94 0.0127
6.0 < X 7.2 1 0.0298 0.02 0.9571 0.96 0.0029
7.2 < X 8.4 2 0.0429 0.04 1.0000 1.00 0
50 1 1
Tabla 3.10
El valor de tablas para =0.05 (tabla de Kolmogorov-Smirnov) es: 0.226. Como |0.0374| < |0.226|
entonces no se rechaza H0.
Conclusin:
Existe suficiente evidencia para decir que las horas de reparacin y/o mantenimiento siguen una
distribucin exponencial negativa, considerando n = 50, y = 0.05
Ejemplo 3.2
Los siguientes datos de la tabla 3.11 representan el nmero de pac ientes que ingresan a un
consultorio mdico, se tom una muestra de 30 d as a partir de u n martes y terminando el
mircoles tal como se muestra a continuacin:
Lunes Martes Mircoles Jueves Viernes Sbado Domingo

2 3 4 6 4 3
5 4 2 1 4 5 3
4 5 3 5 8 2 2
3 1 3 6 2 1 3
2 7 1
Tabla 3.11
Pgina 55
Realice lo siguiente:
a) Obtenga el Rango.
b) Construya una distribucin de frecuencias y realice el histograma correspondiente.
c) Mencione que tipo de distribucin terica pueden seguir los datos (establecer H0 y H1).
d) Aplicar la prueba de bondad y ajuste con =0.05 y concluya.
e) Aplicar la prueba de Kolmogorov-Smirnov con =0.05 y concluya.
Solucin:
a) Calculo del rango:
= 8 1 = 7
b) Calculo del ancho de clase:
7
= = 1.18
1 + 3.322 (log 30)
En este caso los datos son discretos y el rango es pequeo (Rango=7) as que el ancho de
clase no es una referencia adecuada ya que quedaran clases de 12, 23, etc. y como los datos
son discretos nunca se darn valores intermedios solo enteros por lo que en este caso en
particular es ms conveniente tomar los valores puntuales y ajustar a alguna distribucin terica
discreta.
La distribucin de frecuencias e Histograma son como se muestran en la figura 3.12:
Figura 3.12
c) Los datos parece que siguen una distribucin de Poisson.
H0 = El nmero de pacientes que ingresan al consultorio por da siguen una distribucin Poisson
H1 = El nmero de pacientes que ingresan al consultorio por da no siguen una distribucin
Poisson
Pgina 56
d) Prueba de bondad y ajuste.
En este caso la distribucin considerada es discreta por lo que simplemente basta utilizar la
ecuacin de la distribucin de Poisson directamente para obtener las probabilidades
correspondientes.

() = = 0,1,2,3,4, , =
!
Como se obtuvo una muestra de tamao n= 30 se utilizar como un estimador de .
=1 104
= = = 3.4667 = 3.4667
30
(3.4667)1 3.4667
1 ( = 1) = = 0.1082
1!
(3.4667)2 3.4667
2 ( = 2) = = 0.1876
2!
(3.4667)3 3.4667
3 ( = 3) = = 0.2168
3!
(3.4667)4 3.4667
4 ( = 4) = = 0.1879
4!
(3.4667)5 3.4667
5 ( = 5) = = 0.1303
5!
(3.4667)6 3.4667
6 ( = 6) = = 0.0753
6!
(3.4667)7 3.4667
7 ( = 7) = = 0.0373
7!
7
8 ( = 8) = 1 = 1 0.9434 = 0.0566
=1
El resumen de los clculos de la prueba de bondad y ajusta se muestra en la tabla 3.13:
( )
Clases FO
2
Pi FE=nPi FO-FE (FO-FE)

1 4 0.1082 3
10 9 1 1 0.1111
2 6 0.1876 6
3 7 0.2168 7 0 0 0 0.0000
4 5 0.1879 6 -1 1 0.1666
5 4 0.1303 4
6 2 0.0753 2
8 8 0 0 0
7 1 0.0373 1
8 1 0.0566 1
30 1 30 2 = 0.2777
Tabla 3.13
Pgina 57
Para determinar el valor de tablas de ,2 :

V=4-1-1=2 grados de libertad
2
,2 = 2,0.05 = 5.99
En la siguiente figura 3.14 se muestra la regin de r echazo y no rechazo para la prueba de

bondad y ajuste de este ejercicio:
1- = 0.05
0.95
0 2 =0.2777 5.99
Figura 3.14
Conclusin:
Existe suficiente evidencia para decir que el nmero de pacientes que ingresan al consultorio por
da sigue una distribucin discreta de Poisson, considerando n=30, y =0.05
e) Prueba de Kolmogorov-Smirnov con = 0.05
H0 = El nmero de pacientes que ingresan al consultorio por da siguen una distribucin Poisson
H1 = El nmero de pacientes que ingresan al consultorio por da no siguen una distribucin
Poisson
El resumen de los clculos de la prueba de Kolmogorov-Smirnov se muestra en la tabla 3.15:
Pi Pi Terica Relativa Diferencia

Clases FO
1 4 0.1082 0.1333 0.1082 0.1333 0.0251
2 6 0.1876 0.2000 0.2958 0.3333 0.0375
3 7 0.2168 0.2333 0.5126 0.5666 0.0540
4 5 0.1879 0.1666 0.7005 0.7332 0.0327
5 4 0.1303 0.1333 0.8308 0.8665 0.0357
6 2 0.0753 0.0666 0.9061 0.9331 0.0270
7 1 0.0373 0.0333 0.9434 0.9664 0.0230
8 1 0.0566 0.0336 1 1 0
30 1 1
Tabla 3.15
Pgina 58
Conclusin:
Existe suficiente evidencia para decir que el nmero de pacientes que ingresan al consultorio por
da sigue una distribucin discreta de Poisson, considerando n=30, y = 0.05
Ejercicio 3.3
Los siguientes datos de la tabla 3.16 representan el tiempo en segundos que tarda un operador en
realizar una operacin de ensamble, mencione que tipo de distribucin pueden seguir estos
mediante la prueba de Kolmogorov-Smirnov.
138 164 150 132 144 125 149 157

146 158 140 147 136 148 152 144
168 126 138 176 163 119 154 165
146 173 142 147 135 153 140 135
161 145 135 142 150 156 145 128
Tabla 3.16
Solucin:
a) Calculo del rango: = 176 119 = 57
b) Calculo del ancho de clase de referencia:

57
= = 9.02 10
1 + 3.322 (log 40)
c) Distribucin de frecuencias e histograma.
En la siguiente figura 3.17 se muestra la distribucin de frecuencias y el histograma

correspondientes:
Figura 3.17
Pgina 59
d) Establecer las hiptesis nula y alternativa.
Los datos parece que siguen una distribucin Normal por lo tanto las hiptesis son:
H0 = El tiempo para realizar la operacin de ensamble sigue una distribucin Normal

H1 = El tiempo para realizar la operacin de ensamble no sigue una distribucin Normal
e) Aplicar la prueba de Kolmogorov-Smirnov.
La distribucin seleccionada en este caso es Normal, se trata de una distribucin continua y

tendra que integrarse su funcin de densidad pero es ms sencillo utilizar la transformacin de la
2
distribucin Normal Estndar N(=0, =1) para el clculo de las probabilidades.
Para estimar se utiliza y para estimar se utiliza S. Utilizando la hoja de clculo se puede
estimar la media y la desviacin estndar de la muestra con la cual se obtiene la siguiente
informacin: = 146.8 y = 13.05.
Para el clculo de las probabilidades se consideran los lmites reales de clase. La probabilidad
de la primera clase es: P1(x<128.5) por lo tanto se tiene que transformar a unidades estndar el
valor 128.5 con la frmula:
128.5 146.8
1 = = 1.40
13.05
El valor negativo indica que 128.5 esta -1.4 desviaciones estndar por debajo de la media
(146.8) y haciendo uso de las tablas de la distribucin normal estndar (ver el anexo de este texto)
finalmente se obtiene la probabilidad de la primera clase:
1 ( < 128.5) = 0.5 (1.4) = 0.5 0.4192 = .
La segunda probabilidad es: P2 (128.5<x<138.5). Aqu se tienen que considerar dos valores de
Z, el primero: Z1 = -1.40 que se calculo anteriormente y el nuevo valor Z2:
138.5 146.8
2 = = 0.64
13.05
De aqu que la probabilidad sea:
2 (128.5 < < 138.5) = (1.4) (0.64) = 0.4192 0.2389 = .
Es importante recordar que cuando los valores de Z sean del mismo signo, se debe r estar la
probabilidad del valor menor al valor mayor de Z, por su parte cuando los valores obtenidos de Z
sean de signo diferente, las probabilidades del rea bajo la curva se suman. Siguiendo con este
proceso, en resumen las probabilidades seran:
Pgina 60
1 ( < 128.5) = 0.5 (1.4) = 0.5 0.4192 = .

2 (128.5 < < 138.5) = (1.4) (0.64) = 0.4192 0.2389 = .
3 (138.5 < < 148.5) = (0.64) + (0.13) = 0.2389 0.0517 = .
4 (148.5 < < 158.5) = (0.90) (0.13) = 0.3159 0.0517 = .
5 (158.5 < < 168.5) = (1.66) (0.90) = 0.4515 0.3159 = .
5
6 ( > 168.5) = 1 = 1 0.9515 = .

=1
En la siguiente tabla 3.18 se muestra el resumen del clculo de la prueba de Kolmogorov-

Smirnov:
Clases FO Pi Pi Terica Relativa Diferencia

119 128 4 0.0808 0.100 0.0808 0.1000 0.0192
129 138 7 0.1803 0.175 0.2611 0.2750 0.0139
139 148 13 0.2906 0.325 0.5517 0.600 0.0483
149 158 9 0.2642 0.225 0.8159 0.825 0.0091
159 168 5 0.1356 0.125 0.9515 0.950 0.0015
169 178 2 0.0485 0.050 1 1 0
40 1 1
Tabla 3.18
Conclusin:
Existe suficiente evidencia para decir que el tiempo para realizar la operacin de ensamble sigue
una distribucin Normal, considerando n=40, y = 0.05
Otra consideracin importante que se debe tener en cuenta es que las variables muestreadas
pueden seguir varias distribuciones pero siempre se van a ajustar mejor a una en particular, si se
emplea la prueba de bondad y ajuste por ejemplo para verificar si un grupo de datos sigue una o
varias distribuciones, se recomienda utilizar la que tenga el valor de 2 mas pequeo ya que este
presenta una menor dispersin entre los valores observados y esperados.
3.3.2 Identificacin del tipo de distribucin de probabilidad utilizando un lenguaje especfico

de simulacin.
Como se ha m encionado anteriormente, existen diversos lenguajes informticos de uso
especfico para simulacin, estos generalmente incluyen alguna aplicacin para la identificacin del
tipo de distribucin probabilstica de las variables de entrada del modelo que se desea simular.
En el caso del software ProModel, este incluye una herramienta llamada Stat:Fit, la cual es de
suma utilidad para analizar y determinar el tipo de distribucin de las variables consideradas.
Incluye las pruebas de bondad y ajuste (chi-cuadrada), Kolmogorov-Smirnov y Anderson-Darling.
Tambin incluye informacin de estadstica descriptiva de los datos que pueden alimentarse
manualmente o incluso pegarlos de otras aplicaciones como hojas de clculo ya que es totalmente
compatible con las aplicaciones de Microsoft para PC.
Pgina 61
Existen varias versiones del ProModel profesionales, pero en este caso, el texto que se
desarrolla es meramente para uso acadmico, se har referencia a la versin estudiantil que ya se
incluye en el libro: Garca Dunna et. al. (2006) titulado Simulacin y anlisis de s istemas con
ProModel primera edicin, de editorial PEARSON (ver figura 3.19):
Figura 3.19
Esta versin tiene ciertas limitantes en c uanto nmero de locaciones, recursos, atributos, etc.
pero funciona perfectamente para su uso acadmico (ver figura 3.20):
Figura 3.20
Para utilizar el Stat:Fit, se puede ejecutar desde la pantalla inicial de ProModel o desde los
comandos del men Tools (ver figura 3.21):
Pgina 62
Figura 3.21
Dentro de la ejecucin del Stat:Fit se debe iniciar un nuevo documento (hoja en blanco de la
barra de herramientas) e introducir los datos de la variable a analizar, el uso de esta herramienta
es muy amigable e intuitivo (ver figura 3.22):
Figura 3.22
Una vez que se introdujo la informacin se inicia el proceso mediante el botn Auto::Fit o
utilizando la barra de herramientas en el comando Fit. Para el caso de los datos del ejemplo 3 los
datos ya introducidos y su correspondiente informacin de estadstica descriptiva serian como se
ve en las figura 3.23 y 3.24:
Pgina 63
Figura 3.23
Figura 3.24
Una vez que se dio clic en el botn Auto: FIT se despliegan las distribuciones a las cuales se
ajustan los datos, incluso se puede ver el histograma y los polgonos de frecuencia de las
distribuciones a las cuales se hizo el ajuste (ver figuras 3.25 y 3.26):
Pgina 64
Figura 3.25
Figura3.26
Pgina 65
3.3.3 Ajuste de curvas manual a tendencias lineales para distribuciones empricas continuas
Para el caso en que se considere una variable aleatoria continua emprica (que no sigue
ninguna distribucin terica conocida), se puede utilizar el enfoque de ajuste a u na tendencia
lineal con el mtodo de mnimos cuadrados.
Como es conocido, existen diversos tipos de t endencias: lineal, parablica, logartmica, etc.
pero en este caso se ver el ajuste a la tendencia lineal para verificar si esta puede utilizarse en la
obtencin del generador de la variable (posteriormente) en lugar de la distribucin original.
Ejemplo 3.4
Se toma una muestra de 100 llamadas a un centro de atencin telefnico, la variable considerada
es el tiempo de atencin en minutos de un servidor. Los datos ordenados en una distribucin de
frecuencias, el histograma y el diagrama de dispersin son como se muestran a continuacin en la
figura 3.27:
Figura 3.27
La ecuacin de la recta es: = + y las respectivas ecuaciones necesarias para aplicar el

mtodo de mnimos cuadrados son:
= +
= + 2
Para obtener la ecuacin de la recta es necesario conocer los valores de las constantes a y b
obteniendo las sumatorias necesarias (ver tabla 3.28):
Pgina 66
FO
X XY X2 Y2
(Y)
3 12 36 9 144
4 14 56 16 196
5 17 85 25 289
6 16 96 36 256
7 21 147 49 441
8 20 160 64 400
33 100 580 199 1726
Tabla 3.28
100 = 6 + 33
580 = 33 + 199
Resolviendo el sistema de ec uaciones por el mtodo que se desee (sustitucin, reduccin,

Gauss-Jordan, etc.) se obtiene:
a = 7.24, b = 1.7143
=7.24 + 1.7143
Sustituyendo los valores de X se obtienen los valores ajustados de Y
1 =7.24 + 1.7143(3) =12.38

2 =7.24 + 1.7143(4) =14.10
3 =7.24 + 1.7143(5) =15.81
4 =7.24 + 1.7143(6) =17.53
5 =7.24 + 1.7143(7) =19.24
6 =7.24 + 1.7143(8) =20.95
Estos valores se grafican sobre el polgono de f recuencias y originando la recta de aj uste tal
como se ve en la siguiente figura 3.29:
Poligono de frecuencias
25
y = 1.7143x + 7.24
20
15
10
5
0
3 4 5 6 7 8
Figura 3.29
Pgina 67
2
El valor de R es el coeficiente de d eterminacin y este mide la dispersin de l os datos
2
originales respecto de la recta de ajuste. Un valor de R =1 hace un ajuste perfecto por lo que entre
ms se acerque a 1 mejor ser el ajuste que la recta haga de los datos. Un valor mayor de 0.85 es
considerado como bueno y podra considerarse la ecuacin de la recta como la nueva f(x) de los
datos. La manera de obtenerlo es calculando primero el coeficiente de correlacin y luego elevarlo
al cuadrado.

=
[ 2 ()2 ][ 2 ()2 ]
6(580) (33)(100)
=
[6(199) (33)2 ][6(100) (1726)2 ]
= 0.9310 2 = 0.8668
2
De aqu el valor de R= 0.9310 y por lo tanto R =0.8668, con este valor se puede decir que la
tendencia lineal hace un b uen ajuste de l os datos muestreados para posteriormente obtener un
generador de esta variable.
3.4 Generacin de variables aleatorias.

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

b) Mtodo de convolucin
c) Mtodo de composicin.
d) Mtodo de la transformacin directa.
e) Mtodo de aceptacin y rechazo.
f) Mtodo de Montecarlo
En los siguientes puntos se describirn el mtodo de la transformada inversa, el mtodo de

Montecarlo y el de composicin (que es una aplicacin especial del de la transformada inversa), el
lector puede consultar los dems mtodos en la bibliografa de este texto.
En la siguiente figura 3.30 se puede observar un c uadro sinptico con un resumen de es te
punto adecuado al tipo de variable considerado para un mejor entendimiento del tema:
Pgina 68
1. Aplicar directamente la frmula y o btener las

probabilidades de cada valor posible de X.
Distribucin 2. Acumular las probabilidades hasta que la suma sea 1.
Discreta 3. Establecer clases o rangos con la probabilidad acumulada.
Terica 4. Generar nmeros aleatorios y verificar que valor corresponde de
X para introducir al modelo.
Mtodo de la Transformada inversa:

Distribucin 1. Dado f(x) calcular () = ()
Continua 2. Hacer F(x) = R
Terica
3. Despejar = 1
4. Generar valores
Mtodo de Montecarlo:
1. Obtener las probabilidades relativas de cada valor
Si los datos de X.
analizados 2. Acumular las probabilidades hasta que la suma sea
tienen una. 1.
Discreta 3. Establecer clases o rangos con la probabilidad
acumulada.
4. Generar nmeros aleatorios y verificar que valor
corresponde de X para introducir al modelo.
Regresin y correlacin.
o Transformada inversa
2
1. Ajustar a una tendencia lineal para checar si R
Distribucin Continua hace un buen ajuste de los datos.
Emprica.
2
2. Si R 0.85 aplicar Transformada inversa.
Mtodo de Composicin:
Si el rea f(x) se puede dividir en dos o ms reas, se
aplica la transformada inversa a cada fi(x), siempre y
cuando Ai=1
2
Si R <0.85 entonces ordenar los valores de X i
en forma ascendente y encontrar la frecuencia
observada de cada uno.
Aplicar el Mtodo de Montecarlo
Figura 3.30
Pgina 69
Nota:
Es muy importante mencionar que l o expuesto en es te punto corresponde a la obtencin
manual de los generadores, la mayora de los lenguajes especficos simulacin traen su propio
generador y solo se tiene que introducir el tipo de distribucin deseado y los parmetros que
incluya dicha distribucin.
3.4.1 Ejemplos de obtencin de generador de variables aleatorias a travs de mtodos

manuales.
Ejemplo 3.5
Obtenga un generador de forma manual para la variable aleatoria discreta del ejercicio 3.2
Utilizando:
a) La frmula de Poisson (distribucin terica a la cual se ajustaron los datos).
b) El mtodo de Montecarlo (considerando los datos como distribucin emprica).
Solucin:
a) Se sabe que, la frmula es:

() = = 0,1,2,3,4, , = 3.4667
!
Por lo que se aplicar a cada valor posible de X hasta que la suma de l as probabilidades
(considerndola en este caso de 4 d gitos) sea 1. El generador es como se muestra en l a tabla
3.31:
X P(X) Acumulada Clases

0 0.0312 0.0312 0 R 0.0312
1 0.1082 0.1394 0.0312 <R 0.1394
2 0.1876 0.3271 0.1394 <R 0.3271
3 0.2168 0.5438 0.3271 <R 0.5438
4 0.1879 0.7317 0.5438 <R 0.7317
5 0.1303 0.8620 0.7317 <R 0.8620
6 0.0753 0.9372 0.8620 <R 0.9372
7 0.0373 0.9745 0.9372 <R 0.9745
8 0.0162 0.9907 0.9745 <R 0.9907
9 0.0062 0.9969 0.9907 <R 0.9969
10 0.0022 0.9991 0.9969 <R 0.9991
11 0.0007 0.9997 0.9991 <R 0.9997
12 0.0002 0.9999 0.9997 <R 0.9999
13 0.0001 1.0000 0.9999 <R 1.0000
Tabla 3.31
Ntese que en l a obtencin de es te generador se utilizaron valores de X que i ncluso no
aparecen en el muestreo original (0, 9, 10, 11, 12 y 13) esto es porque ya se tiene la certeza que
los datos muestreados siguen una distribucin de Poisson, es por esta razn que se buscan las
distribuciones tericas en primera instancia.
La manera de generar los valores es como sigue:
Si R = 0.1287 entonces el valor que le corresponde es: X1= 1

Si R= 0.6103 entonces el valor que le corresponde es: X2 = 4
y as sucesivamente.
Pgina 70
b) El mtodo de Montecarlo se basa nicamente en el muestreo y solo aplica para valores

puntuales, adems nunca va a generar un valor que no se haya muestreado (ver tabla 3.32):
Probabilidad
X FO Acumulada Clases
Relativa
1 4 0.1333 0.1333 0.0000 R 0.1333
2 6 0.2000 0.3333 0.1333 <R 0.3333
3 7 0.2333 0.5667 0.3333 <R 0.5667
4 5 0.1667 0.7333 0.5667 <R 0.7333
5 4 0.1333 0.8667 0.7333 <R 0.8667
6 2 0.0667 0.9333 0.8667 <R 0.9333
7 1 0.0333 0.9667 0.9333 <R 0.9667
8 1 0.0333 1.0000 0.9667 <R 1.0000
30 1.0000
Tabla 3.32
Ejemplo 3.6
Obtenga el generador para la distribucin terica exponencial continua y genere 5 v alores con
=5.
Solucin, en este caso se aplicar el mtodo de la transformada inversa. La forma de la

distribucin exponencial negativa y su respectiva f(x) es como se muestra en la figura 3.33:
f(x
() = > 0
0 X
Figura 3.33
Dado f(x) calcular F(X):

() = = = + 1
0
Igualar F(x) = R y despejar X:
Pgina 71
+ 1 =
= 1
= 1
ln( ) = ln( 1 )
= ln( 1 )
1
= ln( ) nota: 1-R R

Los valores generados son:

Si R1=0.269 entonces: 1 = 5 (0.269) = 6.56
Si R2=0.819 entonces: 2 = 5 (0.819) = 0.99
Si R3=0.360 entonces: 3 = 5 (0.360) = 5.11
Si R4=0.454 entonces: 4 = 5 (0.454) = 3.95
Si R5=0.606 entonces: 5 = 5 (0.606) = 2.50
Ejemplo 3.7
Obtenga el generador de una distribucin uniforme continua y genere 5 valores si a=3 y b=7.
Solucin, recurdese que la f(x) de la distribucin uniforme es como se muestra en la figura 3.34:
1
() =

Figura 3.34
Puesto que se trata de una distribucin uniforme continua terica, se aplicar el mtodo de la
transformada inversa.
a) Dado f(x), calcular F(x):

1
() = = =

Pgina 72
b) Igualar F(x) =R y despejar X:

=

= ( )
= + ( )
c) Los 5 valores generados si a=3 y b=7 son:
Si R1 = 0.2375 entonces X1= 3 + 4(0.2375) = 3.95

Si R2 = 0.7031 entonces X2= 3 + 4(0.7031) = 5.81
Si R3 = 0.9915 entonces X3= 3 + 4(0.9915) = 6.97
Si R4 = 0.0388 entonces X4= 3 + 4(0.0388) = 3.16
Si R5 = 0.4221 entonces X5= 3 + 4(0.4221) = 4.69
Ejemplo 3.8
Los datos que se muestran en la distribucin de frecuencias de abajo (tabla 3.35), representan el
tiempo en m inutos para realizar una operacin de ensamble. Obtenga un generador para dicha
variable.
FO 3 7 11 15
X 1 2 3 4
Tabla 3.35
Solucin:
Para tener una idea del tipo de distribucin primeramente se trazar el histograma
correspondiente a los datos muestreados (ver figura 3.36):
Figura 3.36
El polgono de frecuencias, los datos ajustados a la tendencia lineal y el valor del coeficiente de
determinacin se muestra a continuacin en la figura 3.37:
Pgina 73
R2=1
Figura 3.37
Con el coeficiente de determinacin se puede concluir que la tendencia lineal hace un ajuste
perfecto de l os datos (en realidad no importa la ecuacin de la recta para este punto lo que
interesa es que tanto se ajustan los datos a la tendencia lineal), por lo tanto para obtener el
generador de esta variable continua (suponiendo que interesa generar valores cualquiera entre dos
valores enteros) se considera la forma lineal de la distribucin y se traza nuevamente la
distribucin pero en terminos de distribucin de probabilidad (ver figura 3.38):
f(x) La forma bsica de la distribucin es un

trapecio
B
3 1 A=1
=
36 12 b
1 2 3 4
X
h
Figura 3.38
Se tiene que recalcular la base mayor del trapecio ( para cerrar el rea a 1):
1
(+) + 3 7
= 1= 12
= =
2 2 12
Pgina 74
Con este valor se puede obtener la nueva f(x) ajustada con la ecuacin de la pendiente:
2 1 1
=
2 1 1
7 1 1

12 12 = 12 = 1 1
41 1 6 12
Entonces la f(x) de la distribucin es:

1 1
() = 1 4
6 12
Como es una distribucin emprica continua se aplicar entonces el mtodo de la transformada
inversa:

1 1 1 2 1 1(12 ) 1 1 2 1
() = = (1) =
1 6 12 12 12 12 12 12 12
Como se est calculando la distribucin acumulada debe esperarse que al sustituir con el valor
de x superior (en este caso 4) se obtenga un valor de 1 que es la probabilidad total acumulada de
1 1
cualquier tipo de evento: 42 4 = 1.
12 12
El siguiente paso es igualar la ecuacin a R y despejar x:
1 2 1 1 2 1
= =0
12 12 12 12
Como no se trata de una ecuacin lineal se utilizar la frmula general para conocer el valor de x.
Se puede multiplicar por 12 toda la ecuacin para eliminar las fracciones:
1 2 1
= 0 12 = 2 12 = 0
12 12
2 4 1 12 4(1)(12) 1 48 + 1
= = =
2 2(1) 2
Para saber cul de los dos signos (+ o -) es el adecuado se puede evaluar la frmula con los
extremos de los nmeros R para los que aplica ( 0 R 1) se supone que con R= 0 la ecuacin
debe proporcionar un v alor de X = 1 y con R= 1 debe dar X= 4, esto sucede con el signo + de la
ecuacin y el generador finalmente queda de la siguiente manera:
1 + 48 + 1
= 0 1
2
Si se generan 10 valores con este generador el resultado sera como se muestra a continuacin en
la tabla 3.39:
Pgina 75
n R X
1 0.000 1
2 1.000 4
3 0.946 3.90
4 0.759 3.55
5 0.476 2.94
6 0.954 3.92
7 0.809 3.66
8 0.607 3.24
9 0.011 1.11
10 0.255 1.82
Tabla 3.39
Ejemplo 3.9
La siguiente figura 3.40 representa la distribucin de una variable aleatoria continua emprica que
ya ha sido ajustada a tendencias lineales mismas que hacen un buen ajuste de los datos
originales. Determine un generador para esta variable aleatoria.
1/5 A1 A2
1 2 3
Figura 3.40
Solucin:
a) Primeramente hay que encontrar el valor desconocido d para cerrar las reas a 1. En este caso
la distribucin puede dividirse en dos reas A1 y A2, debe recordarse que A1 + A2=1. Son dos
trapecios, por lo tanto:
1 + 2 = 1
1 1
+ 1 + 1
5 + 5 =1
2 2
Despejando B se obtiene:
1 1 1 1 1 4
+ + + =1 =1 =
2 10 2 10 5 5
Pgina 76
b) Enseguida se calculan las respectivas f1(x) y f2(x) con la ecuacin de la pendiente:
Para f1(x):
2 1 1
=
2 1 1
4 1 1

5 5= 5 = 3 2 3 2
: 1 () = 1 2
21 1 5 5 5 5
Para f2(x):
2 1 1
=
2 1 1
1 4 4

5 5= 5 = 3 + 2 3
: 2 () = + 2 2 < 3
32 2 5 5
c) El siguiente paso es aplicar la transformada inversa a cada f(x). Cuando se aplica este mtodo
a ms de un rea, se le llama mtodo de Composicin.

3 2 3 2 2 3(12 ) 2 3 2 2 1
1 () = = (1) = +
1 5 5 10 5 10 5 10 5 10
Como la distribucin total de esta variable se puede dividir en dos reas, se puede evaluar esta
primer distribucin acumulada con el valor de X superior para el cual aplica f1(x) (1X2) y debe
dar el valor en rea de la primer figura, en este caso es simtrica y el A1=1/2. Por lo tanto si se
evala la primer acumulada con X=2 el resultado es:
3 2 2 1 1
1 () = 2 2+ =
10 5 10 2
Enseguida se calcular la F2(x):

3 1 3 2 3(22 )
2 () = 1 ( = 2) + + 2 = + 2 + 2(2)
2 5 2 10 10
3 2 23
2 () = + 2
10 10
Si se evala con X= 3 ya que l a f2(x) aplica para 2<X3 entonces el valor a obtener debe ser 1
puesto que es la distribucin acumulada total:
3 2 23 27 23 10
2 () = 3 + 2(3) = +6 = =1
10 10 10 10 10
Pgina 77
d) El paso siguiente del mtodo de la transformada inversa es hacer F(x) = R y despejar la X.
Para F1(x):
3 2 2 1
+ =
10 5 10
3 2 1
( 2 + = 0)10
10 5 10
3 2 4 + 1 10 = 0
2 4 4 42 4(3)(1 10) 4 4 + 120
1 = = =
2 2(3) 6
Debe recordarse que este generador aplicar para valores 0R0.5 por lo tanto con R=0 debe
dar X= 1 y con R=0.5, X= 2 por lo tanto evaluando con los dos valores de R el primer generador
queda as:
4 + 4 + 120
1 = 0 0.5
6
Para F2(x):
3 2 23
+ 2 =
10 10
3 23
2 + 2 = 0 10
10 10
3 2 20 + 23 + 10 = 0
2 4 20 202 4(3)(23 + 10) 20 124 120

1 = = =
2 2(3) 6
Este generador aplicar para valores 0.5<R1 por lo tanto con R= 0.5 debe dar X= 2 y con R= 1,
X=3 por lo tanto evaluando con los dos valores de R el primer generador queda as:
20 124 120
2 = 0.5 < 1
6
El generador Terminado queda de la siguiente manera:
Pgina 78
4 + 4 + 120
0 0.5
6
X=
20 124 120
0.5 < 1
6
3.5 Ejercicios propuestos

1. El nmero de toneladas de sulfato de amonio vendidas por una empresa cada mes, se registran
en la siguiente tabla, determine qu tipo de distribucin siguen, aplicando la prueba de
Kolmogorov-Smirnov.
10 11 12 10 11 14 12 14 14 11
12 10 13 11 10 11 12 11 14 12
13 14 10 12 13 10 11 13 14 13
14 11 13 10 12 14 14 11 14 11
11 13 12 13 10 13 12 13 11 13
2. Los siguientes datos representan el tiempo de atencin en un departamento de quejas de una

importante empresa telefnica. Determine qu tipo de distribucin siguen estos aplicando la
prueba de bondad y ajuste.
19 11 18 37 33 28 29 14 17 10
20 19 23 59 13 20 14 18 17 11
11 22 29 42 15 19 14 12 20 10
11 30 20 15 15 38 13 12 21 22
28 12 12 12 16 31 12 17 22 27
3. Considere una empresa que vende seguros para autos. Existen 5 opciones diferentes de
beneficios, por lo que cada cliente puede elegir si compra o no desde ninguna hasta comprar
las 5 opc iones que le presentan. Las probabilidades para venta y no venta son iguales. Los
datos obtenidos son los siguientes:
No. de
Frecuencia
opciones
Observada
vendidas
0 38
1 144
2 342
3 287
4 164
5 25
Verifique si estos datos siguen una distribucin Binomial aplicando:

a) La prueba de bondad y ajuste
b) La prueba de Kolmogorov-Smirnov
Pgina 79
4. Verifique que tipo de distribucin tienen los siguientes datos aplicando:

a) La prueba de bondad y ajuste
b) La prueba de Kolmogorov-Smirnov
1,170 ,207 1,581 1,277 1,305 1,472 1,077 1,319 1,537 1,849
1,332 1,418 1,949 1,403 1,744 1,532 1,219 896 1,500 1,671
1,471 1,399 1,041 1,379 821 1,558 1,118 1,533 1,510 1,760
1,826 1,309 1,426 1,288 1,394 1,545 1,032 1,289 695 803
1,440 1,421 1,329 1,407 718 1,457 1,449 1,455 2,051 1,677
1,119 1,020 1,400 1,442 1,593 1,962 1,263 1,788 1,501 1,668
1,352 1,340 1,459 1,823 1,451 1,138 1,592 982 1,981 1,091
1,428 1,603 1,699 1,237 1,325 1,590 1,142 1,425 1,550 913
1,470 1,783 1,618 1,431 1,557 896 1,662 1,591 1,551 1,612
1,249 1,419 2,162 1,373 1,542 1,631 1,567 1,221 1,972 1,714
949 1,539 1,634 1,637 1,649 1,607 1,640 1,739 1,540 2,187
1,752 1,648 1,978 640 1,736 1,222 1,790 1,188 2,091 1,829
5. Verifique si los siguientes datos pueden ajustarse a una tendencia lineal para posteriormente
obtener un generador considerndolos como variable continua emprica.
X FO
1 12
2 16
3 14
4 20
5 18
6. Obtenga un generador manual para una distribucin Binomial con n=10 y p=0.5
7. Obtenga un generador manual para una distribucin Uniforme Continua entre 1 y 10.
8. Obtenga el generador para una distribucin de Poisson con =5.
9. Obtenga el generador para una distribucin Exponencial Negativa con =3.
10. La siguiente figura representa la distribucin de un a variable continua emprica, obtenga el

generador de dicha variable.
1/3
1 2 3
Pgina 80
11. La siguiente figura representa la distribucin de un a variable continua emprica, obtenga el

generador de dicha variable.
0 1 2 3
12. Obtenga un generador para la siguiente distribucin:
1/5
A1 A2
3 4 5
Pgina 81
Captulo 4:
Lenguajes de simulacin
Pgina 83
4.1 Lenguajes de simulacin

Inicialmente los modelos de simulacin se desarrollaban utilizando algn lenguaje de propsito
general, como FORTRAN, BASIC o ASSEMBLER. Posteriormente se empezaron a desarrollar
lenguajes especficos para simulacin que permitieron el desarrollo de modelos de f orma ms
rpida, algunos de esos primeros lenguajes especficos fueron: GPSS, GASP, SIMSCRIPT y
SLAM. Con el advenimiento de las interfaces grficas se revolucion el campo de las aplicaciones
en esta rea y surgieron lenguajes especficos cada vez ms fciles de utilizar y con una
capacidad de entregar informacin de s alida que facilita enormemente la toma de dec isiones.
Algunos de los lenguajes de la actualidad son: ProModel, Arena, SIMPROCESS, SLIM.
El objetivo de este captulo es aprender a utilizar algn simulador, por lo que en lo sucesivo se
vern las caractersticas y elementos de modelaje que conforman el lenguaje ProModel 7.0 versin
estudiantil. Se eligi este por su facilidad de uso y adems por la razn de que no se requiere un
permiso especial por parte de la empresa que lo comercializa. Claro est que el uso que se le dar
al manejo del software es eminentemente acadmico (razn de ser de este texto). Adicionalmente
se puede comentar que ya se incluye en otros textos de simulacin como el que se mencion en el
captulo 3 punto 3.3.2.
4.2 Introduccin al uso de ProModel

Este software es uno de l os ms difundidos comercialmente y por ende d e los ms usados.
Cuenta con poderosas herramientas de anlisis y diseo que junto con las interfaces de animacin
que posee, permite realizar modelos con facilidad, analizarlos y tomar decisiones ms confiables
para solucionar el problema bajo consideracin. Se contemplan diferentes versiones segn el
enfoque que se desee utilizar:
ProModel (software de lneas de produccin, justificacin de capital, entre otras aplicaciones).

ServiceModel (software de s imulacin y optimizacin para sistemas de s ervicio, diseo y
planeacin de la capacidad en empresas o procesos de servicio).
MedModel (software de simulacin y optimizacin de hospitales, clnicas y procedimientos de
trabajo en ambiente de hospitales).
Es importante aclarar que en trminos generales todos tienen el mismo fundamento, varan
principalmente los grficos de l as versiones profesionales, pero con la versin estudiantil del
ProModel se pueden simular prcticamente todos los sistemas de produccin solo se requiere de
creatividad y un anlisis a fondo del sistema bajo estudio como se ver ms adelante en los
ejemplos diseados para este texto.
Para conocer de primera mano las ltimas noticias respecto a este producto, visite la pgina
web http: //www.promodel.com, la cual tambin contiene informacin sobre productos adicionales
relacionados con la simulacin de sistemas, artculos recientes, empresas que lo utilizan, etc.
Pgina 84
4.3 Elementos Bsicos

El software ProModel consta de diversos mdulos que permiten hacer un estudio ms completo
sobre el modelo que se quiere simular, dichos mdulos son:
ProModel: Es aqu donde se realiza todo el modelo, desde las variables entrada, el proceso de
operacin, uso de recursos, flujo de las actividades, etc.
Mdulo de reporte de resultados: Al finalizar las corridas del modelo de s imulacin creado,
esta interfaz es de suma importancia por la gran cantidad de informacin estadstica que genera
para su anlisis, adems este mdulo permite la interaccin con programas de hoja de clculo
como Excel.
Editor grfico: Este cuenta con una s erie de b ibliotecas que a yudan a mejorar los modelos
visualmente. Se pueden importar imgenes de otros paquetes compatible como la galera de
imgenes de Word, Corel Draw, etc., modificar las imgenes existentes e i ncluso crear las
propias de acuerdo a las necesidades del modelo.
Stat::Fit: Esta es una h erramienta de a nlisis estadstico muy til como ya se coment en el
captulo3.
Editor de Turnos: Este como su nombre lo dice, permite crear y asignar turnos de trabajo a los
elementos del modelo que as lo requieran.
Simrunner: Esta herramienta es muy til en el anlisis posterior del modelo. Permite conocer el
impacto que tiene en el modelo la variacin de los valores de las variables aleatorias
seleccionadas. Permite tambin deducir cual es la mejor combinacin de factores para obtener
el mximo beneficio al mejorar el proceso.
El software tambin cuenta con un sistema de ayuda (en idioma ingls) en todo momento al
presionar la tecla F1que tambin resulta muy til.
4.4 Estructura de programacin en ProModel

ProModel es un software visual y completamente compatible con Windows, la versin estudiantil
est limitada a 20 locaciones, 5 tipos de entidades, 5 tipos de recursos y 5 atributos (ver figura 4.1):
Figura 4.1
Pgina 85
Como todas las aplicaciones que s e manejan en l a base de Windows, tiene las opciones
comunes de la barra de herramientas como:
FILE: Nuevo archivo, abrir, guardar, guardar como, y algunas opciones especficas como
combinar modelos (merge), imprimir texto, imprimir rea de trabajo (layout), crear un paquete de
un modelo, etc.
EDIT: Considera aspectos relacionados con la edicin del modelo como borrar, insertar, mover
elementos.
VIEW: Considera las diferentes opciones para cambiar el aspecto del rea de trabajo.
BUILD: Esta opcin es una de las ms importantes ya que a travs de esta se construye todo el
modelo de simulacin, aqu se consideran las locaciones, entidades, redes, recursos, el
procesamiento, las llegadas, turnos, variables, atributos, etc.
SIMULATION: Esta ventana considera aspectos relacionados con las corridas de simulacin.
OUTPUT: Esta se utiliza para ver datos estadsticos de l as corridas y rastreo durante los
tiempos de ejecucin.
TOOLS: Esta considera varias herramientas como el editor grfico, anlisis estadstico para
ajuste de curvas, etc.
HELP: Aqu est el ndice de contenido de la ayuda con la que cuenta el software y que como
se mencion anteriormente, a la que se puede tener acceso a travs de la tecla F1.
En la siguiente figura 4.2 se puede ver las opciones antes mencionadas:
Figura 4.2
Para lograr un mejor entendimiento del uso del software, se desarrollarn varios ejemplos que
conducirn de lo ms simple a lo ms complejo, aunque es necesario aclarar que no se vern
absolutamente todos los elementos que lo componen, el nivel al que se aspira que los estudiantes
manejen el software permitir analizar los sistemas ms comunes tanto de servicios como
productivos por ejemplo:
Lneas de espera.
Atributos como: tipo de cliente, tipo de producto/servicio, tipo de materia prima, etc.
Procesos de produccin con maquinaria en secuencia y en paralelo.
Uso de recursos como operadores, montacargas, vehculos.
Bandas transportadoras de cinta y de rodillos.
Procesos de manufactura en general.
Pgina 86
4.5 Construccin de modelos en ProModel

En esta seccin se comenzar el anlisis de l as instrucciones bsicas de pr ogramacin en
ProModel para realizar un modelo, los elementos bsicos que se utilizan son:
Locations (locaciones).
Entities (entidades).
Arrivals (llegadas).
Processing (proceso).
Existen otros comandos que se pueden ir agregando posteriormente y que proporcionan cierto
grado de s ofisticacin al modelo. Generalmente estos comandos son los que a yudan a
proporcionar el parecido del modelo a los sistemas reales. Algunos de estos comandos que se
pueden agregar posteriormente o que requiere el modelo son:
Resources (recursos).
Path Networks (redes).
Attributes (atributos).
Variables.
Backgroun Graphics (grficos de fondo).
4.5.1 Construccin de un modelo paso a paso
Ejemplo 4.1
Suponga que se quiere simular un sistema de lneas de espera bsico como el de un cajero en un
restaurant de comida rpida al cual los clientes llegan de acuerdo a una distribucin uniforme
continua entre 4 y 8 minutos y el servidor tarda en promedio 6 minutos en atenderlos siguiendo una
distribucin exponencial. En este caso se supone que una vez que son atendidos, los clientes se
dirigen a una salida y de ah abandonan el sistema. Desarrolle el modelo correspondiente en el
software ProModel, haga 30 corridas de tamao 8 horas y conteste lo siguiente:
a) Cul es el tiempo promedio que permanece un cliente en el sistema?

b) Cul es el tiempo promedio que permanece un cliente en la fila antes de ser atendido?
c) Suponga que el gerente del establecimiento no quiere que los clientes permanezcan ms de 7
minutos en promedio haciendo fila, Se logra esto con un servidor?
d) Realice el modelo con dos servidores y comente.
En el ProModel, existe una secuencia lgica en el desarrollo del modelo, es decir, no se puede
por ejemplo, definir las llegadas de los clientes al sistema sin antes haber definido a dnde
llegarn, por lo anterior, la secuencia sera la siguiente:
1. Definir locaciones
Lo primero que se debe definir son las locaciones del modelo, esto se hace a travs del men
Build, de hecho todo el modelo se construye en l os comandos que este ofrece: Locations
(locaciones), Entities (entidades), Arrivals (tasa de llegadas) Processing (proceso), y otros que
se comentarn ms adelante. Enseguida haga clic en el comando Locations, o por medio de los
botones de acceso directo que ofrece la versin estudiantil 7, vea las figuras 4.3 y 4.4:
Pgina 87
Figura 4.3
Botn de acceso directo
Figura 4.4
Cada que se utiliza un c omando, se ver que adems de la ventana del rea de t rabajo
(Layout) se despliega otra ventana en la parte superior donde se registra la informacin de cada
locacin del modelo: el cono (Icon), nombre (Name), capacidad de la locacin (Cap.), unidades
(Units), tiempos muertos (DTs), informacin estadstica (Stats), reglas de entrada de las entidades
(rules) y algunas notas que quieran agregarse a la locacin (notes). En la parte izquierda se abre
una ventana de herramientas grficas vertical (Graphics) que incluye los grficos, botones con
comandos ya definidos y opciones de edicin y borrado, vase la figura 4.5.
Pgina 88
rea de registro de los campos de cada locacin
rea de Trabajo
Grficos
Figura 4.5
En este caso las locaciones bsicas seran:
Una fila de entrada.

Un rea de servicio/cajero.
Salida.
Supuestos:
La fila tendr una capacidad para mximo 15 entidades que lleguen.
El cajero atender solamente de una en una persona (capacidad de 1).
Los clientes tardan un minuto en trasladarse del rea de caja a la salida.
La capacidad de la locacin de la salida es infinita.
Es muy importante mencionar lo siguiente cuando se eligen las locaciones:
Se recomienda dejar activada la casilla New en la ventana Graphics y elegir cada una de las
locaciones necesarias, slo se tiene que dar clic en el grfico deseado y posteriormente dar clic
en el Layout. Otra forma de elegir las locaciones es dar clic sobre el grfico y arrastrar hacia el
Layout y soltar el botn. Ntese que por cada locacin elegida, se crea un registro en la
ventana superior conteniendo informacin pre asignada.
Una vez que se eligen las locaciones necesarias, se puede desactivar la casilla New y modificar
los campos de cada una de l as locaciones individualmente: nombre, capacidad, nmero de
unidades, etc.
Pgina 89
Se pueden modificar tambin las caractersticas de los grficos en el Layout simplemente

dando doble clic sobre estos.
En el caso de los botones de la parte izquierda de la ventana Graphics, estos tienen funciones
especficas, vea la figura 4.6:
Contador
Indicador grfico
de barras
Filas/Bandas
Ttulos/etiquetas
Luz de estado
Indicador de posicin
Figura 4.6
Para este ejercicio, la primera locacin elegida es la fila (se traza en el Layout con el ratn
como si se tratara de una flecha con la direccin deseada y para terminarla se da doble clic) , por
lo tanto hay que modificar las caractersticas de es ta en el Layout, haciendo doble clic sobre el
grfico se despliega un cuadro de d ilogo en e l cual se marca como fila (Queue) se asigna la
longitud de esta (en este caso 25 ft) y hacer otros cambios fsicos como el color de relleno, slido o
en barras, etc. vea la siguiente figura 4.7:
Pgina 90
Figura 4.7
Posteriormente con los botones de comando especfico se asignan etiquetas a cada locacin, a
la fila se puede agregar adems un gr fico de barras para contabilizar en pantalla como se va
llenando la fila. Es necesario hacer notar que una locacin puede contener varias funciones
grficas, en este caso la fila tiene su nombre (etiqueta, que tambin se puede editar dando doble
clic sobre esta) y un indicador numrico (que tambin se puede editar) adems de la locacin
misma. Todo lo que contiene una sola locacin est delimitado por una lnea punteada cuando est
activa dicha locacin, ver la figura 4.8:
Figura 4.8
Pgina 91
2. Definir entidades
Se definen las Entities (entidades) que entraran al sistema, en este caso llegan clientes a la fila
de entrada de acuerdo a una distribucin uniforme entre 4 y 8 minutos. Para hacer esto primero se
da clic sobre el comando Entities en el men de botones o travs del men Build, ver figura 4.9:
Entities
Figura 4.9
Tambin aqu se despliegan dos ventanas adems del Layout, una para los grficos y otra para
los registros y sus campos. Se elige en este caso la entidad Clientes se le asigna un grfico (se
puede navegar entre estos con la barra de desplazamiento ubicada en la parte posterior) que en
este caso es una m ujer de l ado, tambin se puede editar: cambiar tamao, color etc. Ver figura
4.10:
Figura 4.10
Los campos que se pueden modificar son: Name (nombre), Speed (la velocidad de
desplazamiento) y Stats (estadsticos) que se desea que aparezcan en e l reporte de s alida, en
este caso no es necesario cambiar los valores pre asignados.
3. Definir las llegadas

Asignar las llegadas con el comando Arrivals que es el botn que se encuentra a un lado de la
flecha diagonal azul, ver figura 4.11:
Pgina 92
Llegadas
Figura 4.11
La ventana Arrivals tiene varios campos como: la entidad (Entity), locacin (Location) a la que
llegan las entidades, el tamao del lote que llega (Qty Each), en que minuto comienzan a llegar las
entidades (First Time), nmero de ent idades que llegarn (Occurrences), la tasa de llegadas
(Frequency) y la lgica a seguir durante la llegada de las entidades (Logic).
Existen dos maneras de llenar los campos de l as llegadas: una es dando clic en c ada botn
superior de la ventana e ir eligiendo cada una de las opciones existentes para ese campo. La otra
es simplemente dar clic sobre la locacin a la que llegaran las entidades sobre el Layout y se
llenarn los campos con los valores pre asignados y posteriormente cambiar solo lo que se
requiera, ver figura 4.12:
Figura 4.12
Un campo que merece una especial atencin es el de la tasa de llegadas (Frequency) ya que
como en es te caso se trata de una distribucin de p robabilidad terica (uniforme entre 4 y 8) se
debe esta por medio del Constructor de Estatutos o Constructor Lgico (Logic Builder), el
cual es una poderosa herramienta para crear cdigo de simulacin sin tener que escribir
literalmente.
Simplemente se abre el constructor de estatutos al presionar el botn derecho del ratn o
presionar el icono de construccin (representado por un martillo) en la ventana de lgica. Se abre
una ventana estilo plantilla para escribir comandos en formato apropiado.
Funciona en l a lgica de m ovimiento, o en ot ros muchos campos donde pu eden ser vlidas
mltiples entradas.
En este caso sobre el campo Frequency se da clic derecho y aparece directamente en las
funciones, se elige: distribucin de probabilidad (Distribution Functions) y se elige la uniforme,
aclarando que los parmetros a llenar son: la media (Mean) = (4+8)/2 = 6 y el rango medio (half
range) = 2 qu e es la distancia que existe entre el valor mnimo y la media y de es ta al valor
mximo. En las siguientes figura 4.13 y 4.14se puede ver el Constructor de Estatutos:
Pgina 93
Figura 4.13
Figura 4.14
Una vez que se introducen los valores de la media y el rango medio se da clic en el botn
regresar (Return) y posteriormente en pegar (Paste). Vea la figura 4.15:
Pgina 94
Figura 4.15
4. Definir el proceso
Enseguida se completar el modelo definiendo la lgica de la simulacin; para ello abra el men
Build y elija Processing o por medio del icono de acceso directo correspondiente, ver figura 4.16:
Processing
Figura 4.16
En esta ocasin se desplegarn dos ventanas en las que se programar de manera secuencial
el proceso que siguen los clientes una vez que llegan al sistema: Process y Routing. En la
primera se definen las operaciones que se harn sobre la entidad, y en la segunda indicaremos la
ruta secuencial en el proceso. Analizando el ejemplo, los pasos son los siguientes:
1. Llegan los clientes a la fila de entrada y esperan para ser atendidos.

2. Los clientes pasan hacia el servidor y son atendidos.
3. Finalmente los clientes se dirigen hacia la salida en un tiempo que toma un minuto.
4. Salen las entidades del sistema.
Cada uno de estos pasos d eber programarse de manera independiente, es decir, en un

registro por separado. Se empezar por definir la llegada de los clientes a la fila. Para ello:
Seleccione la entidad correspondiente en la ventana Processing haciendo clic en e l botn

Entity.
Para programar la localizacin donde llega la entidad (en este caso la fila), hacer clic en el
botn Location; enseguida se desplegarn todas las localizaciones previamente definidas.
Como en esta locacin los clientes solo esperan para ser atendidos, no se programa nada en la
columna Operation. A continuacin se definir la ruta de salida en la ventana Routing:
En este caso la entidad de salida sigue siendo el cliente por lo que se hace clic en el botn
Output y se selecciona cliente.
Pgina 95
El destino del cliente es el servidor, as que se selecciona esa locacin en la columna

Destination.
La siguiente columna, Rule, indica la regla de movimiento; el valor predeterminado aqu es First
1, lo que significa que la entidad avanzar tan pronto se tenga capacidad disponible en l a
localizacin de destino y el 1 s ignifica que entra una entidad y sale una entidad. Esto por la
razn de que en un momento dado, por ejemplo, si la operacin fuera de corte, puede entrar un
tronco y salir 5 tablones, o entrar una entidad de materia prima y salir 3 piezas cortadas, etc.
La ltima columna, Move Logic, determina el movimiento lgico de salida; en este caso no
existe ninguna condicin por lo que se dejar en blanco este campo.
Una vez completada la primera lnea de programacin, deber quedar como se ilustra en la
figura 4.17
Figura 4.17
Continuando con el proceso, es necesario definir el proceso que se llevar a cabo con la
atencin del cliente. Se debe posicionar el cursor con el mouse en el lado del Process sobre la
lnea existente y oprimir la tecla Enter para que se genere un nuevo registro en blanco y una vez
ms se repite el proceso de seleccin de la entidad que ahora se encuentra con el servidor y aqu
el tiempo de atencin es de acuerdo a una distribucin exponencial con media de 6 minutos. Para
conocer los comandos necesarios para especificar el tiempo de s ervicio, hacer clic en el botn
Operation de la ventana Process. Enseguida se desplegar la ventana Operation (ver la figura
4.18) en dnde se escribir la lgica del proceso.
Es necesario comentar que existe una manera ms rpida de realizar toda la secuencia lgica
del modelo, sobre el Layout se hace clic sobre la primera locacin y se lleva esa lnea de
secuencia hacia la siguiente locacin se da clic otra vez para indicar que se termin esa primera
ruta lgica, posteriormente de ah mismo se repite el proceso hacia la siguiente locacin y as
sucesivamente, es importante que en la ltima ruta se haga clic sobre el botn Route to Exit que
se encuentra en la parte posterior de la ventana Tools. Solamente resta cambiar los campos pre
asignados con las entidades y valores correspondientes.
Pgina 96
Cortar Imprimir
Copiar
Pegar Compilar
Constructor
Deshacer
Lgico
Buscar
Figura 4.18
Para programar el tiempo de servicio (o de operacin) hacer clic en el cono del martillo para
comenzar la construccin lgica. Al hacerlo se abrir otra ventana la cual contiene todos los
comandos de programacin que incluye el ProModel (ver figura 4.19):
Figura 4.19
El comando que est pre asignado es el WAIT el cual se utiliza para simular los tiempos de
procesamiento (servicio/operacin). Para construir la expresin de la distribucin de probabilidad,
se hace clic sobre el botn Time y enseguida aparece la venta de las funciones del constructor
Pgina 97
lgico, se selecciona Distributions Functions, luego se selecciona la exponencial y se llena el

campo para los parmetros que ut iliza esta distribucin (en este caso solo se tiene que llenar el
campo de la media) se hace clic sobre Return, Paste y Close. Vea la figura 4.20:
Figura 4.20
La sintaxis general del comando es: WAIT<unidades de tiempo> y en este caso la instruccin
queda: WAIT E (6).
Para definir la ruta de salida de este registro, se selecciona el cliente de la columna Output y la
siguiente locacin a la cual se dirige la entidad es hacia la salida (seleccionar de columna
Destination) el campo Rule queda igual (FIRST 1) y en este caso como de la locacin del servidor
hacia la salida le toma a l a entidad un tiempo de 1 minuto, se debe dar clic en el botn MOVE
LOGIC aqu aparecern el constructor lgico, se da clic sobre el martillo y aparecen otra ventana
con los comandos de movimiento, se elige MOVE FOR que es el que asigna el tiempo de traslado
a la entidad y se le llena el campo con 1 minuto, se pega y se cierra para finalmente terminar esta
instruccin (ver figura4.21):
Figura 4.21
Pgina 98
La programacin completa de este registro debe lucir como se aprecia en la figura 4.22:
Figura 4.22
Observe que al definir el segundo registro, la ventana de la ruta de salida empieza de cero. Esto
significa que la ventana de programacin permite ver los procesos de manera secuencial, aunque
la ventana correspondiente a la ruta de salida del proceso slo mostrar la programacin
correspondiente a la lnea seleccionada en la ventana del procesamiento.
Para finalizar el modelo, el ltimo registro es cuando el cliente de la salida abandona el sistema,
en este caso no hay nada en operacin y solamente en la ventana Route en el botn Destination
debe seleccionarse la instruccin Exit que es la que indica que las entidades abandonan el
sistema, el modelo completo queda de la siguiente manera (ver figura 4.23):
Figura 4.24
Pgina 99
5. Establecer el tiempo de simulacin

Finalizada la programacin, el siguiente paso es definir el tiempo de simulacin y el nmero de
corridas, para ello:
Abra el men Simulation y haga clic en el comando Options. Enseguida se abrir la ventana
correspondiente, en cuyo campo Run Time se escribir 8 (por que la corrida est determinada
como solamente tiempo) y en el campo Number of Replications se puede escribir el nmero
de veces que s e desea correr el modelo durante 8 horas, en es te caso se anotar 30, para
especificar que se desea realizar 30 corridas de tamao 8 horas cada una. Tambin se puede
marcar la casilla Pause para que per mita ajustar la velocidad de l a animacin antes de qu e
inicie la corrida. Ver figura 4.25
Figura 4.25
El modelo est listo para ejecutarlo. Una vez que este corriendo puede ajustarse la velocidad
con la barra que aparece en la parte superior de la ventana, o cancelar la animacin mediante el
comando Animation Off del men Options para acelerar el tiempo de ejecucin.
Al terminar la simulacin de las 30 corridas de tamao 8 horas, se desplegar un c uadro de
mensaje confirmando la finalizacin del tiempo programado y las opciones para ver los resultados
(puede ser individual por cada corrida o el promedio de todas), para ver los resultados se debe
hacer clic en el botn Si. Enseguida se abrir una ventana con varias fichas que m uestran los
resultados estadsticos de la simulacin. Los datos pueden leerse y graficarse de inmediato con las
herramientas que of rece ProModel, o guar darse en ar chivos con formato de E xcel para
personalizarlos posteriormente. Las diferentes fichas que se despliegan en el reporte de salida son:
Pgina 100
Ficha General: Algunos de los datos que despliega muestran la fecha y hora de la corrida, la
ruta donde se encuentra ubicado el archivo y el titulo del modelo. Ver la figura 4.26
Figura 4.26
Ficha Locations: Aqu se presenta la informacin de cada una de las locaciones, las horas
simuladas, la capacidad (cuando es infinita se representa con 999999), el nmero total de
entidades que entraron durante la simulacin, el tiempo promedio por entrada, el promedio de
contenido por locacin, el contenido mximo por locacin, el nmero actual de entidades al
momento de f inalizar la simulacin y el porcentaje de utilizacin de cada locacin (vea figura
4.27).
Figura 4.27
Fichas Location States Multi/Locaction States Single: En la primera de es tas fichas se

presenta la informacin de las locaciones que tienen capacidad mayor a 1 a la vez durante la
simulacin. Esta informacin es la correspondiente al tiempo programado, el porcentaje vacio
de la locacin, el porcentaje que es tuvo parcialmente ocupada la locacin, el porcentaje que
estuvo totalmente llena y el porcentaje que estuvo en paro o d etenida la locacin (ver figura
4.28). En la segunda las que tienen capacidad de una entidad a la vez durante la simulacin.
Aqu se presenta adems del tiempo programado los porcentajes que es tuvo operando la
locacin, de l tiempo en p reparacin, del tiempo en es pera, el tiempo ocioso, del tiempo que
estuvo bloqueada y en paro (ver figura 4.29).
Pgina 101
Figura 4.28
Figura 4.29
Ficha Failed Arrivals. Esta ficha lista las entidades del modelo que no pudieron entrar al
sistema. Esto puede ocurrir cuando existe alguna locacin con capacidad limitada y esta est
completa, alguna entidad que llegue al no poder entrar es destruida y eliminada del sistema (ver
figura 4.30).
Figura 4.30
Pgina 102
Ficha Entity Activity: Esta refleja las estadsticas de cada entidad definida en el modelo, tales
como el total de entidades que salieron del sistema, cantidad actual en el sistema al momento
de finalizar la simulacin, tiempo promedio en el sistema (W), tiempo promedio de espera (W q),
tiempo promedio en op eracin, tiempo promedio en movimiento y el tiempo promedio que
permaneci bloqueada la entidad (ver figura 4.31)
Figura 4.31
Ficha Entity States: En esta ficha se puede encontrar un resumen de los datos de la ficha
Entity Activity pero en trminos porcentuales (ver figura 4.32).
Figura 4.32
Finalmente para dar respuesta a los incisos de ejercicio 1 se tiene que:
a) Cul es el tiempo promedio que permanece un cliente en el sistema?

Respuesta: de la ficha Entity Activity se puede ver que el tiempo promedio en el sistema que
permanecen los clientes es de 32.30 minutos.
b) Cul es el tiempo promedio que permanece un cliente en la fila antes de ser atendido?
Respuesta: de la ficha Entity Activity se puede ver que el tiempo promedio en espera (fila) que
permanecen los clientes es de 20.19 minutos.
c) Suponga que el gerente del establecimiento no quiere que los clientes permanezcan ms de 7
minutos en promedio haciendo fila, Se logra esto con un servidor?
Respuesta: No, ya que el tiempo promedio de espera es muy largo como se mencion en el
inciso anterior.
Pgina 103
d) Realice el modelo con dos servidores y comente.

Para realizar este cambio lo nico que debe hacerse es regresar a la programacin del modelo
y en el comando Locations en la columna Units de la ventana Locations se cambia el valor de
1 por 2, automticamente aparecer otra locacin (servidor) en los registros de la misma
ventana y en el Layout, se puede distribuir manualmente con el mouse y se vuelve a correr el
modelo (ver figura 4.33). En el reporte de salida de la ficha Entity Activity se puede apreciar
que el tiempo en sistema baj a W=7.50 minutos en promedio y el tiempo promedio de espera
en la fila baj a W q= 0.09 minutos, es decir prcticamente los clientes tienen que esperar solo
5.4 segundos para ser atendidos (ve figura 4.34).
Figura 4.33
Figura 4.34
Pgina 104
4.5.2 Refinamiento progresivo del modelo

Como se mencion en el captulo 1, en los pasos para desarrollar un modelo de simulacin, el
modelo creado puede refinarse progresivamente para agregar detalles que lo harn describir de
una manera ms real el sistema que s e quiere representar. En los siguientes puntos se ver
como se puede mejorar el modelo bsico de servicio que se present en el punto 4.5.1.
4.5.2.1 Uso de atributos, variables y comandos de decisin

Ejemplo 4.2
Suponga que al modelo inicial se le agregarn las siguientes variables:
a) El 40% de los clientes ordenan para llevar y el resto para consumir ah mismo.
b) Existen 5 tipos de men diferentes a ordenar con una distribucin de probabilidad emprica tal
como muestra en la tabla 4.36
Men Probabilidad
1 0.20
2 0.35
3 0.25
4 0.10
5 0.10
Tabla 4.36
c) Poner variables visibles en el Layout para checar cuantos clientes entran de cada tipo y
etiquetarlas.
d) Poner variables visibles en el Layout para los tipos de alimentos seleccionados y etiquetarlas.
Para agregar lo anterior al modelo se realizarn lo siguiente:
1. Definir Variables
Para realizar esto, se pueden definir dichas variables por medio del men Build y dar clic en el
comando Variables Global o dando clic en el botn de acceso directo que se encuentra debajo de
los mens (ver figura 4.37).
Figura 4.37
Enseguida se desplegar en pantalla la ventana de definicin de variables, se anota el nombre

de cada variable en el campo ID y posteriormente se da clic en el Layout para verlas grficamente
(son de tipo enteras pre asignadas) mismas que se ilustran en la figura 4.38.
Pgina 105
Figura 4.38
Para editar las variables se abre el men Build y se da c lic en el comando Background
Graphics en el submen Front of Grid, aparecern 2 ventanas, una de herramientas grficas y
otra superior con los grficos que c ontiene la biblioteca d el editor grfico (Graphic Editor) que
incluye el ProModel. Observe la figura 4.39.
Figura 4.39
Pgina 106
Enseguida se da clic sobre el botn para texto (el que tiene la A) y posteriormente dar clic en
el Layout, aparece un cuadro en el cual se puede anotar el nombre, modificar el color de relleno, la
forma de la etiqueta, etc. tal como se ve en la figura 4.40.
Figura 4.40
Finalmente las etiquetas para la variable quedan de la siguiente manera (ver figura 4.41):
Figura 4.41
Pgina 107
2. Definir distribuciones empricas

El siguiente paso es definir las distribuciones empricas para las variables que se han definido.
Para esto dar clic en el botn U que se encuentra debajo del men de opciones, vea la figura 4.42.
Figura 4.42
Se despliega una ventana con opciones para modificar el nombre de las distribuciones, el tipo
(en este caso discretas), si son acumulativas o n o y para definir las tablas con los valores
probabilsticos (dar clic en el botn Table) tal como se ilustra en la figuras 4.43 y 4.44.
Figura 4.43
Figura 4.44
3. Modificar grficos de la entidad

Para esto se da clic en el botn entidades mencionados anteriormente y se desactiva la casilla
New de l a ventana Entity Graphics. Enseguida aparecern nuevos lugares para definir ms
conos (grficos) que identifican la misma entidad; Se podr observar que uno de los espacios es
ocupado por la entidad que se seleccion anteriormente, ese ser el icono para los clientes tipo
Pgina 108
1(que son los que piden para llevar), ahora se da c lic en el lugar inmediato a la derecha para
indicar que se seleccionar otro icono de la misma entidad. De preferencia se recomienda
seleccionar el mismo icono para los clientes tipo 2 solo cambiando el color de este a t ravs del
botn Edit de la misma ventana (vea la figura 4.45)
Figura 4.45
4. Definicin de atributos
Los atributos en este caso son: tipo de cliente y tipo de men que un cliente puede ser o
seleccionar, el atributo nos ayuda a q ue las entidades se puedan clasificar o a r esaltar alguna
caracterstica que s e considere importante para el modelo, en es te caso se consideran los dos
tipos de atributos mencionados anteriormente. Para hacer esto, dar clic en el botn A que se
encuentra debajo del men o ir a Build y luego Attributes, vea la figura 4.46.
Figura 4.46
Pgina 109
Enseguida se despliega la ventana Attributes y se definan los nombres de cada atributo en el

campo ID, ver figura 4.47.
Figura 4.47
5. Modificar las llegadas

Enseguida se modificar el campo Logic en las llegadas (Arrivals) para indicar que cuando se
generen las llegadas de los clientes se clasifiquen como tipo 1 y 2 (atributos previamente
establecidos) y de acuerdo a la distribucin de usuario que se estableci anteriormente. Para esto
se da clic en el comando Arrivals del men Build (o en el botn destinado para estas abajo del
men). Se hace clic en el botn Logic y enseguida se despliega una ventana de dialogo que
permite programar ciertas condiciones lgicas en el ProModel, dar clic en el martillo para que
aparezca el constructor de estatutos. Como lo que s e va a c rear no es un es tatuto propiamente
sino que es una expresin que utilizar atributos y tablas de usuario, se da clic en el botn Build
Expression, ver figura 4.48.
Figura 4.48
Enseguida se selecciona Attributes y se selecciona Tipo de cliente de los atributos que

aparecen en el campo central, Se ver que en el campo superior se empieza a definir la expresin
de tipo de cliente, se debe escribir el signo igual despus de esta para igualar a la distribucin de
usuario previamente establecida, ver figura 4.49.
Pgina 110
Figura 4.49
Enseguida en el campo Logic Elements se desliza la barra de desplazamiento hasta que

aparezca la opcin User Distributions, se selecciona esta aparecen en e l campo central dos
opciones que no son otra cosa que las distribuciones previamente establecidas, se selecciona:
Distribucin de tipo de cliente y enseguida se ver que la expresin completa se ha formado en el
campo superior. Se da clic en Paste y se repite todo el proceso para el atributo de tipo de men a
seleccionar, ver figuras 4.50 y 4.51.
Figura 4.50
Pgina 111
Figura 4.51
Una vez cerrado el constructor de estatutos las expresiones en el campo Logic quedan de la
siguiente manera (ver figura 4.52):
Figura 4.52
6. Modificar el proceso
Finalmente solo queda modificar el proceso del modelo. Para esto primero dar clic en el
comando Processing del men Build o en el botn destinado para ello debajo del men. Como
los clientes cuando entran al sistema se supone que ya saben si su pedido es para llevar o comer
ah mismo, en la Fila de entrada se indicar lo siguiente:
Si el tipo de cliente es para llevar (1) entonces incrementar la variable Clientes para llevar y
utilizar el grfico1 para esta entidad.
Si el tipo de cliente es para consumo ah mismo (2) entonces incrementar la variable Clientes
para consumo local y utilizar el grfico 2 para esta entidad.
Para esto, hacer clic en el botn Operation de la ventana Process en el registro de la fila de
entrada, aparece la ventana Operation y haga clic en el martillo para comenzar las instrucciones
lgicas. Al hacerlo se abrir el constructor de estatutos, que contiene todos los comandos de
programacin existentes. Como son varias instrucciones, se enlistan a continuacin la secuencia
de las instrucciones:
Pgina 112
a) Seleccionar el comando IF-THEN-ELSE y dar clic en Condition, aparece la ventana de

elementos lgicos y seleccionar Attributes, seleccionar el atributo Tipo de Cliente y hacerlo
igual a 1.
b) Enseguida dar clic en el botn Statement, como son dos instrucciones en esta parte se hace
clic en el estatuto BEGIN (inicia un ciclo de instrucciones) Return y Paste. Se pueden quitar las
llaves que aparecen sin ningn problema si as se desea. Enseguida seleccionar el estatuto
INC, dar clic en Identifier (manda directo a las variables) y seleccionar Clientes para consumo
local, enseguida dar clic en el botn Return y posteriormente Paste, el siguiente paso es
seleccionar el estatuto GRAPHIC y se anota el nmero 1 en el campo Graphic Number, se
hace clic en Paste y finalmente se cierra el ciclo seleccionando el comando END.
c) Se repite todo el ciclo para los clientes que comen en el local (tipo 2). Ver figuras el siguiente
grupo de figuras 4.53
Figura 4.53
Pgina 113
d) Finalmente el grupo de instrucciones queda como se muestra en la figura 4.54.
Figura 4.54
A continuacin, deber situarse en el segundo registro de la ventana Process que es cuando el

cliente est en la locacin: servidor, aqu es cuando este hace su pedido y es atendido por el
servidor, as que aqu tambin se realizarn las siguientes actividades:
Si el tipo de men que pide el cliente es igual a 1 entonces se incrementa la variable: Men tipo 1
Para modificar este campo se har lo siguiente:

a) Dar clic en e l botn Operation de la ventana Process para que se despliegue la ventana
Operation.
b) En el campo Operation se tiene la instruccin del tiempo de servicio la cual es una distribucin
exponencial con media de 6 minutos: WAIT E(6). Debajo de esta instruccin se sita el cursor
dando Enter. Enseguida hacer clic en el martillo para que aparezca el Constructor de Estatutos
o Constructor Lgico (Logic Builder).
c) Seleccionar el comando IF-THEN-ELSE y dar clic en Condition, aparece la ventana de
elementos lgicos y seleccionar Attributes, seleccionar el atributo Tipo de Men y hacerlo igual
a 1.
d) Enseguida dar clic en el botn Statement,. Enseguida seleccionar el estatuto INC, dar clic en
Identifier (manda directo a las variables) y seleccionar Men tipo 1 (quitar las llaves si se
desea), enseguida dar clic en el botn Return y posteriormente Paste.
e) Repetir todo el proceso para las dems variables.
En la siguiente figura 4.55 se pueden ver el listado de instrucciones:
Pgina 114
Figura 4.55
El modelo est listo para correrlo nuevamente. En la siguiente figura 4.56 se ilustra el Layout
con las variables agregadas durante la corrida. Corresponde al estudiante analizar la informacin
obtenida en el reporte de salida para hacer las recomendaciones pertinentes acerca de es te
modelo.
Figura 4.56
Pgina 115
4.5.2.2 Uso de comando ROUTE

Ejemplo 4.3
Tomando como base el ejercicio anterior (guardar como ejercicio 3), se le agregar que los clientes
que permanezcan en el local para su consumo pasan a un rea de comedores (se tienen 5 mesas
con capacidad para 2 personas cada una) y permanecen un tiempo que s igue una distribucin
normal con media de 25 minutos y una desviacin estndar de 5. Posteriormente se dirigen a la
salida (suponga que duran un minuto en trasladarse del rea de comedores a la salida).
Se tendr que agregar al modelo lo siguiente:
1. Modificar las locaciones

En el comando Locations, en la ventana Graphics (con la casilla New activada), seleccionar
un icono apropiado para simular las mesas, se debe seleccionar solo uno y en la ventana superior
Locations modificar el nombre, la capacidad y el nmero de unidades. Edite las unidades
agregando un grfico de barras para ver como se ocupan las mesas y una etiqueta con el nombre
de la locacin, vea la figura 4.57:
Figura 4.57
2. Modificar el Proceso
En el segundo registro cuando los clientes estn con el servidor, hacer clic en el botn
Operation y debajo de l as instrucciones existentes agregar otra decisin lgica que haga lo
siguiente:
Si el tipo de cliente es igual a 1 entonces dirigirse a la salida.

Si el tipo de cliente es igual a 2 entonces dirigirse a los comedores
Si los clientes terminan su tiempo de consumo dirigirse a la salida.
Pgina 116
Para hacer esto en el campo Operation dar clic en el martillo y utilizar el estatuto IF-THEN-
ELSE con el atributo correspondiente, en este caso Tipo de cliente como se ha mencionado
anteriormente, solo que en la condicin Statement se utiliza el estatuto ROUTE y anotar el nmero
de bloque para el Routing for correspondiente , ver la figura 4.58.
Figura 4.58
En el Routing for correspondiente en la primer salida se tiene marcado el bloque por defecto
como 1 y la locacin es Salida con un MOVE FOR 1, aqu es a donde se dirigirn los clientes tipo
1. Vea figura 4.59
Figura 4.59
Para crear la locacin a donde se dirigirn los clientes tipo 2, se debe dar Enter para crear otro
registro en blanco y posteriormente seleccionar la entidad de salida, en el destino ser a la
locacin comedores, en lo referente a el botn Rule, hacer clic para que se despliegue la ventana
de opciones y en la casilla Start New Block marcarla para indicar que ser el nuevo bloque, ver la
figura 4.60.
Pgina 117
Figura 4.60
Finalmente los dos registros quedan como se muestra en la figura 4.61.
Figura 4.61
Falta agregar en el proceso cuando los clientes estn en los comedores y luego se dirigen a la
salida. Para esto se puede insertar un r egistro en b lanco entre la locacin Servidor y Salida,
simplemente situar el curso en la locacin Salida y en el men Edit hacer clic en Insert. En el
registro en blanco seleccionar la entidad (dando clic en los botones correspondientes superiores),
la locacin que en este caso es Comedores y en el campo Operation dar clic para que se
despliegue la ventana Operation, posteriormente dar clic en el martillo para que aparezca el
constructor de estatutos y con el estatuto WAIT y el botn Time indicar el tiempo que t arda en
dicha locacin (es una distribucin normal con media de 25 y desviacin estndar de 5), lo anterior
se describi a detalle en paso 4 del punto 4.5.1. Por su parte en Routing For, tambin se elige la
entidad de salida, la locacin que ser la Salida y en el campo Move Logic tambin se agrega un
tiempo de traslado de un minuto (Move For 1) como se describi en el mismo punto y paso antes
mencionado. En la figura 4.62 se puede apreciar completa la insercin de este registro.
Pgina 118
Figura 4.62
El modelo qued terminado y se puede correr para su anlisis. En la siguiente figura 4.63 se
puede ver el Layout durante la corrida del modelo.
Figura 4.63
4.5.3 Modelos que incluyen ms de un proceso

En esta seccin se realizarn los modelos de un sistema de manufactura que incorpora ms de
un proceso, se iniciar con un modelo bsico y posteriormente se incrementar el grado de
sofisticacin para agregarle ms elementos de programacin que harn finalmente un modelo muy
parecido a algn sistema de produccin real.
4.5.3.1 Modelo con bandas de transporte (CONVEYORS) y filas de espera (QUEUE)

Ejemplo 4.4
En este modelo se crear una red de filas y bandas sobre las cuales viajar una caja. Existen tres
filas (de cajas, monitores y empaque) de longitud 20 metros, una banda de tarimas con una
longitud de 20 metros con una velocidad de 20 metros por minuto y otra banda de embarque con
una longitud de 60 metros y una velocidad de 20 metros por minuto. La capacidad para cada fila se
considerar de cinco piezas y la de bandas infinita. Todas las dems locaciones se consideran con
una capacidad de solo una pieza. El producto que se manejar en todo el sistema ser una caja
que tiene una dimensin de un metro por un metro (para el caso de bandas transportadoras).
Proceso:
Pgina 119
Llega al sistema tanto a la fila de cajas como a la fila de monitores una caja. La caja que sale de
ambas filas pasa a una estacin de trabajo en donde se realiza una operacin que consume un
tiempo de un minuto con distribucin exponencial. De esta estacin, pasan a una fila de empaque
que conducir a la caja hasta una zona de carga en donde el tiempo de carga ser de0.5 a 1.5
minutos con distribucin uniforme. A la zona de carga, tambin llega una caja procedente de una
banda de tarimas. Una vez que se realiza la operacin en zona de carga, la caja se dirige a una
banda de embarque que a s u vez sta la llevar a una zona de embarque. Para realizar la
operacin de embarque se lleva un tiempo de 2 minutos con distribucin de poison. Ya que se ha
realizado la operacin anterior, la caja abandona el sistema.
Llegadas:
Al sistema llega una caja a la fila de m onitor, a la fila de caja y a la banda de tarimas; con una
ocurrencia infinita en todas. A la fila monitor llega la caja en un tiempo cero y despus llegar cada
tres minutos. A la fila cajas llega una caja y esta llegar al sistema un minuto despus de haber
iniciado la corrida de pr oduccin y despus llegar cada tres minutos. A la banda de tarimas
llegar una caja cuando haya corrido la produccin cinco minutos y despus llegar cada cinco.
Utilizar el estatuto GRAPHIC en fila de cajas y en banda de tarimas para cambiar la apariencia de
la entidad en estas dos locaciones. Utilizar tambin el estatuto INC para contabilizar los productos
embarcados. Ejecutar el modelo por 8 horas.
Realizacin del modelo conceptual o esquemtico del sistema
Antes de realizar el modelo en ProModel, es muy til hacer un anlisis del sistema utilizando un
modelo conceptual o un esquema con la toda la informacin existente del sistema que se desea
modelar. El modelo conceptual o esquemtico es como se muestra en la figura 4.64.
Arrivals: 1 caja a fila Monitores

1 caja a fila cajas
1 caja banda tarimas
Ocurrencia: Infinita
Banda Tarimas
Fila Monitores
Estacin de Zona de
Trabajo Fila Empaque empaque
Wait = 1 Wait = 0.5
Fila Cajas
Banda de
Embarque
Zona de
Embarque
Exit Wait = 2
Figura 4.64
Pgina 120
Recurdese que el primer paso en ProModel es definir las locaciones fsicas del modelo, en
este caso:
1. Fila de cajas (longitud 20 metros, capacidad de 5).

2. Fila de monitores (longitud 20 metros, capacidad de 5).
3. Estacin de trabajo (capacidad 1).
4. Fila de empaque (longitud 20 metros, capacidad de 5)
5. Zona de empaque (capacidad 1).
6. Banda tarimas (longitud 20 metros, velocidad de 20 metros por minuto y capacidad infinita).
7. Banda de embarque (Longitud 60 metros, velocidad de 20 m etros por minuto y capacidad
infinita).
8. Zona de embarque (capacidad 1).
Para definir las locaciones abrir el men Build y elegir Locations o directamente en el botn
destinado para ello mencionado anteriormente (el cubo azul que se encuentra ubicado debajo del
men). Debe recordarse que se tiene que dar clic en cada grfico de la ventana Graphics y luego
clic en el Layout para crear cada registro. Es importante para evitar errores de duplicidad elegir
todas las locaciones primeramente con la casilla New activada (de la ventana Graphics) y luego
editar adecuadamente cada una de las locaciones elegidas.
En el caso particular de las filas y bandas:

Seleccionar el icono que parece una escalera horizontal en la ventana Graphics, y hacer clic en
la posicin de la ventana Layout donde se desea que aparezca la fila. Si se mueve el cursor del
ratn al realizar este procedimiento, una flecha indicar que se est definiendo una fila, deslizar el
ratn en la direccin que se desea (incluso se pueden realizar cambios de direccin dando clic en
el botn izquierdo del ratn) y terminar la fila dando doble clic. Como se mencion anteriormente,
las filas se determinarn con un color slido al editarlas y las bandas transportadoras con barras,
en la siguiente figura 4.65 est definida una fila con la ventana de edicin abierta para cambiar sus
caractersticas:
Figura 4.65
Pgina 121
De la misma manera, en la figura 4.66 est la edicin de las caractersticas de u na banda

transportadora (con la casilla Conveyor activada). Cuando se edita una banda, se tiene adems
otro botn de opciones especiales para las bandas (Conveyor options) donde se puede
especificar si la banda es de rodillos (marcando la casilla Accumulating) o de cinta (si no se marca
la casilla Accumulating) y la velocidad de desplazamiento. En este caso se considerar a las
bandas como de rodillos (marcar casilla Accumulating).
Figura 4.66
En las siguientes figuras 4.67 y 4.68 se ilustran los registros de las locaciones del modelo y el
Layout con los grficos respectivamente.
Figura 4.67
Pgina 122
Figura 4.68
2. Definicin de entidades
El siguiente paso en la construccin del modelo ser la definicin de las entidades. Para ello es
necesario desplegar la ventana apropiada mediante el comando Entities del men Build. En este
caso la entidad es una caja que se mover en todo el sistema con dimensiones de 1 metro por
1metro. Se definirn adems tres grficos para la misma entidad como se mencion anteriormente
en el paso 3 del ejercicio 4.2. Recuerde que en el botn Edit se puede cambiar el color del grfico
seleccionado. La definicin de la entidad y los tres grficos seleccionados se muestran en la figura
4.69.
Figura 4.69
Pgina 123
3. Definicin de las llegadas

El siguiente paso en la construccin del modelo es la definicin de las llegadas de la entidad al
sistema; abrir el men Build y comando Arrivals (o el botn de acceso directo ya mencionado
anteriormente). Debe recordarse que en las ventanas que se despliegan en cada comando
aparecen botones de ac ceso para elegir las opciones de c ada campo, siempre y cuando dicho
botn est resaltado, si no aparece el botn resaltado entonces en el campo hay que escribir
directamente la opcin deseada. En el caso de las llegadas de este modelo, llega una caja vaca a
la fila de m onitores en e l momento que i niciar la corrida, otra caja a l a fila de c ajas un minuto
despus y otra a la banda de tarimas 5 m inutos despus con frecuencias de 3, 3 y 5 minutos
respectivamente. Para generar ms de un r egistro solo se tiene que dar Enter sobre este para
generar los dems. En la siguiente figura 4.70 se ilustran las llegadas del modelo.
Figura 4.70
4. Definir Variable
Dar clic en el botn de acceso directo o por medio del men Build y Variables (global). En el
campo name se nombrar a la variable como Embarcados, si se desea que la variable aparezca
fsicamente solo se tiene que dar clic en el lugar deseado en el Layout (ver figura 4.71).
Figura 4.71
Pgina 124
5. Definir el proceso
Este es el paso ms importante porque es donde se establece la lgica de procesamiento del
modelo. Ejecutar el comando Processing del men Build. Para programar las operaciones y rutas
que se aplicarn a las entidades, se proceder como en los ejemplos anteriores, seleccionando del
botn superior de la ventana Process, las entidades, a que locacin llegan, que operacin se
realiza en estas y en la ventana de Routing for cual es la entidad de salida, la locacin de destino,
bajo que regla de salida se ajustar y en este caso no hay nada que cambiar en Move Logic ya
que es solamente una caja que se desplaza por todo el sistema. Cuando llega la entidad a cada
locacin asignada se utilizar el estatuto GRAPHIC para asignar el nmero de gr fico
correspondiente, en el campo Operation.
Recurdese que para programar los tiempos de pr ocesamiento se realiza en el campo
OPeration, dar clic en el martillo y aparece el constructor de estatutos, la instruccin para el tiempo
de proceso es WAIT y el tiempo es de acuerdo a alguna distribucin de probabilidad por lo que en
el botn Time del mencionado constructor de estatutos manda directamente a los elementos
lgicos dnde se encuentran las distribuciones de p robabilidad (Distribution Functions). En el
ltimo registro del campo Operation adems del tiempo de proceso (Poisson con media de 2) se
utilizar el estatuto INC para incrementar la variable Embarcados que se pide.
En la siguiente figura 4.72 se puede ver el procesamiento completo del modelo y en la figura
4.73 se ve la ltima instruccin que incluye el incremento de la variable.
Figura 4.72
Figura 4.73
Pgina 125
Finalmente el modelo est listo para correrlo. Es importante sealar que en el men File en el
comando View Text, se puede ver toda la programacin en texto, o enviarla como un archivo de
texto (con el comando Print Text) a al gn directorio y posteriormente abrirlo con la aplicacin
Word. En el siguiente cuadro 4.74 se puede ver las instrucciones de procesamiento del modelo.
Locations .
Name Cap Units Stats Rules Cost .
Fila_de_Monitores 5 1 Time Series Oldest, FIFO,
Fila_de_Cajas 5 1 Time Series Oldest, FIFO,
Estacion_de_Trabajo 1 1 Time Series Oldest, ,
Fila_de_Empaque 5 1 Time Series Oldest, FIFO,
Zona_de_Empaque 1 1 Time Series Oldest, ,
Banda_de_tarimas INFINITE 1 Time Series Oldest, FIFO,
Banda_de_Embarque INFINITE 1 Time Series Oldest, FIFO,
Zona_Embarque 1 1 Time Series Oldest, ,
Entities .
Name Speed (mpm) Stats Cost .
Caja_Vacia 20 Time Series
Processing .
Process Routing
Entity Location Operation Blk Output Destination Rule .
Caja_Vacia Fila_de_Monitores GRAPHIC 1 1 Caja_Vacia Estacion_de_Trabajo FIRST 1
Caja_Vacia Fila_de_Cajas GRAPHIC 2 1 Caja_Vacia Estacion_de_Trabajo FIRST 1
Caja_Vacia Estacion_de_Trabajo WAIT E(1) 1 Caja_Vacia Fila_de_Empaque FIRST 1
Caja_Vacia Fila_de_Empaque 1 Caja_Vacia Zona_de_Empaque FIRST 1
Caja_Vacia Banda_de_tarimas GRAPHIC 3 1 Caja_Vacia Zona_de_Empaque FIRST 1
Caja_Vacia Zona_de_Empaque WAIT U(1,0.5) 1 Caja_Vacia Banda_de_Embarque FIRST 1
Caja_Vacia Banda_de_Embarque 1 Caja_Vacia Zona_Embarque FIRST 1
Caja_Vacia Zona_Embarque WAIT P(2) 1 Caja_Vacia EXIT FIRST 1
INC Embarcados
Arrivals .
Entity Location Qty Each First Time Occurrences Frequency Logic .
Caja_Vacia Fila_de_Monitores 1 0 INF 3
Caja_Vacia Fila_de_Cajas 1 1 INF 3
Caja_Vacia Banda_de_tarimas 1 5 INF 5
Variables (global) .
ID Type Initial value Stats .
Embarcados Integer 0 Time Series
Cuadro 4.74
Pgina 126
En la siguiente figura 4.75 se puede ver el modelo durante la corrida
Figura 4.75
4.5.3.2 Modelo con estatutos JOIN, LOAD/UNLOAD y cambio de entidades

Como se habr observado, en el ejercicio 4.4 lo nico que se mueve por el sistema de filas y
bandas es una caja vaca, pero lgicamente la intencin es complementar gradualmente un
modelo en el que un monitor se meta a una caja vaca en la estacin de trabajo y de ah salga una
caja llena que posteriormente se cargar en una tarima, esa tarima se transporta hasta una zona
de embarque y posteriormente se descargar la caja para finalmente embarcarse.
Ejemplo 4.5
Se modificar el sistema de f ilas y bandas del ejercicio anterior para desarrollar operaciones de
ensamble y carga de piezas en otra pieza.
Guarde el ejercicio 4.4 como ejercicio 4.5 para iniciar la modificacin.
1. Agregar Entidades.
Las entidades que s e incorporarn al modelo, adems de l a caja vaca que ya se tena son.
Monitor, Caja Llena, Tarima y Tarima Llena, la dimensin que se considerar para las entidades
que entran a las bandas es de 1 por 1 metros.
Para realizar esto, se habr observado que en el men de grficos no existe el monitor ni la caja
cerrada. Existen dos opciones para incorporar estos grficos:
a) Crear el grfico en el editor grfico (Graphic Editor) que incluye el ProModel.
Pgina 127
b) Importar el grfico de otra aplicacin como la galera de imgenes de Word, Corell Draw,
Paintbrush, etc.
1. En el primer caso, para crear el grfico, dar clic en el men Tools en la opcin Graphic Editor,
se abre una ventana como la que se muestra en la figura 4.76.
Figura 4.76
Enseguida, se modificar la caja vaca para insertar el grfico caja llena. Primero se hace doble
clic en la caja vaca para aparezca en el rea de trabajo y en el men Options se incrementa el
zoom al 400% para verlo ms grande y se modifica este marcando las hojas de la caja con el
mouse y dando en la tecla suprimir, hasta que la caja parezca que est cerrada, ver figura 4.77.
Figura 4.77
Para incorporar esta nueva figura a la biblioteca de grficos, se hace clic en e l ltimo cuadro
que est a la derecha del ltimo grfico en la parte superior, posteriormente en la parte inferior en
el recuadro de la izquierda se pone el nombre de la figura, finalmente se da clic en el botn Save
de los botones que se encuentran la parte superior a la derecha. Para salir del editor grfico se
cierra la ventana principal y se guarda la biblioteca. Ver figura 4.78
Pgina 128
Figura 4.78
En el segundo caso, si se crea completamente la figura, se pueden elegir las figuras que se
encuentran a la izquierda, se puede insertar una figura en otra, cambiar colores de relleno, pegar
una figura a otra, etc. Ver figura 4.79
Figura 4.79
2. Para importar un grafico de otra aplicacin como Word, slo se tiene copiar la imagen y en el
editor grfico de ProModel en el men Edit, se elige la opcin Paste BMP y aparece el grafico
en el rea de trabajo, para incorporarlo a la biblioteca se hace como se mencion anteriormente
en el inciso anterior.
Continuando con el ejercicio, se seleccionarn las nuevas entidades. En la figura 4.80 se

muestran las entidades pedidas, el procedimiento para esto ya se ha m encionado anteriormente
por lo que se har referencia solo a las entidades seleccionadas. Recurdese que l as entidades
que se movern por las bandas deben tener dimensiones de 1x1 metro.
Figura 4.80
Pgina 129
2. Arribos.
Al sistema llega un monitor, una caja vaca y una tarima vaca; con una ocurrencia infinita en todos.
Llega un monitor a la fila de monitor en un tiempo de cero, y despus llegar cada tres minutos. A
la fila cajas llega una caja vaca un minuto despus de haber iniciado la corrida de produccin y
despus llegar cada tres minutos. A la banda de tarimas llegar una tarima cuando haya corrido
la produccin 5 m inutos y despus llegar cada 5 m inutos. Como ya se tienen las llegadas del
ejercicio anterior, solo hay que c ambiar la entidad en la Fila de Monitores y en l a Banda de
tarimas por el monitor y la tarima vaca respectivamente. Las llegadas modificadas (Arrivals)
quedan de la siguiente manera (ver figura 4.81):
Figura 4.81
3. Proceso.
Llega a la fila de cajas una caja vaca y a la fila de monitores, un monitor que ser ensamblado en
la caja vaca. Ambas piezas (caja vaca y monitor) se dirigen a la siguiente estacin de trabajo en
donde se realiza una operacin que consume un t iempo de c uatro minutos para empacar el
monitor en la caja; de esta estacin sale una caja llena. De aqu, pasa la caja llena a una fila de
empaque que conducir a esta hasta una zona de carga en donde se cargar sobre una tarima
vaca, el tiempo de carga ser de 1 minuto. Posteriormente, sale la tarima llena con destino a la
banda de embarque y de aqu a zona de em barque, en dond e se descargar la caja llena de l a
tarima en un t iempo de 1. 5 minutos. La t arima vaca regresar para ser reciclada a l a banda de
tarimas en un tiempo de 3 minutos, y la caja llena sale del sistema.
Para modificar el Processing, se revisar registro por registro para ir haciendo los cambios
gradualmente.
1. En el primer registro debe entrar una caja vaca a la fila de cajas y salir una caja vaca con
destino a la estacin de trabajo, solo se debe eliminar el estatuto GRAPHIC que s e tena
anteriormente, ya que ahora se tiene un grfico para cada entidad.
2. En el segundo registro entra un monitor a la fila de monitores y sale un monitor con destino a la
estacin de trabajo. Es importante sealar que en el campo Rule debe marcarse la opcin If
Join Request para indicar que esta entidad se unir a otra. Ver figura 4.82.
Pgina 130
Figura 4.82
3. En el tercer registro entra una caja vaca a la estacin del trabajo y en el campo Operation se
da clic sobre el martillo para que aparezca el constructor de estatutos, antes del estatuto WAIT,
debe seleccionarse el estatuto JOIN, en el campo Quantity se asigna 1 y enseguida aparece
otra ventana donde aparecen tres botones en l a parte superior, en l a que dice Entity se
selecciona el monitor y luego se pega con el botn Paste. El tiempo de operacin puede
modificarse ah directamente, por simplicidad los tiempos ahora son constantes, la entidad de
salida es la Caja Llena, as es, cuando se utiliza el estatuto JOIN entra una entidad y debe
salir otra.
4. En el cuarto registro, entra una caja llena a la fila de empaque y sale una caja llena con destino
a la zona de empaque, tambin aqu se debe modificar el campo Rule, como esta caja llena se
cargar sobre la tarima vaca, debe indicarse marcando la opcin If Load Request. Ver figura
4.83.
Figura 4.83
Pgina 131
5. En el quinto registro entra una tarima vaca a la banda de tarimas y sale una tarima vaca con
destino a la zona de empaque.
6. En el sexto registro entra una tarima vaca a la zona de empaque, se carga esta con una caja
llena y sale una tarima llena. Para hacer esto, en el campo Operation se da clic sobre el
martillo para que aparezca el constructor de estatutos, antes del estatuto WAIT, debe
seleccionarse el estatuto LOAD, en el campo Quantity se asigna 1 y luego se pega c on el
botn Paste aqu no es necesario especificar de cual entidad se trata, con el If Load Request
asignado previamente es suficiente para indicar que esa entidad es la que s e cargar en l a
entidad que se encuentra a la locacin actual. Es importante comentar que t ambin existe un
estatuto UNLOAD que se aplica para descargar, a diferencia del JOIN que lo que se uni como
otra entidad no se puede desunir despus. El tiempo de operacin se modifica ah directamente
en este caso el tiempo carga ser de un minuto (WAIT 1).
7. Enseguida entra una tarima llena a la banda de embarque y sale una tarima llena a la zona de
embarque.
8. En el siguiente registro, entra una tarima llena a la zona de embarque y en el campo Operation
se descarga la caja con el estatuto UNLOAD (dar clic en el martillo, seleccionar el estatuto y en
cantidad poner 1), el tiempo de operacin (WAIT) es de 1.5 minutos y sale una tarima vaca con
destino a la banda de tarimas (en un tiempo de 3 minutos), esta operacin es con el estatuto
MOVE FOR en el campo Move Logic. El incremento de la variable que se tiene ah se borra
por que va en otro registro.
9. En el siguiente registro, del lado izquierdo en el Process se oprime la tecla Enter para crear un
registro en blanco. Se elige la caja llena que tambin est en la zona de embarque, aqu en el
campo Operation se incrementar la variable embarcados con el estatuto INC y finalmente la
caja llena abandona el sistema (EXIT) para as dar por terminado el modelo.
En el siguiente cuadro 4.84 se muestra el Processing del modelo como debe qu edar
finalmente, recurdese que esta opcin es posible en el men File en la opcin View Text o Print
Text.
Processing .
Process Routing
Entity Location Operation Blk Output Destination Rule Move Logic

Caja_vacia Fila_de_cajas 1 Caja_vacia Estacion_de_trabajo FIRST 1
Monitor Fila_de_Monitores 1 Monitor Estacion_de_trabajo JOIN 1
Caja_vacia Estacion_de_trabajo JOIN 1 Monitor
wait 4 1 Caja_Llena Fila_de_empaque FIRST 1
Caja_Llena Fila_de_empaque 1 Caja_Llena Zona_de_empaque LOAD 1
Tarima_Vacia Banda_tarimas 1 Tarima_Vacia Zona_de_empaque FIRST 1
Tarima_Vacia Zona_de_empaque LOAD 1
wait 1 1 Tarima_Llena Banda_de_embarque FIRST 1
Tarima_Llena Banda_de_embarque 1 Tarima_Llena Zona_de_embarque FIRST 1
Tarima_Llena Zona_de_embarque UNLOAD 1
wait 1.5 1 Tarima_vacia Banda_tarimas FIRST 1 MOVE FOR 3
Caja_Llena Zona_de_embarque INC Embarcados 1 Caja_Llena EXIT FIRST 1
Cuadro 4.84
Pgina 132
En la figura 4.85 se muestra el Layout ejecutando la corrida del modelo:
Figura 4.85
4.5.3.3 Modelo con Recursos y Redes Fsicas
Ejemplo 4.6
En este modelo se aadirn recursos al ejercicio anterior. En ProModel cuando se desea utilizar
recursos, primeramente se tiene que desarrollar la ruta por donde se mover este (Path network)
y con cuales locaciones va a i nteractuar (Interfaces). Posteriormente se crea el recurso y se
especifica por donde se va a mover (Path network).
Se harn los siguientes cambios al modelo:
Crear dos redes fsicas de caminos las cuales se llamarn Red 1 que ser para el Operario1 y
Red 2 que ser para el operario 2.
La Red 1 permite que un operario viaje de la estacin de trabajo a zona de carga. Distancia
15 metros. La R ed 2 permite que u n operario viaje de zona de embarque a zona de carga, y
hasta la parte superior de la banda tarimas. La distancia entre zona de c arga y embarque: 30
metros; la distancia de la banda de tarimas a la zona de carga es de 20 metros.
Crear las siguientes interfaces:
Red 1: Estacin de trabajo y zona de carga.

Red 2: Zona de embarque, zona de carga y banda tarimas.
Se deben crear dos operarios: operario 1 y operario 2.

En las especificaciones, poner operario 1 en Red 1 y operario 2 en red 2. Ambos operarios con
las siguientes caractersticas: velocidades 50 metros/min sin carga y 45 metros/min cargando
material. Tiempo de recoleccin: 3 segundos y tiempo para depositar: 6 segundos.
Pgina 133
Poner los estatutos GET, FREE y MOVE WITH/THEN FREE en las locaciones apropiadas, de
manera que se lleven a cabo las siguientes actividades:
El operario 1 realiza el JOIN y el WAIT en la estacin de trabajo.
El operario 1 y el operario 2 realizan el LOAD y el WAIT en la zona de carga.
El operario 2 consigue las tarimas de embarque y las regresa a la banda de tarimas.
Recuerde primeramente guardar este archivo como ejercicio 4.6.
1. Definicin de Redes
Para definir las redes, se puede tener acceso por el men Build en el comando Path Networks
o utilizando el botn de acceso directo que se encuentra a un lado del de las entidades. Ver Figura
4.86.
Figura 4.86
Igual que en los comandos utilizados anteriormente, existe una ventana para los registros de las
redes en la parte superior donde se especifica el nombre de la red, el tipo de red, la ruta (Path), las
interfaces, etc., y otra ventana en la parte izquierda donde se va estableciendo de donde a dnde
va la red, si es bidireccional y la distancia de esta.
Para trazar la red se tiene que utilizar el mouse, se hace clic cerca de la locacin inicial donde
har interface y aparecer un punto pequeo (llamado nodo) y se arrastra el mouse hasta la otra
locacin donde tambin interactuar el recurso, para finalizar se hace doble clic, en l a parte
izquierda se puede ver de donde a dnde va la red (del nodo1 al nodo 2), ser bidireccional (BI) y
la distancia se puede corregir ah mismo, en este caso es de 15 metros. Si es necesario que la red
presente cambios de direccin, esto se hace dando otra vez clic y moviendo el mouse en l a
direccin deseada. Ver figura 4.88 para observar como que da la primera red. La red 1 est situada
de la estacin de trabajo a l a zona de empaque y como se mencion anteriormente, no es
necesario que toque las locaciones con las que har interface, eso se mostrar enseguida (ver
figura 4.87):
Pgina 134
Figura 4.87
En el botn Interfaces de la ventana superior inicialmente aparece el valor 0, para especificar

las interfaces se hace clic sobre este y la ventana de la izquierda cambia por otra que solo tiene
dos campos: nodo y locacin. Enseguida se sita el puntero del mouse en el primer nodo (cambia
la punta del mouse por una pequea cruz) y se da clic, se ver que sale una lnea punteada del
nodo y se debe dirigir esta a la locacin con la que har interface finalmente hacer clic sobre la
locacin y listo, en la ventana de la izquierda aparecen los nodos y las locaciones, vea figura 4.88.
Observe que en el campo Paths de la ventana superior aparece el valor 1 y en el campo
Interfaces aparece el valor 2.
Figura 4.88
Pgina 135
Para definir la segunda red se procede de manera similar, se pone el cursor en el registro que
dice Red 1 y se da Enter para generar otro registro en blanco. Enseguida como se va a interactuar
con tres locaciones se harn dos segmentos (Paths) para construir la red 2, uno va de la zona de
embarque a la zona de carga dejando nodos 1 y 2 respectivamente, luego del mismo nodo 2 (se
sita el puntero del mouse en ese nodo) se traza otra ruta hacia la banda de embarque para hacer
el nodo tres cerca de l a locacin mencionada, posteriormente se definen las interfaces como se
hizo en la red anterior y listo. Ver las siguientes figuras 4.89 y 4.90.
Figura 4.89
Pgina 136
Figura 4.90
3. Definicin de Recursos
En el men Build en el comando Resources se puede acceder a la definicin de los recursos o
travs del botn de acceso directo que est a un lado del de las redes, vea la figura 4.91.
Figura 4.91
Una vez que se entra al comando Resources, tambin tiene una ventana superior donde se
especifica el grfico del recurso, el nombre, el nmero de unidades, si tiene tiempos muertos, etc.
en la ventana de la izquierda se elige a un operador que es uno de los grficos que se incluyen en
la biblioteca de grficos, se puede cambiar el tamao, el color de este, la orientacin, etc. Vea
figura 4.92.
Pgina 137
Figura 4.92
Enseguida se le asignar la ruta por la que se mover el recurso, eso es a travs del campo
Specs, aparecer un cuadro de dialogo en el cual primero se elige la Red 1 del recuadro donde
dice Path Network, ah vienen varias opciones para cambiar como en l a parte de los nodos se
marca el nodo base (Home) y si se desea que regrese a este si el recurso est ocioso, en la parte
del movimiento (Motion) se asignan la velocidad del recurso cargando, vacio, el tiempo para
depositar y recoger, etc., vea la figura 4.93.
Pgina 138
Figura 4.93
Al dar OK, aparecer en el Layout el recurso que se acaba de asignar con su respectiva ruta.
Ver figura 4.94.
Figura 4.94
Para definir el siguiente recurso se sita el cursor en el registro de la ventana superior donde
dice Operador 1 y se da Enter para generar otro registro en blanco, y se repite todo el proceso
anterior para elegir otro recurso y asignarle la red 2 por donde se mover. Ver figuras 4.95 y 4.96.
Pgina 139
Figura 4.95
Figura 4.96
Pgina 140
4. Modificacin del proceso

La primera modificacin se har cuando entra la caja vaca en la estacin de trabajo, en el
campo Operation se da clic en el martillo para que aparezca el constructor de estatutos y antes del
estatuto JOIN (basta con dar en la tecla Enter para que se recorran las instrucciones hacia abajo)
se insertar el estatuto GET, al dar clic sobre este aparece un cuadro de dilogo, en el botn
central donde dice Resource, se elige al Operador 1, y se pega con el botn Paste. Se supone que
el recurso ejecutar los estatutos que ya estaban (JOIN y WAIT). El estatuto GET sirve para
capturar uno o m s recursos que se tengan disponibles y luego ejecuta las instrucciones
posteriores a este; para liberar al recurso, se utiliza el estatuto FREE, de igual manera se elige este
y posteriormente aparece un cuadro de dialogo con dos botones en la parte superior, seleccione el
que dice Resource y se selecciona Operador 1. El grupo de instrucciones en la estacin de trabajo
queda de la siguiente manera:
GET Operador_1
JOIN 1 Monitor
WAIT 4
FREE Operador_1
El grupo de instrucciones que se acaban de establecer significan captura el operador 1 y este

realiza la operacin de unir el monitor en la caja vaca en un tiempo de 4 minutos y luego soltarlo.
De la estacin de trabajo sale una caja llena con destino a la fila de empaque.
El siguiente registro a m odificar es en la zona de empaque, se supone que entre los dos
operadores subirn la caja a la tarima vaca, as que de igual manera en este registro se da clic en
el campo Operation y se da Enter para recorrer hacia abajo las instrucciones existentes,
enseguida se hace clic en el martillo de la ventana para definir estatutos y se selecciona
nuevamente GET, en el botn Resource se hace clic y aparecen los recursos disponibles, se
selecciona el operador 1 y en los botones pequeos centrales aparece la palabra AND, se
selecciona esta y luego se elige al operador 2, se da clic en Paste y esta instruccin aparece en el
rea de estatutos encima de las otras instrucciones, para terminar esta parte, en la parte inferior
despus de la instruccin WAIT, se selecciona el estatuto FREE ALL para liberar todos los
recursos que se tenan seleccionados, el grupo de instrucciones queda as:
GET Operador_1 AND Operador_2

LOAD 1
WAIT 1
FREE ALL
Finalmente, solo falta modificar cuando se descarga la caja de la tarima llena y el operador 2 se
lleva las tarimas vacas hasta la banda de tarimas. Para hacer esto, ir al registro donde llegan las
tarimas llenas a la zona de embarque y en el campo Operacin hacer clic para que se despliegue
el cuadro de dialogo donde se establecen los estatutos a u tilizar. Se supone que el operador 2
descargar la tarima llena y el mismo se llevar las tarimas vacas hacia la banda de tarimas, as
que se recorren hacia abajo un espacio los estatutos existentes y se utiliza nuevamente el estatuto
GET como se mencionado para capturar el operador 2, pero no se utilizar el estatuto FREE al
final de este grupo de instrucciones sino que cuando sale la tarima vaca hacia la banda de
tarimas, en el campo Move Logic, se hace clic para que aparezca el constructor de estatutos que
manda directamente a los tipos de movimientos. Se utiliza el MOVE WITH y se selecciona el
mismo operador 2 y luego se da clic en el botn THEN FREE y es hasta ese momento que se
libera el recurso, el grupo de instrucciones en el campo Operation queda de la siguiente manera:
Pgina 141
GET Operador 2
UNLOAD 1
WAIT 1.5
En el campo Move Logic la instruccin queda de la siguiente manera:

MOVE WITH Operador 2 THEN FREE
En la siguiente figura 4.97 se puede ver el grupo de instrucciones para el campo Operation y
para el campo Move Logic:
Figura 4.97
Finalmente el modelo queda listo para correrlo y evaluarlo. En la siguiente figura 4.98 se puede
ver el modelo durante la corrida.
Figura 4.98
Pgina 142
En el siguiente cuadro 4.99, se pueden ver las instrucciones agregadas para el modelo en texto.
Locations .
Name Cap Units Stats Rules
Fila_de_cajas 5 1 Time Series Oldest, FIFO,
Fila_de_Monitores 5 1 Time Series Oldest, FIFO,
Estacion_de_trabajo 1 1 Time Series Oldest, ,
Fila_de_empaque 5 1 Time Series Oldest, ,
Zona_de_empaque 1 1 Time Series Oldest, ,
Banda_tarimas INF 1 Time Series Oldest, FIFO,
Banda_de_embarque INF 1 Time Series Oldest, FIFO,
Zona_de_embarque 1 1 Time Series Oldest, ,
Entities .
Name Speed (mpm) Stats .
Caja_vacia 20 Time Series
Monitor 20 Time Series
Caja_Llena 20 Time Series
Tarima_vacia 20 Time Series
Tarima_Llena 20 Time Series
Path Networks .
Name Type T/S From To BI Dist/Time Speed Factor
Red_1 Passing Speed & Distance N1 N2 Bi 30 1
Red_2 Passing Speed & Distance N1 N2 Bi 60 1
N2 N3 Bi 30 1
Interfaces .
Net Node Location
Red_1 N1 Estacion_de_trabajo
N2 Zona_de_empaque
Red_2 N1 Zona_de_embarque
N2 Zona_de_empaque
N3 Banda_tarimas
Resources .
Name Units Stats Search Search Path Motion .
Operario_1 1 By Unit Closest Oldest Red_1 Empty: 50 mpm

Home: N1 Full: 45 mpm
Pickup: 3 Seconds
Deposit : 6 Seconds
Operator_2 1 By Unit Closest Oldest Red_2 Empty: 50 mpm
Home: N1 Full: 45 mpm
Pickup: 3 Seconds
Deposit: 6 Seconds
Processing .
Process Routing
Entity Location Operation Blk Output Destination
Rule Move Logic .
Caja_vacia Fila_de_cajas 1 Caja_vacia Estacion_de_trabajo
FIRST 1
Monitor Fila_de_Monitores 1 Monitor Estacion_de_trabajo
JOIN 1
Caja_vacia Estacion_de_trabajo GET Operario_1
JOIN 1 Monitor
WAIT 4
FREE Operario_1 1 Caja_Llena Fila_de_empaque FIRST 1
Caja_Llena Fila_de_empaque 1 Caja_Llena Zona_de_empaque LOAD 1
Tarima_vacia Banda_tarimas 1 Tarima_vacia Zona_de_empaque FIRST 1
Tarima_vacia Zona_de_empaque GET Operario_1 AND Operator_2
LOAD 1
WAIT 1
FREE ALL 1 Tarima_Llena Banda_de_embarque FIRST 1
Tarima_Llena Banda_de_embarque 1 Tarima_Llena Zona_de_embarque FIRST 1
Tarima_Llena Zona_de_embarque UNLOAD 1
WAIT 1.5 1 Tarima_vacia Banda_tarimas FIRST 1 MOVE WITH Operator_2 THEN
FREE
Caja_Llena Zona_de_embarque INC Embarcados 1 Caja_Llena EXIT FIRST 1
Cuadro 4.99
Pgina 143
4.5.3.4 Modelo de manufactura con varios procesos e inspeccin

Suponga un sistema de produccin el cual consta de las siguientes etapas:
1. Llega la materia prima a un almacn inicial de acuerdo a una distribucin normal con media de
10 minutos y una desviacin estndar de 2. La capacidad del almacn es para 50 piezas.
2. Enseguida la materia prima pasa a una cortadora de dnde salen 5 piezas en proceso por
cada unidad de materia prima que entra, el tiempo de operacin es de 4 minutos con
distribucin exponencial. Crear una variable piezas en pr oceso para contabilizar estas e
incrementarla cuando son enviadas a la siguiente locacin.
3. La siguiente locacin es un torno donde son trabajadas las piezas en un tiempo que consume 3
minutos con distribucin Poisson. Cambiar tambin el grfico de l a entidad pieza en proceso
cuando sale de esta locacin.
4. Posteriormente las piezas en proceso pasan a un molino dnde se trabajan en un tiempo que
sigue una distribucin uniforme entre 1 y 3 minutos. Cambiar el grfico tambin cuando salen de
esta locacin.
5. Despus las piezas pasan por un proceso de inspeccin que consume un tiempo constante de
un minuto. De aqu el 75% pasa a la siguiente locacin y el resto sale fuera del sistema como
producto rechazado. Crear una variable para contabilizar las piezas que son rechazadas fuera
del sistema.
6. Enseguida las piezas en proceso aceptadas despus de la inspeccin, pasan a un horno dnde
se combinan 10 de estas piezas y salen como un lote. El tiempo de operacin es de acuerdo a
una distribucin log normal con media de 7 minutos y desviacin estndar de 2.
7. Finalmente los lotes pasan a un almacn de producto terminado dnde se combinan 5 de
estos para conformar un producto terminado. Decrementar la variable piezas en proceso y crear
e incrementar la variable piezas terminadas.
Existe un t iempo de t raslado entre cada operacin de 0.5 minutos. Edite y agregue indicadores
numricos en las locaciones con capacidad mltiple. Corra el modelo durante 40 horas y analice el
reporte de salida.
Solucin:
En el men Build comando Locations o a travs del botn de acceso directo, seleccionar las
locaciones pedidas. Recuerde que es recomendable seleccionar todos los grficos de las
locaciones pedidas con la casilla New activada de la ventana Graphics y posteriormente
desmarcar la casilla para editarlas (agregue etiquetas y grficos de barras para las locaciones de
capacidad mltiple). Cambie la capacidad de las locaciones que tienen capacidad mltiple. Las
locaciones quedan como se muestra en las siguientes figuras 4.100 y 4.101.
Pgina 144
Figura 4.100
Figura 4.101
2. Seleccin de las entidades

En el men Build comando Entities o por medio del botn de ac ceso directo seleccionar las
entidades correspondientes a este sistema de produccin:
Materia prima
Pieza en proceso (con tres grficos)
Pieza rechazada
Producto terminado
Lote
Pgina 145
En las siguientes figuras 4.102 y 4.103 se pueden ver las entidades seleccionadas para este
modelo y los grficos diferentes de la entidad Pieza en Proceso respectivamente.
Figura 4.102
Figura 4.103
3. Definicin de las llegadas

En el men Build comando Arrivals o a t ravs del botn de ac ceso directo que ya se ha
mencionado, se selecciona la materia prima, llega a un almacn de materia prima de una en una
desde el minuto cero y con un nmero de ocurrencias infinito. La tasa de llegadas es de acuerdo a
una distribucin normal con media de 10 minutos y una desviacin estndar de 2. En el campo
Frequency se hace clic derecho para que aparezca el constructor de estatutos y se procede como
ya se ha mencionado anteriormente, en Distribution Functions se elige la distribucin pedida.
Adems de elegir las opciones de cada campo (haciendo clic en el botn superior) la entidad,
locacin, etc. existe otra forma, la cual consiste en elegir primeramente la entidad que llega (de la
ventana Tools) y haciendo clic en el Layout, automticamente se llenan los campos por defecto y
solo se procede a c ambiar la informacin que no c orresponda con la informacin del sistema a
modelar. En la siguiente figura 4.104 se ilustra este comando:
Pgina 146
Figura 4.104
4. Definicin de variables
Para definir las variables, ir al men Build comando Variables (global) o por medio del botn
de acceso directo, definir las variables: inventario en proceso, piezas rechazadas y producto
terminado.
Recuerde que adems de def inir las variables y asignarles un nombre en el campo ID, para
que se vean grficamente en el Layout, solo se tiene que dar clic en el espacio de este que se
desea que aparezca el icono. En la siguiente figura 4.105 se presenta como quedaron definidas las
variables:
Figura 4.105
Pgina 147
5. Definir el Proceso
Para este paso ir al men Build comando Processing, o por el botn de acceso directo. Es
recomendable ir paso a paso en el proceso de entrada-operacin-salida de cada registro, en este
caso:
1. Entra la materia prima al almacn de m ateria prima, no existe operacin alguna y sale la
materia prima (una unidad) con destino a la cortadora, existe un tiempo de traslado (MOVE
FOR) de 0.5 minutos.
2. Entra la materia prima a la cortadora, el tiempo de operacin es de 4 minutos con distribucin
exponencial (en el campo Operation), aqu mismo utilizar el grfico 1 y salen 5 pi ezas en
proceso cortadas (campo Rule en Quantity) con destino al torno, existe el movimiento de
traslado entre cada locacin de 0. 5 minutos (utilizar el campo Move Logic) tambin en este
campo incrementar la variable Inventario en proceso.
3. Entra la pieza en proceso al torno, el tiempo de operacin es de acuerdo a una distribucin de
Poison con media de 3, utilizar el grfico 2 y sale la pieza en proceso con destino al molino de
uno en uno y el tiempo de traslado de 0.5 minutos.
4. Entra la pieza en proceso al molino, el tiempo de operacin es entre 1 y 3 minutos con
distribucin uniforme, utilizar grfico 3 y sale la pieza en proceso con destino a la inspeccin.
5. Entra la pieza en proceso a la inspeccin, el tiempo de operacin es de 1 minuto constante y de
aqu hay dos posibles salidas:
a. Pieza en proceso con destino al horno con una probabilidad del 0.75. Utilizar en el campo
Rule la opcin Probability y asignar el porcentaje mencionado, en el campo Move Logic
asignar el tiempo de traslado de 0.5 minutos.
b. Ah mismo del lado derecho (Routing for) se da Enter para generar un nuevo registro y se
elige la pieza rechazada del campo Output con destino a Exit y en el campo Rule asignar
el 0.25 restante en la opcin Probability, en el campo Move Logic incrementar la variable
Piezas rechazadas y decrementar la variable Inventario en proceso.
6. Al horno entran las piezas en proceso y se hornean en un tiempo que sigue una distribucin
LogNormal con media de 7 minutos y desviacin estndar de 2 minutos, utilizar el estatuto
COMBINE para consolidar 10 piezas en proceso y conformar un Lote que sale con destino al
almacn de producto terminado.
7. Al almacn de pr oducto terminado entran lotes y ah se realiza una ltima operacin que
consume un t iempo de 3 minutos constantes para combinar 5 de estos como un pr oducto
terminado (estatuto COMBINE). Decrementar la variable Inventario en proceso en 50
unidades e incrementar la variable Producto terminado de uno en uno al salir esta entidad
hacia Exit.
Todas las instrucciones quedan como se muestra en el siguiente cuadro 4.106 que se muestra
a continuacin:
Pgina 148
Locations .
Name Cap Units Stats Rules
Almacen_de_Materia_Prima 1 1 Time Series Oldest, ,
Cortadora 1 1 Time Series Oldest, ,
Torno 1 1 Time Series Oldest, ,
Molino 1 1 Time Series Oldest, ,
Inspeccion 1 1 Time Series Oldest, ,
Horno 10 1 Time Series Oldest, , First
Almacen_de_Producto_Terminado 5 1 Time Series Oldest, ,
Entities .
Name Speed (fpm) Stats .
Materia_Prima 150 Time Series
Pieza_en_Proceso 150 Time Series
Producto_Terminado 150 Time Series
Lote 150 Time Series
Pieza_rechazada 150 Time Series
Processing .
Process Routing
Entity Location Operation Blk Output Destination Rule Move Logic .
Materia_Prima Almacen_de_Materia_Prima 1 Materia_Prima Cortadora FIRST 1 MOVE FOR 0.5 Materia_Prima
Cortadora WAIT E(4)
GRAPHIC 1 1 Pieza_en_Proceso Torno FIRST 5 MOVE FOR 0.5
INC Inventario_en_Proceso
Pieza_en_Proceso Torno WAIT P(3)
GRAPHIC 2 1 Pieza_en_Proceso Molino FIRST 1 MOVE FOR 0.5
Pieza_en_Proceso Molino WAIT U(2, 1)
GRAPHIC 3 1 Pieza_en_Proceso Inspeccion FIRST 1 MOVE FOR 0.5
Pieza_en_Proceso Inspeccion WAIT 1 1 Pieza_en_Proceso Horno 0.75 MOVE FOR 0.5
Pieza_rechazada EXIT 0.25 INC Piezas_Rechazadas
DEC Inventario_en_Proceso
Pieza_en_Proceso Horno WAIT L(7, 2)
COMBINE 10 1 Lote Almacen_de_Producto_Terminado FIRST 1 MOVE FOR 0.5
Lote Almacen_de_Producto_Terminado WAIT 3
COMBINE 5
DEC Inventario_en_Proceso,50
INC Piezas_Terminadas 1 Producto_Terminado EXIT FIRST 1
Arrivals .
Entity Location Qty Each First Time Occurrences Frequency Logic
Materia_Prima Almacen_de_Materia_Prima 1 0 INF N(10, 2)
Variables (global) .
ID Type Initial value Stats .
Inventario_en_Proceso Integer 0 Time Series
Piezas_Rechazadas Integer 0 Time Series
Piezas_Terminadas Integer 0 Time Series
Cuadro 4.106
Pgina 183
En la siguiente figura 4.107 se ve este modelo durante la corrida.
Figura 4.107
4.6 Comentarios adicionales

Con la realizacin de los 7 ejercicios anteriores, se pueden simular una gran cantidad de sistemas
productivos reales tanto de servicios como de manufactura, algunos ejemplos de sistemas que se
pueden simular son:
Bancos
Cajeros automticos
Restaurantes de comida rpida
Servicios administrativos
Cajeros de tienda de autoservicio
Auto lavados
Talleres de manufactura
Centros de servicios para autos
Consultorios mdicos/urgencias
Etc.
Pgina 184
En general todos los sistemas tienen el proceso bsico: entrada, procesamiento y salida, solo
se tiene que analizar y adaptar el modelo del sistema que s e desea simular, claro que esa
habilidad se va adquiriendo con la experiencia y el uso del software. ProModel cuenta con muchos
ms estatutos pero corresponde al estudiante experimentar y manejar otros estatutos que pueden
enriquecer los modelos a realizar. Es importante puntualizar que el ProModel incluye siempre
ayuda en lnea oprimiendo solamente la tecla F1 (la cual viene en idioma ingls), dicha ayuda se
despliega con la informacin del comando que se est usando en ese momento adems incluye
un ndex para buscar algo de manera especfica.
4.7 Ejercicios propuestos
1. A un c ajero automtico llegan clientes cada 10 minutos de ac uerdo a u na distribucin

exponencial. El tiempo que tarda cada cliente en hacer sus movimientos bancarios se distribuye
exponencialmente con una media de 4 minutos. Si se desea que el cajero no tenga ms de 5
clientes esperando en la fila, qu recomendacin hara al banco, basndose en una simulacin
de 40 horas de trabajo?
2. A un taller de manufactura llegan piezas con media de 8 minutos y distribucin exponencial. Las
piezas entran a un almacn con capacidad para 50 unidades, donde esperan a ser procesadas
en un torno. Ah son torneadas por 3 minutos con distribucin exponencial. El tiempo de
transportacin del almacn al torno tiene una distribucin normal con media de 4 m inutos y
desviacin estndar de 1 minuto. Posteriormente, las piezas son transportadas a una estacin
de inspeccin donde se encuentran 2 operarios, cada uno trabajando de manera independiente.
La inspeccin de cada pieza tarda de 4 a 8 m inutos con distribucin uniforme. El tiempo de
transporte entre el torno y los operarios es de 3 a 5 minutos con distribucin uniforme.
a) Simule el sistema por 30 das de 8 horas de trabajo cada uno y analice el reporte de salida.
b) Incluya un contador y una grfica de barra para las piezas en el almacn.
c) Observe el porcentaje de utilizacin de cada operador en la inspeccin Cul trabaja ms?
3. Suponga un sistema de lneas de espera tal como el de un cibercaf, la tasa de llegadas de los
clientes es de acuerdo a una distribucin normal con media de 7 minutos y desviacin estndar
de 2 minutos. Existen 3 tipos de servicios :
a) Renta de PC
b) Venta de consumibles
c) Impresiones
Las probabilidades respectivas de que un cliente seleccione cualquiera de los tres servicios
anteriores son 60%, 10% y 30% respectivamente. El tiempo de permanencia en PC es de 50
minutos con distribucin exponencial, el tiempo que tarda el servidor en atender a un c liente
para cualquiera de los otros dos servicios es de acuerdo a una distribucin uniforme entre 2 y 8
minutos (incluyendo el pago).
El local cuenta con 10 computadoras y despus de usarlas los clientes pasan con el servidor a
pagar y posteriormente se dirigen hacia la salida, el tiempo de esta transaccin es de acuerdo a
una distribucin uniforme entre 1 y 3 minutos, el tiempo que duran los clientes en trasladarse
del rea de pago a la salida es de 1 minuto.
Los clientes que c ompran consumibles o i mprimen despus se dirigen hacia la salida en un
tiempo de 1 minuto.
Pgina 185
Desarrolle un modelo para este sistema, que incluya atributos, distribuciones de usuario,
variables para cada servicio, etiquete las locaciones adecuadamente y cambie el grfico de la
entidad de acuerdo al servicio que solicitan.
Corra el modelo durante 40 horas y determine:
a) La utilizacin de las PCs.

b) Nmero total de clientes para cada servicio.
c) Son suficientes las 10 computadoras con las que se cuenta? Comente.
4. A una o peracin de empacado de bo lsas de detergente entran bolsas a una velocidad de 20

por minuto. Cuando las bolsas entran al sistema son colocadas en una banda (capacidad
infinita longitud 20 metros) que las transporta hasta la mesa de un oper ario de empaque. El
tiempo de transporte en la banda es de 20 mpm. Una vez que la bolsa llega al final de la banda,
cae por gravedad hacia una mesa donde s e va acumulando con otras. Existe otra banda
(capacidad infinita longitud 20 metros) en la que llegan cajas vacas a razn de 10 cajas por
minuto, la llegada de estas inicia 6 segundos despus de iniciar la simulacin y la velocidad de
transporte es de 20 mpm. Un operario toma 30 bolsas de la mesa y las introduce en una caja
vaca, el tiempo que le lleva al operario tomar una bolsa y colocarla dentro de la caja es de 1
segundo/bolsa. Una vez que la caja se llena, el operario la lleva al almacn de cajas; la
velocidad de transporte cargando es de 45 mpm, vacio 50 mpm, el tiempo de recoger una caja
es de 3 segundos y de depositarla es de 6 segundos, la distancia de la mesa al almacn es de
30 metros. Colocar una variable que cuente de manera cclica las bolsas que se van a empacar
cuando pasan de la banda a la mesa de empaque y colocar otra variable que cuente la cantidad
de cajas llenas que llegan al almacn.
Realiza lo siguiente:
a) Cul es el porcentaje de utilizacin del operador?

b) Cul es el porcentaje de tiempo ocioso del operador?
c) Cuntas bolsas llenas pasaron al almacn?
d) Existe cuello de botella? Justifique su respuesta con base en el reporte de salida.
5. En un taller se estn produciendo piezas de madera para proveer una fbrica. Llegan troncos
de madera (a una tasa de llegadas normal con media de 20 minutos y desviacin estndar de 2
minutos) a una fila de materia prima la cual tiene una longitud de 15 metros y una capacidad de
10, de ah se llevan por medio de un montacargas a u na sierra donde de cada tronco se
obtienen 5 piezas en proceso las cuales pasan a una banda transportadora (que tiene una
longitud de 20 metros y una velocidad de 20 mpm), de esta banda las piezas en proceso van a
un torno que tiene una capacidad de procesar una sola pieza a la vez (cambiar la grfica de la
pieza en proceso cuando sale de esta mquina), de ah pasan las piezas a u na pulidora que
tiene tambin una c apacidad de pr oceso de un a pieza, cambiar nuevamente la grfica de l a
pieza cuando sale de la pulidora. De las mquinas mencionadas, pasan las piezas en proceso
por una inspeccin donde se tiene un 90% de posibilidades de que las piezas estn correctas,
las piezas que no es tn bien se mandan nuevamente a l a banda transportadora para
retrabajarlas. Las piezas buenas se van a una rea de empacado donde se combinan 4 de
estas para que salga un lote con destino a una banda de salida (longitud de 15 metros y una
velocidad de 20 mpm). De la banda de salida se cargan los lotes con un segundo montacargas
a un camin y de ah salen fuera del sistema.
Pgina 186
Los tiempos de procesamiento son:

Sierra 10 minutos.
Torno 2 minutos.
Pulidora 2 minutos.
Inspeccin Normal con media de 3 min. y desviacin estndar de 0.5 minutos.
rea de empacado 2 minutos.
Agregar las siguientes variables:

Piezas en proceso
Piezas a re trabajar
Embarcados
Incrementar las piezas en proceso cuando salgan de la sierra y decrementarla cuando salga un
lote hacia el camin. Crear dos redes para los montacargas 1 y 2. La red 1 ser de la fila de
materia prima a la sierra la cual tendr una longitud de 20 metros con interfaces en estas dos
locaciones. La red 2 ser de la banda de salida al camin con una longitud de 20 metros
igualmente con interfaces en estas dos locaciones. Las dimensiones de las piezas en bandas
transportadoras son de 2 x 2 metros. Incrementar las piezas a ser re trabajadas cuando de la
inspeccin se dirijan nuevamente a la banda transportadora, incrementar la variable
embarcados cuando se suban los lotes al camin.
La velocidad de ambos montacargas cuando estn vacos es de 20 mpm y cuando estn llenos
es de 15 mpm, Los tiempos para recoger las entidades son de 10 segundos y para depositarlas
es de 20 segundos.
Editar las locaciones adecuadamente, agregar indicador numrico en el rea de empacado y las
variables deben estar visibles en el Layout. La capacidad de las bandas transportadoras es
infinita.
Corra el modelo por 40 horas y realice lo siguiente:
a) Cul es el porcentaje de utilizacin de la locacin que mas trabaja y cual es esta?

b) Cual es el porcentaje de operacin de la operacin de inspeccin?
c) Existe cuello de botella? Justifique la respuesta con base en el reporte de salida.
d) Cul es el tiempo promedio en el sistema de las piezas en proceso?
e) Cul es el tiempo promedio en espera de las piezas en proceso?
f) Cuntas piezas tuvieron que ser re trabajadas?
6. Una compaa que manufactura pequeos componentes electrnicos tiene varias estaciones de
trabajo a t ravs de l as cuales las partes son procesadas: ensamble, soldadura, pintura e
inspeccin son las operaciones principales. La materia prima llega a un rea de recepcin de
materia prima de acuerdo a u na distribucin exponencial con media de 20 minutos. Las
distribuciones del tiempo de proceso son como se muestran a continuacin:
Actividad Distribucin
Ensamble Poison (12) minutos
Soldadura Normal (36,10) minutos
Pintura Log normal (40,10) minutos
Inspeccin Exponencial (8) minutos
Pgina 187
La operacin de soldadura puede realizarse en tres trabajos a la vez, la pintura puede realizarse
en 4 a l a vez. El ensamble y la inspeccin se realizan de u no a la vez. De la inspeccin se
acepta aproximadamente el 80% y pasa a una rea de empaque donde se combinan 5 piezas
para hacer un producto terminado en un tiempo que sigue una distribucin Normal con media
de 10 minutos y desviacin estndar de 2 minutos, finalmente del rea de empaque el producto
es trasladado a un almacn final por medio de un operador, la velocidad vaco de este es de
15 mpm y cargado es de 12 mpm, el tiempo de recoger el producto es de 3 segundos y el de
depositarlo es de 5 s egundos, la distancia del empaque al almacn final es de 20 metros. El
resto sale como producto rechazado fuera del sistema A gregar variables para controlar el
nmero de piezas que se van trabajando en cada una de las operaciones, otra variable para los
productos rechazados as como el total de producto terminado. Finalmente cambiar los grficos
de las entidades cuando sale de cada proceso de ensamble, soldadura y pintura. E xiste un
tiempo de 1 minuto de traslado entre cada operacin.
Corra el modelo 40 horas y conteste lo siguiente:
a) Cul es el porcentaje de utilizacin de la locacin que ms trabaja y cual es esta?

b) Existe cuello de botella? Justifique su respuesta con base en el reporte de salida.
c) Cuntos productos terminados se produjeron?
d) Cul es la locacin que tiene el porcentaje de utilizacin ms bajo?
7. Durante las horas pico, los clientes llegan a l a fila de entrada de una cafetera escolar de
acuerdo a una tasa que sigue una distribucin normal con media de 3 m inutos y desviacin
estndar de minuto. Posteriormente son atendidos por un cajero y el tiempo en que se realiza
esta operacin es de acuerdo a una distribucin Normal con media de 4 minutos y desviacin
estndar de 1 minuto. En el prrafo siguiente se enlistan los diversos tipos de productos que
pueden elegir y la secuencia que siguen para la obtencin de estos:
Dulces y golosinas. Estas se entregan ah mismo en la caja, el tiempo de pr oceso va

incluido en el tiempo de atencin y posteriormente se van al rea de comedores en un
tiempo de un minuto.
Refrescos. Estos se entregan ah mismo en la caja, el tiempo de proceso va incluido en el
tiempo de atencin y posteriormente se van al rea de de comedores en un tiempo de un
minuto.
Golosinas y refresco. Estos se entregan ah mismo en la caja, van incluidos en el tiempo
de atencin y posteriormente se van al rea de de comedores en un tiempo de un minuto.
Jugos o caf. De la caja se van a la fila de entrega de bebidas, luego son atendidos por
un servidor en el rea de entrega de bebidas y el tiempo de operacin en esta parte del
proceso es de acuerdo a una distribucin uniforme entre 4 y 6 minutos; y luego los clientes
van al rea de comedores en un tiempo de un minuto.
Alimentos preparados . De la caja se van a la fila de preparacin de alimentos para ser
atendidos por otro servidor que se encarga de preparar los alimentos en un tiempo que
sigue una distribucin exponencial con media de 10 minutos, y luego los clientes se
trasladan al rea de comedores en un tiempo de un minuto.
Jugos o caf y alimentos preparados. De la caja pasan a la fila de entrega de bebidas,
son atendidos y luego van a la fila de alimentos preparados, son atendidos y luego van al
rea de comedores en un tiempo de 1 minuto
Pgina 188
Refresco y alimentos preparados. De la caja se van a la fila de alimentos preparados,

pasan al rea de alimentos preparados y luego al rea de comedores en un tiempo de 1
minuto.
Del rea de comedores, los clientes salen del sistema. La fila de entrada tiene una longitud
de 5 m etros y una capacidad de 10, las dems filas tienen una longitud de 1 metro y una
capacidad de 3.
Las probabilidades de eleccin de cualquiera de los productos son como se muestra en la
siguiente tabla:
Producto Probabilidad
Dulces y golosinas 10%
Refrescos 10%
Golosinas y refresco 20%
Jugos o caf 5%
Alimentos preparados 25%
Jugos o caf y alimentos preparados 10%
Refrescos y alimentos preparados 20%
Establecer variables para contabilizar cada tipo de producto y mostrarlas en pantalla.

Considerar que de cada 100 clientes que entran a la cafetera, solamente el 70 % compran
algn producto y el resto slo va como acompaante y se van directo al rea de comedores
en un tiempo de un minuto (mostrar variables en pantalla de los clientes que consumen y de
los que no consumen), cambiar tambin el grfico de los clientes que no consumen.
La capacidad del rea de comedores es de 50 p ersonas y el tiempo que per manecen en
esta es de acuerdo a una distribucin Normal con media de 15 m inutos y desviacin
estndar de 3.
Correr el modelo durante 40 horas y conteste lo siguiente:

a) Cuntos clientes consumieron Refrescos y alimentos preparados?
b) Cuntos clientes consumieron slo refrescos?
c) Cul es el tiempo promedio que permanece un cliente en el sistema?
d) Cul es el porcentaje de la operacin que ms se utiliza?
Pgina 189
Captulo 5:
Desarrollo de un proyecto de
simulacin
Pgina 191
5.1 Objetivo del captulo
Una vez que se ha visto el marco terico que concierne a la simulacin, las etapas para
desarrollar un proyecto as como el uso de un lenguaje especfico, lgicamente se espera poner
en prctica todo lo anterior desarrollando un pr oyecto final, el cual consiste en el anlisis,
modelado y simulacin de sistemas de servicios o productivos de una empresa, para detectar las
mejoras posibles a realizar, y plantear acciones que mejoren el desempeo de sistemas y que en
caso de poder implementarse se lleve hasta ese nivel.
5.2 Contenido sugerido del proyecto
Como este texto est orientado principalmente a estudiantes de ingeniera industrial del
sistema tecnolgico, se sugiere desarrollar el proyecto en equipos de trabajo para aplicar las
etapas descritas en el captulo 1 adems de otra informacin complementaria y relevante para
conformar el documento final.
Es importante aclarar que los captulos que se mencionarn a continuacin no
necesariamente corresponden exactamente en nmero con las etapas para realizar un proyecto
de simulacin, esto significa que algn capitulo puede contener dos o m s etapas segn se
considere necesario para el desarrollo del proyecto.
El proyecto se sugiere entregar secuencialmente al avance del programa, es decir, cuando se
termine de ver la unidad 1 del programa, se debe entregar el captulo 1 d el proyecto, para su
revisin y correccin si es necesario, posteriormente se van entregando los dems captulos
conforme se vaya avanzando en el programa durante el semestre. Tambin se sugiere entregar
cada captulo con lo siguiente:
Portada con los integrantes del equipo

ndice de contenido de cada captulo
Introduccin sobre el proyecto (hablar en trminos generales sobre lo que se
pretende realizar con el proyecto y cul es la intencin de llevarlo a cabo).
Pgina 192
En el siguiente cuadro 5.1 se mostrar el contenido sugerido y la numeracin general del

proyecto.
Captulo 1: Antecedentes del Proyecto

1.1 Antecedentes generales (recabar datos estadsticos sobre el giro de la empresa a nivel, estatal, local y cul
es su clasificacin de acuerdo al tamao de esta).
1.2 Marco de referencia (nombre, ubicacin de la empresa, organigrama).
1.3 Metodologa propuesta de t rabajo (mencionar brevemente cada una de l as etapas en el desarrollo de un
proyecto de simulacin).
1.4 Desarrollo de la metodologa
1.4.1 Etapa 1: Preparacin del proyecto
1.4.1.1 Identificar las restricciones del sistema.
1.4.1.2 Determinar el objetivo general y especfico del modelo.
1.4.1.2.1 Objetivo general.
1.4.1.2.2 Objetivos especficos.
1.4.1.3 Preparacin de las especificaciones de la simulacin.
1.4.1.3.1 Alcance del modelo.
1.4.1.3.2 Nivel de detalle.
1.5 Hiptesis de partida.
Captulo 2: Definicin del Sistema

2.1 Etapa 2: definicin del sistema.
2.1.1 Descripcin detallada del sistema a analizar.
2.1.2 Determinar los principales subsistemas y reas fsicas que i ntegran el sistema analizado (incluir croquis de
distribucin de planta).
2.1.3 Determinar los diferentes tipos de servicios y/o productos que se realizan en el sistema.
2.1.3.1 Desarrollar diagramas de anl isis de pr ocesos general y particular (si es necesario) para cada uno de l os
bienes/servicios producidos.
2.1.4 Determinar los horarios y das de trabajo regulares as como los horarios y das que sern sujetos de estudio.
2.1.5 Determine los datos requeridos.
2.1.6 Determine la fuente apropiada de los datos.
2.1.7 Haga supuestos donde sea necesario.
Captulo 3: Desarrollo del modelo y anlisis de datos

3.1 Etapa 3: Construccin del modelo conceptual o esquemtico.
3.1.1 Diseo del Modelo conceptual o esquemtico del sistema.
3.1.2 Determinar las variables de entrada del modelo.
3.2 Etapa 4: Recoleccin y anlisis de datos.
3.2.1 Diseo de la hoja de verificacin para toma de datos.
3.2.2 Realizar el muestreo de las variables de entrada del modelo en los horarios y das considerados para su
estudio.
3.2.3 Organizacin y anlisis de los datos muestreados (convierta los datos de entrada en una forma conveniente
para su uso).
3.2.4 Determinacin de las distribuciones de probabilidad tericas de las variables de entrada (si es que la tienen)
con el Stat::Fit del ProModel.
3.3 Resumen final de cada variable y la distribucin a la cual se ajustaron.
3.4 Generadores de Variables Aleatorias.
3.4.1 Determinacin de los generadores para cada variable de entrada (empricas con el mtodo de Montecarlo,
tericas con el mtodo que corresponda).
Captulo 4: Simulacin y anlisis del Sistema

4.1 Redaccin de las caractersticas del sistema a simular.
4.2 Etapa 5: Desarrollar el modelo en lenguaje especfico de simulacin (ProModel).
4.2.1 Impresin del Lay-out del modelo.
4.2.2 Impresin del cdigo fuente del modelo.
4.2.3 Impresin del reporte de salida de las corridas
4.3 Etapa 6: Conduccin de experimentos y evaluacin de alternativas.
4.3.1 Especificar las alternativas a considerar.
4.3.2 Impresin del Lay-out de las alternativas.
4.3.3 Impresin del cdigo fuente de las alternativas.
4.4 Etapa 7: Anlisis de resultados.
4.4.1 Realizar un resumen de las alternativas evaluadas basadas en los reportes de salida.
4.5 Etapa 8: Recomendaciones finales.
4.5.1 Realizar las recomendaciones pertinentes
4.5.2 Conclusin de los objetivos planteados.
Cuadro 5.1
Pgina 193
5.3 Ejemplo de desarrollo de un proyecto de simulacin
A continuacin se ilustrar todo el contenido para desarrollar el proyecto de simulacin

mencionado en el punto anterior a travs de un ejemplo prctico.
Ejemplo de portada del proyecto:
INSTITUTO TECNOLGICO DE COLIMA
Carrera:
INGENIERA INDUSTRIAL
Materia:
SIMULACIN
Proyecto:
SIMULACION DE UN SISTEMA MEDICO GUBERNAMENTAL
Presentan:
Adriana Alejandra Insunza Morado
Samuel Jatzaquiel Grajeda Mendoza
Linda Rebeca Guerrero Crdenas
Grupo:
K2
Profesor:
MC Jos Crdenas Zavala
Villa de lvarez, Col., junio del 2010.
En lo sucesivo se mostrar el proyecto redactado como ejemplo para su entrega omitiendo el

ndice y la separacin de hojas nuevas entre captulos. Se respetar la numeracin original del
contenido sugerido.
Pgina 194
Introduccin
Con este proyecto se pretende realizar un modelo de simulacin para analizar el funcionamiento de un sistema
mdico gubernamental conocido como Centro de Salud. Se aplicar la metodologa vista en clase y se desarrollarn
cada una de las etapas para desarrollar un proyecto de simulacin de un sistema real de la comunidad.
El objetivo es analizar dicho sistema a travs de un modelo desarrollado en un lenguaje especfico de simulacin
(ProModel) para poder hacer las recomendaciones pertinentes para que se incremente la calidad en la entrega de los
servicios de salud, es decir, que los servicios sean oportunos, eficaces, eficientes, con respeto y con amabilidad. Por esta
razn es importante saber si el personal con que se cuenta actualmente es el suficiente para brindar los servicios
adecuadamente.
El proyecto se compone de 4 captulos que gradualmente conllevarn al conocimiento, anlisis y representacin del
sistema sujeto de estudio finalizando con las sugerencias adecuadas para hacerlo ms eficiente.
Captulo 1: Antecedentes del Proyecto

1.1 Antecedentes
1.1.1 Antecedentes generales
La siguiente figura 1.1 muestra el mapa de la Repblica Mexicana, con la cual se quiere referir que la Secretaria de
Salud es una identidad federal a nivel nacional, y por lo cual se encuentra en cualquier Estado de la misma.
Figura 1.1
En la siguiente figura 1.2 se presenta el mapa del Estado de Colima, para acercarse un poco ms al objetivo de
estudio, ya que existen Tres Jurisdicciones, la primera se encuentra en Colima, la segunda en Tecomn y la tercera en
Manzanillo.
Figura 1.2
Pgina 195
En la siguiente figura 1.3 se encuentra el municipio dnde se ubica el sistema objeto de estudio: Centro de Salud
Rural Cuauhtmoc Colima.
Figura 1.3
1.1.2 Antecedentes de la institucin mdica

La Secretara de Salud ha pasado por diversas etapas evolucionando histricamente hasta que en 1943 se constituye
como tal con la facultad para organizar, administrar, dirigir y controlar la prestacin de servicios de salud. El 30 de
agosto de 1983, se expidi el Decreto mediante el cual el Ejecutivo Federal estableci las bases a las que se sujet el
programa de descentralizacin de los servicios de salud de la Secretara de Salubridad y Asistencia, con el cual se dio
inicio la descentralizacin. Con base en este Decreto, en febrero de 1984 los gobiernos federal y estatal, en el marco del
Convenio nico de Desarrollo, acordaron promover la descentralizacin de la vida nacional y fortalecer las bases del
rgimen federal, as como realizar conjuntamente las acciones necesarias para llevar a cabo la integracin programtica
de los servicios de salud en los estados y, posteriormente, la integracin orgnica de los servicios de salud a poblacin
abierta a cargo de la SSA, del IMSS-COPLAMAR y de la propia entidad. El Ejecutivo Federal expidi el 8 de marzo de
1984, el Decreto por el que se descentralizan a las entidades federativas los servicios que prestaban la Secretara en los
estados y los que, dentro del Programa de Solidaridad Social por Cooperacin Comunitaria, denominado IMSS-
COPLAMAR, proporcionaba el IMSS.
El 21 de enero de 1985, se reform la Ley Orgnica de la Administracin Pblica Federal, con lo cual la Secretara
de Salubridad y Asistencia cambi su nombre por Secretara de Salud. El 25 de septiembre de 1996 se public en el
Diario Oficial de la Federacin el Acuerdo Nacional para la descentralizacin de los servicios de salud en las 31
entidades federativas, concretndose en 1997 con la firma de los convenios correspondientes para su creacin como
organismos pblicos descentralizados y derivar entre muchos otros los Centros Rurales de Salud.
De acuerdo al Plan maestro de Infraestructura Fsica en Salud (PMI) de la Direccin General de Planeacin y
Desarrollo en Salud del Estado de Colima actualizado a diciembre de 2010, existen 22 nuevos centros de salud en el
Estado de Colima, 4 en sustitucin, 42 en fortalecimiento y una ampliacin, pero de las 69 obras, 56 son obras
proyectadas y el resto estn terminadas.
1.2 Marco de referencia

Los datos generales de esta institucin mdica son:
Nombre de la Institucin: Centro de Salud Rural Cuauhtmoc.
Ubicacin de la Institucin: Cuauhtmoc, Colima.
Domicilio: Kilmetro 15 carretera Colima Tonila
Delegacin o municipio: Cuauhtmoc.
Jurisdiccin: Sanitaria Nmero 1
Entidad Federativa: Colima
Telfonos: (312)-328-00-48, (312)-328-04-99
Pgina 196
A continuacin se presenta en la siguiente figura 1.4 la estructura organizacional del Centro de Salud Rural
Cuauhtmoc Colima:
Director
Asesor y promotor del

Seguro Mdico Popular
Mdicos
Generales Jefa de enfermera
MPSSs Personal de farmacia Enfermeras de base
Enfermeras pasantes
Figura 1.4
1.3 Metodologa propuesta de trabajo

Enseguida se enumeran los pasos o etapas de la metodologa que se aplicar a lo largo de este proyecto:
1. Preparacin del proyecto.

2. Definicin del sistema.
3. Desarrollo del modelo conceptual o esquemtico.
4. Recoleccin y anlisis de datos.
5. Desarrollo del modelo en lenguaje especfico de simulacin.
6. Experimentacin y evaluacin de alternativas.
7. Anlisis de resultados.
8. Recomendaciones finales.
El objetivo de la preparacin del proyecto es hacer un ejercicio de planeacin del proyecto identificando las
restricciones del sistema, determinando el objetivo general y especfico as como el alcance y el nivel de detalle que se
espera incluir en el modelo a desarrollar.
La intencin de la definicin del sistema es estudiarlo dividindolo en los diversos sistemas y subsistemas que lo
conforman utilizando diversas herramientas emanadas de la ingeniera industrial como diagramas de flujo de procesos,
croquis de distribucin de planta, para conocer este a fondo. Tambin se determina el proceso productivo para cada tipo
de producto o servicio ofrecido, determinar las fuentes posibles de obtencin de la informacin, establecer supuestos
que no afecten el modelo y que lo hagan ms fcil de desarrollar sin perder efectividad para lograr los objetivos
planteados.
El objetivo de la construccin del modelo es, proveer una representacin valida que describa el comportamiento del
sistema analizado, se deben obtener las variables de entrada que proveen la informacin necesaria para cumplir con los
objetivos de la simulacin.
La recoleccin y anlisis de los datos es sumamente importante ya que estos constituyen el soporte estadstico que le
proporciona el parecido con la realidad al modelo a travs de las variables de entrada. Aqu convergen tanto la
estadstica descriptiva como la inferencial, ya que se toman muestra. Las variables, se organizan en distribuciones de
frecuencia, se hacen histogramas y polgonos para observar la forma bsica de la distribucin y posteriormente con la
teora de prueba de hiptesis se verifican si siguen alguna distribucin de probabilidad terica o no.
Pgina 197
El siguiente paso es desarrollar el modelo en algn lenguaje especfico de simulacin, correrlo y validarlo
adecuadamente para verificar que la informacin con que se aliment este sea congruente con el sistema real. Como con
la ayuda del modelo se busca resolver alguna problemtica detectada en el sistema, se deben establecer diferentes
alternativas, experimentar con estas y analizarlas a fondo.
El ltimo paso en el procedimiento de la simulacin es el hacer recomendaciones para mejorar el actual sistema,
basado en los resultados del modelo simulado. Estas recomendaciones deben ser estadsticamente soportadas y
claramente presentadas en un informe de resultados de la simulacin.
1.4 Desarrollo de la metodologa.

1.4.1 Etapa 1: Preparacin del proyecto.
1.4.1.1 Identificar las restricciones del sistema
En este rubro las principales restricciones que pueden considerarse despus de haber hecho un anlisis inicial del
sistema son:
El tiempo para realizar el proyecto.
Conocimiento y habilidad para realizar el estudio.
La posible resistencia de las personas que integran el sistema para proporcionar la informacin.
1.4.1.2 Determinar el objetivo general y especfico del modelo.

1.4.1.2.1 Objetivo general
Desarrollar un modelo de simulacin para el Centro de Salud Rural de Cuauhtmoc, Colima, especficamente en las
reas de enfermera, medicina y farmacia, para que con el anlisis del mismo apoye en la toma de decisiones que
optimicen los distintos recursos que lo integran.
1.4.1.2.2 Objetivos especficos
Determinar el tiempo promedio de espera en la fila de los pacientes.

Determinar el tiempo promedio que permanecen los pacientes en el sistema de atencin.
Determinar el porcentaje del tiempo ocioso de los servidores.
Determinar la cantidad de personal adecuado en las distintas reas para hacer ms eficiente la consulta para
brindar atencin mdica oportuna y de calidad.
1.4.1.3 Preparacin de las especificaciones de la simulacin

1.4.1.3.1 Alcance del modelo
Se pretende realizar un modelo que incluya desde la llegada de las personas a la recepcin, pasando por las reas de
enfermera, medicina y farmacia segn sean los requerimientos de los pacientes hasta la salida de estos del sistema.
1.4.1.3.2 Nivel de detalle

En este punto se puede mencionar que las variables de entrada que se elegirn son las adecuadas para dar respuesta a
los objetivos planteados sin considerar detalles del sistema que no le agreguen valor al modelo.
1.5 Hiptesis de partida
Partiendo de hecho de que la simulacin ha sido aplicada con xito en diversos sistemas productores de bienes y /
servicios, luego entonces es factible aplicarla en una unidad mdica para optimizar sobre todo los tiempos de espera de
los pacientes, mejorando los servicios brindados.
Pgina 198
Captulo 2: Definicin del Sistema
2.1 Etapa 2: definicin del sistema

2.1.1 Descripcin detallada del sistema a analizar
Con base a los procedimientos de operatividad de los servicios de consulta externa a continuacin se mencionan de
manera general las actividades de los responsables de la unidad de primer nivel, con la finalidad de basarse en ello para
hacer el anlisis correspondiente.
El mdico del centro de salud rural responsable diagnostica y decide la conveniencia de referir al paciente a una
unidad mdica del paciente, llena la hoja de referencia e integra el expediente clnico, registra en el expediente la
justificacin del envo, supervisa el registro en bitcoras de referencia, entrega a trabajo social el trabajo de referencia en
la jurisdiccin para gestionar la cita a segundo nivel, mientras tanto la jefa de enfermera recibe el expediente clnico y
lo archiva registra los datos de referencia en la bitcora entre otras funciones; sin embargo en lo concerniente a la
atencin del paciente no se cuenta con la cantidad necesaria de mdicos y enfermeras para brindarles los servicios de
atencin oportunos a todos los pacientes, puesto que en los tres turnos de servicios existentes se otorga nicamente un
total de 60 fichas por da, desglosadas en: 20 a las 15 horas, 20 a las 13 horas, y 20 ms a las 20 horas; las cuales
sugieren un tiempo de atencin de 20 minutos por paciente. Sin embargo cuando llegan a urgencias evidentemente ese
tiempo se alarga desde 10 a 40 min. adicionales a los que normalmente espera cada uno de los pacientes, por lo cual aun
cuando hay una buena organizacin entre los responsables y dems trabajadores la cantidad de personal es insuficiente
no solo por el tiempo que espera el paciente sino tambin porque llegan ms de 20 pacientes por turno.
2.1.2 Determinar los principales subsistemas que integran el sistema analizado

En lo correspondiente a los subsistemas que integran el sistema principal, este se dividir en tres aspectos
principales:
a) Proceso administrativo interno

El Centro de Salud de Cuauhtmoc se rige de acuerdo a la normativa vigente emanada de la Secretara de Salud y
cuenta con las siguientes reas de organizacin:
Direccin
Asesor y promotor del seguro mdico popular
Mdicos generales
Personal de farmacia
Jefa de enfermera
Enfermeras de base
Enfermeras pasantes
MPSS.
b) Proceso de otorgacin del servicio

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

Tomar turno en recepcin
Pasar a uno de los servidores
Pasar por medicamentos
Salida
c) Servicio final
En el Centro de Salud se atiende a los usuarios de manera gratuita, donde se otorgan los distintos servicios mdicos
adems de proveer de los medicamentos necesarios.
En la figura 2.1 se muestra la distribucin de planta del Centro de Salud. En la entrada est la oficina de la jefa de
mdicos y a la izquierda est la oficina de promotora, en seguida esta la sala de espera; al lado de la promotora est a
oficina de la jefa de enfermeras, a un lado se encuentra los baos. A un lado de la sala de espera se encuentra el rea
Pgina 199
dental, seguido esta las farmacias, despus el rea de curaciones, seguida de servicios, en seguida el rea de camas y por
ltimo los dos consultorios. Frente al ltimo consultorio se encuentra la cocina, y a un lado el cuarto de lavado.
rea Farmacia Consultorio Consultorio

Curaciones Servicios Camas
Dental 1 2
Sala de espera
Cocina
Oficina jefa Oficina Oficina jefa
de mdicos promotora de WC WC
enfermeras Cuarto
de
lavado
Entrada
Figura. 2.1
2.1. 3 Tipos de bienes o servicios que se ofrecen

En el Centro de Salud Rural tratado, las reas de medicina, enfermera, dental, promotora y farmacia, brindan
principalmente los servicios siguientes:
1. Se da atencin a la consulta general y/ consulta externa,

2. Urgencias.
3. Se manejan diferentes programas con los pacientes y con la poblacin, como son:
a) Salud reproductiva: Planificacin familiar, control prenatal, atencin de parto (si llegara a necesitarse de
urgencia) y puerperio.
b) Salud del nio y del adolescente: Enfermedades diarreicas, Infeccin respiratoria aguda y estado de nutricin.
c) Aplicacin de biolgicos.
d) Detecciones: Diabetes Mellitus, Hipertensin Arterial, Sfilis, Obesidad, Osteoporosis, Hiperplasia Prosttica.
e) Salud del adulto y el anciano: Control de pacientes con diabetes mellitus, hipertensin arterial y obesidad.
f) Microbacteriosis: Detecciones y tratamiento de Tuberculosis y Lepra.
g) Infecciones de Transmisin Sexual.
h) Enfermedades Transmitidas por Vector: Dengue, Paludismo.
i) Picaduras de alacrn.
j) Zoonosis: Rabia, Brucelosis, Teniosis y Cisticercosis.
k) Salud Bucal.
2.1.3.1 Desarrollar diagramas de anlisis de procesos para los servicios producidos.
Como ya se mencion, en conjunto, los cinco servicios mencionados, colaboran para la realizacin de las siguientes
actividades: Se da consulta, asesora, promocin de todos los servicios y programas de salud (vacunacin, control
prenatal, estimulacin temprana, control del nio sano, control de enfermedades crnico degenerativas, como son:
diabetes, hipertensin, obesidad, etctera; entre otros). En la siguiente figura 2.2 se puede ver el flujo de las entradas de
los pacientes a los diversos servicios ofertados.
Pgina 200
rea
Curaciones Servicios Camas Consultorio Consultorio
Dental Farmacia
1 2
Sala de espera
Cocina
Oficina Oficina jefa

Oficina
promotora de
jefa de WC
mdicos enfermeras
Cuarto
de
Lavado
Entrada
Figura 2.2
En la figura 2.2 se muestra la ruta que debe de hacer un paciente al visitar el centro de salud. Primeramente debe de
llegar con la jefa de mdicos por su ficha, posteriormente esperar que llegue su turno en la sala de espera, en cuanto este
llega pasa al consultorio correspondiente. Dependiendo del diagnstico del mdico, el paciente pasar al rea dental,
farmacia, curaciones o servicios donde ser atendido por el personal respectivo. Dependiendo de la enfermedad o del
tipo de atencin del paciente, es trasladado al rea de camas, si no se le da salida. Cabe aclarar que en casos de
enfermedad que la atencin esta fuera del alcance del centro de salud, se les recomienda trasladar al paciente a un
hospital de segundo nivel, como son el Hospital Regional o el Hospital del IMSS, ambos ubicados en la ciudad de
Colima.
En la siguiente figura 2.3 se muestra un diagrama de flujo del proceso que hace el paciente al visitar el Centro de
Salud.
Pgina 201
Inicio
Llegada del
paciente
Si
Urgencias?
No
Entrega de Ficha Recibe Enfermera
Espera turno en sala Atiende

de espera Medico
Pasa el paciente a
consulta
Servicio Servicio
Dental General
Paciente pasa a
farmacia
Salida
Fin
Figura 2.3
Pgina 202
2.1.4 Determinar los horarios y das de trabajo regulares as como los horarios y das de que sern sujetos de
estudio.
Se espera tomar muestras del turno vespertino durante una semana completa de labores con la ayuda del personal
que labora en el centro y con hojas de verificacin diseadas para tal efecto.
2.1.5 Determine los datos requeridos:
La informacin que puede ser til conocer es la siguiente:

Determinar el tiempo entre llegadas de los pacientes que asisten por da a la unidad mdica.
Determinar los servicios de consulta, urgencias y curaciones.
Determinar el nmero de trabajadores: Mdicos, enfermeras, dentistas, promotoras y encargados de farmacia.
Determinar el tiempo de duracin de cada servicio.
Otros servicios (toma de signos vitales, sntomas, aplicacin de inyecciones, entre otros).
2.1.6 Determine la fuente apropiada de los datos.
Se aplicar la observacin directa y el estudio de tiempos con cronmetro a los servicios de salud otorgados a los
pacientes, as como al acceso permitido a registros internos y bitcoras con los que cuentan en los departamentos de
medicina y enfermera, se sugieren stas alternativas como las adecuadas, por lo cual fueron las tomadas para la
realizacin del presente proyecto.
2.1.7 Haga supuestos donde sea necesario.
Los siguientes supuestos ayudarn a realizar un modelo ms fcil de manejar y que de respuesta a los objetivos
planteados:
Atender a los pacientes conforme van llegando a las instalaciones, excepto urgencias.
No interrumpir la atencin a cada paciente por causas ajenas al sistema como fallas en el suministro de energa
elctrica, falta de personal, negligencia etc. excepto si se trata de una urgencia.
Evidentemente, no se deja de atender a un paciente por negligencia, sino nicamente si se presenta un paciente en
una condicin urgente.
Pgina 203
Captulo 3: Desarrollo del modelo y anlisis de datos
En sta captulo se pretende construir el modelo de simulacin gracias a que se da por entendido que la informacin
obtenida es suficiente, ya ha sido previamente analizada y validada para describir claramente el comportamiento del
sistema.
3.1 Etapa 3: Construccin del modelo conceptual o esquemtico.

3.1.1 Diseo del Modelo conceptual o esquemtico del sistema.
La siguiente figura 3.1, muestra el modelo conceptual del sistema en estudio, en el se representan cada uno de los
servidores disponibles: una enfermera en recepcin, 2 enfermeras para consulta general y/o urgencias, 2 mdicos ya sea
para consulta general o para urgencias, 1 dentista, una trabajadora social en farmacia), as como las variables de entrada
requeridas, por ejemplo, en la llegada de pacientes en el rea de recepcin se toman en cuenta dos variables: el tiempo
entre llegadas de los pacientes y el tipo de paciente (si ste va a consulta o debe ser atendido en urgencias); en el rea de
urgencias, en lo referente a la enfermera responsable se registra el tiempo de servicio de la misma, mientras que los
mdicos que normalmente estn en consulta tambin atienden urgencias cuando stas se presentan y en se caso, se
muestrea el tiempo de atencin al paciente; ahora bien, en lo que respecta a la enfermera encargada de consultas, se
registra el tiempo de servicio de la misma y, mientras ella toma signos vitales al paciente, una vez atendido pasa a
consulta, ya sea con uno de los dos mdicos generales o con el dentista, la variable en comn con los 3 profesionales
mencionados es el tiempo de atencin; ahora bien, una vez que los pacientes fueron atendidos, ya sea en urgencias o en
consultas, el paciente es pasado a farmacia a que le surtan su receta.
Modelo Conceptual del Sistema
Mdico 1
Enfermeras
Fila de Fila de
Recepcin Atencin a Fila de Farmacia
Entrada Farmacia
Pacientes
Mdico 2
Fin
Tiempo entre
llegadas Tiempo de Tiempo de
Tipo de servicio servicio
Tiempo de
paciente Atencin
Dentista
Tiempo de Atencin
Figura 3.1
Pgina 204
3.1.2 Determinar las variables de entrada del modelo.
Las variables a muestrear son las siguientes en las diferentes reas y turnos:
Tiempo entre llegadas de los pacientes

Tiempo de servicio en recepcin
Tipo de Servicio
o Urgencia
o Consulta general (existen 2 mdicos generales)
o Dentista (1 mdico cirujano dentista)
Tiempo de servicio (Enfermera)
Tiempo de atencin (Mdico urgencias)
Tiempo de atencin (Dentista)
Tiempo de atencin (Mdicos Generales)
Tiempo de Servicio (rea de farmacia).
3.2 Etapa 4: Recoleccin y anlisis de datos.

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

Hora de inicio:
Recepcin
Llegadas Tiempo de Tipo de
Hora de
Paciente Hora de inicio Hora de salida servicio Servicio
llegada
1
2
3
n
Tabla 3.2
Para la variable del tiempo de servicio en enfermera ya sea para consulta general o urgencias, se utilizar la
siguiente hoja de verificacin:
Hoja de Toma de Datos para el rea de Enfermera

Hora de inicio:
ENFERMERIA
Llegadas
Hora de Tiempo de
Paciente Hora de inicio Hora de salida
Llegada Servicio
1
2
3
n
Tabla 3.3
Pgina 205
Para la variable tiempo de atencin de mdicos en consulta general se dise la siguiente hoja de verificacin.
Hoja de Toma de datos en el rea de Consultas

Hora de inicio:
Mdico 1 Mdico 2
Tiempo de Tiempo de
Paciente Hora de Hora de Horas de
Horas de Salida Servicio Servicio
Inicio Inicio Salida
1
2
3
n
Tabla 3.4
Para la variable tiempo de atencin en el rea Dental se dise la siguiente hoja de verificacin:
Hoja de Toma de datos en el rea Dental

Hora de inicio
Dentista
Paciente Tiempo de
Hora de inicio Hora de salida
Servicio
1
2
3
n
Tabla 3.5
Para la variable tiempo de servicio en el rea de farmacia se dise la siguiente hoja de verificacin:
Hoja de Verificacin en el rea de Farmacia

Hora de inicio:
Trabajadora Social Tiempo de
Paciente
Hora de Inicio Hora de Salida Servicio
1
2
3
n
Tabla 3.6
Para la variable tiempo de atencin en el rea de urgencias se dise la siguiente hoja de verificacin:
Hoja de Verificacin en el rea de Urgencias

Hora de Inicio:
Mdico Tiempo
Paciente
Hora de inicio Hora de Inicio de Servicio
1
2
3
n
Tabla 3.7
Pgina 206
3.2.2 Realizar el muestreo de las variables de entrada del modelo en los horarios y das considerados para su
estudio.
Se realiz un muestreo aleatorio de las diversas variables consideradas en cada una de las reas en estudio, como se
mencion anteriormente se consider el turno vespertino y tuvo que asistirse varios das: 26, 28, 29, 30 de abril y 2, 3, 4
de mayo) a registrar las variables rea por rea.
A continuacin, se muestran las hojas de verificacin realizadas a las distintas reas del Centro de Salud en estudio,
en la primera tabla 3.8 se ilustra el muestreo hecho en el rea de recepcin.
rea a muestrear: Recepcin

Hora de inicio: 13:05 Horas
Llegadas Recepcin
Paciente Hora de Hora de Hora de Tiempo de Tipo de
llegada inicio salida Servicio servicio
(min)
1 1:05 pm 1:12 pm 1:20 pm 8 Consulta
2 1:07 pm 1:20 pm 1:21 pm 1 Dental
3 1:10 pm 1:21 pm 1:25 pm 4 Consulta
4 1:18 pm 1:25 pm 1:30 pm 5 Urgencias
5 1:23 pm 1:30 pm 1:33 pm 3 Consulta
6 1:25 pm 1:33 pm 1:35 pm 2 Consulta
7 1:30 pm 1:35 pm 1:37 pm 2 Dental
9 1:33 pm 1:39 pm 1:41 pm 2 Consulta
10 1:37 pm 1:41 pm 1:44 pm 3 Dental
11 1:41 pm 1:44 pm 1:46 pm 2 Consulta
13 1:48 pm 1:49 pm 01:51 pm 2 Consulta
14 1:53 pm 1:51 pm 1:55 pm 4 Consulta
15 1:55 pm 1:59 pm 2:05 pm 6 Dental
17 2:12 pm 2:12 pm 2:17 pm 5 Dental
18 2:16 pm 2:17 pm 2:20 pm 3 Consulta
19 2:20 pm 2:21 pm 2:26 pm 5 Consulta
20 2:25 pm 2:26 pm 2:31 pm 5 Consulta
21 2:29 pm 2:31 pm 2:39 pm 8 Dental
22 2:35 pm 2:39 pm 2:45 pm 6 Consulta
23 2:39 pm 2:45 pm 2:49 pm 4 Consulta
24 2:45 pm 2:49 pm 2:53 pm 4 Consulta
25 2:50 pm 2:53 pm 2:57 pm 4 Consulta
26 2:55 pm 2:57 pm 3:02 pm 5 Consulta
27 3:00 pm 3:02 pm 3:07 pm 5 Consulta
28 3:12 pm 3:19 pm 3:22 pm 3 Consulta
29 3:15 pm 3:22 pm 3:28 pm 6 Consulta
30 3:22 pm 3:28 pm 3:34 pm 6 Consulta
31 3:30 pm 3:34 pm 3:38 pm 4 Consulta
33 3:50 pm 3:50 pm 3:55 pm 5 Consulta
34 3:57 pm 3:57 pm 4:02 pm 5 Consulta
Tabla 3.8
Pgina 207
La siguiente tabla 3.9 muestra el tiempo de servicio en enfermera, recurdese que este tiempo corresponde a la
enfermera que atendi a los pacientes tanto de consulta general como de urgencias.
Llegadas Enfermera
Tiempo de
Hora de Hora de
Paciente servicio
Inicio salida
(min)
1 1:07 PM 1:13 PM 6
2 1:30 PM 1:34 PM 4
3 1:58 PM 2:03 PM 5
4 2:05 PM 2:10 PM 5
5 2:12 PM 2:16 PM 4
6 2:19 PM 2:22 PM 3
7 2:27 PM 2:34 PM 7
8 2:43 PM 2:48 PM 5
9 2:55 PM 2:59 PM 4
10 3:04 PM 3:09 PM 5
11 3:13 PM 3:18 PM 5
12 3:25 PM 3:32 PM 7
13 3:34 PM 3:41 PM 7
14 3:48 PM 3:53 PM 5
15 3:56 PM 3:59 PM 3
16 4:04 PM 4:07 PM 3
17 4:13 PM 4:18 PM 5
18 4:22 PM 4:27 PM 5
19 4:34 PM 4:50 PM 16
20 4:59 PM 5:03 PM 4
21 5:10 PM 5:20 PM 10
22 5:27 PM 5:34 PM 7
23 5:45 PM 5:54 PM 9
24 6:13 PM 6:22 PM 9
25 6:31 PM 6:38 PM 7
26 6:59 PM 7:01 PM 2
27 7:07 PM 7:13 PM 6
28 7:20 PM 7:27 PM 7
29 7:30 PM 7:34 PM 4
30 7:41 PM 7:48 PM 7
31 7:52 PM 7:56 PM 4
32 8:01 PM 8:04 PM 3
33 8:07 PM 8:13 PM 6
34 8:15 PM 8:29 PM 14
Tabla 3.9
Pgina 208
En la siguiente tabla 3.10 se consider el tiempo de servicio o atencin de los 2 mdicos generales con que cuenta
el Centro de Salud.
Hoja de Verificacin para el rea de Consultas

Hora de inicio 13:13 Horas
Paciente Mdico 1 Mdico 2
Tiempo de Tiempo de
Inicio Salida Inicio Salida
Servicio Servicio
1 1:13PM 1:28PM 15 1:00PM 1:14PM 14
2 1:28PM 1:45PM 17 1:14PM 1:28PM 14
3 1:45PM 2:00PM 15 1:28PM 1:35pm 7
4 2:00PM 2:17PM 17 1:35pm 1:45pm 10
5 2:17PM 2:22PM 5 1:45pm 1:55pm 10
6 2:22PM 2:37PM 15 1:55pm 2:12PM 17
7 2:37PM 2:52PM 15 2:12PM 2:27PM 15
8 2:52PM 3:07PM 15 2:27PM 2:42PM 15
9 3:07PM 3:24PM 17 2:42PM 3:00PM 18
10 3:24PM 3:34PM 10 3:00PM 3:13PM 13
11 3:34PM 3:49PM 15 3:13PM 3:22PM 9
12 3:49PM 3:59PM 10 3:22PM 3:37PM 15
13 3:59PM 4:10PM 11 3:37PM 3:45PM 8
14 4:10PM 4:20PM 10 3:45PM 3:59PM 14
15 4:20PM 4:37PM 17 3:59PM 4:10PM 11
16 4:37PM 4:53PM 16 4:10PM 4:29PM 19
17 4:53PM 5:00PM 7 4:29PM 4:39PM 10
18 5:00PM 5:14PM 14 4:39PM 4:55PM 16
19 5:14PM 5:25PM 11 4:55PM 5:10PM 15
20 5:25PM 5:38PM 13 5:10PM 5:25PM 15
21 5:38PM 5:51PM 13 5:25PM 5:42PM 17
22 5:51PM 6:02PM 11 5:42PM 5:55PM 13
23 6:02PM 6:18PM 16 5:55PM 6:19PM 14
24 6:18PM 6:33PM 15 6:19PM 6:35PM 16
25 6:33PM 6:51PM 18 6:35PM 6:49PM 14
26 6:51PM 7:04PM 13 6:49PM 6:59PM 10
27 7:04PM 7:22PM 18 6:59PM 7:15PM 16
28 7:22PM 7:39PM 17 7:15PM 7:29PM 14
29 7:39PM 7:59PM 20 7:29PM 7:45PM 16
30 7:59PM 8:14PM 15 7:45PM 7:58PM 13
31 8:14PM 8:25PM 11 7:58PM 8:10PM 12
32 8:25PM 8:31PM 6 8:10PM 8:20PM 10
33 8:31PM 8:38PM 7 8:20PM 8:27PM 7
34 8:38PM 8:45PM 7 8:27PM 8:39PM 12
Tabla 3.10
Pgina 209
En la siguiente tabla 3.11 se puede ver el tiempo de atencin del dentista que labora en el Centro de salud.
Hoja de Verificacin en el rea Dental

Hora de Inicio 13:00
Paciente Dentista Tiempo de
Inicio Salida Servicio
1 1.05 PM 1:32 PM 27
2 1:33 PM 2:07 PM 34
3 2:10 PM 2:41 PM 31
4 3:05 PM 3:39 PM 34
5 3:40 PM 4:16 PM 36
6 4:18 PM 4:52 PM 34
7 4:53 PM 5:28 PM 35
8 5:31 PM 6:03 PM 32
9 6:04 PM 6:34 PM 30
10 6:34 PM 7:12 PM 38
11 1:07 PM 1:41 PM 34
12 1:41 PM 2:22 PM 41
13 2:25 PM 2:49 PM 24
14 3:16 PM 3:44 PM 28
15 3:46 PM 4:12 PM 26
16 4:13 PM 4:49 PM 36
17 4:52 PM 5:18 PM 26
18 5:19 PM 5:47 PM 28
19 5:48 PM 6:13 PM 25
20 6:15 PM 7:00 PM 15
21 1:07 PM 1:46 PM 39
22 1:48 PM 2:24 PM 36
23 2:25 PM 3:01 PM 36
24 3:05 PM 3:47 PM 42
25 3:47 PM 4:05 PM 18
26 4:07 PM 4:32 PM 25
27 4:34 PM 5:02 PM 28
28 5:05 PM 5:39 PM 34
29 5:40 PM 6:12 PM 32
30 6:13 PM 7:05 PM 52
Tabla 3.11
Pgina 210
La siguiente tabla 3.12 muestra los datos tomados en el rea de farmacia.
Hoja de verificacin del rea de Farmacia

Hora de Inicio 13:18 Hrs.
Paciente Trabajadora Social Tiempo
Hora de de Servicio
Hora de Inicio (min)
Salida
1 1:18 PM 1:21 PM 3
2 1:30 PM 1:31 PM 1
3 1:34 PM 1:36 PM 2
4 1:39 PM 1:40 PM 1
5 1:45 PM 1:47 PM 2
6 2:07 PM 2:08 PM 1
7 2:13 PM 2:16 PM 3
8 2:34 PM 2:35 PM 1
9 2:47 PM 2:49 PM 2
10 2:59 PM 3:00 PM 1
11 3:10 PM 3:12 PM 2
12 3:18 PM 3:19 PM 1
13 3:25 PM 3:27 PM 2
14 3:30 PM 3:31 PM 1
15 3:35 PM 3:37 PM 2
16 3:42 PM 3:43 PM 1
17 3:47 PM 3:48 PM 1
18 3:52 PM 3:54 PM 2
19 4:00 PM 4:01 PM 1
20 4:22 PM 4:24 PM 2
21 4:39 PM 4:40 PM 1
22 5:02 PM 5:05 PM 3
23 5:13 PM 5:15 PM 2
24 5:19 PM 5:21 PM 2
25 5:27 PM 5:28 PM 1
26 5:44 PM 5:45 PM 1
27 6:02 PM 6:04 PM 2
28 6:09 PM 6:11 PM 2
29 6:19 PM 6:20 PM 1
30 6:35 PM 6:37 PM 2
31 6:49 PM 6:51 PM 2
32 7:07 PM 7:09 PM 2
33 7:25 PM 7:27 PM 2
34 7:34 PM 7:35 PM 1
Tabla 3.12
Pgina 211
La tabla 3.13 contiene los tiempos muestreados en el rea de urgencias durante el periodo considerado.
Hoja de Verificacin para el rea de Urgencias

Hora de inicio: 13:30
Mdico
Tiempo
Paciente Hora de Hora de de Atencin (min)
Inicio Salida
1 1:35PM 1:45PM 10
2 1:42PM 2:20PM 38
3 1:58PM 2:30PM 32
4 2:20PM 2:59PM 39
5 7:53PM 8:25PM 32
6 8:38AM 8:59AM 21
7 8:42AM 9:10AM 28
8 9:55AM 10:15AM 20
9 11:10AM 11:29AM 19
10 1:16PM 1:58PM 42
11 3:29PM 3:59PM 30
12 5:10PM 5:29PM 19
13 6:55PM 7:20PM 25
14 8:15PM 8:40PM 25
15 9:05AM 9:55AM 50
16 10:19AM 10:58AM 39
17 11:02AM 11:45AM 43
18 2:59PM 3:20PM 21
19 4:22PM 4:55PM 33
20 5:15PM 5:59pm 44
21 6:09PM 6:45PM 36
22 7:18PM 7:45PM 27
23 7:59PM 8:30PM 31
24 11:35AM 11:59AM 24
25 1:22PM 2:12PM 50
26 2:18PM 2:39PM 21
27 3:15PM 3:28PM 13
28 4:25PM 4:59PM 24
29 5:09PM 5:55PM 46
30 6:15PM 6:57PM 42
Tabla 3.13
Pgina 212
3.2.3 Organizacin y anlisis de los datos muestreados (convierta los datos de entrada en una forma conveniente
para su uso).
Para un mejor manejo de los datos muestreados, se elaboraron las siguientes tablas conteniendo los valores de cada
variable en las distintas reas del Centro de Salud, asimismo se calcularon tanto el rango de los datos como el ancho de
clase para cada caso y se elaboraron las tablas de distribucin de frecuencias y los histogramas correspondientes.
Variable: Tiempo entre llegadas de los pacientes (minutos).

En la siguiente tabla 3.14 se muestran los datos recopilados de esta variable:
2 5 5 2 6 5 13
3 2 2 4 4 12 7
8 1 5 4 6 3 7
5 5 2 5 5 7
2 4 10 4 5 8
Tabla 3.14
Rango de los datos: R= Valor mximo Valor mnimo = 13 1 = 12

Ancho de clase = R/1+3.322 log n = 12 / 1+3.322 log 33 = 1.98
Como el tamao de la muestra es pequeo, se considera el ancho de clase de 3, para que resulten 5 clases que es lo
que se considera adecuado para 33 datos.
Frecuencia
Clases
Observada
1- 3 6
46 8
79 10
10 12 6
13 15 1
Tabla 3.15
Figura 3.16
Pgina 213
Variable: Tiempo de servicio en recepcin (minutos).

8 2 2 4 8 5 4
1 2 3 5 6 5 4
4 2 2 3 4 3 5
5 2 4 5 4 6 5
3 3 6 5 4 6
Tabla 3.17

Como el rango de la muestra es pequeo, se recomienda tomar los datos puntuales para poder apreciar mejor la
distribucin de los datos.
Tabla de Distribucin de frecuencias
Frecuencia
Clases
Observada
1 1
2 6
3 5
4 8
5 8
6 3
7 0
8 2
Tabla 3.18
Figura 3.19
Pgina 214
Variable: Tipo de servicio.

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

6 3 5 3 10 2 4
4 7 7 5 7 6 3
5 5 7 5 9 7 6
5 4 5 16 9 4 14
4 5 3 4 7 7
Tabla 3.21

Se considerar el ancho de clase de tamao 3 para obtener 5 clases en la realizacin de la distribucin de

frecuencias.
Frecuencia
Clases
Observada
24 11
57 18
8 10 3
11 13 0
14 16 2
Tabla 3.22
Figura 3.23
Pgina 215
Variable: Tiempo de atencin de los mdicos generales (minutos).

En este caso se va a considerar el tiempo de los dos mdicos generales, suponiendo que trabajan al mismo ritmo y
no hay necesidad de hacer distincin entre ellos, por lo que se sumaran los tiempos muestreados, ver tabla 3.24.
15 15 15 16 13 13 11 12 10 17 19 9 17 14
17 15 10 7 11 18 6 7 16 13 10 15 15 14
15 15 11 14 16 17 7 12 14 14 16 8 15 7
17 17 10 11 15 20 7 10 16 16 15 14 18
5 10 17 13 18 15 10 10 13 14 15 11 13
Tabla 3.24

Se considerar el ancho de clase de tamao 3 para obtener 6 clases en la realizacin de la distribucin de

frecuencias.
Frecuencia
Clases
Observada
57 7
8 10 10
11 13 13
14 16 26
17 19 11
20 22 1
Tabla 3.25
Histograma del tiempo de atencin de los

mdicos generales
30
25
20
15
10
5
0
5 8 11 14 17 20
Figura 3.26
Pgina 216
Variable: Tiempo de atencin del dentista (minutos).

Enseguida se muestran los datos del tiempo de atencin del dentista (ver tabla 3.27):
27 34 34 36 39 25
34 35 41 26 36 28
31 32 24 28 36 34
34 30 28 25 42 32
36 38 26 15 18 52
Tabla 3.27

Como el rango es amplio y son pocos datos, se considerar el ancho de clase de tamao 8 para obtener 5 clases en la
realizacin de la distribucin de frecuencias.
Frecuencia
Clases
Observada
15 22 2
23 30 10
31 38 14
39 46 3
47 - 54 1
Tabla 3.28
Figura 3.29
Pgina 217
Variable: Tiempo de atencin en farmacia (minutos).

Enseguida se muestran los datos del tiempo de atencin en farmacia (ver tabla 3.30):
3 1 2 1 1 1 2
1 3 1 1 3 2 2
2 1 2 2 2 2 2
1 2 1 1 2 1 1
2 1 2 2 1 2
Tabla 3.30
En este caso como se tienen solamente 3 valores distintos se proceder a tomar los valores puntuales y contar
cuantos hay de cada uno para ver si se ajustan a una distribucin terica.
Frecuencia
Clases
Observada
1 15
2 16
3 3
Tabla 3.31
Variable: Tiempo de atencin en urgencias (minutos).

Enseguida se muestran los datos del tiempo de atencin del mdico de urgencias (ver tabla 3.32):
10 21 30 39 36 21
38 28 19 43 27 13
32 20 25 21 31 24
39 19 25 33 24 46
32 42 50 44 50 42
Tabla 3.32

Como el rango es amplio y son pocos datos, se considerar el ancho de clase de tamao 9 para obtener 5 clases en la
realizacin de la distribucin de frecuencias (ver tabla 3.33):
Frecuencia
Clases
Observada
10 18 2
19 27 11
28 36 7
37 45 7
46 - 54 3
Tabla 3.33
Pgina 218
Figura 3.34
3.2.4 Determinacin de las distribuciones de probabilidad tericas de las variables de entrada (si es que la tienen)
con el Stat::Fit del ProModel.
Variable Tiempo entre Llegadas:

Con la ayuda del Stat::Fit de ProModel obtenemos que esta variable se ajusta perfectamente a la distribucin
Lognormal y a la distribucin Normal en menor medida, esto es muy frecuente, que una variable se ajuste a mas de una
distribucin terica, pero se recomienda la que haga un mejor ajuste de los datos, en este caso el ProModel asigna una
clasificacin de mayor a menor ajuste tal como se puede apreciar en la figura 3.17. Los parmetros estimados de los
datos son: media 5.09 y desviacin estndar 2.77 (ver figura 3.35).
Figura 3.35
Pgina 219
Variable: Tiempo de servicio en recepcin:
Con la ayuda del Stat::Fit se obtiene que esta variable se ajusta tanto a distribuciones continuas como discretas, tal
como se puede apreciar en las siguientes figuras 3.36 y 3.37.
Figura 3.36
Figura 3.37
De las figuras anteriores se puede ver que esta variable se ajusta perfectamente a una distribucin continua Normal
con media de 4.12 y desviacin estndar de 1.66. Tambin se ajusta a una distribucin discreta terica Binomial, pero en
este caso se tomar como la distribucin para crear el modelo a la Normal.
Variable: Tipo de servicio
Esta variable sigue una distribucin emprica discreta.
Variable: Tiempo de servicio en enfermera
Esta variable se ajusta a una distribucin de Poisson, con media de 5.97, tal como se puede ver en la siguiente figura
3.38.
Figura 3.38
Pgina 220
Variable: Tiempo de atencin de los mdicos generales
De acuerdo al Stat::Fit de ProModel ,esta variable se ajusta a la distribucin Normal, con media 13.12 y desviacin
estndar 3.5 (ver figura 3.39).
Figura 3.39
Variable: Tiempo de atencin del dentista
Esta variable se ajusta tambin a una distribucin Normal con media 31.9 y desviacin estndar 7.2 tal como se
puede apreciar en la siguiente figura 3.40:
Figura 3.40
Variable: Tiempo de atencin en farmacia
Esta variable se ajusta una distribucin Binomial, con n= 3 y p =0.549 tal como se puede apreciar en la siguiente
figura 3.41.
Figura 3.41
Pgina 221
Variable: Tiempo de atencin en urgencias
Esta variable se ajusta a una distribucin de Poisson con una media de 30.8, ver figura 3.42.
Figura 3.42
3.3 Resumen final de cada variable y la distribucin a la cual se ajustaron.
En el siguiente cuadro 3.43 se muestra el resumen de las variables de entrada del modelo y la distribucin a la cual
se ajustaron considerando los estimadores de los parmetros para cada distribucin.
Variable Distribucin Estimadores

Tiempo entre llegadas de los pacientes Lognormal = 5.09, S = 2.77
Tiempo de atencin en recepcin Normal = 4.12, S = 1.66
Tipo de servicio solicitado Emprica
Tiempo de servicio en enfermera Poisson = 5.97
Tiempo de atencin de mdicos generales Normal = 13.12, S = 3.5
Tiempo de atencin de dentista Normal = 31.90, S = 7.2
Tiempo de atencin en farmacia Binomial = 3, = 0.549
Tiempo de atencin en urgencias Poisson = 30.80
Cuadro 4.43
3.4 Generadores de Variables Aleatorias.
En lo referente a este punto, ya se hizo una explicacin detallada en el captulo 3 especficamente en el punto 3.4 de
cmo se obtienen los generadores de las variables de entrada de acuerdo al tipo de distribucin que sigan estas. Por lo
tanto en este punto la intencin es mostrar el generador ya determinado previamente para cada variable de acuerdo al
mtodo que corresponda
3.4.1 Determinacin de los generadores para cada variable de entrada.

Enseguida se mostrarn las frmulas de los generadores de las variables de entrada:
Tiempo entre llegadas: Distribucin continua Log Normal
El generador de la distribucin Lognormal es como se muestra a continuacin:
1
12
2 2 2
= 6 1 + 2 +
2 + 2
=1
Pgina 222
Por lo tanto el generador especfico para la variable tiempo entre llegadas sera:
1
12
(2.77)2 2 (5.09)2
= 6 1 + +
(5.09)2 (5.09)2 + (2.77)2
=1
Tiempo de atencin en recepcin: Distribucin continua Normal

La frmula original de la distribucin Normal es:
1 ()2

() = 2 2
2
Como es una distribucin continua, se puede aplicar el mtodo de la transformada inversa y el generador general
sera:
12
= + 6
=1
Por lo tanto el generador especfico para esta variable es:
12
= 4.12 + 6 1.66
=1
Tipo de servicio solicitado: Distribucin emprica
El generador para esta variable se obtiene con el mtodo de Montecarlo y se muestra en la tabla 3.44:
Tipo de Frecuencia Probabilidad

Acumulada Clases
Servicio Observada Relativa
Consulta General 23 0.6765 0.6765 0.0000 Ri 0.6765
Dental 6 0.1765 0.8530 0.6765 < Ri 0.8530
Urgencias 5 0.1470 1.0000 0.8530 < Ri 1.0000
Total 34 1.0000
Tabla 4.44
Pgina 223
Tiempo de servicio en enfermera: Distribucin discreta de Poisson, = 5.97

En la siguiente tabla 4.45 se muestra el generador de la distribucin de Poisson para el tiempo de servicio en
enfermera:
Probabilidad de Poisson
X Acumulada Clases
(=5.97)
0 0.0026 0.0026 0.0000 R 0.0026
1 0.0152 0.0178 0.0026 <R 0.0178
2 0.0455 0.0633 0.0178 <R 0.0633
3 0.0906 0.1539 0.0633 <R 0.1539
4 0.1352 0.2891 0.1539 <R 0.2891
5 0.1614 0.4505 0.2891 <R 0.4505
6 0.1606 0.6111 0.4505 <R 0.6111
7 0.1370 0.7481 0.6111 <R 0.7481
8 0.1022 0.8503 0.7481 <R 0.8503
9 0.0678 0.9181 0.8503 <R 0.9181
10 0.0405 0.9586 0.9181 <R 0.9586
11 0.0220 0.9806 0.9586 <R 0.9806
12 0.0109 0.9915 0.9806 <R 0.9915
13 0.0050 0.9965 0.9915 <R 0.9965
14 0.0021 0.9987 0.9965 <R 0.9987
15 0.0009 0.9995 0.9987 <R 0.9995
16 0.0003 0.9998 0.9995 <R 0.9998
17 0.0001 0.9999 0.9998 <R 0.9999
18 0.0000 1.0000 0.9999 <R 1.0000
Tabla 4.45
Nota: Recurdese que en este generador se consideran valores incluso que no se hayan muestreado, esto por la razn de
que ya que se tiene la certeza estadstica que los datos siguen una distribucin terica.
Tiempo de atencin de mdicos generales: Distribucin continua Normal

El generador especfico para esta variable es:
12
= 13.12 + 6 3.5
=1
Tiempo de atencin de dentista: Distribucin continua normal

El generador especfico para esta variable es:
12
= 31.90 + 6 7.2
=1
Tiempo de atencin en farmacia: Distribucin discreta Binomial, = , = .

En la siguiente tabla 4.46 se muestra el generador de esta distribucin discreta terica Binomial para el tiempo de
atencin en farmacia:
Probabilidad Binomial
X Acumulada Clases
(p = 0.549)
0 0.0917 0.0917 0 R 0.0917
1 0.3350 0.4267 0.0917 <R 0.4267
2 0.34078 0.8345 0.4267 <R 0.8345
3 0.1655 1.0000 0.8345 <R 1.0000
Tabla 4.46
Nota: Este generador se realiz considerando 3 ensayos, el valor cero que se puede ver en la tabla es parte del tipo de
experimento, ya que una distribucin Binomial es una serie de experimentos de Bernoulli. De cualquier manera, el cero
significa que dos personas llegaron al mismo tiempo. Esa puede ser la interpretacin del tiempo entre llegadas cero.
Pgina 224
Tiempo de atencin en urgencias: Distribucin discreta Poisson, = 30.80

En la siguiente tabla 4.47 se muestra el generador para esta variable discreta terica de Poisson para el tiempo de
atencin en urgencias:
Probabilidad Poisson
X Acumulada Clases
(=30.80)
12 0.0001 0.0001 0.0000 <R 0.0001
13 0.0001 0.0002 0.0001 <R 0.0002
14 0.0003 0.0005 0.0002 <R 0.0005
15 0.0007 0.0012 0.0005 <R 0.0012
16 0.0013 0.0026 0.0012 <R 0.0026
17 0.0024 0.0049 0.0026 <R 0.0049
18 0.0041 0.0090 0.0049 <R 0.0090
19 0.0066 0.0156 0.0090 <R 0.0156
20 0.0102 0.0258 0.0156 <R 0.0258
21 0.0150 0.0408 0.0258 <R 0.0408
22 0.0209 0.0618 0.0408 <R 0.0618
23 0.0280 0.0898 0.0618 <R 0.0898
24 0.0360 0.1258 0.0898 <R 0.1258
25 0.0443 0.1701 0.1258 <R 0.1701
26 0.0525 0.2227 0.1701 <R 0.2227
27 0.0599 0.2826 0.2227 <R 0.2826
28 0.0659 0.3485 0.2826 <R 0.3485
29 0.0700 0.4185 0.3485 <R 0.4185
30 0.0719 0.4904 0.4185 <R 0.4904
31 0.0714 0.5618 0.4904 <R 0.5618
32 0.0687 0.6306 0.5618 <R 0.6306
33 0.0642 0.6947 0.6306 <R 0.6947
34 0.0581 0.7528 0.6947 <R 0.7528
35 0.0511 0.8040 0.7528 <R 0.8040
36 0.0438 0.8477 0.8040 <R 0.8477
37 0.0364 0.8841 0.8477 <R 0.8841
38 0.0295 0.9137 0.8841 <R 0.9137
39 0.0233 0.9370 0.9137 <R 0.9370
40 0.0180 0.9549 0.9370 <R 0.9549
41 0.0135 0.9684 0.9549 <R 0.9684
42 0.0099 0.9783 0.9684 <R 0.9783
43 0.0071 0.9854 0.9783 <R 0.9854
44 0.0050 0.9904 0.9854 <R 0.9904
45 0.0034 0.9937 0.9904 <R 0.9937
46 0.0023 0.9960 0.9937 <R 0.9960
47 0.0015 0.9975 0.9960 <R 0.9975
48 0.0010 0.9985 0.9975 <R 0.9985
49 0.0006 0.9991 0.9985 <R 0.9991
50 0.0004 0.9994 0.9991 <R 0.9994
51 0.0002 0.9997 0.9994 <R 0.9997
52 0.0001 0.9999 0.9997 <R 0.9999
53 0.0001 1.0000 0.9999 <R 1.0000
Tabla 4.47
Nota: Los valores generados dependen del nmero de dgitos considerados en el clculo de la probabilidad, en este caso
se consideran 4 dgitos de manera ilustrativa, pero en el software puede existir incluso mayor precisin al generar las
variables.
Pgina 225
Captulo 4: Simulacin y anlisis del Sistema.
4.1 Redaccin de las caractersticas del sistema a simular.

Como se pudo observar en el punto 3.1 del captulo 3, en el modelo conceptual existe una fila de entrada de los
pacientes que llegan a una locacin definida como recepcin. El tiempo entre llegadas de los pacientes del turno
vespertino es de acuerdo a una distribucin Lognormal con = 5.09 y una S = 2.77 (tiempo en minutos), el tiempo de
atencin en esta etapa es de acuerdo una distribucin Normal con = 4.12 y S = 1.66. Posteriormente se determina si el
paciente acude a cualquiera de 3 servicios mdicos generales que se han clasificado como: consulta general, dental y
urgencias, estas se presentan con probabilidades de 67.65%, 17.65% 14.70 % respectivamente. Cuando se atiende a un
paciente en cualquiera de los tres servicios mdicos mencionados anteriormente, primeramente lo hace una enfermera
en un tiempo que sigue una distribucin discreta de Poisson con =5.97. Existen 2 enfermeras una para el rea de
consultas y otra para urgencias.
Si el paciente acude con cualquiera de los dos mdicos generales con que cuenta el Centro de Salud, el tiempo de
atencin sigue una distribucin continua Normal con = 13.12 y una S = 3.5. De la misma manera el tiempo de
atencin del dentista es de acuerdo a una distribucin Normal con = 31.90 y una S = 7.2. Si el paciente requiere una
atencin considerada de urgencia, esta la realiza cualquiera de los mdicos generales en un tiempo que sigue una
distribucin discreta de Poisson con = 30.80.
Posteriormente el paciente acude a la farmacia para que le otorguen el medicamento que necesite, y esta operacin
consume un tiempo que sigue una distribucin discreta Binomial con = 3 = 0.549
4.2 Etapa 5: Desarrollar el modelo en lenguaje especfico de simulacin (ProModel).
Obviamente el objetivo de este punto es desarrollar el modelo en el software incluyendo la edicin de las
locaciones, atributos, estatutos necesarios, variables para cada tipo de servicio solicitado, as como realizar la lgica
adecuada para que el modelo represente fielmente al sistema real. Se agregar el supuesto de que cada fila tiene una
capacidad mxima de 10 personas para ayudar a tomar una decisin que optimice el sistema de acuerdo a la demanda de
los servicios y la capacidad instalada. Se realizarn 30 corridas de tamao 8 horas para el turno considerado (vespertino)
del modelo.
4.2.1 Impresin del Lay-Out del modelo.
En la siguiente figura 4.48, se muestra la distribucin fsica de las locaciones que componen el modelo en
ProModel.
Figura 4.48
Pgina 226
4.2.2 Impresin del cdigo fuente del modelo.
En los siguientes cuadros 4.49, 4.50 y 4.51 se muestra el cdigo fuente del modelo realizado.
********************************************************************************
* Formatted Listing of Model: *
********************************************************************************
Time Units: Minutes

Distance Units: Meters
********************************************************************************
* Locations *
********************************************************************************
Name Cap Units Stats Rules Cost

------------------------- --- ----- ----------- --------------- ------------
Fila_de_Entrada 10 1 Time Series Oldest, FIFO,
Recepcin 1 1 Time Series Oldest, ,
Fila_Atencion_a_Pacientes 10 1 Time Series Oldest, FIFO,
Enfermeras 1 2 Time Series Oldest, , First
Enfermeras.1 1 1 Time Series Oldest, ,
Medico_General 1 2 Time Series Oldest, , First
Medico_General.1 1 1 Time Series Oldest, ,
Dentista 1 1 Time Series Oldest, ,
Fila_Farmacia 10 1 Time Series Oldest, FIFO,
Farmacia 1 1 Time Series Oldest, ,
Salida 1 1 Time Series Oldest, ,
********************************************************************************
* Entities *
********************************************************************************
Name Speed (mpm) Stats Cost

---------- ------------ ----------- ------------
Paciente 50 Time Series
Cuadro 4.49
Pgina 227
********************************************************************************
* Processing *
********************************************************************************
Process Routing
Entity Location Operation Blk Output Destination Rule Move

Logic
-------- -----------------------------------------------------------------------------------------------------------------------
Paciente Fila_de_Entrada 1 Paciente Recepcin FIRST 1
Paciente Recepcin WAIT N(4.12, 1.66)
IF Tipo_de_paciente = 1 THEN INC Consulta_General
IF Tipo_de_paciente = 2 THEN INC Dental
IF Tipo_de_paciente = 3 THEN INC Urgencia 1 Paciente Fila_Atencion_a_Pacientes FIRST 1
Paciente Fila_Atencion_a_Pacientes 1 Paciente Enfermeras FIRST 1 MOVE FOR 0.1

Paciente Enfermeras WAIT P(5.97)
IF Tipo_de_paciente = 1 THEN ROUTE 1
IF Tipo_de_paciente = 3 THEN ROUTE 1
IF Tipo_de_paciente = 2 THEN ROUTE 2 1 Paciente Medico_General FIRST 1 MOVE FOR 0.1
2 Paciente Dentista FIRST 1 MOVE FOR 0.1
Paciente Medico_General IF Tipo_de_paciente = 1 THEN WAIT N(13.12, 3.5)

IF Tipo_de_paciente = 3 THEN WAIT P(30.80) 1 Paciente Fila_Farmacia FIRST 1
Paciente Dentista WAIT N(30.90, 7.2) 1 Paciente Fila_Farmacia FIRST 1

Paciente Fila_Farmacia 1 Paciente Farmacia FIRST 1 MOVE FOR 0.1
Paciente Farmacia WAIT BI(3, 0.549) 1 Paciente Salida FIRST 1 MOVE FOR 0.5
Paciente Salida INC Pacientes_totales 1 Paciente EXIT FIRST 1
********************************************************************************
* Arrivals *
********************************************************************************
Entity Location Qty Each First Time Occurrences Frequency Logic

-------- --------------- ---------- ---------- ----------- ------------- ------------
Paciente Fila_de_Entrada 1 0 INF L(5.09, 2.77) Tipo_de_paciente = Distribucion_Tipo_Usuario()
Cuadro 4.50
Pgina 228
********************************************************************************
* Attributes *
********************************************************************************
ID Type Classification
---------------- ------------ --------------
Tipo_de_paciente Integer Entity
********************************************************************************
* Variables (global) *
********************************************************************************
ID Type Initial value Stats
----------------- ------------ ------------- -----------
Consulta_General Integer 0 Time Series
Dental Integer 0 Time Series
Urgencia Integer 0 Time Series
Pacientes_totales Integer 0 Time Series
********************************************************************************
* User Distributions *
********************************************************************************
ID Type Cumulative Percentage Value

------------------------- ------------ ------------ ------------ ------------
Distribucion_Tipo_Usuario Discrete No 67.65 1
17.65 2
14.70 3
Cuadro 4.51
4.2.3 Impresin del reporte de resultados de las corridas
Enseguida se muestran las tablas con el reporte de salida de las 30 corridas ya promediadas:
Locaciones: Reporte general
Tabla 4.52
De la tabla anterior se puede observar que el porcentaje de utilizacin en recepcin es del 91%, las enfermeras en
promedio es del 95.37%, los mdicos generales es del 82.58%, el dentista es de 64.38% y solamente la persona que
atiende en farmacia presenta el porcentaje ms bajo con un 20.14%, lo que significa que tanto las enfermeras como los
mdicos generales estn trabajando a un ritmo muy alto. Esto puede entenderse ya que estos atienden tanto consulta
general como urgencias.
Pgina 229
Locaciones: Reporte general de locaciones con mltiple capacidad
Tabla 4.53
Aqu se puede observar que tanto la fila de entrada como la fila de atencin a pacientes estn totalmente llenas el
18.37% y el 55.07%, esto significa que el personal con que se cuenta no es suficiente y en un momento dado ms de
diez personas hacen fila.
Locaciones: Reporte general de locaciones con capacidad individual
Tabla 4.54
Esta tabla es muy importante ya que muestra que existe un cuello de botella debido a los porcentajes de bloqueo de
la recepcin (28.50%) y enfermeras (56.81%), esto significa que los mdicos generales no trabajan a un ritmo
equilibrado entre las llegadas de los pacientes y el tiempo que requieren atencin, por esa razn tanto la recepcin como
las enfermeras no pueden continuar su trabajo hasta que los mdicos terminen.
Llegadas fallidas
Tabla 4.55
Aqu se observa que en promedio 11.6 pacientes no pueden entrar al sistema por la razn mencionada anteriormente.
Pgina 230
Actividad de la entidad en minutos
Tabla 4.56
Salieron en total 58 (promedio redondeado) pacientes del sistema, se quedaron actualmente en el sistema 25 al
momento de terminar la simulacin, el tiempo promedio en el sistema es de 108.02 minutos, en espera para ser
atendidos esperan en promedio 55 minutos y el tiempo que son atendidos es en promedio 31.17 minutos. Si se agrega el
tiempo que el paciente permanece bloqueado ms el tiempo de espera: 55 + 21.04 = 76.04 minutos de demora total.
Actividad de la entidad en minutos (continuacin)
Tabla 4.57
Actividad de la entidad en porcentaje
Tabla 4.58
En total el paciente est en espera el 49.71% del tiempo, bloqueado el 19.54% y en atencin solamente el 29.98%
del tiempo.
Variables
Tabla 4.59
Aqu se puede observar que a consulta general en promedio llegan aproximadamente 50 pacientes, a dental 13 y a
urgencias 10 en el turno vespertino del Centro de Salud.
Pgina 231
4.3 Etapa 6: Conduccin de experimentos y evaluacin de alternativas.

4.3.1 Especificar las alternativas a considerar.
En este caso se puede considerar como una alternativa la contratacin de 1 mdico general ms y ver que tanto
mejora la atencin a los pacientes. No se considera la contratacin de otra enfermera ya que estas estn bloqueadas por
los mdicos generales.
4.3.2 Impresin del Lay-Out de las alternativas.
Se considera un mdico general adicional.
Figura 4.60
4.3.3 Impresin del cdigo fuente de las alternativas.
En este caso lo nico que cambia del modelo es la cantidad de mdicos generales que se encuentran en las
locaciones por lo que se mostrar solamente esa parte del cdigo fuente.
********************************************************************************
* Locations *
********************************************************************************
Name Cap Units Stats Rules Cost
------------------------- --- ----- ----------- --------------- ------------
Fila_de_Entrada 10 1 Time Series Oldest, FIFO,
Recepcin 1 1 Time Series Oldest, ,
Fila_Atencion_a_Pacientes 10 1 Time Series Oldest, FIFO,
Enfermeras 1 2 Time Series Oldest, , First
Medico_General 1 3 Time Series Oldest, , First
Dentista 1 1 Time Series Oldest, ,
Fila_Farmacia 10 1 Time Series Oldest, FIFO,
Farmacia 1 1 Time Series Oldest, ,
Salida 1 1 Time Series Oldest, ,
Cuadro 4.61
Pgina 232
4.4 Etapa 7: Anlisis de resultados.

4.4.1 Realizar un resumen de las alternativas evaluadas basadas en los reportes de salida.
En las siguientes tablas se muestra el reporte de salida de la alternativa considerada: Contratar un mdico general
adicional:
Locaciones: Reporte general
Tabla 4.62
De la tabla anterior se puede observar que el porcentaje de utilizacin en recepcin baj del 91% al 84.95%, las
enfermeras bajaron su porcentaje de utilizacin de 95.37% al 90.56%, para los mdicos generales baj del 82.58% al
72.93%, tanto el dentista como la persona de farmacia incrementaron su porcentaje de utilizacin de 64.38% a 73.35%
y del 20.14% al 26.15%, respectivamente, lo que significa que tanto las enfermeras como los mdicos generales estn
trabajando a un ritmo ms equilibrado (baj ligeramente su porcentaje de utilizacin) con la incursin del mdico
adicional. El porcentaje tanto del dentista como la persona de farmacia aumentaron ya que el sistema increment su
productividad.
Locaciones: Reporte general de locaciones con mltiple capacidad
Tabla 4.63
Aqu se puede observar que tanto la fila de entrada como la fila de atencin a pacientes estn totalmente llenas el
2.42% y el 20.45%, esto es significativamente menor que el sistema actual que es del 18.37% y el 55.07%,
respectivamente.
Pgina 233
Locaciones: Reporte general de locaciones con capacidad individual
Tabla 4.64
Esta tabla muestra que todava existe un cuello de botella, pero los porcentajes bajaron: en recepcin es de 8.81%
(anteriormente era 28.50%) y enfermeras 41.39% (anteriormente era de 56.81%), esto significa que los mdicos
generales trabajan a un ritmo ms equilibrado entre las llegadas de los pacientes y el tiempo que requieren atencin.
Llegadas fallidas
Tabla 4.65
Las llegadas fallidas bajaron de 11.60 a 1.60 con la alternativa considerada.
Actividad de la entidad en minutos
Tabla 4.66
En esta tabla se puede apreciar de mejor manera el impacto positivo de la contratacin de un mdico ms para el
Centro de salud, el tiempo en el sistema bajo de 108.02 a 69.46 minutos, el tiempo de espera cay de 55 a 25.22 minutos
y el tiempo de operacin prcticamente no sufri cambio de 31.17 a 30.98 minutos.
Pgina 234
Actividad de la entidad en porcentaje
Tabla 4.67
Esta tabla solo refuerza la anterior en trminos porcentuales.
Variables
Tabla 4.68
Aqu se puede ver que se increment la atencin a los pacientes que van a consulta general de 50 a 61 (que es dnde
se tiene el impacto ms fuerte) los pacientes que van a consulta con el dentista se increment de 13 a 14 y urgencias se
increment de 10 a 13 en el turno vespertino del Centro de Salud.
4.5 Etapa 8: Recomendaciones finales.

4.5.1 Realizar las recomendaciones pertinentes
Se recomienda gestionar la contratacin de un mdico general adicional para que el Centro de Salud ofrezca un
servicio ms eficiente con ms calidad y a su vez se incremente la productividad del sistema considerado.
4.5.2 Conclusin de los objetivos planteados.
Con base en los objetivos especficos, se puede decir que se cumplieron ampliamente ya que en los reportes de
salida se consideraron todos estos y otras medidas estadsticas adicionales que apoyaron fuertemente en la
recomendacin hecha anteriormente.
Por su parte en el objetivo general, en el cual se plante desarrollar un modelo de simulacin para el Centro de
Salud Rural de Cuauhtmoc, Colima, especficamente en las reas de enfermera, medicina y farmacia, se concluye que
efectivamente se realiz este con xito el cual se pudo correr y analizar adecuadamente para proponer alguna alternativa
de mejora que lo hiciera ms eficiente y productivo.
Nota: La informacin estadstica que refuerza las recomendaciones y la conclusin de los objetivos se mencion en el
punto 4.4.1.
Pgina 235
Anexos
Tablas de distribuciones de probabilidad
Generadores para distribuciones de

probabilidad en ProModel
Probabilidades de la Distribucin Normal Estndar
Z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09

0.00 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.10 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0754
0.20 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.30 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.40 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.50 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.60 0.2258 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2518 0.2549
0.70 0.2580 0.2612 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.80 0.2881 0.2910 0.2939 0.2967 0.2996 0.3023 0.3051 0.3079 0.3106 0.3133
0.90 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.00 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.10 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.20 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.30 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.40 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.50 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4430 0.4441
1.60 0.4452 0.4463 0.4474 0.4485 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.70 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.80 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4700 0.4706
1.90 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4762 0.4767
2.00 0.4773 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.10 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.20 0.4861 0.4865 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.30 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.40 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.50 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.60 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.70 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.80 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4980 0.4980 0.4981
2.90 0.4981 0.4982 0.4983 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3.00 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990
3.10 0.4990 0.4991 0.4991 0.4991 0.4992 0.4992 0.4992 0.4992 0.4993 0.4993
3.20 0.4993 0.4993 0.4994 0.4994 0.4994 0.4994 0.4994 0.4995 0.4995 0.4995
3.30 0.4995 0.4995 0.4996 0.4996 0.4996 0.4996 0.4996 0.4996 0.4996 0.4997
3.40 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4998 0.4998
3.50 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998
3.60 0.4998 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.70 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.80 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.5000 0.5000 0.5000
3.90 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000
Fuente: Valores calculados con Excel.
237
Valores crticos para la Distribucin X2
grados

de
2 2 2 2 2 2
libertad 0.10 0.05 0.025 .1 0.005 0.001
1 2.706 3.841 5.024 6.635 7.879 10.828
2 4.605 5.991 7.378 9.210 10.597 13.816
3 6.251 7.815 9.348 11.345 12.838 16.266
4 7.779 9.488 11.143 13.277 14.860 18.467
5 9.236 11.070 12.833 15.086 16.750 20.515
6 10.645 12.592 14.449 16.812 18.548 22.458
7 12.017 14.067 16.013 18.475 20.278 24.322
8 13.362 15.507 17.535 20.090 21.955 26.124
9 14.684 16.919 19.023 21.666 23.589 27.877
10 15.987 18.307 20.483 23.209 25.188 29.588
11 17.275 19.675 21.920 24.725 26.757 31.264
12 18.549 21.026 23.337 26.217 28.300 32.909
13 19.812 22.362 24.736 27.688 29.819 34.528
14 21.064 23.685 26.119 29.141 31.319 36.123
15 22.307 24.996 27.488 30.578 32.801 37.697
16 23.542 26.296 28.845 32.000 34.267 39.252
17 24.769 27.587 30.191 33.409 35.718 40.790
18 25.989 28.869 31.526 34.805 37.156 42.312
19 27.204 30.144 32.852 36.191 38.582 43.820
20 28.412 31.410 34.170 37.566 39.997 45.315
21 29.615 32.671 35.479 38.932 41.401 46.797
22 30.813 33.924 36.781 40.289 42.796 48.268
23 32.007 35.172 38.076 41.638 44.181 49.728
24 33.196 36.415 39.364 42.980 45.559 51.179
25 34.382 37.652 40.646 44.314 46.928 52.620
26 35.563 38.885 41.923 45.642 48.290 54.052
27 36.741 40.113 43.195 46.963 49.645 55.476
28 37.916 41.337 44.461 48.278 50.993 56.892
29 39.087 42.557 45.722 49.588 52.336 58.301
30 40.256 43.773 46.979 50.892 53.672 59.703
Fuente: Valores calculados con Excel.
238
Valores crticos de la prueba de Kolmogorov-Smirnov
grados
de D =0.10 D =0.05 D =0.01
libertad
1 0.950 0.975 0.995
2 0.776 0.842 0.929
3 0.642 0.708 0.828
4 0.564 0.624 0.733
5 0.510 0.565 0.669
6 0.470 0.521 0.618
7 0.438 0.486 0.577
8 0.411 0.457 0.543
9 0.388 0.432 0.514
10 0.368 0.410 0.490
11 0.352 0.391 0.468
12 0.338 0.375 0.450
13 0.325 0.361 0.433
14 0.314 0.349 0.418
15 0.304 0.338 0.404
16 0.295 0.328 0.392
17 0.286 0.318 0.381
18 0.278 0.309 0.371
19 0.272 0.301 0.363
20 0.264 0.294 0.356
25 0.250 0.270 0.320
30 0.220 0.240 0.290
35 0.210 0.230 0.270
Para
valores . . .
mayores a
35
Fuente: Massey, F.J. The Kolmogorov-Smirnov Test for Goodness of Fit,

The Journal of the American Statistical Association, vol. 46, pp.70 (1951).
239
Generadores para distribuciones de probabilidad en ProModel
Las siguientes expresiones se muestran como se codifican las distribuciones tericas de
probabilidad en el software ProModel.
Distribucin Sintaxis Componentes Individuales

a=Valor real de forma 1, b=Valor real de forma 2, c= Lmite inferior, d= Lmite
Beta B(a,b,c,d)
superior
Binomial BI(a,b) a=Tamao del lote, b=probabilidad de xito
Erlang ER(a,b) a=Media, b= Parmetro
Exponencial E(a) a=Media
Gamma G(a,b) a=Valor real de forma, b=Valor de escala
Geomtrica GEO(a) a=Probabilidad de xito
Inversa
IG(a,b) a=Valor de la forma, b=Valor de escala
Gaussiana
Lognormal L(a,b) a=Media, b=Desviacin estndar
Normal N(a,b) a=Media, b=Desviacin estndar
Pearson5 P5(a,b) a=Valor de la forma, b=Valor de escala
Pearson6 P6(a,b,c) a=Valor de la forma 1, b=Valor de la forma 2, c=Valor de escala
Poisson P(a) a= Media
Triangular T(a,b,c) a=Mnimo, b=Moda, c=Mximo
Uniforme U(a,b) a=Media, b=Rango medio,
Weibull W(a,b) a=Valor de forma, b=Valor de escala
Fuente: ProModel 7.0 versin estudiantil
240
Bibliografa
GARCA DUNNA Eduardo, GARCA REYES Heriberto, CRDENAS BARRN Leopoldo
E., (2006). Simulacin y anlisis de s istemas con ProModel. Primera edicin. Mxico.
Pearson Prentice Hall.
HARREL Charles R., GHOSH Biman K., BOWDEN Royce O., (2004). Simulation using
ProModel w/CD Rom (Hardcover). Second Edition. United States of America. McGraw-Hill.
GARCA Francisco, SIERRA Jorge, GUZMN Virginia, (2005). Simulacin de sistemas

para administracin e ingeniera. Mxico. CECSA.
AZARANG Mohammad R., GARCA DUNNA Eduardo. (1996). Simulacin y anlisis de

modelos estocsticos. Primera edicin. Mxico. McGraw-Hill.
COSS BU Ral, (1993). Simulacin un Enfoque Prctico. Mxico, LIMUSA.
241

Libro Simulación JCZ PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Libro Simulación JCZ PDF

Uploaded by

Copyright:

Available Formats

Simulacin

Anlisis y modelacin de sistemas discretos; un

Instituto Tecnolgico de Colima

Jos Crdenas Zavala

Captulo 1: Introduccin a la Simulacin de Eventos Discretos

Capitulo 2: Nmeros Pseudoaleatorios

Captulo 3: Variables Aleatorias

Unidad 5: Proyecto de Aplicacin

Una de las caractersticas principales de l os tiempos actuales es la incertidumbre, generada

Jos Crdenas Zavala

1.1 Introduccin a la simulacin de eventos discretos

1.2 Definiciones y conceptos

De acuerdo a Schriber (1987), la simulacin es el modelaje de un proceso o sistema de manera

De acuerdo a Harrel (2003), Simulacin es la representacin de un sistema dinmico usando un

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

Los intentos a prueba y error son costosos,

Si se pretende clasificar de alguna manera los usos de la simulacin, entonces se pueden

Visualizacin: Observar qu est sucediendo en el sistema.

Cuando se desea tomar alguna decisin en una operacin o servicio.

Anlisis de cuellos de botella (para determinar la capacidad y el nmero de maquinas).

Sistema: se entiende como el c onjunto de elementos que se interrelacionan para lograr un

Variables de decisin (de entrada o independientes). Cuando se conduce un experimento las

Ejemplo de modelo matricial o tabular:

Ejemplo de un modelo grfico utilizando ProModel:

1.3 VENTAJAS Y DESVENTAJAS DE LA SIMULACIN

Se pueden simular sistemas complejos.

Entre las desventajas ms comunes de la simulacin pueden considerarse las siguientes:

1.4 Etapas para realizar un proyecto de simulacin

PROCEDIMIENTO GENERAL PARA DESARROLLAR UN ESTUDIO DE SIMULACIN

Preparacin del Definicin del Desarrollo del

Experimentacin Desarrollo del modelo Recoleccin y

1.4.1 Preparacin inicial del proyecto

Presupuesto para realizar el proyecto.

b) Determinar el objetivo general y especfico del modelo. La simulacin es necesaria porque se

En el caso de los objetivos especficos, algunos ejemplos podran ser:

c) Preparacin de las especificaciones de la simulacin.

1.4.2 Definicin del sistema

Qu tipo de entidades son procesadas en el sistema y que atributos tienen?

1.4.3 Desarrollo del modelo conceptual o esquemtico

a) Realizar el Modelo conceptual o esquemtico. Como se mencion anteriormente en el punto

Tipo de entidades que entran al sistema.

En la siguiente figura 1.7 se puede apreciar un ejemplo de m odelo conceptual considerando un

Modelo por bloques

Almacn de Materia Prima

Almacn de producto terminado

Tiempo entre llegadas de los clientes al sistema.

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

1.4.4 Recoleccin y anlisis de datos

HOJA DE VERIFICACION PARA EL TIEMPO ENTRE LLEGADAS

Para proporcionar un ejemplo de lo mencionado anteriormente, suponga que en la siguiente tabla

HOJA DE VERIFICACION PARA EL TIEMPO ENTRE LLEGADAS

ENERGETICOS DE COLIMA S.A. DE C.V.

Enseguida se procede a realizar un ajuste de los datos a distribuciones de probabilidad

1.4.5 Desarrollo del modelo en lenguaje especfico de simulacin

Una vez que se realiza el modelo se recomienda lo siguiente:

Revise el proceso del modelo con respecto a la realidad.

d) Validacin del modelo. La validacin es el proceso de comprobacin de que el modelo dentro de

1.4.6 Conduccin de experimentos y evaluacin de alternativas

1.4.7 Anlisis de resultados

1.4.8 Recomendaciones finales

1.5 Algunos peligros en la simulacin

Tamao insuficiente de la corrida.

1.6 Modelos tpicos de lneas de espera