Trabajo Final Simulacion (Titulación)

1
Instituto Tecnológico de Orizaba

Ingeniería INDUSTRIAL
REPORTE FINAL DE RESIDENCIAS

PROFESIONALES INTERNAS
TEMA:
“DESARROLLO DE UN MODELO DE SIMULACIÓN EN FLEXSIM DEL
SISTEMA DE RECOLECCIÓN ACTUAL DEL MERCADO ZAPATA”
LUGAR DE REALIZACIÓN:
“INSTITUTO TECNOLÓGICO DE ORIZABA”
ASESOR INTERNO:
Fernando Ortiz Flores.
PRESENTA:
Juan Manuel Cárdenas Rovira
No. DE CONTROL:
05010365
ORIZABA, VER. OCT / 2010

Índice
Introducción................................................................................................................................1
2
Planteamiento del problema........................................................................................................1
Justificación................................................................................................................................2
Objetivo general..........................................................................................................................2
Objetivos específicos..................................................................................................................2
Capítulo 1....................................................................................................................................4
Generalidades..............................................................................................................................4
1.1 Antecedentes de la empresa..................................................................................................4
1.2 Instituto Tecnológico de Orizaba..........................................................................................5
1.2.1 Escudo del ITO...............................................................................................................7
1.2.2 Política de calidad...........................................................................................................8
1.2.3 Objetivo general de calidad del sistema de gestión de calidad (SGC)...........................8
1.2.4 Valores de la organización..............................................................................................8
1.2.5 Ubicación y teléfonos del plantel...................................................................................9
1.3 Área en la que se participó...................................................................................................9
1.4 Actividades realizadas.........................................................................................................10
1.5 Alcances y limitaciones.......................................................................................................10
1.5.1 Alcances........................................................................................................................10
1.5.2 Limitaciones.................................................................................................................11
Capítulo 2..................................................................................................................................12
Recolección y análisis de datos.................................................................................................12
2.1 Introducción........................................................................................................................12
2.2 Indicaciones para la recolección de datos..........................................................................13
2.3 Procedimiento para la recolección de datos.......................................................................15
2.4 Determinar los datos necesarios..........................................................................................15
2.5 Usar un cuestionario............................................................................................................16
2.6 Identificar fuentes de datos.................................................................................................17
2.7 Recolección de datos...........................................................................................................19
2.7.1 Definir todo el flujo de la entidad.................................................................................20
2.7.2 Desarrollando una descripción de la operación............................................................21
2.7.3 Definir detalles circunstanciales y confirmar los valores de los datos.........................22
2.8 Hacer suposiciones..............................................................................................................23
2.9 Análisis estadístico de los datos numéricos........................................................................25
2
2.9.1 Pruebas de independencia.............................................................................................27
2.9.2 Pruebas para datos distribuidos idénticamente.............................................................33
2.10 Ajuste de distribución.......................................................................................................36
2.10.1 Distribución de frecuencias........................................................................................38
2.10.2 Distribuciones teóricas................................................................................................41
2.10.2 Ajustando distribuciones teóricas a los datos.............................................................47
2.11 Documentación y aprobación de datos..........................................................................51
Capítulo 3..................................................................................................................................53
Conceptos generales de simulación..........................................................................................53
3.1 Introducción........................................................................................................................53
3.2 La técnica de Simulación....................................................................................................53
3.2.1 Definiciones de simulación...........................................................................................54
3.2.2 Propósitos de la simulación..........................................................................................55
3.2.3 Clasificación de la simulación......................................................................................56
3.2.4 Pasos de un estudio de simulación................................................................................57
3.2.5 Factores a considerar en el desarrollo del modelo de simulación.................................62
3.2.6 Errores comunes al realizar un estudio de simulación..................................................64
3.2.7 Ventajas y desventajas de un estudio de simulación....................................................65
Capitulo 4..................................................................................................................................67
Conceptos generales del software Flexsim®............................................................................67
4.1 Introducción........................................................................................................................67
4.2 Aprendiendo conceptos del Software de Simulación Flexsim............................................68
4.2.1 Terminología de Flexsim..............................................................................................68
4.3 Vistas del Modelo...............................................................................................................70
4.4 Navegación con el mouse...................................................................................................70
4.5 Tecla F7..............................................................................................................................71
4.6 Librería de Objetos de Flexsim...........................................................................................71
Capítulo 5..................................................................................................................................78
Aplicación de la metodología de simulación al sistema de recolección de residuos sólidos....78
5.1 Introducción........................................................................................................................78
5.2 Metodología para la construcción del modelo de simulación de la situación actual del
sistema de recolección de basura del mercado Zapata..............................................................79
3
5.3 Detección de las necesidades del sistema logístico del mercado Zapata...........................80
5.3.1 Obtención un panorama general de sistema de recolección de residuos sólidos..........80
5.3.2 Determinación del área de oportunidad........................................................................83
5.3.3 Descripción de la situación problemática.....................................................................84
5.4 Selección de las herramientas de Ingeniería Industrial a ser utilizadas..............................84
5.5 Apoyo por parte de la empresa en la obtención de la información requerida.....................85
5.6 Desarrollo del modelo de simulación de la situación actual...............................................85
5.6.1 Formulación del problema............................................................................................86
5.6.2 Planeación del estudio del desarrollo del modelo de simulación.................................86
5.6.3 Recolección de datos del sistema de recolección de basura del mercado Zapata.........88
5.6.3.1 Definición de los tipos de datos necesarios para el modelo..............................89
5.6.3.2 Recolección de datos.........................................................................................90
5.6.3.3 Análisis estadístico de los datos........................................................................91
5.6.4 Construcción y verificación del modelo en Flexsim....................................................93
5.6.4.1 Definición del sistema de recolección de basura del mercado Zapata..............93
5.6.4.2 Definición de los supuestos del modelo............................................................95
5.6.4.3 Verificación del modelo conceptual..................................................................96
5.6.4.4 Construcción del layout y objetos 3D involucrados en el sistema logístico de
recolección de residuos sólidos.....................................................................................96
5.6.4.5 Construcción del modelo de simulación............................................................98
5.6.4.5.1 Importar el layout del plano del mercado a Flexsim......................................98
5.6.4.5.2 Definir los tipos de Flexsim objetcs a ser incluidos en el modelo................104
5.6.4.5.3 Definir las características de los Flexsim objects en el modelo...................105
5.6.4.5.3.1 Crear los Flexsim objects dentro del modelo de simulación.................105
5.6.4.5.3.2 Cambiar la apariencia de los Flexsim objects por los dibujos en 3D
propios del sistema de recolección de residuos sólidos...........................................106
5.6.4.5.3.3 Definir las dimensiones y posición de los Flexsim objects...................109
5.6.4.5.4 Realizar las conexiones del flujo del proceso entre los flexsim objects......111
5.6.4.5.6 Realizar la programación del modelo de simulación....................................112
5.6.4.6 Verificación del modelo de simulación...........................................................115
5.6.4.7 Validación del modelo de simulación..............................................................116
5.6.4.7.1 Examinar la normalidad de los datos de validación.....................................116
4
5.6.4.7.2 Definir las corridas piloto del modelo de simulación...................................117
5.6.4.7.3 Validar el modelo de simulación..................................................................118
5.7 Diseño de experimentos....................................................................................................124
5.7.1 Número de corridas óptimo del tiempo promedio de recorrido del trabajador 1.......126
5.7.2 Número de corridas óptimo del tiempo entre llegadas del camión recolector............127
5.8 Análisis de resultados........................................................................................................130
5.8.1 Análisis de resultados para los trabajadores del mercado..............................................134
5.8.1.1 Promedio semanal de recolección de residuos sólidos del trabajador 1..........134
5.8.1.8 Número de viajes del trabajador 1...................................................................138
5.8.1.9 Número de viajes del trabajador 2...................................................................138
5.8.1.10 Número de viajes del trabajador 3.................................................................139
5.8.1.15 Estadísticos de los trabajadores de la réplica 1..............................................141
5.8.1.24 Estadísticos de los trabajadores de la réplica 10............................................153
5
5.8.2 Análisis de resultados para el camión recolector...........................................................158
5.8.2.1 Promedio semanal de recolección de residuos sólidos del camión recolector 159
5.8.3 Análisis de resultados para el porcentaje de la clasificación de residuos sólidos:
Orgánicos e inorgánicos aprovechables..................................................................................159
5.8.3.1 Porcentajes de la clasificación de residuos sólidos orgánicos e inorgánicos
aprovechables..............................................................................................................159
5.8.4 Análisis de resultados para el promedio de residuos sólidos semanales........................160
5.8.4.1 Promedio de residuos sólidos semanales.........................................................160
5.8.5 Análisis de resultados para los volúmenes diarios de residuos sólidos.........................161
5.8.5.1 Promedio de volúmenes diarios de residuos sólidos.......................................161
Conclusiones...........................................................................................................................162
Referencias bibliográficas.......................................................................................................164
Anexo 1...................................................................................................................................166
Formato para la toma de tiempos de los camiones.................................................................166
Anexo 2...................................................................................................................................167
Formato para la toma de tiempos de los trabajadores.............................................................167
Anexo 3...................................................................................................................................168
Análisis estadístico de la muestras de datos............................................................................168
Análisis estadístico de la muestras de datos
6
Introducción
La simulación es una técnica que imita el comportamiento de un sistema mediante un modelo
computarizado, en el cual se expresan las características des sistema mediante relaciones
lógico-matemáticas. Gracias al avance tecnológico de la computación la simulación se ha
convertido en una poderosa herramienta de análisis de diversos sistemas, ya que provee una
manera de solucionar problemas que de otra manera seria difícil o imposible de hacer, dada la
complejidad de los mismos. En este caso en particular el sistema de recolección de residuos
sólidos del mercado Zapata ubicado en la colonia Emiliano Zapata del municipio de Orizaba.
La recolección de residuos sólidos urbanos es una parte esencial en cualquier ciudad ya sea
grande o pequeña y además, es una de las actividades que más tiempo y recursos consume.
Debido a la creciente urbanización y el aumento de la población han generado un incremento
considerable en los desechos sólidos urbanos tal como lo es en la ciudad de Orizaba Veracruz,
por este motivo la recolección debe ser lo más eficiente posible utilizando los recursos
disponibles.
En este caso el propósito de este proyecto de residencias profesionales es modelar el sistema

de recolección de residuos sólidos actual del mercado Zapata ubicado en la colonia Emiliano
Zapata en la ciudad de Orizaba Veracruz por medio de la herramienta de ingeniería industrial
simulación. Y de esta manera llevar a cabo un análisis del estado actual por medio de
mediciones y muestreos a los camiones recolectores de residuos sólidos y las personas que
laboran en el interior del mercado recolectando la basura, generando así un modelo de
simulación con el software Flexsim del sistema actual de recolección.
Planteamiento del problema.

La creciente urbanización y crecimiento de la población han generado un gran incremento en
la proliferación de residuos sólidos la cual trae como consecuencia la contaminación del
medio ambiente y la proliferación de enfermedades, este problema no es sólo de las grandes
ciudades, sino también de comunidades rurales.
En este caso se planea analizar la situación presente en el centro de recolección de residuos

sólidos en el mercado de la colonia zapata de la ciudad de Orizaba Veracruz ya que en este
1
mercado se han observado situaciones que pudieran ser resueltas con herramientas de
ingeniería industrial como la simulación de eventos discretos, programación lineal, medición
del trabajo por mencionar algunas.
Justificación.
El se ha demostrado que el problema de la basura es un problema que no sólo enfrentan las
ciudades con alto nivel de desarrollo sino también en ciudades en desarrollo o comunidades.
Para SEMARNAT, la basura es una constante que se encuentra en zonas urbanas y rurales,
regiones con distintos niveles socio económicos, en arroyos y ríos, a lo largo de caminos y
carreteras. Asimismo, son alarmante los niveles de residuos sólidos que generan los países
desarrollo como estados unidos: 2.2 Kg/habitante; y que los pronósticos para el 2010, en
México, es acercarse a esa cifra.
El promedio de generación de residuos sólidos per cápita en 1997 en la zona centro del país
era de 0.78Kg diarios y en el año 2008, alcanzó un promedio de 1.1Kg diarios per cápita en
base en el compendio de estadísticas ambientales 2009 de la SEMARNAT (secretaria de
medio ambiente y recursos naturales).
Por lo cual es importante realizar de manera eficiente la recolección de residuos sólidos y
mejorar la manera en que ésta es llevada a cabo.
Objetivo general.
Realizar un modelo de simulación en el software de simulación flexism que represente la
situación actual de recolección de sólidos urbanos del mercado Zapata.
Objetivos específicos.
1. Obtener datos relacionados con los procedimientos de recolección de basura.
• Número de personas que laboran.
• Tiempos de recorridos.
• Rutas de recolección.
1. Determinar las distribuciones de probabilidad de servicio de los trabajadores.

2
2. Plantear mejoras que permitan mejorar la eficiencia de la recolección de basura.
• Programación de las personas.
• Posibles mejoras en las rutas de recolección.
• Minimizar tiempos de recorridos.
Capítulo 1
Generalidades
1.1 Antecedentes de la empresa.

En el año de 1957 nació el Instituto Tecnológico de Orizaba ante las necesidades propias del
desarrollo industrial, que en ese entonces iniciaba su despegue en la zona centro del Estado de
Veracruz, teniendo como antecedente educativo la escuela textil de Río Blanco, fundada un 22
de enero de 1933, donde un grupo de Maestros visionarios se trasladaron a lo que hoy en día
es el Instituto Tecnológico de Orizaba (Figura 1.1).
1
El Centro Tecnológico Orizabeño como se denominó en un principio, inició sus actividades el
13 de marzo de 1957 en sus actuales instalaciones ubicadas en lo que entonces eran los
ranchos "Tepatlaxco" y "Espinalillo" con una extensión de 14 y 23 hectáreas respectivamente,
siendo propiedad de la Srita. Inés Terrazas; éstas por decreto presidencial fueron expropiadas
en 1940 por considerarse tierras ociosas y el Gobierno del Estado tenía proyectado la
formación de una colonia ejidal y una urbana (hoy colonia Emiliano Zapata).
En cuanto a la estructura administrativa funcionaba provisionalmente la dirección y las

oficinas de la subdirección.
Fig. 1.1 Instituto Tecnológico de Orizaba 1957

El Centro Tecnológico Orizabeño fue proyectado originalmente para impartir las enseñanzas
destinadas a la preparación de los técnicos demandados en la industria textil, en todos sus
grados; pero al crearse la escuela Superior de Ingeniería Textil en la Unidad Central del
Instituto Politécnico Nacional, se determinó reconsiderar el proyecto original para evitar la
duplicidad de centros de Educación Superior.
Considerando el hecho de evitar la duplicidad de centros de educación superior, se hizo una

revisión de los antecedentes de este centro escolar de acuerdo a los lineamientos generales
para la integración al Sistema Nacional de Educación Técnica, llegando a la conclusión de que
dicho centro escolar atendería, en sustitución de la ya mencionada rama textil, lo relativo a la
rama azucarera, conservando las disciplinas educativas no profesionales de la industria textil.
1
Esta situación se generó a la par del decreto Presidencial del 10 de julio de 1952, mediante la
cual fue creada la Comisión Nacional de la Caña de azúcar, donde se considera el
establecimiento de un Instituto Tecnológico de Orizaba.
Originalmente el Instituto fue una de las veintiocho escuelas de educación técnica del país que
dependían del Instituto Politécnico Nacional, y a partir de 1958 paso a ser el sexto Instituto
Tecnológico de la República al establecerse la Dirección General de Institutos Tecnológicos
Foráneos.
1.2 Instituto Tecnológico de Orizaba.

El Instituto Tecnológico de Orizaba, es una institución educativa que tiene como:
• Misión:
“Contribuir a la conformación de una sociedad más justa, humana y con amplia
cultura científico - tecnológica, mediante un sistema integrado de educación
superior tecnológica, equitativo en su cobertura y de alta calidad”.
• Visión:
“Consolidarse como un sistema de educación superior tecnológica de vanguardia,
así como uno de los soportes fundamentales del desarrollo sostenido, sustentable y
equitativo de la nación y del fortalecimiento de su diversidad cultural, así ambas
se conjugan para formar profesionales de calidad, con amplio conocimiento y
poder enfrentarse a las actuales exigencias laborales”.
El Instituto Tecnológico de Orizaba es una institución pública dependiente de la Secretaria de

Educación Pública. Imparte 7 licenciaturas, las cuales son las siguientes:
• Ingeniería Eléctrica (En proceso de certificación CACEI).
• Ingeniería Electrónica (Certificada por CACEI).
• Ingeniería Mecánica (Certificada por CACEI).
• Ingeniería Industrial (Certificada por CACEI).
• Ingeniería Química (Certificada por CACEI).
• Ingeniería en Sistemas Computacionales.
1
• Licenciatura en Gestión Empresarial
El Instituto Tecnológico desde su creación se ha caracterizado por ser uno de los pilares
fundamentales de la educación tecnológica en nuestro país y fundamentalmente en el estado
de Veracruz.
Cada una de las licenciaturas que se imparten en el Instituto Tecnológico de Orizaba han
contribuido socialmente en el crecimiento de la región, ya que sus egresados son contratados
en los diferentes sectores productivos de la región y del país.
Su desempeño se desarrolla tanto en el sector productivo como el educativo. Las necesidades

de actualización, en las áreas que oferta el Instituto Tecnológico de Orizaba, han dado origen a
los posgrados que actualmente ofrece, ya que su entorno social y productivo así lo demanda.
Los programas de posgrado que se imparten en el Instituto Tecnológico de Orizaba, a través

de la División de Estudios de Posgrado e Investigación, son las siguientes:
• Ingeniería Industrial.
• Ingeniería Química.
• Ingeniería Electrónica.
• Ciencias Computacionales.
• Ingeniería Administrativa.
Y el Doctorado en:
• Ciencias en Ingeniería Industrial.
1.2.1 Escudo del ITO

El escudo del Instituto Tecnológico de Orizaba (Figura 1.2) se conforma por cuatro unidades
de engranes unidos por sus extremos, se inspiró en una curva llamada lemniscata de Bernulli,
sólo que en este caso, dos lemniscatas están siendo unidas idealmente en forma de Cruz de
San Andrés de brazos iguales, que delimitan cuatro cuadrantes interiores; los que a
continuación se describen:
• Primer cuadrante. Aparece una torre de la cual arrancan dos cables de alta tensión
representando la electricidad; que es una Ingeniería que se imparte en el Instituto.
1
• Segundo cuadrante. Aparece la configuración estilizada de un átomo con dos
electrones en movimiento, con lo que se representa la electrónica y/o la parte físico-
matemática de la química; en este cuadrante aparecen seis esferas sobre fondo negro,
que significa rodamientos, como elementos representativos de la mecánica.
• Tercer cuadrante. Aparece en primer plano un matraz y en segundo plano una
balanza analítica estilizada, lo cual es representativo de la Ingeniería Química y a la
exactitud con que debe trabajarse en ésta.
• Cuarto cuadrante. Aparece un compás de puntas, que representa la exactitud de las
matemáticas y de la física, así como el cuidado que debe tenerse en estas ciencias, al
igual que en el segundo cuadrante aparecen también seis esferas sobre fondo negro.
Al centro del escudo están algunos signos que representan el año de la fundación del Instituto
Tecnológico de Orizaba (1957), los cuales están expresados con los signos que empleaban los
astrónomos del nuevo imperio Maya.
El lema del escudo es "Ciencia, Técnica y Cultura".
Fig. 1.2 Escudo de la Institución.
El escudo fue obra de los estudiantes Josué García Robles y Jesús Trujillo Murillo, en tanto
que el lema, fue de la alumna Noemí Ángel Martínez.
1
1.2.2 Política de calidad.
El sistema nacional de educación superior tecnológica (SNEST) establece el compromiso de
implementar todos sus procesos, orientándolos hacia la satisfacción de sus clientes sustentada
en la calidad del proceso educativo, para cumplir con sus requerimientos, mediante la eficacia
de un sistema de la calidad y de mejora continua, conforme a la norma:
ISO 9001:2000/NMX-CC-9001-IMNC-2000.
1.2.3 Objetivo general de calidad del sistema de gestión de calidad (SGC).

Proporcionar el servicio educativo de calidad, orientado hacia el aprendizaje significativo en el
alumno.
1.2.4 Valores de la organización.

El Instituto Tecnológico de Orizaba, es una institución educativa que tiene como valores:
• El ser humano.
• El espíritu de servicio.
• El liderazgo.
• El trabajo en equipo.
• La calidad.
• El alto desempeño.
1.2.5 Ubicación y teléfonos del plantel

El Instituto Tecnológico de Orizaba, que se encuentra ubicado en la Av. Oriente 9 o Av.
Instituto Tecnológico Nº. 852, Col. Emiliano Zapata, Orizaba, Ver. 94320, cuenta con los
teléfonos (Conmutador): (2) 7 24 40 96, 7 24 45 50 y 7 24 45 79. Fax: (2) 7 25 17 28, y la
siguiente página de internet: www.itorizaba.edu.mx.
La ciudad de Orizaba se encuentra ubicada en la zona centro montañosa del Estado de

Veracruz, sobre el valle del pico de Orizaba, en las coordenadas 18º 51” latitud norte y 97º 06”
longitud oeste, a una altura de 1,230 metros sobre el nivel del mar. Limita al norte con
Mariano Escobedo e Ixhuatlancillo, al este con Ixtaczoquitlán, al sur con Rafael Delgado, al
oeste con Río Blanco. La distancia aproximada al suroeste de la capital del Estado, por
carretera es de 190 km. En la Figura 1.3 se muestra un mapa para una mejor ubicación.
1
El Instituto Tecnológico de Orizaba está distribuido en una superficie de aproximadamente de
ocho hectáreas; en esta institución se cuenta con todo lo necesario para tener una vida
estudiantil tranquila, ya que cuenta con las siguientes instalaciones: aulas, laboratorios,
talleres, bibliotecas, centro de cómputo y además de espacios deportivos y culturales para que
la formación sea íntegra y acorde a las necesidades de este México moderno. En lo que refiere
a la institución ésta cuenta con personal capacitado e instalaciones en buen estado.
1.3 Área en la que se participó

El área en que se participó para la elaboración del presente proyecto de investigación, fue en la
división de estudios de posgrado e investigación del Instituto Tecnológico de Orizaba, en
específico, en el laboratorio de Manufactura y Calidad de dicha área, bajo la asesoría del Dr.
Fernando Ortiz Flores.
Figura 1.3 Mapa de la ciudad de Orizaba.
1.4 Actividades realizadas

Dentro de las actividades realizadas están las siguientes:
3
• Adquirir conocimientos de simulación (FLEXSIM 4.5.2)
• Recolección de datos.
• Análisis estadístico de los datos.
• Interpretación de resultados.
• Creación del Modelo.
• Documentación y análisis de resultados.
• Reporte final.
1.5 Alcances y limitaciones.

En este apartado se mencionan los alcances logrados en el proyecto, así como las
limitaciones con las que cuenta dicho proyecto.
1.5.1 Alcances
Los alcances logrados a lo largo de este proyecto de residencias profesionales se mencionan a
continuación:
• Información actualizada referente al tema de simulación.
• Recolección de datos necesarios para la elaboración del modelo de simulación.
• El análisis estadístico de los datos con el software Expertfit incluido en el paquete de
flexsim para ajustarlos a la distribución teórica correcta.
• Un modelo de simulación que representa el sistema actual de recolección de residuos
sólidos del mercado Zapata.
1.5.2 Limitaciones
Las limitaciones presentadas para la aplicación se mencionan a continuación:
• El modelo de simulación no muestra todos los detalles dado que no eran
representativos para la situación actual del sistema.
• Solo muestra el sistema de recolección de residuos sólidos dentro del mercado pero no
muestra la distribución de ellos.
• Debido a la técnica de muestreo utilizada no se tiene toda la información de los turnos
dentro del sistema de recolección de residuos sólidos.
1
Capítulo 2
Recolección y análisis de datos
2.1 Introducción
La recolección de datos es la tarea más desafiante, y a la vez, la que más tiempo consume en la
simulación, porque:
• En sistemas nuevos, la información es comúnmente incompleta y toscamente estimada.
• En sistemas existentes, puede haber años de datos desorganizados listos para
clasificarse.
En general, la información está raramente disponible en la forma necesaria para construir un

modelo de simulación, por lo que siempre es necesario filtrarla y manipularla para tenerla en
el formato correcto, de tal forma que refleje las condiciones proyectadas bajo las cuales el
sistema va a ser analizado. Gran parte del esfuerzo en la recolección de datos termina con una
gran cantidad de datos, pero con poca información útil. Los datos deberán ser recolectados con
3
el propósito de evitar no sólo la pérdida de tiempo del modelador, sino también del tiempo de
las personas que proporcionan los datos.
El resultado del esfuerzo de la recolección de datos es un modelo conceptual o mental de

cómo el sistema está configurado y de cómo opera éste. Este modelo conceptual puede tomar
la forma de una descripción escrita, un diagrama de flujo, o incluso un simple bosquejo en la
parte trasera de un sobre. Esto se convierte en las bases del modelo de simulación que será
creado.
En este capítulo se presentaran unas indicaciones para la recolección de datos, técnicas

estadísticas para análisis de éstos y ajuste de datos a distribuciones de probabilidad, de tal
forma que al finalizar se puedan contestar las siguientes preguntas:
1. ¿Cuál es el mejor procedimiento a seguir cuando se está recolectando información?
2. ¿Qué tipos de datos deben ser recolectados?
3. ¿Qué fuentes deben ser usadas cuando se está recolectando información?
4. ¿Qué tipos de análisis deben ser ejecutados a los datos?
5. ¿Cómo seleccionar la correcta distribución de probabilidad que represente los datos?
6. ¿Cómo deben ser los datos documentados?
2.2 Indicaciones para la recolección de datos

La recolección de datos no debe ser realizada sin orden con la idea de que se podrá ordenar
toda la información una vez colectada. Los datos deben ser colectados sistemáticamente,
buscando datos específicos de información que son necesitados para la construcción del
modelo. Las siguientes indicaciones, que deben tenerse presentes, ayudan a tener un
determinado propósito cuando se hace una recolección de datos:
• Identificar los eventos activadores. Cuando se definen las actividades que ocurren en
el sistema a ser modelado, es importante identificar las causas o condiciones que
activan dichas actividades, por ejemplo, algunas causas de inactividad o paro
(downtime) pueden ser la no disponibilidad del almacén, por falla o porque fueron
planeadas o programadas.
• Enfocarse sólo en los factores de impacto clave. La segregación debe ser usada
cuando se recolectan datos para evitar la pérdida de tiempo localizando información
2
que tiene poco o nada de impacto en el funcionamiento del sistema. Por ejemplo,
actividades de mantenimiento fuera de turno que no retardan el flujo del proceso, paros
extremadamente raros, inspecciones sobre la marcha, entre otras.
• Aislar los tiempos actuales de la actividad. En la determinación de los tiempos de la
actividad, es importante aislar únicamente el tiempo que se toma en hacer la actividad
en sí, excluyendo cualquier tiempo extraño de espera por material y recursos para que
la actividad pueda ser realizada. Por ejemplo, el tiempo de espera por artículos o partes
no debe ser incluido en el tiempo para hacer un ensamble.
• Buscar agrupaciones comunes. Cuando se trata con mucha variedad en una
simulación tal como cientos de tipos de partes o perfiles de clientes, es útil buscar
patrones o grupos comunes. Por ejemplo, si se está modelando un proceso que tiene
300 tipos de partes, puede ser difícil obtener información de la mezcla exacta y de
todas las rutas variadas que pueden ocurrir. La solución es reducir los datos a patrones
y comportamientos comunes. Una forma para agrupar los datos es:
○ Identificar categorías generales dentro de las cuales todos los datos
puedan ser asignados.
○ Calcular o estimar el porcentaje de casos que caen dentro de cada categoría.
El secreto para identificar grupos comunes es “pensar probabilísticamente”.
• Enfocarse en la esencia más que en la substancia. Una definición de sistema para
propósitos de modelación debe capturar las relaciones causa-efecto e ignorar los
detalles insignificantes (para simulación). Esto, que es llamado sistema de abstracción,
busca definir la esencia del comportamiento del sistema más que la sustancia. Un
sistema debe ser abstracto al más alto nivel posible mientras se preserva la esencia de
la operación del sistema. Para lograr esto se puede usar el enfoque de la caja negra
“black box”, es decir, no se estará interesado en la naturaleza de la actividad que está
siendo ejecutada, tal como fresado o inspección, en cambio se estará interesado en el
impacto que la actividad tiene en el uso de los recursos y el retardo del flujo de la
entidad.
• Separar variables de entrada de variables de respuesta. Los modeladores novatos
comúnmente confunden las variables de entrada que definen la operación del sistema
con las variables de respuesta que reportan el rendimiento del sistema.
2
○ Las variables de entrada, que definen como el sistema trabaja (tiempos de la
actividad, secuencias de envío, etc.), debe ser el objetivo de la recolección de
datos.
○ Las variables de respuesta describen como el sistema responde a un conjunto
dado de variables de entrada dada (cantidad de trabajo en proceso, utilización
del recurso, tiempos de producción total, etc.). Las variables de respuesta no
“manejan” el comportamiento del modelo.
Los datos de rendimiento o respuesta deben ser de interés sólo si se está
construyendo un modelo y quiere validar la simulación comparando la salida de
simulación con el actual rendimiento.
2.3 Procedimiento para la recolección de datos

Si se siguen las indicaciones de la sección previa, el esfuerzo en la recolección de datos será
mucho más productivo y, si adicionalmente se llevan a cabo los pasos siguientes, se puede
asegurar que el tiempo y esfuerzo serán bien gastados:
Paso 1: Determinar los requerimientos de datos.
Paso 2. Usar un cuestionario.
Paso 2: Identificar fuentes de datos.
Paso 3: Recolectar los datos.
Paso 4: Hacer suposiciones cuando sea necesario.
Paso 5: Analizar los datos.
Paso 6: Documentar y aprobar los datos.
2.4 Determinar los datos necesarios

El primer paso en la recolección de datos es determinar los datos necesarios para construir el
modelo. Éstos deben ser dictados por el alcance del modelo y el nivel de detalle requerido para
conseguir los objetivos de la simulación. Los datos del sistema pueden ser categorizados
como:
• Datos estructurales, los cuales envuelven todos los objetos del sistema a ser
modelado. Esto incluye tales elementos como entidades (productos, clientes), recursos
(operadores, máquinas) y ubicaciones (áreas de trabajo, estaciones de trabajo). La
1
información estructural describe la configuración del croquis del sistema así como
identifica los artículos que se procesan.
• Datos operacionales, los cuales explican cómo opera el sistema, esto es, dónde,
cuándo y cómo los eventos y actividades toman lugar. Los datos operacionales
consisten de toda la información lógica o situacional acerca del sistema tal como rutas,
programación, tiempos de paro y asignación de recursos. Si el proceso está
estructurado y bien controlado, la información operacional es fácil de definir. Por otro
lado, si el proceso está envuelto en una operación informal, sin reglas, ésta puede ser
muy difícil de definir. Para un sistema a ser simulado las políticas operacionales, que
están indefinidas o ambiguas, deben ser codificadas en procedimientos definidos y
reglas. Si las decisiones y salidas varían, es importante al menos definir esta
variabilidad estadística usando expresiones o distribuciones de probabilidad.
• Datos numéricos, los cuales provienen de la información cuantitativa del sistema.
Ejemplos de datos numéricos incluyen capacidades, tasas de llegada, tiempos de
actividad, y tiempo entre fallas. Algunos valores numéricos son fáciles de determinar,
como las horas de trabajo o capacidades de recursos. Otros valores son más difíciles de
evaluar, como el tiempo entre fallas y la probabilidad de las rutas. Esto es
especialmente verdadero si el sistema a ser modelado es nuevo y los datos no están
disponibles.
2.5 Usar un cuestionario

Para ayudar a enfocar el esfuerzo de recolección de datos en la información correcta y para
asegurar reuniones productivas con aquellos en quienes se depende para obtener información
del modelo, puede ser útil preparar un cuestionario para su uso en entrevistas. Es mucho más
fácil para las personas responder a preguntas específicas que adivinar qué información es
necesaria. Cuando se conduce una entrevista, en algunas ocasiones, dar una lista específica de
preguntas anticipadas a la persona de contacto reduce la longitud de la entrevista y el número
de visitas de seguimiento que de otra manera serían necesarias.
Una lista de preguntas que podrían ser incluidas en un cuestionario, es:

1. ¿Qué tipo de entidades son procesadas en el sistema?
2
2. ¿Cuál es la secuencia de recorrido (cada paro o punto de decisión) para cada tipo de
entidad?
3. ¿Dónde, cuándo, y en qué cantidades las entidades entran en el sistema?
4. ¿Cuáles son los tiempos y requerimientos de recursos para cada operación y cada
movimiento?
5. ¿En qué cantidades son las entidades movidas y procesadas? (Definir para cada lugar)
6. ¿Qué provoca el movimiento de las entidades de locación a locación?
a. Terminación de la operación
b. Acumulación de un lote
c. Una señal de un proceso posterior, etc.
7. ¿Cómo las locaciones y recursos determinan que trabajo hacer después (la espera más
larga, la prioridad más alta, etc.)?
8. ¿Cómo son hechas las secuencia de recorrido y las decisiones de operación?
9. ¿Qué tan seguido ocurren las interrupciones (ajustes, descomposturas, etc.) y que
recursos y tiempo son requeridos cuando éstos pasan?
10. ¿Cuál es el horario de disponibilidad para locaciones y recursos (definir en términos
de turnos, descansos, intervalos de mantenimiento programados, etc.)?
Para cualquiera de las preguntas que pueda requerir información numérica que pudiera tomar
la forma de una variable aleatoria, es más conveniente obtener:
• Una buena muestra de datos. Si la muestra de datos no está disponible, es útil obtener
al menos estimaciones del mínimo, el más probable, y valores máximos hasta que
datos más precisos puedan ser obtenidos. Valores promedio deberían ser usados sólo
como estimados preliminares.
• O, la definición de la distribución actual de probabilidad.
Responder las preguntas deberá proporcionar la mayoría, sino toda la información necesaria
para construir el modelo. Dependiendo la naturaleza del sistema y nivel de detalle requerido,
preguntas adicionales pueden ser agregadas.
1
2.6 Identificar fuentes de datos
Raramente está disponible toda la información necesaria para construir un modelo de una sola
fuente. Ésta es comúnmente el resultado de:
• Revisar reportes.
• Conducir entrevistas personales.
• Hacer observaciones personales y
• Hacer muchas suposiciones.
El modelador debe estar dispuesto a fungir como detective para descubrir el conocimiento
necesario. “Ha sido mi experiencia,” apunta Carson (1986), “que para sistemas reales a gran
escala, rara vez existe algún individuo que entiende cómo funciona todo el sistema con un
detalle suficiente para construir un modelo de simulación preciso. El modelador deberá estar
dispuesto a hacerla un poco de detective para obtener el conocimiento necesario”. Por esta
razón, aquí es donde la persistencia, observación cuidadosa, y buenas habilidades de
comunicación son de gran ayuda.
Los tipos de fuentes dependen en sí se está simulando un sistema existente o uno nuevo:
• Para sistemas existentes habrá un rango amplio de fuentes de las cuales extraer datos,
dado que hay registros e individuos con conocimientos de primera mano del sistema.
Como el sistema existe, entonces el modelador puede, adicionalmente, observar
personalmente el sistema y por lo tanto ser menos dependiente de las entradas de otros.
• Para sistemas nuevos las fuentes de información están usualmente limitadas a aquellos
individuos directamente involucrados en el diseño del sistema. La mayoría de la
información es obtenida de las especificaciones del sistema y entrevistas con el equipo
de diseño.
Dependiendo de las circunstancias, algunas buenas fuentes de datos incluyen:

• Datos históricos: producción, ventas, tasas de desperdicio, fiabilidad del
equipamiento.
• Documentación del sistema: planes del proceso, distribución de la planta,
procedimientos de trabajo.
1
• Observación personal: recorridos de la facilidad, estudios de tiempo, muestreo del
trabajo
• Entrevistas al personal: Operadores (métodos de trabajo), personal de mantenimiento
(procedimiento de reparación), ingenieros (rutas), gerentes (secuenciación y
pronósticos).
• Comparación con sistemas similares: dentro de la compañía, con la misma industria;
con cualquier industria.
• Reclamos de vendedores: tiempos de proceso, confiabilidad de nuevas máquinas.
• Estimados de diseño: tiempos de proceso, tiempos de movimientos, y lo necesario
para un nuevo sistema.
• Investigación de literatura: investigaciones publicadas de curvas de aprendizaje,
estudios de tiempos predeterminados.
En decidir si se usa una fuente de datos particular, es importante considerar la confiabilidad y

accesibilidad de la fuente.
• La confiabilidad impacta la validez del modelo. La objetividad debe ser buscada
cuando se use cualquier fuente para evitar sesgo y tendencia de la información.
• La accesibilidad es también un factor en la selección de la fuente. Si la fuente es de
difícil acceso, tal como un dato histórico difícil de obtener por que se encuentra en
algún archivo corporativo, o sepultado en algún punto entre cientos de reportes, éste
puede ser pasado por alto. El principio a seguir es averiguar que fuentes estas
accesibles y entonces usar las fuentes que proporcionan la información más completa
y confiable. Las fuentes secundarias pueden siempre validar la fuente primaria.
2.7 Recolección de datos

Cuando se recolectan datos, lo mejor es ir de lo general a lo específico. Consecuentemente con
este enfoque, los datos deberán ser recolectados en la secuencia siguiente:
1. Definir todo el flujo de la entidad.
2. Desarrollar una descripción de la operación.
3. Definir detalles circunstanciales y confirmar los valores de los datos.
1
Esto no significa, necesariamente, que los datos estarán disponibles en esta secuencia. Por
ejemplo:
• Algunas suposiciones necesitan ser hechas inicialmente para que surjan con una
definición completa del flujo de la entidad.
• Otra Información circunstancial, obtenida previamente, tal como tiempos de paro,
necesita ser segregada hasta que ésta sea necesitada en un estado posterior de
construcción del modelo.
En la práctica, la recolección de información continúa por el final del proyecto de simulación,

por ejemplo:
• Ver si no hay cambios de objetivos.
• Si la información no disponible al inicio del proyecto empieza a materializarse.
2.7.1 Definir todo el flujo de la entidad

La primera área de enfoque en la recolección de datos debe estar en la definición del flujo
básico de la entidad a través del sistema. Esto establece una estructura en la cual datos
adicionales pueden ser anexados. El flujo de la entidad está definido por el seguimiento del
movimiento de la entidad a través del sistema, tomando la perspectiva de la entidad misma. El
flujo total de la entidad se describe mejor usando un diagrama de flujo de la entidad (Figura
2.1), o quizá superponiendo el flujo de la entidad en el croquis actual del sistema. El diagrama
de
Estación 3B
21
3A
Figura 2.1 Diagrama de flujo de una entidad.
1
• Un diagrama de flujo de proceso muestra la secuencia lógica de las actividades a través
de la cual las entidades van y definen que pasa con la entidad, no donde sucede.
• El diagrama de flujo de la entidad, por el otro lado, no es más de un diagrama de ruta
que muestra el movimiento físico de las entidades a través del sistema de ubicación a
ubicación. Este diagrama debe delinear cualquier bifurcación que pueda ocurrir en el
flujo tal como rutas a centros de trabajo alternativos o lazos de reproceso. El propósito
del diagrama de flujo es documentar el flujo total de entidades en el sistema y proveer
una ayuda visual para comunicar el flujo de la entidad a otros.
2.7.2 Desarrollando una descripción de la operación

Una vez que el diagrama de flujo de la entidad ha sido creado, una descripción de la operación
debe ser desarrollada para explicar cómo las entidades son procesadas a través del sistema.
Una descripción de la operación puede ser escrita paso a paso, de una forma resumida, o puede
ser representada de forma tabular (Tabla 2.1). Para sistemas sencillos en el diagrama de flujo
de la entidad puede ser anotada información operacional. De cualquier forma, la descripción
debe identificar para cada tipo de entidad en cada ubicación del sistema:
Tabla 2.1 Descripción del flujo de la entidad de la figura 2.1

Tiempo de
T.de Recurso de Locación movimiento Recurso p/
Locación actividad la actividad siguiente Activador . mover
Estación. 1 N (1,0.2) Operador 1 Estación 2 Pieza 0.2 min. AGV
min.
Estaciona. 2 N (5,0.7) Operador 2 Estación 3A Pieza 0.9 min. AGV
min. Estación 3B Pieza 0.8 min. AGV
Estación.3A N (15,0.4) Operador 3 Salida Pieza Nada Nada
min.
Estación.3B N (3,0.5) Operador 4 Salida Pieza Nada Nada
min.
• Los requerimientos de tiempo y recursos de la actividad u operación.

• Dónde, cuándo, y en qué cantidad las entidades son enviadas a la siguiente ubicación.
• Los requerimientos de tiempo y recursos para moverlas a la siguiente ubicación.
Se debe percatar que la descripción de la operación (Tabla 2.1) realmente provee los detalles
del diagrama de flujo de la entidad (Figura 2.1). Este detalle es necesario para definir el
modelo de simulación. Los tiempos asociados con actividades y movimientos pueden ser sólo
1
estimados en esta etapa. Lo importante a lograr en este punto es describir como las entidades
son procesadas a través del sistema.
El diagrama de flujo de la entidad, junto con la descripción de la operación, provee un buen

documento con datos que puede ser ampliado a medida que avance el proyecto. En este punto,
es buena idea realizar una caminata a través de la operación usando el diagrama de flujo de la
entidad como punto de enfoque. Los individuos deben estar involucrados en esta revisión ya
que ellos son los que están familiarizados con la operación para asegurar que la descripción de
la operación es precisa y completa.
Basado en esta descripción de la operación, un primer corte en la construcción del modelo

puede comenzar. Obtener un modelo básico y correrlo en un proyecto de simulación ayuda a
mantener el interés de los involucrados. Esto también ayuda a identificar información faltante
y motiva a los miembros del equipo a tratar de llenar los huecos de información. Preguntas
adicionales sobre la operación del sistema son usualmente construidas una vez que el modelo
básico está corriendo, tales como:
• ¿Han sido tomadas en cuenta todas las rutas?
• ¿Ha sido alguna entidad omitida?
En esencia, modelar el sistema actualmente ayuda a definir y validar los datos del sistema.
2.7.3 Definir detalles circunstanciales y confirmar los valores de los datos

Una vez que un modelo ha sido construido y probado, detalles adicionales del proceso tales
como tiempos muertos, ajustes y prioridades de trabajo pueden ser agregados. Esta
información no es esencial para tener el modelo corriendo, pero es necesaria para un modelo
completo y preciso. En ocasiones la decisión de incluir un elemento particular del sistema tal
como un tiempo muerto es más fácil de hacer una vez que el modelo básico está corriendo. El
impacto potencial del elemento y el tiempo disponible para implementarlo en el modelo están
mucho más claros que al comienzo del proyecto.
En este punto, cualquier valor numérico como tiempos de actividad, tasas de llegadas, y otros
deben también ser confirmados. Tener un modelo corriendo permite que los estimados y otras
2
suposiciones sean probados para ver si es necesario gastar un tiempo adicional para obtener
información más precisa. En sistemas existentes para obtener datos más precisos es común
realizar un estudio de tiempos de la actividad o evento bajo investigación:
• Una muestra es recolectada para representar todas las condiciones bajo la cual la
actividad o evento sucede.
• Cualquier sesgo que no represente condiciones de operación normal es eliminado.
• El tamaño de la muestra debe ser suficientemente grande para proporcionar una
imagen precisa, pero no tan grande que esta se convierta en costosa sin que realmente
añada información adicional.
2.8 Hacer suposiciones

Un modelo de simulación puede correr con datos incorrectos, pero no puede correr con datos
incompletos. Esta es una de las razones de porque la simulación es tan benéfica. La
simulación:
• Consigue que se pongan los detalles operacionales que actualmente definen como
corre el sistema.
• Muestra que cierta información no está disponible o quizá es poco confiable después
de que la recolección de datos ha comenzado.
• Muestra que información completa, segura y actualizada es raramente obtenible,
especialmente cuando se modela un sistema nuevo del cual se conoce poco. Incluso
para sistemas ya existentes, puede ser poco práctico obtener cierto tipo de datos, por
ejemplo los largos intervalos de tiempo entre fallas de máquinas.
Debido a que la confiabilidad de la información en nuevos sistemas es a menudo cuestionable,

entonces la validación del modelo en sí mismo puede ser sospechosa. La información precisa
va a ser escaza en al menos una o más aéreas de casi cualquier modelo, incluso en modelos de
sistemas existentes, por lo tanto debido a que la simulación casi siempre se corre por alguna
situación futura anticipada, siempre habrá suposiciones hechas con respecto a cualquier
condición futura desconocida. A pesar de todas estas consideraciones se debe tener presente
que en simulación se debe estar dispuesto a comenzar con suposiciones y estar agradecido en
cualquier momento que se puedan hacer aseveraciones.
2
Entonces, de esto, surge la pregunta siguiente: ¿qué tan buena es una simulación que está
basada en suposiciones? Para dar respuesta, hay que recordar que rutinariamente se toman
decisiones en la vida basadas en suposiciones y por consiguiente nunca se puede estar seguro
de las consecuencias. Cualquier predicción acerca de cómo operara el sistema en el futuro está
basado en suposiciones del futuro. No hay nada malo en hacer suposiciones al hacer
simulación siempre y cuando la confianza en los resultados nunca exceda la confianza en los
supuestos que subyacen. La razón para efectuar una simulación es ser capaz de predecir el
funcionamiento del sistema basado en determinadas suposiciones. Es mejor hacer decisiones
conociendo las implicaciones de las decisiones que calcular el error por tomar inferencias
erróneas de estas suposiciones. Incorporar las suposiciones en el modelo puede actualmente
ayudar a validar las suposiciones por ver si ellas tienen sentido en la operación total del
modelo. Ver comportamientos absurdos del modelo sólo dice que ciertas suposiciones no
tienen sentido.
Para estudios comparativos en la cual dos alternativas son evaluadas, el hecho de hacer
suposiciones es menos significativo porque se está evaluando el rendimiento relativo, no el
rendimiento absoluto. Por ejemplo:
• Si se está tratando de determinar si los retardos en el tiempo pueden ser mejorados por
asignar tareas a un recurso por fecha de compromiso en lugar de primero entra–
primero sale, una simulación puede proporcionar información útil para hacer esta
decisión sin necesariamente tener completamente seguros los datos. Debido a que
ambos modelos usan las mismas suposiciones es posible comparar el rendimiento
relativo.
• Se puede no conocer cuál es el rendimiento absoluto de la mejor opción, pero se
debiera de ser capaz de evaluar claramente la seguridad de que tan buena es una opción
comparada con la otra.
Algunas suposiciones naturalmente tendrán una mayor influencia en la validez del modelo que
otras, por ejemplo:
• En un sistema con tiempos largos de procesamiento comparado a los tiempos de
movimiento, un tiempo de movimiento que está abajo por 20% puede hacer poca o no
diferencia en la salida del sistema.
3
• Por el otro lado, si un tiempo de la actividad que está por abajo del 20% puede hacer
un 20% de diferencia en la salida del sistema
Una manera de evaluar la influencia de una suposición en el modelo es a través de un análisis

de sensibilidad. El análisis de sensibilidad, en el cual un rango de valores es probado por el
impacto potencial en el funcionamiento del modelo, puede indicar sólo que tan precisa la
suposición necesita ser. Una decisión puede ser hecha para confirmar la suposición de dejarla
como es. Si, por ejemplo:
• El grado de variación en el tiempo de una actividad tienen poco o ningún impacto en el
funcionamiento del sistema, entonces una tiempo constante de la actividad puede ser
usado.
• En el otro extremo, se puede encontrar que incluso el tipo de distribución tiene un
notable impacto en el comportamiento del modelo y por lo tanto necesita ser
seleccionado cuidadosamente.
El simple enfoque para análisis de sensibilidad para una suposición particular es correr tres
diferentes escenarios presentando:
• Una mejor o el caso más optimista
• Una peor o el caso más pesimista
• Una más probable o el caso de mejor esperanza.
Estas corridas ayudaran a determinar la magnitud en la cual la suposición influencia el

comportamiento del modelo. También ayudara a asegurar el riesgo de fiarse en la particular
suposición.
2.9 Análisis estadístico de los datos numéricos

Para el análisis de los datos, considerar:
• Que datos en bruto deben ser analizados e interpretados para que sirvan en un modelo
de simulación, de manera que la operación del sistema sea representada correctamente
en el modelo.
• Que eventos activadores y otras relaciones de causa-efecto necesitan ser identificadas.
• Que datos irrelevantes e insignificantes deben ser descartados.
1
• Que tiempos de la actividad actual necesitan ser aislados de las demoras causadas por
el sistema.
• Que numerosas eventualidades de una actividad en particular necesitan ser
generalizadas en unos cuantos patrones de definición.
• Que descripciones complejas de la operación necesitan ser convertidas en
abstracciones simplificadas.
• Que entradas o variables que definen el sistema necesitan ser separadas de las salidas o
variables de respuesta y, finalmente.
• Que datos históricos resumidos deberán ser proyectados hacia el periodo de tiempo a
ser estudiado por la simulación. La información que ayuda a ajustar los datos para el
futuro pueden ser obtenidos de pronósticos de ventas, tendencias de mercado, o planes
de negocios.
Antes de desarrollar una representación de los datos, los datos deben ser analizados para
verificar su idoneidad para su uso en el modelo de simulación. Las características siguientes
de los datos deben ser determinados:
• Independencia (Aleatoriedad).
• Homogeneidad. Que los datos provengan de la misma distribución.
• Estacionalidad. Que la distribución de los datos no cambie con el tiempo.
Utilizando un programa de análisis de datos como el Stat Fit, de Promodel o Expert Fit de
Flexsim las características de los datos pueden ser analizadas automáticamente, probadas para
su uso en la simulación, y comparadas para obtener el mejor ajuste a una distribución.
Algunos de los parámetros que dan un análisis descriptivo de toda la muestra recopilada son:
• Media: es el valor promedio de los datos.
• Mediana: es el valor de la observación que está a la mitad, cuando los datos son
puestos en orden ascendente.
• Moda: es el valor que se repite con mayor frecuencia.
• Desviación estándar: Una medida de la desviación promedio desde la media.
• Varianza: es el cuadrado de la desviación estándar.
1
• Coeficiente de variación: es la desviación estándar dividida por la media. Este valor
representa una medida relativa de la desviación estándar a la media.
• Sesgo: Una medida de simetría.
○ Si el máximo valor está más lejos de la media que el mínimo valor, el dato
estará sesgado a la derecha, o positivamente sesgado.
○ De otra manera, estará sesgado a la izquierda o negativamente sesgado
• Kurtosis: es una medida de la uniformidad o la altura de la distribución.
• Rango: la diferencia entre los valores máximos y mínimos.
Un análisis descriptivo dice las características clave acerca del conjunto de datos, pero no dice
que tan adecuados son los datos para su uso en el modelo de simulación. Lo que interesa poder
hacer es ajustar los datos de la muestra a una distribución teórica, como la normal o la
distribución beta. Esto requiere que los datos sean:
• Independientes, es decir totalmente aleatorios, y
• Idénticamente distribuidos, es decir que todos los datos pertenecen a la misma
distribución.
Cuando se recolectan datos de un sistema dinámico y posiblemente un sistema con variación

con tiempos variantes, se debe estar sensible a las tendencias, patrones y ciclos que puedan
ocurrir con el tiempo. Pruebas específicas pueden realizarse para determinar si los datos son
independientes e idénticamente distribuidos tales como:
• Pruebas de independencia
• Pruebas para datos distribuidos idénticamente
2.9.1 Pruebas de independencia

En esta sección se describirán 3 pruebas para probar la independencia de los datos:
• Diagrama de dispersión.
• Diagrama de correlación.
• Prueba de corridas.
Cada prueba es específica a escalas diferentes de aleatoriedad, por tal razón, las tres deben ser
usadas para concluir la independencia de datos (Harrel, 2004).
1
El diagrama de dispersión y el diagrama de correlación son pruebas estadísticas paramétricas
en la cual la naturaleza de las graficas dependen del tipo de distribución de los datos. La
prueba de corridas es una prueba no paramétricas y no hace suposición acerca de la
distribución de los datos.
Los datos son independientes si el valor de una observación no es influenciada por el valor de
otra observación.
• La dependencia es común en el muestreo de una población finita cuando el muestreo es
realizado sin remplazo. Por ejemplo, en el muestreo de un mazo de cartas para
encontrar la probabilidad de sacar un as, la probabilidad de que la siguiente carta sea as
aumenta con cada carta que no sea un as.
• Para poblaciones muy grandes o infinitas tal como actividades continuas o eventos
repetitivos, la dependencia de datos se manifiesta comúnmente en si misma cuando el
valor de una observación es influenciada por el valor de una observación anterior. En
el muestreo la probabilidad de que un objeto se defectuoso, por ejemplo, en ocasiones
es mucho mayor si el artículo anterior fue defectuoso (los defectos ocurren
generalmente en ondas).
Cuando el valor de una observación es dependiente del valor de la observación anterior, se

dice que los datos están correlacionados. Varias técnicas son usadas para determinar la
dependencia de datos o correlación, entre ellas se encuentra:
• Diagrama de dispersión, el cual es un diagrama de puntos adyacentes en la secuencia
de valores observados graficados contra cada otro. De esta manera cada punto
graficado representa un par de observaciones consecutivas (Xi, Xi+1) para i=1,2,…, n-1.
○ Si las Xi’s son independientes, los puntos estarán graficados aleatoriamente
(Figura 2.2).
○ Si las Xi’s son dependientes una de la otra, una línea de tendencia será aparente
(Figura 2.3).
 Si las Xi’s están correlacionados positivamente, una línea de tendencia
positiva hacia arriba aparecerá.
 Si las Xi’s están correlacionados negativamente una línea de tendencia
negativa aparecerá.
3
Figura 2.2 Diagrama de dispersión de datos independientes.
Figura 2.3 Diagrama de dispersión de datos dependientes.

Un diagrama de dispersión es una forma simple de detectar un comportamiento de
dependencia fuerte.
• Diagrama de correlación. Si las observaciones en una muestra son independientes,
estas además no presentaran correlación. Los datos correlacionados son dependientes
1
uno de cada otro y se dice que están auto correlacionados. Una medida de auto
correlación, rho( ), puede ser calculada usando la Ecuación 2.1:

ρ
....……………………. Ecuación 2.1

n− j ( xi − x )( xi + j − x )
ρ =∑
i =1 σ 2 (n − j )
Donde:
j= La diferencia o distancia entre los puntos.
= La desviación estándar de la población, aproximada por la desviación
σ
estándar de la muestra; y
= La media de la muestra.
x
El cálculo es efectuado para 1/5 de la longitud del conjunto de datos, donde los pares
decrecientes comienzan a hacer el cálculo poco confiable. Este cálculo de auto
correlación asume que los datos son tomados de un proceso estacionario; es decir, los
datos parecerían venir de la misma distribución sin importar cuando fueron
muestreados (esto es, los datos no cambian con el tiempo).
○ En el caso de una serie de tiempos, esto implica que el origen del tiempo puede
ser cambiado sin afectar las características estadísticas de las series de datos.
De esta manera la varianza para toda la muestra puede ser usada para
representar la varianza de cualquier subconjunto.
○ Si el proceso a ser estudiado no es estacionario, el cálculo de auto correlación
es más complejo.
El valor de auto correlación varía entre 1 y -1 (es decir, entre correlación positiva y
negativa). Si la correlación está cerca de cualquiera de los extremos, los datos son auto
correlacionado. En la Figura 2.4, que muestra un diagrama de auto correlación, hay
que notar que los valores son cercanos a 0, indicando muy poca o nada de correlación,
2
y en la Figura 2.5 se muestra un diagrama de auto correlación con un gran nivel de
correlación.
• Prueba de Corridas.
La prueba de corridas busca por corridas en los datos que puedan indicar correlación
de datos. Una corrida en una serie de observaciones es la ocurrencia de una secuencia
continua de números mostrando la misma tendencia. Por ejemplo, un conjunto
consecutivo de números crecientes o decrecientes se dice que proporcionan corridas
hacia arriba y abajo, respectivamente. Existen 2 tipos de pruebas de corridas:
○ La prueba de la mediana que mide el número de corridas, es decir, secuencias
de números por arriba y debajo de la mediana. La corrida puede ser un solo
número por debajo o arriba de la mediana si los números adyacentes a este
están en la dirección opuesta.
Figura 2.4 Diagrama de auto correlación con poca o nada de correlación.
2
Figura 2.5 Diagrama de auto correlación con alto nivel de correlación.
Si hay muchas o pocas corridas, la aleatoriedad de la serie es rechazada. Esta

prueba de corridas de la mediana usa una aproximación normal para la
aceptación o el rechazo que requiere que el número datos por arriba o por
debajo de la media sean mayores que 10.
○ La prueba de punto de cambio que mide el número de veces que las series
cambian de dirección (Kontz, 1992). De nuevo, si existen muchos o pocos
puntos de cambio, la aleatoriedad de la serie es rechazada. La prueba de las
corridas de puntos de cambio usan una aproximación normal para la aceptación
o rechazo que requiere más de 12 puntos de datos.
El resultado de cualquiera de estas dos pruebas es:

○ No rechazar la hipótesis de que la serie es aleatoria, o
○ Rechazar la hipótesis con el nivel de significancia dado.
1
El nivel de significancia es la probabilidad de que una hipótesis rechazada sea cierta,
es decir, que la prueba rechace la aleatoriedad de las series cuando las series son
aleatorias.
Existen muchas otras pruebas para la aleatoriedad, algunas de las más sensibles
requieren grandes conjuntos de datos, por encima de 4,000 datos.
El número de corridas en una serie de observaciones indica la aleatoriedad de aquellas

observaciones.
○ Pocas corridas indican una fuerte correlación, punto a punto.
○ Varias corridas indican un comportamiento cíclico.
2.9.2 Pruebas para datos distribuidos idénticamente

Cuando se muestrean datos, a menudo es necesario determinar:
• Si los datos de un solo conjunto de datos provienen de la misma población (ellos están
idénticamente distribuidos) o si éstos representan múltiples poblaciones.
• Si dos o más conjuntos de datos pueden ser tratados como si provinieran de la misma
población o si es necesario mantenerlos como poblaciones separadas.
Existen varias maneras para determinar si los datos provienen de la misma población; éstas
son llamadas, algunas veces, pruebas de homogeneidad. Para determinar si los datos de un
conjunto de datos están distribuidos idénticamente, pueden usarse dos casos.
Caso 1.
El primer caso se da cuando en la recolección de datos, al definir un tiempo de una actividad
particular o intervalo del evento, se asume que ellos están distribuidos idénticamente. Sobre un
análisis más cercano, sin embargo, en algunas ocasiones se descubre que realmente son datos
no homogéneos. Ejemplos de conjunto de datos que tienden a ser no homogéneos incluyen:
• Tiempos de actividad que son más grandes o más pequeños dependiendo del tipo de
entidad a ser procesada.
• Tiempos de llegada que fluctúan en longitud dependiendo de la hora del día o el día de
la semana.
3
• Tiempo entre fallas y tiempo para reparar donde la falla puede resultar de un número
de causas diferentes.
En cada una de estos casos, los datos recolectados pueden representar múltiples poblaciones.
Probar para ver si los datos están distribuidos idénticamente puede ser hecho de varias
maneras. Un enfoque es la inspección visual de la distribución para ver si ésta tiene más de
una moda.
• Se puede encontrar, por ejemplo, que una grafica de valores de paros observados es
bimodal (Figura 2.6). El hecho de que hay dos agrupaciones de datos indica que al
menos hay dos causas diferentes de paros, cada una definiendo diferentes
distribuciones para el tiempo de reparación. Es probable que después de examinar la
causa de los paros, se descubra que algunas fueron debidas a partes atoradas que
fueron rápidamente corregidas, mientras que otras fueron debidas a fallas mecánicas
que les tomo más tiempo repararlas.
• Un tipo de dato no homogéneo ocurre cuando la distribución cambia con el tiempo.
Esto es diferente de dos o más distribuciones que se manifiestan sobre el mismo
periodo de tiempo como la que es causada por la mezcla de tipos paros.
○ Un ejemplo de una distribución que cambia con el tiempo puede resultar de un
operador que trabaja 20% más rápido en la segunda hora de su turno con
respecto a su primera hora. Sobre periodos largos de tiempo, el fenómeno de la
curva de aprendizaje ocurre cuando los trabajadores trabajan a un rango más
rápido cuando ellos logran experiencia en el trabajo. Tales distribuciones son
llamadas no estacionarias o con variante de tiempo debido a su naturaleza de
cambio con el tiempo.
○ Otro ejemplo común de una distribución que cambia con el tiempo, es la tasa
de llegadas de los clientes a una instalación de servicio. Las llegadas de los
clientes a un banco o una tienda, fluctúan a través del día.
Las distribuciones no estacionarias pueden ser detectadas graficando subgrupos de datos que
ocurren dentro de un intervalo sucesivo de tiempo. Por ejemplo, llegadas muestreadas cada
media hora a un almacén, entre las 10 A.M. y 6 P.M. pueden ser graficadas separadas de las
llegadas entre las 9 y 10 A.M., y así sucesivamente (Figura 2.7). Note en esta figura que
1
mientras el tipo de distribución (Poisson) es la misma para cada periodo de tiempo, la tasa (y
de aquí el tiempo medio entre llegadas) cambia cada media hora.
Si la distribución es de un tipo diferente o pertenece a la misma distribución pero con un valor
mayor o menor de la media sobre el tiempo, la distribución es no estacionaria. Este factor
deberá ser tomado en cuenta para definir el comportamiento del modelo.
Figura 2.6 Distribución bimodal.
Figura 2.7 Cambio en las llegadas de los clientes entre

las 10 A.M. y las 6 P.M.
Caso 2.
2
El segundo caso se da cuando dos grupos de datos han sido recolectados y se desea conocer si
ellos provienen de la misma población o son idénticamente distribuidos. Situaciones, en donde
las pruebas para datos idénticamente distribuidos, son de gran ayuda, son las siguientes:
• Tiempos de llegadas que han sido recolectadas en diferentes días y se quiere saber si
los datos de cada día vienen de la misma distribución.
• Tiempos recolectados de la actividad de 2 o más operadores y se quiere saber si la
misma distribución puede ser usada para los operadores.
• Tiempos de falla que han sido recolectados en 4 maquinas diferentes y se está
interesado en conocer si están idénticamente distribuidos.
Una forma sencilla de decir si dos conjuntos de datos tienen la misma distribución es correr el
Stat Fit o el Expert Fit y ver que distribución se ajusta mejor a cada conjunto de datos. Si la
misma distribución se ajusta a ambos conjuntos de datos, se puede asumir que ellos vienen de
la misma población. Si se está en duda, ellos pueden ser modelados, simplemente, como
distribuciones diferentes.
Varias pruebas formales existen para determinar si 2 o más grupos de datos pertenecen a
poblaciones idénticas. Algunas de estas aplican a familias especificas de distribuciones tal
como el análisis de varianza (ANOVA de las siglas en inglés de analysis of variance) pruebas
datos normalmente distribuidos. Otras prueban son:
• La prueba de dos muestras -Kolmogorov-Smirnov.
• La prueba de múltiples muestras chi-cuadrada.
2.10 Ajuste de distribución

Una vez que los datos numéricos han sido probados por independencia y correlación, ellos
pueden ser convertidos a una forma adecuada para su uso en la simulación. Tomar muestras de
datos numéricos que han sido obtenidos de tiempos de actividad, intervalos de llegadas,
cantidades en lotes, etc., pueden ser representados en un modelo de simulación de tres
maneras.
1. Los datos pueden ser usados exactamente en la manera en que fueron tomados.
Utilizar los datos tal y como fueron tomados es relativamente directo pero
problemático. Durante la simulación, los valores de los datos son leídos directamente
1
del archivo de datos de la muestra en el orden en que fueron recolectados. El problema
con esta técnica es que el conjunto de datos no es lo suficientemente grande para
representar la población. Esto también representa un problema a la hora de correr
múltiples replicas de un experimento de simulación debido a los grupos separados de
datos, los cuales comúnmente no están disponibles, son necesarios para cada replica.
Los conjuntos de datos de la muestra tienden a ser usados directamente en una
simulación cuando ellos son datos muestreados de otro modelo de simulación
relacionado, desde el cual éste recibe su entrada. Esta técnica de modelo particionado
en ocasiones es usada en la simulación de grandes sistemas. Los tiempos de salida para
entidades en una simulación se convierten en el flujo de llegadas usado para el modelo
al que va a alimentar.
2. Una distribución empírica que caracterice los datos puede ser usada.
Utilizar una distribución empírica requiere que los datos sean convertidos a una
distribución de frecuencia continua o discreta.
• Una distribución de frecuencia continua resume el porcentaje de valores que
caen dentro de intervalos dados. En este caso de distribución continua los
intervalos necesitan no ser iguales en amplitud
• En el caso de una distribución de frecuencia discreta es el porcentaje de veces
en que ocurre un valor en particular.
• Durante la simulación, variables aleatorias son generadas usando una función
de distribución continua empírica basada en datos agrupados (Law and Kelton,
2000). Los inconvenientes de utilizar una distribución empírica como entrada
para la simulación son dobles.
• Un tamaño de muestra insuficiente puede crear un sesgo inclinación artificial o
“encrespamiento” en la distribución que no represente la verdadera
distribución.
• Distribuciones empíricas basadas en un tamaño de muestra limitada
comúnmente fallan en capturar valores extremos raros que pueden existir en la
población de la cual fueron muestreados.
○ Como regla general, las distribuciones empíricas deberán ser usadas sola para
modelar cortes-ásperos o cuando la forma es muy irregular y no permite un
buen ajuste a una distribución.
2
1. El método preferido es seleccionar una distribución teórica que se ajuste de la mejor
manera a los datos.
Representar los datos usando una distribución teórica involucra el ajuste de los datos a
una distribución teórica. Durante la simulación, variables aleatorias son generadas de la
distribución de probabilidad para proveer los valores aleatorios simulados. Ajustar una
distribución teórica a la muestra de datos suaviza las irregularidades artificiales en los
datos y asegura que los valores extremos sean incluidos. Por esta razón, es mejor usar
una distribución teórica si un buen ajuste razonable existe. Los programas más
populares de simulación proveen utilidades para ajustar una distribución a datos
numéricos, de esta manera se libera al modelador de este complicado procedimiento.
Un modelador deberá ser precavido cuando utilice una distribución teórica para
asegurar que si una distribución no acotada es usada, los valores extremos que puedan
ser generados sean realistas.
2.10.1 Distribución de frecuencias

Independientemente de si una distribución empírica o teórica es usada, es una buena idea
construir una distribución de frecuencias para obtener una vista resumida de los datos.
Entonces una prueba de ajuste puede ser realizada para evaluar si una distribución teórica
estándar, como la normal, se ajusta a los datos. Una distribución de frecuencias agrupa o
deposita los datos en intervalos o celdas de acuerdo a la frecuencia de ocurrencia. Mostrar la
frecuencia con la cual los valores ocurren dentro de cada celda da una clara idea de cómo las
observaciones están distribuidas a través del rango de los datos. Las distribuciones de
frecuencias pueden ser discretas o continuas.
• Distribución de frecuencia discreta
Una distribución de frecuencia discreta está limitada a valores específicos. Es decir,
sólo frecuencias de un grupo finito de valores específicos son mostrados. Para ilustrar
una distribución de frecuencias discreta, suponer que una muestra es tomada sobre el
número de entradas de clientes en un restaurante de comida rápida por intervalo de
cinco minutos. La Tabla 2.2 resume observaciones hechas durante la hora del almuerzo
(entre 11 A.M y 1 P.M.) por cinco días laborales sobre un período de 20 semanas.
Las distribuciones de frecuencias pueden ser gráficamente mostradas usando un
histograma. Un histograma de una distribución de frecuencias discreta se muestra en la
1
Figura 2.8 con los datos de la Tabla 2.2. Esta grafica fue obtenida usando el software
Minitab.
Tabla 2.2 Datos de los clientes

Llegadas Llegadas
por intervalo de 5 por intervalo de 5
minutos Frecuencia minutos Frecuencia
0 15 6 7
1 11 7 4
2 19 8 5
3 16 9 3
4 8 10 3
5 8 11 1
Histograma de Llegada de clientes

20
15
Frecuencia
10
0
0 2 4 6 8 10
Llegada de clientes
Figura 2.8 Histograma de los datos de los clientes mostrados en la tabla 2.2.
• Distribución de Frecuencia continua
Una distribución de frecuencias continua define rangos de valores dentro de los cuales
los valores de la muestra caen. Se puede construir una distribución continua para la
muestra de 100 observaciones de tiempos de inspección (Tabla 2.3) debido a que los
1
valores pueden tomar cualquier valor dentro del intervalo especificado. Un histograma
basado en esta distribución de frecuencias se muestra en la Figura 2.9. Ésta figura con
6 intervalos fue creada con el software Stat Fit.
Tabla 2.3 100 observaciones de tiempos de inspección.

0.99 0.41 0.89 0.59 0.98 0.47 0.7 0.94 0.39 0.92
1.3 0.67 0.64 0.88 0.57 0.87 0.43 0.97 1.2 1.5
1.2 0.98 0.89 0.62 0.97 1.3 1.2 1.1 1 0.44
0.67 1.7 1.4 1 1 0.88 0.52 1.3 0.59 0.35
0.67 0.51 0.72 0.76 0.61 0.37 0.66 0.75 1.1 0.76
0.79 0.78 0.49 1.1 0.74 0.97 0.93 0.76 0.66 0.57
1.2 0.49 0.92 1.5 1.1 0.64 0.96 0.87 1.1 0.5
0.6 1.3 1.3 1.4 1.3 0.96 0.95 1.6 0.58 1.1
0.43 1.6 1.2 0.49 0.35 0.41 0.54 0.83 1.2 0.99
1 0.65 0.82 0.52 0.52 0.8 0.72 1.2 0.59 1.6
Figura 2.9 Histograma de frecuencias continuas con 6 intervalos, que

se muestran en la tabla 2.3.
Note que la distribución de frecuencia y el histograma para la muestra de tiempos de

inspección está basada en dividir los datos en 6 intervalos o celdas. Mientras exista una guía
para determinar el mejor tamaño de intervalo o tamaño de celda, la cosa más importante es
asegurar que las celdas sean suficientes para mostrar una transición gradual en los valores,
pero no muchas celdas que haga que la agrupación se convierta en oscura. El número de
1
intervalos debe ser basado en el número total de observaciones y la varianza en los datos. Una
regla del pulgar para determinar el número de intervalos es la raíz cubica del doble producto
del número de muestras, esto es . Éste es el método utilizado por default en el

3 (2 N )
software Stat Fit (Harrel, 2004), pero no por el software Expert Fit ya que éste no tiene una
regla general para seleccionar el número de intervalos, simplemente prueba diferentes
intervalos seleccionando el que refleje un histograma “suave” (Flexsim, 2009). El objetivo es
utilizar el número mínimo de intervalos posible sin perder la información de propagada de los
datos.
2.10.2 Distribuciones teóricas

Como se menciono previamente, puede ser apropiado utilizar una distribución de frecuencias
en un modelo de simulación como esta es; como una distribución empírica. Cada vez que sea
posible, sin embargo, la distribución subyacente de la cual los datos provienen deberá ser
determinada. De esta manera la distribución actual de la población puede ser usada para
generar variables aleatorias en la simulación en lugar de confiar sólo en un muestreo de
observaciones de la población. Definir la distribución teórica que mejor se ajuste a la muestra
de datos es llamado ajuste de la distribución.
• Las distribuciones teóricas pueden ser definidas por un simple conjunto de parámetros
que comúnmente definen dispersión y densidad. La distribución normal por ejemplo,
es definida por un valor medio y un valor de desviación estándar.
• Las distribuciones teóricas son continuas o discretas, dependiendo en si un conjunto
finito de valores dentro del rango o continuo infinito de posibles valores dentro de un
rango puede ocurrir.
• Las distribuciones discretas son raramente usadas en sistemas simulados de
manufactura y servicio debido a que estas pueden ser definidas por expresiones
simples de probabilidad.
Antes de discutir como las distribuciones teóricas se ajustan a los datos, es útil tener un
entendimiento básico de cuando menos las distribuciones teóricas más comunes. Banks and
Gibson (1997) mencionan que existen cerca de 12 distribuciones estadísticas que son
2
comúnmente usadas en la simulación. En este capítulo sólo se hará mención a las siguientes
distribuciones, debido a su familiaridad y fácil comprensión:
• Distribución binomial
• Distribución uniforme
• Distribución triangular
• Distribución normal
• Distribución exponencial
Es importante mencionar que los principiantes de la simulación se sientes muy a gusto

utilizando estas distribuciones, aunque, las precauciones dadas para su uso deben ser notadas.
Una lista de distribuciones teóricas y sus aplicaciones es dada en el apéndice A del libro de
Harrell (2004).
Distribución Binomial
La distribución binomial es una distribución de probabilidad discreta que expresa la
probabilidad (p) de que una condición particular o resultado pueda ocurrir en n pruebas. Se
llama a la ocurrencia del resultado de interés un éxito y una no ocurrencia como un fracaso.
Para aplicar por una distribución binomial, cada intento debe ser un intento Bernoulli:
• Esto debe ser independiente y tener sólo 2 posibles resultados (éxito o fracaso).
• La probabilidad de un éxito debe mantenerse constante de prueba a prueba.
• La media de una distribución binomial está dada por np, donde n es el número de
intentos y p es la probabilidad de éxito de cualquier ensayo dado.
• La varianza está dada por np(1-p) .
Una aplicación común de la distribución binomial en la simulación es para:

• Probar el número de piezas defectuosas en un lote
• Probar el número de clientes de un tipo particular dentro de un grupo de clientes.
Suponer, por ejemplo, que es conocida que la probabilidad de que una parte defectuosa
provenga de una operación es 0.1 y que se inspeccionan las partes en lotes de 10 tamaños. El
número de partes defectuosas para cualquier muestra dada se puede determinar generando una
2
variable aleatoria binomial. La función de probabilidad de la distribución binomial, para este
ejemplo, se muestra en la Figura 2.10 (n=10, p=0.1).
Distribución uniforme
La distribución uniforme o rectangular es usada para describir un proceso en el cual el
resultado es igualmente probable de caer entre los valores a y b. En una distribución uniforme:
• La media es (a+b)/2.
• La varianza está expresada por .
(b − a ) 2
12
La función de densidad de probabilidad para la distribución uniforme se muestra en la Figura

2.11.
Figura 2.10 Función de probabilidad de una distribución

binomial (n=10, p=0.1).
2
Figura 2.11 Función de densidad de una distribución uniforme.
La distribución uniforme es comúnmente usada en las etapas preliminares de los proyectos de

simulación debido a su fuente conveniente y bien entendida de variación aleatoria. En el
mundo real, es extremadamente raro encontrar un tiempo de actividad que esté uniformemente
distribuido por que todos los tiempos de actividad tienen una tendencia central o moda. En
ocasiones una distribución uniforme se usa para representar la prueba del peor caso para
variación cuando se hace un análisis de sensibilidad.
Distribución triangular
La distribución triangular es una buena aproximación para usar en la ausencia de datos,
especialmente si un valor mínimo, máximo, y más probable (moda) pueden ser estimados.
Éstos son los 3 parámetros de la distribución triangular. Si a, m, y b representan el valor
mínimo, moda, y máximo respectivamente de una distribución triangular, entonces:
• La media de una distribución triangular es .
(a + m + b)
3
• La varianza está definida por .

(a 2 + m 2 + b 2 − am − ab − mb)
18
La función de densidad de probabilidad para la distribución triangular se muestra en la Figura

2.12.
2
Figura 2.12 Función de densidad de probabilidad de una
distribución triangular.
La debilidad de la distribución triangular es que los valores reales de los tiempos de la

actividad raramente son linealmente piramidales, lo que significa que la distribución triangular
creará más variación que la distribución verdadera. También, los valores extremos, que
pueden ser raros, no son capturados por una distribución triangular. Esto significa que el rango
total de valores de la distribución verdadera de la población puede no ser representada por la
distribución triangular.
Distribución normal
La distribución normal (en ocasiones llamada distribución Gaussiana) describe el fenómeno
que varia simétricamente por encima y por debajo de la media (de aquí la curva con forma de
campana). Mientras que la distribución normal es seleccionada a menudo para definir tiempos
de actividad, en la práctica los tiempos de actividad manual son raramente distribuidos
normalmente. Ellos están siempre sesgados a la derecha (al final de la cola de la distribución
es más largo que el comienzo de la cola). Esto se debe a que los humanos pueden en ocasiones
tomar un tiempo significativamente más grande que el de la media, pero comúnmente no
mucho menor que el tiempo medio. Ejemplos de una distribución normal pueden ser:
• Mediciones físicas como el peso, altura, diámetro, ancho.
• Actividades que involucran múltiples tareas (como cargar un camión o llenar una
orden de un cliente.
3
La media de una distribución normal está designada por la letra griega mu (µ). La varianza es
donde (sigma) es la desviación estándar. La función de densidad de probabilidad se

σ 2 σ
muestra en la Figura 2.13.
Distribución exponencial
LA distribución exponencial en ocasiones es referida como la negativa exponencial. Esta
distribución es usada frecuentemente en simulaciones para representar intervalos de eventos.
La distribución exponencial es definida por un solo parámetro; la media (µ).
Esta distribución se relaciona con la distribución Poisson en que si una ocurrencia sucede a
una tasa con distribución Poisson, el tiempo entre sucesos está exponencialmente distribuido.
En otras palabras, la media de una distribución exponencial es el rango inversa de la tasa
Poisson. Por ejemplo, si la tasa a la cual los clientes llegan a un banco está distribuido Poisson
con una tasa de 12 personas por hora, el tiempo entre llegadas está distribuido
exponencialmente con una media de 5 minutos (1/12 * 60).
La distribución exponencial tiene la propiedad de olvido (Memoryless) que hace que ésta sea
bien ajustada para modelar ciertos fenómenos que ocurren independientemente uno del otro.
Por ejemplo, si los tiempos de llegada están distribuidos exponencialmente con una media de
5 minutos, entonces el tiempo esperado antes de la siguiente llegada será 5 minutos
independientemente de cuánto tiempo haya pasado desde la llegada previa.
Ejemplos de donde usare la distribución exponencial son:

• Tiempo entre la llegada de clientes a un banco.
• Duración de conversaciones telefónicas.
• Tiempos entre llegadas de aviones a un aeropuerto.
• Tiempo entre fallas de ciertos aparatos electrónicos.
• Tiempo entre interrupciones de una unidad central de procesamiento (CPU) en un
sistema de computadora.
3
Para una distribución exponencial, la varianza es la misma que la media. La función de
densidad de probabilidad de una distribución exponencial se muestra en la Figura 2.14.
2.10.2 Ajustando distribuciones teóricas a los datos

Ajustar una distribución teórica a los datos es esencialmente un intento para identificar la
distribución subyacente desde cual los datos fueron generados. Encontrar la mejor
distribución que se ajuste a la muestra de datos puede ser un poco complicado y no es una
ciencia exacta. Afortunadamente, programas como stat fit de promodel o Expertfit de flexsim
están disponibles para ajustar automáticamente las distribuciones. La Figura 2.15 muestra una
lista relativa obtenida con el software Expert Fit de que tan bien se ajustan las distribuciones a
las inspecciones observadas en la Tabla 2.3.
Figura 2.13 Distribución normal.
Figura 2.14 Distribución exponencial.
3
Figura 2.15 Lista relativa de ajuste de distribución a los datos en la tabla 2.3.
Ajustar la distribución es un proceso largo de prueba y error. El procedimiento básico consiste

de 3 pasos:
1. Una o más distribuciones son seleccionadas como candidatos para ser un buen ajuste a
la muestra de datos. Escoger la distribución que aparenta ajustarse bien a la muestra de
datos requiere un conocimiento básico de los tipos de distribuciones disponibles y sus
propiedades. También es útil tener una intuición sobre la variable cuyos datos están
siendo ajustados. En ocasiones crear un histograma de los datos puede revelar
características importantes sobre la distribución de datos. Si, por ejemplo, un
histograma de una muestra de tiempos de ensamble parece simétrico en cada lado de la
media, una distribución normal puede ser inferida.
1
Mirando el histograma de la figura 2.9, y conociendo las formas básicas de diferentes
distribuciones teóricas, se puede decir suponer que los datos vienen de una distribución
beta, log normal, o quizá incluso a una distribución triangular. La Figura 2.16 ilustra
una comparación visual entre la distribución beta y el histograma de la muestra de 100
datos de los valores de tiempo de inspección.
2. La estimación de parámetros para cada distribución deben ser calculada.
Después que un tipo en particular de distribución ha sido seleccionado, se deben
estimar los parámetros de la distribución basados en la muestra de datos. En el caso
una distribución normal, los parámetros a ser estimados son la media y la desviación
estándar, los cuales se pueden obtener calculando el promedio y la desviación estándar
de la muestra de datos. Los parámetros son estimados generalmente usando la ecuación
de momentos o la ecuación del máxima verosimilitud (Law y Kelton, 2000).
Figura 2.16 Comparación visual entre la distribución beta y el

histograma de la muestra de 100 datos de los valores de
tiempo de la Tabla 2.3.
3. Pruebas de bondad y ajuste son realizadas para asegurarse que tan bien cada
distribución se ajusta a los datos.
Una vez que una distribución candidata ha sido asociada con sus parámetros, una
prueba de bondad de ajuste puede ser realizada para evaluar que tan cerca la
3
distribución se ajusta a los datos. Una prueba de bondad y ajuste mide la desviación de
distribución de la muestra de la distribución teórica inferida. Tres pruebas de bondad y
ajuste, comúnmente usadas son (Breiman (1973); Banks et al. 2001; Law and Kelton
2000; Stuart and Ord 1991):
• La prueba chi cuadrada ( ).
2
x
• La prueba Kolmogorov-Smirnov.
• La prueba Anderson-Darling.
Cada una de las tres pruebas de bondad de ajuste comienza con la hipótesis nula de que el
ajuste es bueno y calcula una prueba estadística para comparación a un estándar.
Para probar la hipótesis nula, se selecciona un nivel de significancia, el cual es la probabilidad
de hacer un error tipo 1, es decir rechazar la hipótesis nula cuando esta es cierta. Enunciado
de una manera diferente, es la probabilidad de que se pueda cometer el error de rechazar una
distribución que está bien ajustada. Por consiguiente, entre más pequeño sea este valor, es
menos probable que se rechacé cuando se debe aceptar.
La prueba estadística más común de bondad de ajuste es la prueba de la chi-cuadrada. La

prueba de bondad de ajuste chi-cuadrada, es una prueba versátil que puede ser usada para
realizar una prueba de hipótesis para distribuciones tanto discretas como continuas. Es
también útil para determinar independencia de datos. La prueba chi-cuadrada básicamente
compara la distribución de frecuencia de la muestra de datos de manera que el mismo número
de puntos de datos sería distribuido si los datos vinieran de la distribución inferida. La prueba
chi-cuadrada de bondad de ajuste, puede ser resumida en nueve pasos:
1. Analizar los datos e inferir una distribución adyacente.
2. Crear una distribución de frecuencias de los datos con celdas equiprobables basadas en
la distribución inferida.
3. Calcular la frecuencia esperada ( ) para cada celda.
ei
4. Ajustar las celdas si es necesario tal que todas las frecuencias esperadas sean cuando
menos 5.
5. Calcular el estadístico de prueba chi-cuadrada.
2
6. Determinar el número de grados de libertad (k-1).
7. Escoger el nivel de significancia deseado (α).
8. Encontrar el valor crítico de la chi-cuadrada de una tabla de chi-cuadrada.
9. Rechazar la distribución si el estadístico chi-cuadrada excede el valor crítico.
Debido a la naturaleza del proyecto los pasos de la prueba chi-cuadrada no serán explicados,
pero pueden ser encontrados en el capítulo 6 del libro de Harrell (2004).
2.11 Documentación y aprobación de datos

Cuando crea que todos los datos relevantes han sido recolectados, analizados y convertidos a
una forma usable, es recomendable documentar los datos usando tablas, diagramas
relacionales, y listas de suposiciones. La fuente de datos deberá también ser anotada. Esta
documentación se deberá revisar por aquellos en posición de evaluar la validación de los datos
y aprobar las suposiciones hechas. Si se requiere documentación formal entonces es necesario
crear un documento separado. Este documento será de ayuda si después es necesario hacer
modificaciones al modelo o analizar porque el sistema actual trabaja diferente a la simulación.
Además de identificar los datos usados para construir el modelo, el documento debe
especificar también los factores que fueron excluidos deliberadamente del modelo y porque
eran insignificantes o irrelevantes. Por ejemplo, si los tiempos de paro no son incluidos en la
descripción del sistema debido a que se perciben insignificantes, el documento deberá declarar
esto. La justificación por omisión también deberá ser incluida si es necesario. Declarar por que
ciertos factores son excluidos de la descripción del sistema ayudara a resolver más tarde
preguntas que tal vez surjan, relativo a las premisas del modelo.
Revisar y aprobar los datos de entrada puede ser una tarea que consuma tiempo y difícil,
especialmente si se hicieron muchas suposiciones. En la práctica, la validación de los datos
termina siendo más un proceso de construcción-consenso donde se busca un acuerdo tal que
los datos sean suficientemente buenos para los propósitos de la simulación. El documento de
los datos no es un documento estático, más bien es uno dinámico que cambia frecuentemente
con la construcción del modelo y con experimentación posterior. La mayoría de los programas
proveen la capacidad de escribir comentarios en el modelo.
1
3
Capítulo 3
Conceptos generales de simulación
3.1 Introducción
En la realización de un proyecto de residencias es necesario conocer y comprender las técnicas
o herramientas de Ingeniería Industrial que van a ser utilizadas, con el objetivo de que el
alumno aplique de una forma correcta las técnicas o herramientas que se determinaron utilizar
para poder resolver el problema central del proyecto.
3.2 La técnica de Simulación

La simulación es una técnica de modelación y análisis usada para evaluar y mejorar los
sistemas dinámicos de todos los tipos (Harrell, 2004). Ésta ha crecido desde ser una
relativamente oscura tecnología usada por unos cuantos especialistas, a una ampliamente
aceptada herramienta, usada por los responsables de toma de decisiones en todos los niveles
de una organización.
Cuando las relaciones que componen el modelo que representa el sistema real son simples, es
posible usar métodos matemáticos (tales como álgebra, cálculo, teoría de la probabilidad,
modelos de teoría de colas, etc.) para obtener la información exacta de las cuestiones de
interés; esto es llamado una solución analítica. Sin embargo, la mayoría de los sistemas de la
vida real son tan complejos para permitir que los modelos realistas sean evaluados
analíticamente; estos modelos deben ser estudiados por medio de la simulación. En una
simulación se usa una computadora para evaluar un modelo numérico, y los datos son
colectados para estimar las características reales deseadas del modelo.
El uso moderno de la palabra simulación data de 1940, cuando los científicos Von Neuman y
Ulam trabajaban en el proyecto Monte Carlo, durante la segunda guerra mundial. Ellos
resolvieron problemas de reacciones nucleares mediante la simulación, ya que una solución
experimental sería muy cara y el análisis matemático demasiado complicado. Con la invención
de la computadora y su utilización en los experimentos de simulación, surgieron incontables
aplicaciones y por consiguiente el uso de la simulación se ha incrementado enormemente.
5
3.2.1 Definiciones de simulación
Existen muchas definiciones que varios autores manejan sobre el concepto de simulación. Las
siguientes definiciones, ayudarán a la comprensión de los alcances de esta técnica empleada
para la solución de problemas:
• Christopher A. Chung, la define como:
“El análisis y modelado por simulación es el proceso de creación y
experimentación con un modelo matemático computarizado de un sistema
físico”. (Chung, 2004:2).
• H. Maisel y G. Gnignol la definen como:
“Simulación es una técnica numérica para realizar experimentos en una
computadora digital. Estos experimentos involucran ciertos tipos de modelos
matemáticos y lógicos que describen el comportamiento de sistemas de
negocios, económicos, sociales, biológicos, físicos o químicos a través de
largos periodos de tiempo." (Coss Bu, 2005:12).
• Jerry Banks la define como:
"La Simulación es la imitación de la operación de un proceso o sistema de la
vida real a través del tiempo”. (Banks, 1998:3).
• Robert E. Shannon la define como:
"Simulación es el proceso de diseñar un modelo de un sistema real y realizar
experimentos con él para entender el comportamiento o evaluar varias
estrategias (dentro de los límites impuestos por un criterio o por un conjunto
de criterios) para la operación del sistema”. (Shannon, 1988:11).
La simulación involucra la generación de una historia artificial del sistema y él análisis de esta
historia para establecer inferencias concernientes a las características de operación del sistema
real bajo estudio. La simulación es usada para describir y analizar el comportamiento de un
sistema; responde a la pregunta ¿qué pasa si? sobre el sistema real, además, ayuda en el diseño
de sistemas reales, de esta manera pueden ser modelados tanto sistemas existentes como
conceptuales mediante la simulación.
1
3.2.2 Propósitos de la simulación
El modelado de simulación y análisis de diferentes tipos de sistemas, son conducidos con los
objetivos de (Chung, 2004):
• Comprender mejor la operación de un sistema.
Algunos sistemas son tan complejos que es difícil entender la operación e interacciones
dentro del sistema sin un modelo dinámico. En otras palabras, puede ser imposible
estudiar el sistema deteniéndolo o examinando los componentes individuales por
separado. Un ejemplo típico de esto podría ser el tratar de intentar entender como los
cuellos de botella de procesos industriales ocurren.
• Desarrollar políticas de operación y recursos.
Se puede tener un sistema existente que es entendible pero que se desea mejorar. Dos
formas fundamentales de hacer esto son cambiar las políticas de recursos o de
operación. Los cambios de políticas de operación podrían incluir prioridades de
programación diferentes para órdenes de trabajo. Los cambios de políticas de recursos
podrían incluir personal necesario o programación por intervalos.
• Probar nuevos conceptos.
Si un sistema todavía no existe, o se considera la compra de nuevos sistemas, un
modelo de simulación puede ayudar a tener una idea de que tan bien el sistema
propuesto funcionará. El costo de modelar un nuevo sistema puede ser muy pequeño en
comparación con la inversión de capital implicada en la instalación de cualquier
proceso significativo de fabricación. Los efectos de diferentes niveles y costos de
equipo pueden ser evaluados. Además, el uso de un modelo de simulación antes de la
realización puede ayudar a refinar la configuración del equipo elegido.
Actualmente, varias compañías requieren que los vendedores de equipo de manejo de

materiales desarrollen una simulación de sus sistemas propuestos antes de la compra.
El modelo de simulación es usado para evaluar las afirmaciones de los vendedores.
Incluso después de la instalación, el modelo de simulación puede ser útil. La compañía
puede usar el modelo de simulación para ayudar a identificar problemas cuando el
sistema instalado no funciona como lo prometido.
• Obtener información sin interrumpir el sistema actual.
1
Los modelos de simulación son posiblemente el único método disponible para la
experimentación con sistemas que no pueden ser alterados. Algunos sistemas son tan
críticos o sensibles que no es posible hacer algún tipo de cambio en las políticas de
operación o recursos del sistema a analizar. El ejemplo clásico de este tipo de sistema
sería el punto de control de seguridad en un aeropuerto comercial. La experimentación
física del sistema tendría un serio impacto en la capacidad operacional o la eficacia de
seguridad del sistema.
3.2.3 Clasificación de la simulación

La siguiente clasificación de la simulación se basa en los tipos de modelos de simulación,
clasificándolos en tres diferentes dimensiones (Law y Kelton, 2007):
• Modelos de simulación estáticos y dinámicos.
○ Modelo estático. Es aquel en el que las variables del modelo no cambian con el
tiempo. Un modelo de simulación estático es una representación de un sistema
en un tiempo particular, o uno que puede ser usado para representar un sistema
en el cual el tiempo simplemente no juega un papel. Ejemplo: La distribución
de planta de una fábrica.
○ Modelo dinámico. Es aquel en el que las variables del modelo si cambian con
el tiempo. Representa un sistema que evoluciona con el tiempo. Ejemplo: Los
modelos de colas.
• Modelos de simulación probabilísticos y determinísticos.
○ Modelo probabilístico. Es aquel que contiene variables aleatorias que son
definidas por una función de probabilidad. Ejemplo: Simulación de un banco.
○ Modelo determinístico. Es aquel que contiene variables matemáticas que se
conocen con certeza. Ejemplo: Simulación de una línea de ensamble
controlada por robots.
• Modelos de simulación discretos y continuos.
○ Modelo discreto. Es aquel en que el estado de las variables cambia en
determinados puntos separados en el tiempo, que pueden ser contados.
Ejemplo: Simulación de un banco.
1
○ Modelo continuo. Es aquel en que el estado de las variables cambia
continuamente con respecto al tiempo. Ejemplo: Proceso químico en el cual la
temperatura y la presión cambian continuamente a través del tiempo.
3.2.4 Pasos de un estudio de simulación

Se han escrito por varios autores competentes en simulación los pasos necesarios para realizar
un estudio de simulación, por lo que no hay una regla estricta de cómo realizarlo. Un estudio
de simulación no es un simple proceso secuencial. Cuando se empieza con un estudio de
simulación, puede ser necesario regresar a un paso previo. En la Figura 2.1 se muestran los
pasos de un estudio de simulación propuestos por Law y Kelton (2007), y en los párrafos
siguientes se brinda una descripción detallada de cada éstos:
1. Formular el problema y planear el estudio.
Cada estudio de simulación empieza con una definición del problema a resolver. Para
poder realizar una correcta formulación del problema y posteriormente realizar la
planeación del estudio de simulación, se debe seguir lo siguiente:
a. El problema de interés es seleccionado por el director o gerente de la empresa.
b. Una o más reuniones iníciales para el estudio son conducidas, con asistencia
del responsable del proyecto, el analista de simulación y el experto en el tema.
En éstas reuniones los siguientes puntos son discutidos:
○ Los objetivos globales del estudio.
○ Preguntas específicas que deben ser contestadas por el estudio.
○ Medidas de desempeño que serán usadas para evaluar le eficacia de las
diferentes configuraciones del sistema.
○ Alcance o propósito del modelo.
○ Configuraciones del sistema a ser modeladas.
○ Software a ser usado.
○ Marco de tiempo para el estudio y los recursos requeridos.
1. Colectar datos y definir un modelo.
Una vez que el problema y la planeación del estudio han sido aceptadas, se procederá a
empezar la recolección de datos y definir el modelo de simulación, para ello se deben
seguir los siguientes pasos:
1
Colectar información sobre la distribución de planta del sistema y
procedimientos de operación.
a. Realizar un diagrama de flujo del sistema a modelar.
b. Colectar datos (si es posible) para especificar los parámetros del modelo y las
distribuciones de probabilidad de los datos.
c. Delinear la información y datos mencionados arriba en un documento
apropiado, el cual es el modelo conceptual.
d. Colectar datos (si es posible) sobre el desempeño del sistema existente (para la
validación de objetivos indicados en el paso 6).
e. Definir por escrito en un documento los supuestos del modelo, con el objeto de
establecer cuáles son las condiciones o aspectos del sistema que van a ser
Formular el
1 problema y
tomadas en cuenta en la definición del modelo de simulación.
planear el estudio
f. Definir el nivel del detalle del modelo, el cual dependerá de lo siguiente:

Colectar datos y
2
○ Objetivos del proyecto.
definir el modelo
○ Medidas de desempeño.¿Modelo No
3 conceptual
○ Disponibilidad de datos.
válido?
Sí
○ Restricciones de la computadora.
Construir un
programa de
4 computadora y
○ Opiniones de los expertos en la materia.

verificar
○ Restricciones
5
de tiempos y dinero.
Hacer corridas
piloto
○ Evitar el forzar una correspondencia uno a uno entre cada elemento del
modelo y 6el correspondiente elemento del sistema.
¿Modelo
programado
No
válido?
○ Interactuar con el gerente (y otro personal clave del proyecto) de un

Sí
modo regular.
7
Diseño de
experimentos
1. Verificar que el modelo conceptual es válido.

La verificación consiste 8 en checar si la operación del modelo es una representación
Correr el
programa
compatible del sistema que se está modelando. La verificación del modelo con el
objeto de validarlo se puede
9 realizar con los siguientes pasos:
Analizar datos de
salida
Documentar,
10 presentar y usar
resultados
1
Figura 3.1 Pasos de un estudio de simulación. Fuente (Law y Kelton,
2007).
a. Desarrollar una explicación estructurada del modelo conceptual usando el

documento de los supuestos ante una audiencia de gerentes, analistas y
expertos en el tema.
b. Ayudar a asegurar que los supuestos del modelo son correctos y completos.
c. Fomentar la pertenencia del modelo.
d. Entender el diagrama de flujo del modelo antes del inicio de la programación
para evitar reprogramaciones significativas mas tarde.
1. Construir un programa de cómputo y verificar.
Validado el modelo conceptual se procede a la construcción de éste a una forma
computarizada. Para ello se siguen los siguientes pasos:
a. Programar el modelo en un lenguaje de programación (ejemplo, C o Fortran) o
en un software de simulación (ejemplo: Flexsim, Promodel, Arena, Automod,
etc.). Los beneficios de usar un lenguaje de programación es que tienen un bajo
costo de compra, además, se obtiene un modelo con un tiempo de ejecución
3
más pequeño. El uso de un software de simulación, por otro lado, reduce los
tiempos de programación y se obtiene un proyecto con un costo menor.
b. Verificar (depurar) el programa computacional de simulación.
1. Hacer corridas piloto.
Hacer corridas piloto para los intereses de validación del paso 6. Con estas corridas se
incrementa la experiencia del modelador en el uso del modelo de simulación y por
consiguiente se empieza a tener expectativas respecto a las salidas del modelo en
términos cuantitativos y cualitativos, además de proveer resultados que puedan ser
usados para planear varios aspectos de corridas posteriores, así como proporcionar
ayuda para validar el modelo de un sistema existente.
2. Probar si el modelo programado es válido.
Una de las principales etapas de un estudio de simulación es la validación del modelo
programado. A través de esta etapa es posible detallar deficiencias en la formulación
del modelo o en los datos alimentados del modelo, con el objetivo de que el modelo de
simulación sea una representación exacta del sistema real. Esta validación puede ser
realizada a través de alguno de los siguientes pasos:
a. Si hay un sistema existente, entonces comparar las medidas de desempeño del
modelo y el sistema existente.
b. Independientemente de que si hay un modelo existente, el analista de
simulación y el experto en el tema deben revisar los resultados del modelo para
su corrección.
c. Usar el análisis de sensibilidad para determinar que los factores del modelo
tienen un impacto significativo sobre las medidas de desempeño y, por
consiguiente, debe ser cuidadosamente modelado.
1. Diseño de experimentos.
La realización de la experimentación con el modelo de simulación se realiza después
de que éste ha sido validado. Con esta experimentación se logra obtener el número de
corridas de simulación que deben ser ejecutadas para cada alternativa para obtener el
grado de precisión deseado de las medidas de desempeño elegidas. Para la
experimentación del modelo de simulación se debe especificar lo siguiente para cada
configuración del sistema de interés:
a. Margen de error máximo aceptado de cada medida de desempeño.
2
b. Longitud de cada corrida.
c. Longitud del periodo de precalentamiento, si este es apropiado.
d. Número de corridas independientes de simulación usando diferentes números
aleatorios, esto facilita la construcción de intervalos de confianza.
1. Hacer corridas del programa.
Este paso involucra la realización de las corridas de simulación del modelo
determinadas en el paso 7. Las corridas de producción son realizadas para usarlas en el
paso 9.
2. Analizar los datos de salida.
Los resultados obtenidos de las corridas del modelo de simulación, con base en las
medidas de desempeño tienen dos objetivos principales:
a. Determinar el desempeño absoluto de configuraciones del sistema definitivas.
b. Comparar las configuraciones alternativas del sistema en un sentido relativo.
1. Documentar, presentar y usar resultados.
La documentación, presentación y uso de resultados del estudio de simulación
involucra preparar y escribir un reporte que describa todos los aspectos importantes del
estudio, entre los cuales están:
a. Documentar los supuestos (paso 2), programa de computadora, y resultados del
estudio para usar en el proyecto actual y en futuros proyectos.
b. Presentar los resultados del estudio.
○ Usar animación para comunicar los resultados del modelo a los
directivos y a otras personas que no están familiarizadas con todos los
detalles del modelo.
○ Discutir la construcción del modelo y el proceso de validación para
promover la credibilidad.
a. Usar los resultados obtenidos en el proceso de toma de decisiones, si ellos han
sido válidos y creíbles.
3.2.5 Factores a considerar en el desarrollo del modelo de simulación

La simulación está basada fuertemente en la teoría de probabilidad y estadística, en
matemáticas, en ciencias computacionales, etc., se describe a continuación como intervienen
estas áreas en el desarrollo y formulación del modelo de simulación (Coss Bu, 2000):
1
• Generación de variables aleatorias no uniformes.
Si el modelo de simulación es probabilístico, la simulación debe ser capaz de generar
variables aleatorias no uniformes de distribuciones de probabilidad teóricas o
empíricas, esto se puede obtener si se cuenta con un generador de número uniformes y
una función que transforme estos números en valores de la distribución de probabilidad
deseada. Se han desarrollado una gran cantidad de generadores para las distribuciones
de probabilidad más comunes como: la distribución normal, exponencial, poisson,
erlang, binomial, gamma, beta, f, t, etc.
• Condiciones iníciales.
La mayoría de los modelos de simulación probabilísticos se corren con la idea de
estudiar al sistema en una situación de estado estable. Sin embargo, la mayoría de estos
modelos presentan en su etapa inicial estados transientes (es decir que al salir desde el
estado i existe la probabilidad de no retornar, a diferencia de los estados recurrentes,
que retornarán con certeza) los cuales no son típicos del estado estable.
Por consiguiente es necesario establecer claramente las alternativas o cursos de acción

que existen para resolver este problema. La forma de atacar este problema sería a
través de:
○ Usar un tiempo de corrida lo suficientemente grande de modo que los periodos
transientes sean relativamente insignificantes con respecto a la condición de
estado estable.
○ Excluir una parte apropiada de la parte inicial de la corrida.
○ Utilizar simulación regenerativa.
Las dos primeras alternativas presentan las desventajas de ser prohibitivamente
excesivas en costo.
• Tamaño de la muestra.
El tamaño de la muestra es el número de corridas en la computadora. Es uno de los
factores principales a considerar en un estudio de simulación. La selección de un
tamaño de muestra apropiado que asegure un nivel deseado de precisión y a la vez
minimice el costo de operación del modelo, es un problema algo difícil pero muy
importante. Es necesario que un análisis estadístico sea realizado para determinar el
1
tamaño de muestra requerido. El tamaño de la muestra puede ser obtenido de dos
maneras:
1. Previa e independientemente de la operación del modelo.
2. Durante la operación del modelo y basado en los resultados arrojados por el
modelo. Para esta alternativa se utiliza la técnica estadística de intervalos de
confianza.
• Lenguajes de programación.
Las primeras dos etapas de un estudio de simulación se refieren a la definición del
sistema a ser modelado y a la descripción del sistema en términos de relaciones lógicas
de sus variables y diagramas de flujo. La siguiente etapa consiste en describir el
modelo en un lenguaje que sea aceptado por la computadora que se va a usar, para ello
se tienen dos opciones a seguir sino se tiene un software de simulación:
1. Desarrollar el software requerido para estudios de simulación,
2. Comprar software (lenguajes de programación de propósito especial). Para esta
alternativa es necesario analizar y evaluar varios paquetes de simulación, antes
de tomar la decisión final.
• Diseño de experimentos.
Es un tema cuya relevancia en experimento de simulación ha sido reconocida pero
raramente aplicado. El diseño de experimentos en los estudios de simulación puede ser
de varios tipos, dependiendo de los propósitos específicos que se hayan planteado. Los
tipos de análisis requeridos más comunes son los siguientes:
○ Comparación de las medias y varianzas de las alternativas analizadas.
○ Determinación de la importancia y el efecto de diferentes variables en los
resultados de la simulación.
○ Búsqueda de los valores óptimos de un conjunto de variables.
3.2.6 Errores comunes al realizar un estudio de simulación

Al realizar un estudio de simulación se puede caer en ciertos errores, lo que ocasiona
deficiencias en los resultados obtenidos, los errores más comunes son (Law y Kelton, 2007):
• No se definen claramente los objetivos del estudio de simulación.
• No se detalla adecuadamente el modelo del sistema real que se está simulando.
• Aplicar simulación sin tener conocimientos de estadística.
2
• Creer que la simulación es demasiado compleja.
• Falta de comunicación con el gerente y gente involucrada en el estudio que se está
llevando a cabo.
• Demasiada confianza en simuladores que hacen accesible la simulación a todo el
mundo.
• Usar distribuciones de probabilidad arbitrarias (por ejemplo la distribución normal)
como entradas del programa, ya que se asigna lo que se desea, más no lo que realmente
debe ser.
• Usar medidas de desempeño erróneas por no definir el objetivo.
• Mal uso de la animación, ya que se debe usar para convencer al gerente haciendo a la
simulación una técnica entendible.
3.2.7 Ventajas y desventajas de un estudio de simulación

La competencia en la industria de la informática ha producido grandes adelantos tecnológicos
que permite a las compañías de hardware producir mejores productos continuamente. Una
industria en particular que ha venido presentando esta tendencia ha sido la industria del
software de simulación. A la par de que las computadoras han llegado a ser más poderosas,
exactas, rápidas y fáciles de usar, el software de simulación también.
El número de empresas que usan la simulación se ha incrementando rápidamente. Muchos

directivos se han dado cuenta de los beneficios de utilizar la simulación en sus procesos.
Además, debido a los avances en software, los directivos de empresas están incorporando la
simulación en sus operaciones diarias cada vez más regularmente. El uso de la simulación
presenta ventajas y desventajas, a continuación se mencionan algunas de ellas.
• Ventajas.
○ La mayoría de los sistemas reales más complejos son elementos estocásticos y
no pueden ser descritos por un modelo matemático; la simulación es el único
medio posible para analizar estos sistemas.
○ A través de un estudio de simulación, se puede estudiar el efecto de cambios
internos y externos del sistema, al hacer alteraciones en el modelo del sistema y
observando los efectos de esas alteraciones en el comportamiento del sistema.
1
○ El tiempo puede comprimirse o expandirse en los modelos de simulación, un
proceso puede ser simulado en segundos, minutos u horas en una computadora,
de acuerdo a las necesidades del proceso, esto permite que un gran número de
alternativas simuladas puedan ser investigadas y los resultados pueden estar
disponibles pronto.
○ La observación detallada del sistema simulado puede conducir a un mejor
entendimiento del sistema y, por consiguiente, a sugerir estrategias que mejoren
la operación y eficiencia del sistema.
○ La simulación de sistemas complejos puede ayudar a entender mejor la
operación del sistema, a detectar las variables más importantes que interactúan
en el mismo, y a entender mejor las interrelaciones entre estas variables.
○ El concepto de simulación es más fácil e intuitivo de entender, por tanto los
clientes son más receptivos de usar la simulación que el modelo matemático.
Como resultado, los clientes se inclinan a implementar recomendaciones
basadas en simulación, en vez de resultados de los modelos basados en
matemáticas, que ellos no pueden entender y cuyos resultados no pueden
confiar.
○ Cuando nuevos elementos son introducidos en un sistema, la simulación puede
ser usada para anticipar cuellos de botella o algún otro problema que puede
surgir en el comportamiento del sistema.
• Desventajas
○ La construcción del modelo requiere entrenamiento especial. La simulación es
un arte que es aprendido con el tiempo y a través de la experiencia.
Adicionalmente, si dos modelos del mismo sistema son construidos por dos
individuos competentes, ellos deben tener similaridades, pero es altamente
improbable que los modelos serán lo mismo.
○ Los resultados de la simulación pueden ser difíciles de interpretar. Puesto que
la mayoría de las salidas de la simulación son variables esencialmente
aleatorias (ellas son usualmente basadas en entradas aleatorias), puede ser
difícil determinar si una observación es un resultado de las interrelaciones del
sistema o de la aleatoriedad.
1
○ El modelado y análisis de simulación puede consumir demasiado tiempo y ser
costoso. Escatimar en recursos para el modelado y análisis puede resultar en un
modelo y análisis de simulación que no es suficiente y adecuado al objetivo de
estudio.
Capitulo 4
Conceptos generales del software Flexsim®
4.1 Introducción
Flexsim es un poderoso programa de simulación que permite visualizar y probar cambios en
las operaciones y los procesos de logística, manejo de materiales, y manufactura de la manera
más rápida y sencilla evitando los altos costos, riesgos y extensos tiempos que conllevan el
experimentar con cambios en el mundo real y su análisis por prueba y error.
Flexsim es un software de simulación verdaderamente orientado a objetos que sirve para

construir modelos que te ayudan a visualizar el flujo de los procesos, optimizarlos y generar
ahorros. Permite analizar diferentes escenarios y condiciones, encontrando la solución más
conveniente, todo esto en un ambiente gráfico en tres dimensiones (3D), con los últimos
avances en tecnología que facilita la comunicación y comprensión de las ideas para una
acertada toma de decisiones.
Adicionalmente un profundo análisis estadístico del desempeño del proceso, cuellos de botella
y de troughput (flujo) está disponible. Gráficas, reportes y estadísticas presentan los resultados
del modelo de simulación de una manera clara y precisa.
Flexsim representa la mayor innovación en software de simulación de los últimos 10 años, al

ofrecer todo el poder, flexibilidad y conectividad. Es la más avanzada tecnología de
simulación. Flexsim presenta una extraordinaria facilidad de uso. Permite construir modelos
1
simples y complejos de la forma más rápida y sencilla posible, sin necesidad de conocimientos
de programación.
La simulación permite manejar valores promedio en los modelos en datos referentes a tiempos
de producción, número de productos a surtir por orden, camiones por día a recibir, tiempos de
mantenimiento o cualquiera que se desee.
La desventaja de utilizar promedios es que no contemplan un efecto muy importante, el de la

aleatoriedad y variabilidad. Sabemos que el tiempo de una operación no siempre es
exactamente el mismo, así como el tiempo de preparación de una máquina o el que se lleva el
revisar la documentación de cierto camión o bien la cantidad de productos que este lleva, por
mencionar un ejemplo.
Mediante distribuciones de probabilidad se puede representar con gran precisión las

variaciones en cantidades y tiempos de los procesos y omitir los errores en la determinación de
capacidades, programas de producción, fechas de entrega, balanceo de líneas, identificación de
cuellos de botella o diseños de layout (mapa o croquis) debido al uso de valores promedio, lo
que permite que el modelo de simulación represente fielmente la realidad.
4.2 Aprendiendo conceptos del Software de Simulación Flexsim
4.2.1 Terminología de Flexsim

Objetos de Flexsim
Los objetos de Flexsim se encuentran la biblioteca de objetos (Object Library) que es un panel
cuadriculado. Incluyen: Source (fuente), Queu (fila o buffer de acumulación), Processor
(máquina), Sink (salida), SplineConveyor, Conveyor (transportador o banda transportadora),
NetworkNode (nodo de red de caminos), Crane (grúa viajera), ASRSvehicle (Automated
Storage and Retrieval System (ASRS) es un vehículo robotizado que traslada y posiciona
tarimas), VisualObject (objeto visual), VisualText (texto visual). Los objetos de Flexsim se
pueden simplemente arrastrar y soltar.
Flowitems
2
Son los objetos que se mueven a través de tu modelo. Los flowitem pueden ser partes, tarimas,
ensambles, papel, contenedores o cualquier cosa que fluya a través del modelo. La mayoría de
los Flowitems pasan por operaciones del proceso o son trasladados por el modelo mediante
recursos de manejo de materiales. Se definen globalmente en Flexsim y son generados por el
objeto source.
Itemtype
Es una especie de “etiqueta” que tiene el flowitem que contiene cierta información como puede
ser el número del código de barras, tipo de producto, peso, destino, SKU, costo, precio o un
número de parte por nombrar algunos ejemplos. Flexsim está preparado para tomar decisiones
en base al Itemtype como puede ser definir la ruta según el valor del Itemtype. El flowitem
define en general el producto o parte, mientras que el itemtype define la característica
individual.
Ports
Cada objeto de Flexsim tiene un número ilimitado de puertos a través de los cuales se
comunican con otros objetos. Existen tres tipos de puertos: de entrada (input), de salida
(output) y central (central). Los puertos de input y output se usan en el ruteo de los flowitems o
bien para crear redes de caminos de tránsito (network paths) para que los sigan los recursos
móviles usando los nodos de la red (NetworkNodes). Los puertos centrales son usados para
crear referencias de un objeto a otro.
Un uso común de los puertos centrales es para referenciar a los objetos móviles (operators,
transporters, cranes y ASRSvehicles) en lugar de a los recursos fijos (processor, queues, o
conveyors). Los puertos son creados y conectados haciendo click en un objeto y arrastrando el
puntero del mouse hasta el segundo objeto, mientras se presiona alguna letra del teclado.
Si la letra “A” se presiona mientras se hace el arrastre del mouse, se creará un puerto de salida
(output port) en el primer objeto y un puerto de entrada (output port) en el segundo objeto.
Estos dos puertos quedarán conectados automáticamente. Estos son puertos que indican el
flujo del producto o flowitem. Las conexiones de flujo creadas presionando la letra “A”, que
2
son los puertos de flujo de entrada y salida, se pueden romper y los puertos borrar si se arrastra
el puntero al seleccionar el primer objeto y se dirige al segundo objeto mientras se presiona la
letra “Q”.
Manteniendo presionada la letra “S” mientras se arrastra el puntero de un objeto a otro se crea
un puerto central (central port) en ambos objetos que conecta a los dos nuevos puertos.
Los puertos centrales son utilizados generalmente para conectar a los objetos que harán
operaciones o los transportes de los flowitems.
Las conexiones de los puertos centrales se pueden romper y los puertos borrar si se arrastra el
puntero al seleccionar el primer objeto y se dirige al segundo objeto mientras se presiona la
letra “W” (que es la letra que se ubica arriba de la letra “S” en el teclado).
4.3 Vistas del Modelo

Flexsim tiene un ambiente de modelado en realidad virtual que usa la tecnología openGL. La
vista más común para construir modelos es la de arriba hacia abajo en ortogonal (orthographic
view). Flexsim permite esta vista (ortho) y la de perspectivas (persp). Generalmente es más
fácil empezar a desarrollar el layout con la vista desde arriba (ortho), pero puedes escoger
cualquier opción de vista para construir o correr el modelo. Puedes abrir tantas ventanas de
vistas como prefieras en Flexsim. Sólo recuerda que entre más ventanas de vistas se abran al
mismo tiempo mayor es la demanda de los recursos de la computadora. Las vistas VR ofrecen
las mejores vistas para una presentación del modelo.
4.4 Navegación con el mouse

Botón izquierdo del mouse
Si se selecciona el layout se mueve el modelo en el plano X-Y. Si se selecciona un objeto este
se moverá en el plano X-Y.
Botón derecho del mouse

Si se selecciona el layout se rota en X-Y-Z. Si selecciona un objeto se rotará en las mismas
coordenadas.
2
Botones izquierdo y derecho del mouse simultáneos
Si se presionan ambos botones simultáneamente sobre el layout hacen un zoom de
acercamiento o alejamiento, según se mueva el mouse hacia el frente o hacia atrás (lo mismo
sucede si se presiona el botón tipo rueda del mouse). Si se selecciona un objeto y se presionan
ambos botones se puede cambiar la altura en eje Z del objeto.
4.5 Tecla F7
Presionar la tecla F7 activa el modo de vuelo en el modelo. Cuando se está en ese modo se
puede mover el mouse hacia arriba para ir hacia delante, hacia abajo para ir hacia atrás, a la
izquierda para ir en esa dirección o a la derecha para ir en la dirección contraria. Estando en
este modo también se puedan utilizar todas las funciones anteriores de movimiento, rotación y
zoom. Para salir del modo de vuelo se presiona de nuevo la tecla F7.
4.6 Librería de Objetos de Flexsim

Source
Descripción:
Source (fuente) es utilizado para crear flowitems o productos que viajan por el modelo. Cada
source crea un tipo de flowitem y le puede asignar propiedades tales como el color o el número
de itemtype. El modelo debe tener por lo menos un Source. Puede crear flowitems definidos
por una tasa ínter arribos, según una lista de programación de arribos o simplemente por una
secuencia de arribos o llegadas.
Sink
Descripción
El sink es utilizado para destruir los flowitems o productos que finalicen el proceso en el
modelo. Una vez que el flowitem se introduce al sink, no puede ser recuperado. Cualquier
recolección de datos de los flowitems que van a salir del modelo debe ser antes de que el
flowitem ingrese al sink o en el disparador de lógica de entrada del sink, llamado OnEntry
trigger.
1
Queue
Descripción
El queue (fila) sirve para almacenar flowitems cuando el siguiente objecto no los puede recibir
todavía. La opción predeterminada del queue permite que los Objetos operen bajo una regla
de primeras entradas primeras salidas (fifo, first- in first- out), es decir que el flowitem que ha
esperado más tiempo por llegar al siguiente objecto será el primer en continuar su camino
hacia el objeto. Estos criterios se pueden modificar. Adicionalmente el queue tiene la opción
para acumular los ítems en un lote o batch antes de liberarlos hacia los objetos siguientes.
Conveyor
Descripción
Este conveyor (transportador) también transporta flowitems a través de él, su forma se define
creando diferentes secciones y definiendo para cada sección su longitud, altura, si es recta o
curva. Si esa sección es curva se le define el ángulo y radio. Esto permite definir la forma
numéricamente a diferencia del SplineConveyor, que se hace según los spline points y los
movimientos del mouse. Puede ser acumulativo o no acumulativo.
Processor
Descripción
El processor (procesador) simula un lugar de operación o una máquina. Cualquier proceso es
simplemente modelado al forzar a los flowitems a un tiempo de espera determinado, que es el
tiempo de la operación. Puede contener más de un flowitem al mismo. Se pueden definir
tiempos de preparación o setups, tiempos de operación y de paro o mantenimientos. Pueden
llamarse a uno o varios operadores para hacer estas funciones. Cuando el processor tiene un
paro por descompostura, todos los flowitems que esté procesando en ese momento serán
demorados hasta que sea reparada.
MultiProcessor
Descripción
3
El MultiProcessor (multiprocesador) permite definir varios procesos subsecuentes que se
llevan a cabo en ese mismo lugar. A cada proceso se le puede definir su nombre y su duración.
Así mismo se puede especificar para cada proceso si se requiere o no de uno o varios
operadores.
Combiner
Descripción
El combiner (combinador) es utilizado para agrupar y juntar múltiples flowitems. Puede tanto
ensamblar o juntar (join) los flowitems definitivamente o bien agruparlos o empacarlos (pack)
con la posibilidad de volverlos a separar más adelante en el proceso. El combiner primero
debe aceptar un solo flowitem a través del puerto de entrada 1 antes de aceptar los
subsecuentes flowitems que se deseen a través de los puertos 2 o puertos superiores.
Únicamente después de recibir a todos los subsecuentes flowitems que se desean empiezan los
tiempos de Setup y de proceso que se hayan requerido. Se le puede pedir al combiner que
llame a ciertos operadores durante los tiempos de preparación, proceso y reparación.
Separator
Descripción
El separator (separador) es usado para separar o cortar un flowitem en múltiples partes. Esto
puede ser realizado al desempacar un flowitem anteriormente empacado por un combiner
(unpack) o bien al crear múltiples copias del flowitem original (split), que también podrían
simular un corte del flowitem original que se convertirá en varias piezas. Tanto el proceso de
desempaque como el de corte serán efectuados hasta que el tiempo de proceso definido haya
sido completado. El separator puede llamar a operadores para preparación, proceso y
reparación.
Rack
Descripción
El rack sirve para almacenar flowitems tal como se hace en los racks de un almacén o bodega.
El número y tamaño de las bahías y los niveles de los racks pueden ser definidos por el
usuario. También se puede especificar en qué bahía y nivel del rack acomodar los flowitems.
3
Si se utiliza un transporte para acomodar o recoger el producto del rack, este transporte irá
hasta la posición correcta automáticamente.
Reservoir
Descripción
Un reservoir (depósito) se usa para almacenar flowitems tal como si estuvieran en un tanque.
Tanto la tasa de flujo de entrada al reservoir como la de salida del mismo pueden ser
especificadas por el usuario. Se pueden definir varios eventos que ocurran en ciertas
condiciones, por ejemplo cuando el nivel del tanque sobrepase, llegue o baje a ciertos niveles
definidos por el usuario.
Dispatcher
Descripción
Un dispatcher (despachador) controla un grupo de transportes u operadores. Las solicitudes de
actividades o tareas (task request) son enviadas al dispatcher por un objeto y el dispatcher las
delega a los operadores o transportes que controla. Las tareas serán desempeñadas por el
operador o transporte que finalmente reciba la solicitud.
Operator
Descripción
Un operador (operador) o varios pueden ser llamados para ser utilizados durante los tiempos
de preparación, proceso o reparación. Permanecerán con el objeto que los llamó hasta que sean
liberados al terminar su actividad. Una vez liberados pueden ir a trabajar con otros objetos si
son llamados o solicitados. También pueden ser usados para transportar flowitems entre
objetos. Los operadores buscarán el camino más corto para llegar a los objetos o bien se les
puede definir caminos mediante una red o network si se necesita que sigan ciertos trayectorias
al trasladarse.
Transporter
Descripción
El transporter (transporte) es usado principalmente para trasladar flowitems desde un objeto a
otro. Puede llevar uno o varios al mismo tiempo. Un solo transporte puede recibir una o varias
solicitudes de tareas (task request) de los diferentes objetos del modelo. Estas tareas son
2
almacenadas en una fila imaginaria para que el transporter las atienda. Cuando el transporte
finaliza una tarea puede comenzar inmediatamente la siguiente tarea que esté en la fila o bien
esperar a recibir una tarea nueva si no tiene pendiente ninguna. En algunos casos requeriremos
que un despachador o dispatcher maneje las solicitudes de tareas y en otros dejaremos que el
mismo transporte lo haga directamente sin la ayuda del dispatcher. Los transportes buscan el
camino más corto al trasladarse, pero también se les puede especificar el camino a seguir
definiendo una red y sus nodos (network node).
Crane
Descripción
Un crane (grúa viajera) tiene funcionalidades similares a un transporte. La grúa trabaja en un
espacio definido con movimientos en los ejes x, y, z. Simula cualquier grúa guiada por rieles.
Por default, el crane picker o dispositivo de agarre de la grúa se eleva hasta la altura de la grúa
después de recoger o de dejar un flowitem antes de trasladarse a la siguiente locación. Para
mayor control sobre los movimientos del crane picker, se pueden utilizar los networknodes.
ASRSvehicle
Descripción
El Automated Storage and Retrieval System (ASRS) es un tipo especial de transporte
especialmente diseñado para trabajar con racks llamado ASRSvehicle en Flexsim. El
ASRSvehicle se moverá a lo largo de un pasillo entre dos racks recogiendo y almacenando
flowitems en ellos. Los movimientos de alcance, levantamiento y viaje se ven totalmente
animados. Los movimientos de levantamiento y traslado ocurren simultáneamente, pero el de
alcance solo será ejecutado cuando después de que el ASRSvehicle está totalmente detenido en
la posición requerida. Se puede conectar el ASRSvehicle, los objetos y racks a los que sirve a
un solo y exclusivo networknode para definir la posición a partir de la cual se puede mover.
Elevator
Descripción
El elevator (elevador) es otro tipo especial de transporte que transporta flowitems hacia arriba
y hacia abajo. Automáticamente viaje al nivel desde donde los flowitems necesitan ser
recogidos o dejados. Los flowitems se ven animados al entrar o salir del elevador, lo que
2
permite apreciar mejor el tiempo de carga y descarga de los flowitems una vez que el elevador
llega al nivel deseado.
Robot
Descripción
Un robot es un transporte especial que traslada los flowitems desde su locación inicial y los
coloca en su locación destino. Generalmente la base del robot no se mueve. En su lugar el
brazo del robot rota mientras transporta los objetos. El brazo del robot está compuesto por dos
segmentos que se mueven ya sea para alcanzar el flowitem que se quiera transportar o para
llegar al destino. La longitud de los brazos puede ser definida por el usuario, así como la
velocidad a la cual el robot rota y extiende el brazo.
NetworkNode
Descripción
Los NetworkNodes (nodos de red) son utilizados para definir una red de caminos o rutas que
los transportes y los operadores pueden seguir. Los caminos pueden ser modificados usando
los spline points para hacer las rectas, curvas y elevaciones que se necesiten. Por default los
objetos que viajan en la red seguirán el camino más corto entre el origen y el destino, en el
caso que tengan varios caminos de la misma red para llegar. El camino entre dos nodos puede
ser en un solo sentido o en ambos. En un nodo se le puede definir el número de transportes
inactivos que puede tener, tipos de conexión y el espacio entre los transportes en esas
conexiones.
Visual Tool
Descripción
El VisualObject (objeto visual) no son objetos de modelaje, sino simplemente son gráficos
utilizados para decorar el escenario del modelo para efectos de brindar una apariencia más
real. Pueden ser utilizados como paredes, pisos, máquinas, gente, carros, árboles o lo que se
desee. Pueden ser tan simples como un cubo con cierto color o bien un gráfico importado en
tercera dimensión (archivos .3DS, WRL, .DXF o .STL). Puede modificarse la forma, tamaño,
color, luminosidad, textura, rotación o el gráfico importado. Al crear un modelo puede ser
conveniente seleccionar una propiedad que no permite mover el objeto visual y lo deja fijo.
2
También permite mostrar texto en el layout del modelo. Este texto tridimensional puede ser
rotado y su tamaño modificado como cualquier otro objeto.
El usuario puede escoger entre mostrar un texto simple o bien una cadena de texto muy
elaborada que incluya una o más variables del modelo que cambien dinámicamente,
mostrando información actualizada. El texto visual contiene una larga lista de opciones
predefinidas para mostrar la mayoría de las variables del modelo, pero siempre permite
modificarlas según las necesidades del usuario. Se puede cambiar el tipo de texto, tamaño,
color, y la distancia a la que se ve.
2
Capítulo 5
Aplicación de la metodología de simulación al sistema de
recolección de residuos sólidos
5.1 Introducción
Gracias al avance tecnológico de la computación, la simulación se ha convertido en una
poderosa herramienta de análisis de diversos sistemas, ya que provee una manera de
solucionar problemas que de otra manera seria difícil o imposible de hacer, dada la
complejidad de los mismos. Entre los sistemas complejos, los cuales están formados de
elementos (conjuntos) dinámicamente relacionados con la finalidad de lograr un objetivo, se
encuentran los:
• Sistemas logísticos.
• Sistemas políticos.
• Sistemas empresariales, y desde luego,
• Sistemas de recolección de residuos sólidos.
El sistema de recolección de residuos sólidos es un sistema complejo, dado que cuenta con una
gran cantidad de variables que en la realidad sería muy difícil o casi imposible de analizar y
consumiría una gran cantidad de tiempo, si no se hace el análisis por medio de la simulación.
La recolección de residuos sólidos urbanos, que es una parte esencial en cualquier ciudad, ya
sea grande o pequeña, es una de las actividades que más tiempo y recursos consume del
gobierno, además de que es uno de los servicios que tiene un gran impacto en una ciudad,
tanto social como económicamente, debido a que las estadísticas mencionan que una persona
genera aproximadamente 2.2 Kg de residuos cada día (SEMARNAT, 2010) y que esto puede
agravarse debido a la creciente urbanización por el incremento de la población.
Este capítulo mostrara como se aplicó la metodología de simulación para desarrollar un

modelo de simulación que muestra la situación actual del sistema logístico de recolección de
residuos sólidos del mercado Zapata. Este capítulo concluye con los resultados obtenidos de la
metodología de simulación, los beneficios alcanzados y los obstáculos encontrados.
3
5.2 Metodología para la construcción del modelo de simulación de la
situación actual del sistema de recolección de basura del mercado
Zapata
Para la construcción de un modelo de simulación, que permita simular la situación actual del
sistema de recolección de residuos sólidos del mercado Zapata, se requirió definir una
metodología general que permitiera realizar de una forma estructurada la realización del
proceso de construcción del modelo; esta metodología fue la siguiente:
1. Detección de las necesidades del sistema logístico del mercado Zapata.
2. Selección de las herramientas de Ingeniería Industrial a ser utilizadas.
3. Apoyo por parte de la empresa en la obtención de la información requerida.
4. Desarrollo del modelo de simulación de la situación actual.
a. Formulación del problema
b. Planeación del estudio del desarrollo del modelo de simulación
i. Objetivo
ii.Definición de preguntas a ser contestadas con el modelo
iii.Medidas de desempeño a evaluar
iv.Alcance o propósito del modelo
v.Configuraciones del sistema a ser modeladas
vi.Marco de tiempo, recursos y software para el estudio
c. Colección de datos para el modelo
i. Definición de los tipos de datos necesarios para el modelo
ii.Recolección de datos
iii.Análisis estadístico de los datos
d. Construcción y verificación del modelo en Flexsim
i. Definición del sistema a simular
ii.Validar los datos y la definición del modelo
iii.Construcción del layout y objetos 3D involucrados en el sistema
logístico de recolección de residuos sólidos
iv.Exportación del layout y objetos 3D a Flexsim
v.Construcción del modelo de simulación
vi.Verificación del modelo de simulación
e. Validación del modelo de simulación
1
i. Aplicación de diseño de experimentos.
ii. Realización de corridas del modelo de simulación.
iii. Realización del análisis.
a. Correr el modelo de simulación.
2. Análisis y documentación de resultados.
5.3 Detección de las necesidades del sistema logístico del mercado

Zapata
Con la finalidad de conocer la situación actual del sistema de recolección de residuos sólidos
del mercado Zapata, se realizó un diagnóstico durante el mes de Enero de 2010.
El procedimiento utilizado para obtener este diagnóstico fue:

1. Obtención de un panorama general del mercado zapata.
2. Determinación del área de oportunidad.
3. Descripción de la situación problemática.
5.3.1 Obtención un panorama general de sistema de recolección de residuos

sólidos
Para obtener un panorama general del sistema de recolección de residuos sólidos del mercado
Zapata, se sostuvieron pláticas con algunos trabajadores del mercado Zapata, con lo cual se
determinó:
• El objetivo de estudio. Realizar un modelo de simulación del sistema actual de
recolección de residuos sólidos del mercado zapata, y así, con base en éste buscar
soluciones que permitan controlar el sistema, tales como la definición y programación
de las rutas de recolección de basura de los recolectores, horarios de recolección
específicos.
• Las variables del sistema. Las variables definidas para la construcción del modelo de
simulación, fueron clasificadas en los rubros siguientes
○ Días de la semana
○ Recolectores
○ Camiones recolectores
1
Días de la semana
○ Identificación de los días de la semana. En todos los días de la semana existe
recolección de residuos sólidos, sin embargo, debido a ciertas características,
éstos se dividen en:
 Días normales. Los días martes, viernes, y domingo son considerados
normales, porque en éstos no existe un incremento de comerciantes.
 Días pico o de plaza. Los días miércoles y sábado son considerados
como pico o de plaza debido a que en éstos existe un incremento en el
número de comerciantes en el mercado.
 Días de vaciado del tiradero. Los días lunes y jueves son considerados
de vaciado del tiradero ya que en estos días 3 camiones municipales se
llevan lo que se recolecto en los días normales y/o en los días pico.
Recolectores
○ Número de recolectores en el mercado Zapata. En el mercado existen un total
de 7 trabajadores que son los encargados de realizar la recolección en los
alrededores del mercado.
○ Rutas de recolección. Cada uno de los 7 recolectores tiene una ruta (Figura 5.1)
que recorre 4 veces al día para recolectar los residuos sólidos las cuales son
mostradas en el modelo de simulación.
○ Los horarios de trabajo de los recolectores son:
 En un día normal o en un día de vaciado es de 9:00 am a 5:00 pm
 En un día de plaza es de 3:00 am a 11:00 pm para los trabajadores
asignados.
3
Ruta 7654321
Figura 5.1 Rutas de los recolectores del mercado Zapata.
○ Días de descanso de los recolectores. Los recolectores asignados para laborar

de 3:00 A.M. a 11:00 A.M. en los días de plaza tienen el día siguiente de
descanso.
○ Tiempos promedio de los recorridos de los recolectores. El tiempo promedio
que tardan en recorrer la ruta es de 37.01 minutos.
○ Cantidad promedio de basura recolectada por los recolectores. La cantidad
promedio de basura recolectada por cada recolector en su ruta específica es de
1 por recorrido.
3
m
Camiones recolectores
1
○ Número de camiones recolectores de basura. El número total de camiones
recolectores de basura es de 3 los cuales van y regresan del basurero conocido
como colorines que es donde tiran la basura que llevan.
○ El horario de recolección de los camiones. El horario de los camiones
recolectores es de 9:00 am a 2:30 pm., los días lunes y jueves.
○ Tiempos de llenado de los camiones. El tiempo total que tarda en llenarse un
camión con la ayuda del trascabo es de 10.94 minutos.
○ Tiempos promedio de entrada y salida de los camiones. El tiempo promedio
que tarda en entrar y salir de la zona de recolección es de 5.28 minutos.
○ Cantidad promedio de basura recolectada por los camiones recolectores. La
cantidad promedio de basura recolectada por cada camión es de 16 .

m3
○ Tiempo entre llegadas de los camiones. El tiempo promedio que tardan los
camiones en ir y regresar del basurero es de 18.36 minutos1.
5.3.2 Determinación del área de oportunidad

La determinación del área de oportunidad nace de las observaciones realizadas por el Dr.
Alejandro Alvarado Lassman, durante el desarrollo de su proyecto para el aprovechamiento de
residuos sólidos urbanos del mercado Zapata para la creación de biocombustible.
Las observaciones detectadas, al ser analizadas por el Dr. Fernando Ortiz Flores, responsable
del área de Manufactura de la Maestría en Ingeniería Industrial, eran factibles de solucionar
con la aplicación de herramientas de ingeniería industrial. Una de las posibles herramientas,
que sirve para analizar si las posibles alternativas de solución pueden dar resultados
satisfactorios, o no, es la aplicación de la técnica de simulación.
De esta manera, para empezar a ver si era factible aplicar está técnica, se realizaron recorridos
al Mercado Zapata y entrevistas con algunos recolectores de los residuos sólidos. Las
respuestas y observaciones dieron la pauta para determinar que el área de oportunidad es la
simulación del sistema de recolección de residuos sólidos del mercado Zapata para ver cómo
1 En el archivo de Excel, que se encuentra en la siguiente ubicación del cd que se anexa: E:\CD residencias\Informe
Técnico\Datos del Mercado segundos y minutos (final).xls, se encuentran las mediciones individuales -en minutos y en
segundos- de cada uno de los tiempos a los que se hizo referencia de la variable del sistema “camiones recolectores”.
1
se comportarían las soluciones propuestas para mejorar las observaciones detectadas por el Dr.
Lassmann, debido a que éstas no pueden ser puestas en práctica, debido a políticas sindicales.
Es necesario mencionar que la mejora del sistema de recolección de residuos sólidos es de

vital importancia para el funcionamiento de dicho mercado ya que sin éste la suciedad y
enfermedades serian predominantes en el mercado y sus alrededores.
5.3.3 Descripción de la situación problemática

La situación problemática del mercado Zapata, relacionada con la recolección de residuos
sólidos, la cual fue observada durante los recorridos realizados para determinar el área de
oportunidad, y que se corroboró durante la recolección de datos para la realización de un
modelo de simulación de la situación actual, se resume en los siguientes puntos:
• Los trabajadores cuentan con mucho tiempo ocioso debido a una falta de organización
dentro del mercado ya que éstos son libres de ir a sus rutas cuando ellos lo creen
conveniente y no de una manera sistemática en función a la cantidad acumulada de
residuos sólidos a lo largo del día.
• En ocasiones la ruta de algún recolector, se traslapa con la ruta de otro recolector
debido a que no están bien distribuidas, es decir, algunas rutas pasan por las mismas
calles o avenidas en el mismo periodo de tiempo.
• En los días de recolección de residuos en ocasiones sucede lo siguiente:
○ El trascabo no llega a la hora indicada generando un retraso en la recolección.
○ Los camiones recolectores no llegan a la hora indicada generando un retraso en
la recolección.
• Algunos de los recolectores no siguen su ruta al 100%, es decir, los recolectores van a
lugares que no les corresponden en su ruta de recolección por residuos sólidos
municipales (RSM) y después regresan a su ruta especifica
5.4 Selección de las herramientas de Ingeniería Industrial a ser

utilizadas
En un proyecto de ingeniería industrial, como en cualquier proyecto, es esencial tener
claramente definidas las herramientas de ingeniería industrial que van a ser utilizadas, de esta
2
manera, se ha decidido utilizar las siguientes herramientas, para dar solución al área de
oportunidad detectada:
• La metodología de simulación de Law y Kelton (2007) para desarrollar
conceptualmente un modelo de simulación de la situación actual, evaluar y validar
estadísticamente los resultados del modelo y, asegurar que éste represente la situación
real del área bajo estudio.
• El software de simulación Flexsim para la construcción del modelo de simulación,
debido a que su característica de modelación en tres dimensiones permite lograr una
mejor visualización del área bajo estudio.
5.5 Apoyo por parte de la empresa en la obtención de la información

requerida
Para el apoyo y aprobación de la obtención de toda la información, necesaria para el uso de las
herramientas seleccionadas, se tuvo una reunión con los trabajadores del mercado, en la cual
se les brindó un panorama de lo que es la técnica de simulación, sus beneficios, además de sus
ventajas y desventajas. Adicionalmente se les hizo ver que esta técnica es adecuada para poder
evaluar propuestas de mejora del sistema de recolección de residuos sólidos sin requerir que
ellos las apliquen realmente.
Después de presentarles este panorama general de lo que es la técnica de simulación, se les

presentó una programación de actividades propuestas para la realización del presente proyecto.
Los apoyos obtenidos, después de las actividades realizadas, fueron los siguientes:
• Involucramiento: Se obtuvo el permiso para realizar la toma de datos de los
trabajadores que recolectan la basura y de los camiones recolectores de basura.
• Apoyo personal: Los trabajadores facilitaron la toma de datos y permitieron que se les
pudiera acompañar durante sus viajes en sus rutas de recolección.
5.6 Desarrollo del modelo de simulación de la situación actual

Obtenido el apoyo por parte de la empresa, se empezó a trabajar con la construcción del
modelo de simulación de la situación actual sistema de recolección de residuos sólidos. Para la
2
realización de la construcción del modelo se utilizaron como base los 10 pasos de un estudio
de simulación propuestos por Law y Kelton (2007), adecuándolos a las necesidades propias
del proyecto de residencias profesionales. La metodología utilizada para la construcción del
modelo de simulación es la siguiente:
a. Formulación del problema
b. Planeación del estudio del desarrollo del modelo de simulación
c. Colección de datos para el modelo
d. Construcción del modelo en Flexsim
e. Validación del modelo de simulación
• Aplicación de diseño de experimentos.
• Realización de corridas del modelo de simulación.
• Realización del análisis y documentación de resultados.
5.6.1 Formulación del problema

La formulación del problema, que es el primer paso de la metodología para un estudio de
simulación propuesta por Law y Kelton (2007), se puede expresar de la siguiente manera:
La creciente urbanización y crecimiento de la población han generado un gran incremento en

la proliferación de residuos sólidos la cual trae como consecuencia la contaminación del
medio ambiente y la proliferación de enfermedades. El problema de los residuos sólidos, que
no es sólo de las grandes ciudades, sino también de comunidades rurales o de ciudades en
desarrollo, tal como el que se pretende analizar con el presente proyecto, se puede observar en
el mercado de la Colonia Zapata de la ciudad de Orizaba. En particular, se tiene la inquietud
de analizar y modelar la situación actual del sistema de recolección de residuos sólidos de éste
mercado, y después hacer propuestas que ayuden a mejorar su sistema de recolección de
residuos sólidos presente.
5.6.2 Planeación del estudio del desarrollo del modelo de simulación

En este paso se definieron los siguientes 6 puntos para la planeación del estudio de simulación.
1. Objetivos globales del estudio.
Los objetivos globales del estudio de simulación son los siguientes:
2
• Representar la cantidad de residuos sólidos desechados en el mercado, cada vez
que estos son recolectados.
• Representar cuanto recolecta cada uno de los carritos recolectores durante los
días de la semana.
• Representar en el modelo de simulación las rutas y horarios de recolección de
basura de los carritos recolectores en el mercado.
1. Preguntas específicas que deben ser contestadas por el proyecto.
Las preguntas específicas a las que se responderá con el desarrollo del presente
proyecto son:
• ¿Es necesario incrementar o reducir el número de trabajadores en los días de la
semana con base en los niveles de residuos recolectados?.
• ¿Es necesario definir nuevas rutas para los trabajadores recolectores en el
mercado?
• ¿Es necesario un incremento del número de camiones para reducir el tiempo de
uso del trascabo, en los días de recolección?
1. Configuraciones del sistema a ser modeladas.
En esta primera etapa, debido al alcance del proyecto, sólo se modelará la situación
actual del sistema de recolección de residuos sólidos del mercado Zapata. En una etapa
posterior, con base en el comportamiento de las medidas de desempeño, a definir en el
paso siguiente, se pensara en:
• Incrementar o reducir el número de trabajadores recolectores de basura.
• Incrementar el número de camiones recolectores de basura.
• Incrementar el tiempo de trabajo del trascabo.
• Analizar nuevas rutas de recolección.
1. Medidas de desempeño que serán usadas para evaluar la eficacia de las diferentes
configuraciones del sistema
Las medidas de desempeño definidas para la evaluación son:
• Tiempo promedio de recorrido de los trabajadores recolectores de basura.
• Tiempo promedio de vaciado de los carritos recolectores de basura.
• Porcentaje de utilización de los trabajadores recolectores de basura.
• Porcentaje de utilización de los camiones recolectores de basura.
• Tiempo promedio de llenado de los camiones de basura.
1
• Porcentaje de utilización del trascabo.
• Cantidad promedio recolectada de basura en los diferentes días.
1. Alcance o propósito del modelo.
El alcance del modelo de simulación es representar las condiciones actuales del
sistema de recolección de residuos sólidos del mercado Zapata con base en las medidas
de desempeño planteadas en el punto anterior.
2. Marco de tiempo, recursos y software a ser usado para el estudio.
• El marco de tiempo para realizar la recolección de datos de operación del
mercado Zapata será de 8 semanas, distribuidas en 2 meses, tal como se muestra
a continuación:
○ La recolección de los tiempos de llenado de los camiones recolectores
de basura se realizó del 8 de Febrero del 2010 al 11 de Marzo del 2010;
en este caso el muestreo fue realizado los días lunes y jueves.
○ La recolección de datos de los carritos recolectores de basura fue del 24
de Mayo del 2010 al 24 de Junio del 2010; en este caso los días para
este muestreo se seleccionaron de manera aleatoria.
• El recurso humano, utilizado para la recolección de datos, será el alumno
residente involucrado en el proyecto. Éste contará con el apoyo de los
trabajadores en el tiempo mencionado.
• El software a utilizar para el desarrollo del modelo será el software de
simulación Flexsim.
5.6.3 Recolección de datos del sistema de recolección de basura del mercado

Zapata
Para la construcción del modelo de simulación se deben obtener datos del sistema real bajo
estudio, con el objeto de que el modelo de simulación represente lo más cercano posible el
sistema de recolección de residuos sólidos del mercado Zapata. De esta forma, para tener datos
significativos para el desarrollo del modelo de simulación se realizaron las siguientes
actividades:
• Definición de los tipos de datos necesarios para el modelo.
• Recolección de datos.
• Análisis estadístico de los datos.
1
5.6.3.1 Definición de los tipos de datos necesarios para el modelo
Con el objeto de definir correctamente que datos necesarios caen en la clasificación de Harrel
y otros (2004), descrita en la sección 2.4 del presente trabajo, se realizaron los siguientes
pasos:
a. Se estudio el sistema de recolección de basura del mercado Zapata con la ayuda de
los trabajadores.
b. Se realizaron visitas periódicas para verificar que el proceso corresponde a lo
descrito por los trabajadores, y de esta manera familiarizarse con los mismos, y las
actividades que van a ser tomadas en cuenta en la toma de tiempos.
Teniendo un panorama ya completo del sistema a simular, y con base en la clasificación que
propone Harrel (2004), la definición de datos necesarios para el desarrollo del modelo de
simulación son los siguientes:
• Datos estructurales
○ Medidas reales del layout del sistema a simular.
○ Número de trabajadores.
○ Tipo de sistema a simular (continuo discreto).
○ Número de camiones recolectores.
○ Ubicaciones de aéreas de trabajo importantes del proceso.
○ Cantidad de basura recolectada.
• Datos operacionales
○ Horarios de trabajo de los trabajadores.
○ Horarios de trabajo de los camiones recolectores.
○ Flujo de la basura dentro del sistema de recolección.
○ Orden en el que es trasladada la basura.
○ Rutas de los trabajadores.
• Datos numéricos
○ Capacidades de cada uno de los recursos.
○ Tasa de llegada de los camiones recolectores.
○ Los tiempos de las actividades de los recolectores y los camiones.
1
5.6.3.2 Recolección de datos
Para la recolección de datos se realizaron los siguientes pasos:
A. Se definieron los formatos del anexo 1 y 2 para anotar los tiempos de las
actividades realizadas en las aéreas consideradas para la recolección de datos en el
sistema de recolección de residuos sólidos del mercado Zapata. Algunos de los
tiempos fueron:
○ Tiempo total promedio de recorrido de los trabajadores.
○ Tiempo promedio de descarga del carrito.
○ Tiempo promedio de entrada del camión.
○ Tiempo promedio de salida del camión.
○ Tiempo promedio de llenado del camión.
○ Paleadas promedio necesarias para llenar un camión.
A. Se establecieron las semanas en que se iban a realizar la recolección de datos. Se
acordó con el personal del mercado tomar datos durante 8 semanas repartidas en 2
periodos:
○ El primer periodo (8 de Febrero del 2010 al 11 de Marzo del 2010) para la
toma de datos a los camiones recolectores de basura.
○ El segundo periodo (24 de Mayo del 2010 al 24 de Junio del 2010) para el
muestreo de los turnos de los trabajadores recolectores que trabajan en el
interior del mercado.
La elección de las semanas fue definida por el residente con base en el avance del
proyecto y, con el objetivo de poder muestrear los tiempos de los 3 diferentes
camiones recolectores de basura y del trascabo.
A. Se realizó la recolección de los datos del proceso definidos en la actividad
“Definición de los tipos de datos necesarios para el modelo” (sección 5.6.3.1). Los
datos se obtuvieron mediante mediciones de tiempos de las actividades en las áreas
consideradas de sistema logístico de recolección de sólidos.
B. Se concentró la información en un archivo en Excel2 con el objeto de tener un
mejor control y organización de la información obtenida del paso anterior. Los
Técnico\Datos del Mercado segundos y minutos (final).xls, se encuentran el concentrado de datos de la definición de los
datos necesarios para el desarrollo del modelo.
1
datos de los tiempos recolectados fueron convertidos a segundos, ya que es la
unidad de tiempo que se ocupará en el desarrollo del modelo de simulación.
Algunos de los resultados de los tiempos fueron:
○ Tiempo total promedio de recorrido de los trabajadores de 37.01 minutos.
○ Tiempo promedio de descarga del carrito de 1.92 minutos.
○ Tiempo promedio de entrada del camión de 2.56 minutos.
○ Tiempo promedio de salida del camión de 2.71 minutos.
○ Tiempo promedio de llenado del camión de 10.94 minutos
○ Paleadas promedio necesarias para llenar un camión fue 14.83 paleadas.
5.6.3.3 Análisis estadístico de los datos

Realizada la recolección de los datos durante el periodo mencionado en la sección 5.6.2 del
presente capítulo, se procedió a analizarlos estadísticamente utilizando el software ExpertFit,
con la finalidad de obtener sus características clave y la mejor distribución teórica (como la
normal o beta, si es posible) que se ajuste a ellos y, de esta forma, estar seguro de su idoneidad
para su uso en un modelo de simulación.
Experfit es una herramienta de análisis de datos incluida en el software Flexsim. Los pasos
utilizados para determinar las distribuciones de probabilidad de cada una de la muestra de
datos obtenidos del proceso real fueron los siguientes:
• Abrir el software ExpertFit.
• Crear un nuevo proyecto en ExpertFit.
• Introducir los datos al proyecto.
• Realizar el ajuste automatizado de los datos.
• Seleccionar la distribución de probabilidad.
• Obtener la representación de la distribución de probabilidad elegida para Flexsim.
• Guardar el proyecto.
Los resultados obtenidos mediante experfit, del análisis de cada una de las muestra de datos,
se resumirá en:
• Una tabla resumen de las características descriptivas de los datos: media, mediana,
varianza, etc.
2
• Un histograma de la muestra de los datos para visualizar de una manera preliminar una
posible distribución de probabilidad que se ajuste a la muestra de datos a simple vista
• Pruebas de independencia, mediante el desarrollo de (Sección 2.9.1, pruebas de
independencia):
○ Un diagrama de correlación para observar para ver si los datos de la muestra se
encuentran cercanos a cero, si es así se puede afirmar que existe poca o nada de
correlación en la muestra de los datos.
○ Un diagrama de dispersión para mostrar la aleatoriedad de la muestra de datos,
es decir si se observa que los puntos en la grafica se encuentran dispersos y no
muestran tendencia, entonces se puede afirmar que la muestra de datos es
aleatoria e independiente
• Un histograma de densidad de ajuste, en el cual se superpone una línea para
representar la distribución que mejor se ajusta a la muestra.
• Prueba de Anderson-Darling para evaluar que tan bien una distribución de
probabilidad se ajustan los datos, con base en una prueba estadística que mide la
desviación; aquí, si los valores a ser probados son mayores al valor de prueba se puede
afirmar que el ajuste es idóneo a la muestra de datos.
En resumen, el análisis estadístico de los datos se realizó a las siguientes muestras de datos:
○ Tiempo total promedio de recorrido de los trabajadores.
○ Tiempo promedio de descarga del carrito.
○ Tiempo promedio de entrada del camión.
○ Tiempo promedio de salida del camión.
○ Tiempo promedio de llenado del camión.
○ Paleadas promedio necesarias para llenar un camión
En la tabla 5.1 se muestran las distribuciones de probabilidad obtenidas con el software
Expertfit y sus actividades correspondientes, y en él anexo 3 (Análisis estadístico de las
muestras de datos) se muestra la tabla resumen de características, histograma, diagrama de
correlación, prueba de independencia, histograma de densidad y prueba Anderson Darling
realizadas a cada una de las muestras de datos mostradas en la tabla 5.1.
Tabla 5.1 Distribuciones de probabilidad del sistema de recolección de residuos sólidos.
1
Actividad Distribución de probabilidad
Tiempo de recorrido de los
trabajadores Weibull( 23.439347, 15.192243, 3.026045, <stream>)
Johnsonbounded( 1.374417, 2.511157, 0.085692, 1.187483,
Tiempo de descarga del carrito <stream>)
Tiempo de entrada del camión Weibull ( 0.000000, 2.824368, 4.150463, <stream>)
Tiempo de salida del camión Gamma (0.000000, 2.722167, 6.056662, <stream>)
Tiempo de llenado del camión Gamma( 0.000000, 1.118035, 9.793862, <stream>)
Paleadas para llenar un camión Weibull( 11.800000, 3.425287, 2.103415, <stream>)
5.6.4 Construcción y verificación del modelo en Flexsim

Para poder desarrollar el modelo de simulación de la situación actual del sistema de
recolección de residuos sólidos del mercado Zapata, en el software de simulación Flexsim se
realizaron las siguientes actividades:
• Definición del sistema a simular.
• Definición de los supuestos del modelo.
• Verificación del modelo de conceptual.
• Construcción del layout y objetos 3D involucrados en el sistema logístico de
recolección de residuos sólidos.
• Construcción del modelo de simulación.
• Verificación del modelo de simulación.
5.6.4.1 Definición del sistema de recolección de basura del mercado Zapata

El sistema a simular consiste en un sistema de recolección de residuos sólidos municipales
(RSM) que se encuentra localizado en la ciudad de Orizaba en la colonia Emiliano Zapata en
el cual los residuos desechados por los comerciantes y las personas son recogidos por
recolectores que trabajan en el mercado, y posteriormente, en los días de recolección,
camiones recolectores vacían el tiradero del mercado para llevar la basura al basurero
municipal conocido como colorines.
Este sistema presenta los siguientes elementos:

• El sistema cuenta con 2 turnos de 8 horas cada uno.
• Los trabajadores internos (recolectores) del mercado son 7 (establecidos en la sección
5.3.1):
1
○ 4 en un turno y
○ Los 3 restantes en el otro turno.
• Los trabajadores externos del mercado son (4):
○ 3 en camiones recolectores que vacían el tiradero y trabajan según lo
establecido en la sección 5.3.1.
○ 1 en un trascabo encargado de llenar los camiones conforme van llegando.
• La única entidad en el modelo de simulación es la basura (residuos sólidos); su flujo es
mostrado en la figura 5.2.
• El mercado Zapata consiste de 5 naves y una zona de depósito de residuos sólidos. Su
distribución física se muestra en la figura 5.3.
• El proceso de la recolección es realizado por los trabajadores durante los 7 días de la
semana, como se mencionó en la sección 5.3.1, recorriendo sus rutas y llevando la
basura recolectada al tiradero del mercado para posteriormente en los días de
recolección (sección 5.3.1) los camiones llegan a vaciar el tiradero del mercado para
llevar la basura al basurero municipal.
Figura 5.2 Diagrama de flujo de la entidad (basura).
1
Zona de depósito (tiradero)
Naves
Figura 5.3 plano del mercado Zapata, en amarillo se muestra el tiradero de basura.
5.6.4.2 Definición de los supuestos del modelo

Los supuestos del modelo de simulación son los siguientes:
• Existen 10 carritos para recolectar basura pero sólo existen 7 trabajadores por lo tanto
en el modelo de simulación se utilizaron sólo 7 recolectores.
• El volumen de RSM que un recolector junta durante un recorrido es de 1 (Sección
3
m
5.3.1).
• El volumen de RSM que un camión municipal puede recolectar es de 16 , con base
3
m
a los datos proporcionados por los trabajadores (Sección 5.3.1).

• El orden en el cual los RSM fluyen a través del modelo es el siguiente:
1. Los RSM son recolectados por los recolectores.
2. Los RSM son llevados al tiradero por los recolectores.
3. Los RSM son retirados del tiradero por camiones municipales y llevados al
basurero municipal de colorines.
• En el tiempo de recorrido de los recolectores se utilizó la distribución de probabilidad
Weibull mencionada en la tabla 5.1 de la sección 5.6.3.3.
2
5.6.4.3 Verificación del modelo conceptual
Para verificar si el modelo conceptual es una representación adecuada del sistema a ser
simulado, se revisó el nivel de detalle especificado en las secciones 5.3 y 5.6.4.1. Scriber
(1991) menciona que esta verificación es sólo preliminar y que si está sugiere que el modelo
no es adecuado para soportar las decisiones que soporten los objetivos de estudio, entonces el
modelo debe ser re especificado. Dado que para la definición del modelo y la recolección de
datos se realizó con la atención debida, se llego a la conclusión que el modelo es adecuado
para soportar las decisiones que se tomen con base en los resultados arrojados.
5.6.4.4 Construcción del layout y objetos 3D involucrados en el sistema logístico

de recolección de residuos sólidos
Debido a la naturaleza del presente proyecto la construcción del layout y los objetos
involucrados en el sistema logístico de recolección de residuos sólidos fueron realizados por
otra persona involucrada en el proyecto. Para cualquier duda o si quiere ampliar como se
realizó este proceso, se puede revisar el reporte de residencias profesionales de Barreto (2010).
En la construcción del layout y de objetos involucrados en el sistema de recolección de

residuos sólidos municipales del mercado Zapata, Barreto (2010) utilizó el software Google
Sketchup 8. En la construcción del layout y objetos se realizaron los siguientes pasos:
• Creación de un dibujo en 3D.
La descripción detallada de cómo se debe realizar este paso se muestra en el reporte de
Barreto (2010).
• Conversión de un dibujo en 3D al formato .3ds mediante el software Google Sketchup
8.
La descripción detallada de cómo debe realizarse este paso se muestra en el reporte de
Barreto (2010).
En la figura 5.4 se muestra una vista del layout del mercado Zapata ya convertido al formato .
3ds dentro del programa Google Sketchup 8.
En la Figura 5.5 se muestran los dibujos en 3D del equipo que se ocupó en el sistema de
recolección de residuos sólidos del mercado Zapata ya convertidos al formato .3ds.
1
Figura 5.4 Vista lateral izquierda externa del layout del plano del mercado Zapata.
Carritos recolectores Camión de recolección

Figura 5.5 Equipo del sistema de recolección de residuos sólidos
del mercado Zapata en 3D.
2
5.6.4.5 Construcción del modelo de simulación
Una vez que se ha verificado el modelo conceptual del sistema a simular y definido el
software de simulación en el cual se desarrollará el modelo de simulación: Flexsim 4.5.2; se
procederá a realizar la construcción del modelo de simulación.
Para iniciar la construcción del modelo de simulación, es necesario definir el tipo de modelo
de simulación con base en las características del sistema a simular. El sistema de recolección
de residuos sólidos del mercado Zapata presenta eventos discretos (apartado 3.2.3), por esta
razón se decidió utilizar un modelo de simulación discreto en las siguientes etapas para
simular el sistema de recolección de residuos sólidos del mercado Zapata:
• La recolección de RSM por parte de los recolectores del mercado.
• La llegada de los RSM al tiradero del mercado.
• El vaciado del tiradero del mercado por los camiones municipales de recolección.
Definido el tipo de modelo de simulación a construir para representar el sistema bajo estudio,
se realizó lo siguiente:
• Importar el layout del plano del mercado a Flexsim.
• Definir los tipos de Flexsim objetcs a ser incluidos en el modelo.
• Definir las características de los Flexsim objects en el modelo.
• Realizar las conexiones del flujo del proceso entre los Flexsim objects.
• Realizar la programación del modelo de simulación.
5.6.4.5.1 Importar el layout del plano del mercado a Flexsim

Para iniciar la construcción del modelo de simulación se requiere tener el layout del sistema a
simular. Los objetivos de tener el layout del sistema de recolección de RSM dentro del modelo
de Flexsim fueron:
• Colocar en las posiciones correctas los Flexsim objects que representaran los equipos
del sistema de recolección de RSM, respetando las medidas reales del sistema a
simular.
• Marcar la casilla no select en la ventana del visual tool para que se pueda trabajar sobre
el sin problemas o, en otras palabras, configurar el Visual Tool para que no sea
“seleccionable” dentro del modelo.
1
Los pasos generales para realizar la importación de un dibujo a un Visual Tool en Flexsim, con
el objeto de ocupar éste como el layout o plano de un modelo de simulación se describe a
continuación:
1. Crear un nuevo modelo en Flexsim.
Para crear un nuevo modelo en Flexsim se realiza lo siguiente:
○ Abrir Flexsim.
○ Seleccionar la opción New Model.
1. Crear un Visual Tool dentro del modelo.
La colocación de un Visual Tool en el modelo se realiza mediante:
○ Seleccionar la Orthographic View-model de Flexsim (sección 4.3).
○ Crear un Visual Tool (sección 4.6) en el origen, para obtener la Figura 5.6.
1. Configurar el Visual Display del Visual Tool.
La configuración del Visual Tool para poder asignarle una figura importada se lleva a
cabo al:
Figura 5.6 Visual Tool colocado en el origen.
○ Dar doble click sobre el Visual Tool para entrar a la venta de propiedades de
éste.
○ Seleccionar en el campo Visual Display la opción Imported Shape (Figura 5.7).
1. Seleccionar el dibujo 3D a importar en el Visual Tool.
2
Con este paso se seleccionará el dibujo en 3D que se asignará al Visual Tool realizando
los siguientes pasos:
○ Seleccionar en el campo Filename (Figura 5.8) el botón browse el cual
abrirá la ventana Select 3D shapes file (Figura 5.9) para poder elegir el
archivo .3ds que se desea importar.
○ Buscar el dibujo en formato .3ds, en este caso el archivo del dibujo se llama
“Plano del mercado Zapata”. Este dibujo se encuentra en la siguiente ubicación
del cd que se anexa: E:\CD Residencias\Informe Técnico\plano zapata.dxf.
○ Oprimir el botón “Abrir” (Figura 5.9) para cerrar la ventana.
○ Oprimir el botón Apply de la ventana de propiedades del Visual Tool (Figura
5.7). No apretar el botón OK para evitar que se cierre la ventana de
propiedades.
Visual display
Browse
Figura 5.7 Seleccionando la opción “imported Shape” dentro

del campo visual Display.
2
Filename
Browse
Figura 5.8 Importando el gráfico 3D en el Visual Tool.
Figura 5.9 Ventana Select 3D shapes file.
1. Modificar la posición, rotación y tamaño del dibujo importado en el Visual Tool.

Esta opción sólo seguirla en el caso de que el dibujo esté girado, no se encuentre en la
posición correcta o no tenga el tamaño que se requiere. Si éste es el caso, como en el
ejemplo que se describe en la Figura 5.10, realizar los siguientes pasos:
○ Ir al cuadro de propiedades del Visual Tool y picar en la pestaña General
(Figura 5.11).
○ Modificar la posición (Position), rotación (Rotation) y tamaño (Size) dentro de
la pestaña General en los recuadros que muestra la Figura 5.11. Los datos a
introducir son los siguientes::
 Posición del Visual Tool en el modelo: X=0, Y=0, Z=0.
1
 Rotación del Visual Tool en los planos del modelo: RX=0, RY=0,
RZ=180.
 Tamaño del Visual Tool: SX=1, SY=1, SZ=1.
Nota: Es importante mencionar que los factores referentes al tamaño del
Visual Tool que se escribieron anteriormente, son por el hecho de que el
dibujo plano del mercado Zapata fue realizado en metros; además, se
está contemplando que cada “cuadro” de la cuadrícula de Flexsim
representa, en este caso particular, un metro por un metro.
○ Oprimir el botón Apply en la figura 5.12 para poder visualizar los cambios. No
oprimir el botón OK ya que si no se cerrará la ventana.
1. Configurar el Visual Tool para no ser “seleccionable” dentro del modelo. Para
llevar a cabo esta configuración se realiza lo siguiente:
○ Hacer click en la pestaña Display dentro de la misma ventana de propiedades
del Visual Tool (Figura 5.12).
○ Seleccionar el recuadro No select (Figura 5.12).
Figura 5.10 Vista del dibujo importado en el visual tool aún sin configurar su
posición, rotación y tamaño.
1
Figura 5.11 Ventana de propiedades del Visual Tool en la pestaña General.
No select
Figura 5.12 Ventana de propiedades del Visual Tool en la pestaña Display

seleccionando el recuadro No select.
○ Oprimir OK para que se lleven a cabo los cambios y se cierre la ventana de

propiedades del Visual Tool.
El seleccionar el recuadro No select tiene como finalidad:
○ Que el objeto importado en 3d del Visual Tool no sea seleccionable al
desplazarse sobre el modelo de simulación.
1
○ Se puedan colocar Flexsim objects dentro del Visual Tool y desplazarse dentro
de éste con la finalidad de que funcione correctamente como layout o plano del
modelo de simulación.
En la Figura 5.13 se muestra el layout del plano del mercado ya importado dentro del modelo
de simulación en Flexsim.
5.6.4.5.2 Definir los tipos de Flexsim objetcs a ser incluidos en el modelo.

En este paso se definieron los Flexsim objects que de acuerdo a sus características, representan
de una manera adecuada el funcionamiento real del equipo perteneciente al sistema de
recolección de RSM. En la figura 5.14 se muestran los nombres de los Flexsim objects que
fueron ocupados en el modelo de simulación.
Figura 5.13 Layout del plano del mercado importado dentro del modelo de Flexsim.
1
Figura 5.14 Flexsim objects ocupados en el modelo
de simulación.
5.6.4.5.3 Definir las características de los Flexsim objects en el modelo

Definidos los Flexsim objects a ser incluidos dentro del modelo de simulación, se realizaron
los siguientes pasos con el objetivo de que éstos representaran en dimensiones y forma al
equipo del sistema a simular.
• Crear los Flexsim objects dentro del modelo de simulación.
• Cambiar la apariencia de los Flexsim objects por los dibujos en 3D propios del sistema
de recolección de residuos sólidos.
• Definir las dimensiones y posición de los Flexsim objects.
5.6.4.5.3.1 Crear los Flexsim objects dentro del modelo de simulación

Para crear un flexsim object se puede hacer de dos formas:
• Seleccionando el modo Create objects. En el modo Create objects se realizan los
siguientes pasos:
a. Hacer clic en el botón de la Flexsim Toolbar.
1
b. Hacer clic posteriormente en el objeto que se desea del panel de la Library
de Flexsim objects
c. Hacer clic en la vista del modelo donde se quiere que el Flexsim object sea
colocado.
Con estos pasos se pueden crear más de un mismo Flexsim object sin necesidad de
volverlo a seleccionar nuevamente. Si se requiere otro diferente Flexsim object para
el modelo se realiza lo siguiente:
d. Seleccionar el nuevo objeto haciendo clic en el Flexsim object de la
Library.
e. Repetir el paso c.
Si ya no se desea crear más objetos, se realiza lo siguiente:
f. Oprimir la tecla ESC para salirse de esta opción.
• Sin seleccionar el modo Create objects. Para realizar la creación de Flexsim
objects sin seleccionar el modo Create objects, se realizan los siguientes pasos:
a. Hacer clic y mantener oprimido el botón izquierdo del ratón en el Flexsim
object seleccionado de la Library.
b. Arrastrar el Flexsim object seleccionado a la posición en donde se desea
colocar en el modelo.
c. Liberar el botón del mouse.
Con esta opción si se requiere más de un Flexsim object del mismo tipo o algún
otro Flexsim object que se desea incorporar al modelo, se deben de repetir los pasos
a, b y c. En la Figura 5.15 se muestra un processor object colocado en la ortogonal
view del modelo.
5.6.4.5.3.2 Cambiar la apariencia de los Flexsim objects por los dibujos en 3D

propios del sistema de recolección de residuos sólidos.
Para cambiar la apariencia de un Flexsim object por un dibujo en 3D, se debe tener
primeramente el dibujo en 3D que va a tomar el lugar del Flexsim object; éste puede ser
obtenido realizando lo siguiente:
• Bajándolo de páginas de internet dedicadas a la creación de dibujos 3D que comparten
dibujos 3D en el formato .3ds o .wrl.
1
• Creado por el usuario con la ayuda de algún software de diseño tales, como el autocad,
mastercam, google sketchup, etc.
Obtenido el dibujo en el formato .3ds o .wrl, y creado el Flexsim objtect se realizan los
siguientes pasos para cambiar la apariencia (3D shape) del Flexsim object:
• Dar doble click sobre el Flexsim object para abrir la ventana de propiedades de éste.
• Ir a la pestaña “General” y buscar el campo “3D Shape” dentro de la ventana de
propiedades (Figura 5.16).
• Hacer click con el botón izquierdo del mouse sobre el botón “Browse directories”
(Figura 5.16), para abrir la ventana Select 3D shapes file (Figura 5.17).
• Buscar y seleccionar el dibujo 3D elegido en el formato .3ds o .wrl, dentro de la
ventana Select 3D shapes file, para que se modifique el 3D Shape del Processor object
a modificar. En la Figura 5.17 se muestra la selección del dibujo en 3D llamado
“volteo_pre.3ds” dentro de la ventana Select 3D shape file. El dibujo se encuentra en la
siguiente ubicación del cd que se anexa: E:\CD residencias\Informe Técnico\
camión.3ds.
Figura 5.15 Processor object de Flexsim colocado en la vista

ortogonal, al cual se le puede a cambiar la apariencia
(3D shape).
1
• Oprimir el botón “Apply” de la ventana de propiedades del processor object (Figura
5.16), para cambiar el 3D Shape del processor object por el dibujo de un “Camión”. En
la Figura 5.18 se muestra este cambio en la apariencia.
3D shape
Figura 5.16 Vista de la pestaña “General” dentro de la ventana de

propiedades del Flexsim object para cambiarle la
apariencia.
Selección del dibujo
Figura 5.17 Vista de la ventana Select 3D shapes file

seleccionando un dibujo en 3D.
1
Figura 5.18 Vista del processor object de Flexsim con su nueva apariencia
3D.
5.6.4.5.3.3 Definir las dimensiones y posición de los Flexsim objects

Para editar la dimensión y posición de un Flexsim object dentro del modelo, se tienen dos
opciones:
1. En la primera opción se realiza lo siguiente:
a. Seleccionar el Flexsim object a editar haciendo clic con el botón izquierdo
del mouse. Aparecerán tres flechas de color rojo (eje x), verde (eje y) y azul
(eje z), rodeando el Flexsim object (Figura 5.19).
b. Editar el tamaño del Flexsim object, haciendo clic con el botón izquierdo en
la punta de la flecha del eje que se desea modificar y arrastrar el mouse
hacia adelante o hacia atrás (Figura 5.19).
a. Editar la rotación del Flexsim object, haciendo clic con el botón derecho
del mouse sobre la punta de la flecha del eje sobre el cual rotará el
Flexsim object, arrastrando el mouse hacia adelante o hacia atrás
(Figura 5.19).
1
editar la rotación del object
Edit Menu
object
para
object
deldel
Flecha
Visualización de cambios en la position, rotation y size
editar
parapara
FlechasFlecha tamaño
la rotación
editar el
Figura 5.19 Processor object sin editar mostrando las flechas de los ejes X, Y y Z.
Los cambios en el tamaño, rotación y posición se pueden visualizar en la parte

inferior de la ventana de la Orthographic view (Figura 5.19).
1. En la segunda opción se realiza lo siguiente:
a. Hacer doble click en el Flexsim object a mover para que aparezca la
ventana de propiedades (Figura 5.20).
b. Hacer click en la pestaña General para la edición de position, rotation y
size (Figura 5.21).
c. Modificar los valores de los recuadros:
 RX, RY y RZ, para cambiar la rotación del Flexsim object sobre los
ejes X, Y y Z (Figura 5.21).
 SX, SY y SZ, para cambiar el tamaño del Flexsim object sobre los
ejes X, Y y Z (Figura 5.21).
a. Pulsar el botón OK para salir de la ventana de propiedades.
1
Edición de la rotación sobre X, Y y Z del object
Figura 5.20 Ventana de propiedades del Processor object.

Edición del tamaño sobre X, Y y Z del object
Figura 5.21 Ventana de propiedades del processor object.
5.6.4.5.4 Realizar las conexiones del flujo del proceso entre los flexsim objects
3
Una vez configurados dentro del modelo de simulación los Flexsim objects y Flowitems que
eran requeridos de acuerdo a las características del sistema de recolección de residuos sólidos
del mercado Zapata, se procedió a realizar las conexiones requeridas entre los Flexsim objects
del modelo con base al diagrama de flujo de la entidad en la figura 5.2 en la sección 5.6.4.1
como se puede observar en la figura 5.22.
El contenido completo de las conexiones se puede visualizar en el modelo de simulación de

Flexsim que se encuentra en la siguiente ubicación del CD que se anexa: E:\CD
Residencias\Informe Técnico\Simulación mercado Zapata\Simulación mercado Zapata
(FINAL).fsm.
5.6.4.5.6 Realizar la programación del modelo de simulación

Una vez realizadas las conexiones del flujo del proceso entre los flexsim objects se realizó la
programación necesaria para que el modelo de simulación funcionara adecuadamente. Esta
programación se realizó para que se simulara lo más cercanamente posible el sistema real del
sistema de recolección de residuos sólidos del mercado Zapata, teniendo en cuenta los datos
de definición del sistema de recolección de basura del mercado Zapata (Sección 5.6.4.1), los
supuestos del modelo de simulación (Sección 5.6.4.2) y la verificación del modelo conceptual
(Sección 5.6.4.3).
Para realizar la programación se realizó lo siguiente:

• Se establecieron los horarios de trabajo/descanso para los recolectores (Figura 5.23b y
5.23c) y los camiones recolectores dentro del modelo (Figura 5.23a) como se
estableció en la sección 5.3.1.
• Se establecieron las distribuciones de probabilidad para los tiempos de los recolectores
y de los camiones recolectores dentro del modelo como se estableció en la tabla 5.1
(Sección 5.6.3.3).
• Se establecieron los triggers en los recolectores como se muestra en la figura 5.24, los
cuales tienen las siguientes funciones:
○ On reset. Se cambia la forma del operador al momento de presionar el botón
reset para que vuelva a su forma original. On menssage. Se cambia la forma
2
del trabajador conforme va recorriendo su ruta3 y de esta forma simular un
incremento de basura en el carrito recolector.
○ On unload. Se cambia la forma del operador para simular el vaciado del carrito
recolector.
• En el flexsim object queue en la pestaña flow se marca la casilla de use transport y en
la pestaña request transport from se programo la secuencia de tareas de los
recolectores para que al momento de recorrer su ruta realicen las recolecciones en los
puntos de recolección en el modelo (Figura 5.25).
Figura 5.22 Conexiones del modelo de simulación.
3 En una queue se establecieron casos. Cada vez que el recolector llega a un punto de su ruta, se le manda un mensaje a la
queue y esta cambia la forma en función del caso: vacio, casi vacío, casi lleno, lleno.
2
a) b) c)
Figura 5.23 Horarios de los recolectores y los camiones recolectores. a) horario de

los camiones, b) horario de los trabajadores 1, 2, 3, 4, c) horario de los
trabajadores 5, 6, 7.
.
Figura 5.24 triggers de los operadores.
1
Figura 5.25 secuencia de tareas para los recolectores.
5.6.4.6 Verificación del modelo de simulación

La verificación del modelo consiste en observar y analizar que el modelo de simulación realice
la lógica del funcionamiento real del sistema de recolección de residuos sólidos del mercado
Zapata, de acuerdo a la definición del sistema de recolección de residuos sólidos del mercado
Zapata (sección 5.6.4.1).
La realización del proceso de verificación del modelo de simulación en flexsim, consistió en ir

observando que el modelo realizara la representación correcta del flujo de los residuos sólidos
municipales como se muestra en la definición del sistema de recolección de residuos sólidos
del mercado Zapata (sección 5.6.4.1).
Como resultado de la etapa de verificación del modelo de simulación se realizó el siguiente

cambio:
• Se identificó la necesidad de cambiar el valor de cada unidad de tiempo del reloj de
flexsim de segundos (como estaba contemplado en un inicio) a minutos, debido a que
en segundos la duración sería mayor y no se apreciaría con detalle el funcionamiento
de la recolección ya que la duración total de la simulación es de cuando menos una
semana.
1
5.6.4.7 Validación del modelo de simulación
La validación es el proceso de determinar si un modelo de simulación es una representación
exacta del sistema (Law, 2007). De acuerdo con Chung (2004), el proceso de validación
consiste primero en determinar la prueba estadística apropiada de comparación de medias para
ser llevada a cabo. Esta elección consiste en determinar si uno o ambos conjuntos de datos que
se ocuparán en la validación son normales. Si ambos conjuntos de datos son normales, una
versión de la Prueba t debe ser realizada Chung (2004), Law (2007). Si sólo uno o ninguno de
los conjuntos de datos son normales, se deber realizar una Prueba No-paramétrica para la
validación (Chung, 2004). Bajo esta perspectiva, para realizar el proceso de validación del
modelo de simulación, objeto del presente trabajo, se realizó lo siguiente:
• Examinar la normalidad de los datos de validación.
• Definir las corridas piloto del modelo de simulación.
• Validar el modelo de simulación.
5.6.4.7.1 Examinar la normalidad de los datos de validación

Chung (2004), comenta que se debe comprobar la normalidad tanto de los datos de validación
del sistema como de los datos de validación del modelo. Esta comprobación usualmente se
realiza corriendo una Prueba Chi-cuadrada en cada uno de los conjuntos de datos en un nivel
particular de significancia estadística; un valor de α=0.05 es normalmente usado.
Para desarrollar exitosamente una Prueba Chi-cuadrada (Chung, 2004), se debe asegurar que
un mínimo de 20 datos estén en cada conjunto. Si menos de 20 datos son disponibles, una
Prueba Chi-cuadrada no puede ser usada para determinar la normalidad de los conjuntos de
datos. En este caso, se debe utilizar una Prueba No-paramétrica de Suma de Rangos para la
comparación de medias entre el conjunto de datos del sistema y del modelo.
Para el caso particular de este proyecto de residencias profesionales, se tienen 14 y 8 datos

disponibles de las medidas de desempeño: Tiempo promedio de recorrido del trabajador 1 y
tiempo promedio entre llegadas del camión recolector, respectivamente. Por tanto, la prueba a
ser llevada a cabo para la validación de los datos del sistema y los datos del modelo será la
Prueba No-paramétrica de Suma de Rangos.
1
5.6.4.7.2 Definir las corridas piloto del modelo de simulación
El número de corridas piloto de un modelo de simulación, escrito de manera implícita por Law
(2007), es arbitrario, debido a que no se encontró una fórmula que permita obtener el número
ideal de corridas de prueba que deben ser efectuados; éste autor menciona diversos ejemplos
de procesos de validación de modelos, en los cuales, varía desde cinco hasta diez el número de
corridas piloto, y que éste número de corridas es definido por las limitantes en costos y tiempo
requerido para su realización. Tanto Law (2007) como Chung (2004), mencionan de manera
implícita en sus ejemplos de validación que m=n para poder realizar el proceso de validación
del modelo de simulación contra el sistema real (Siendo “m” el número de datos obtenidos del
sistema y “n” el número de datos obtenidos del modelo de simulación).
En este caso particular, dadas las facilidades de la empresa en estudio, sólo se pudieron
obtener datos de las medidas de desempeño de interés (Tiempo promedio de recorrido de los
trabajadores y tiempo de entrada del camión recolector), durante 8 semanas (4 semanas para el
tiempo de recorrido de los trabajadores y 4 semanas para los tiempos del camión).
Law (2007) menciona que si un modelo va a ser validado contra un sistema real, debe hacerse
comparando los datos obtenidos de la medida de desempeño definida del sistema real contra
los datos obtenidos de esa misma medida de desempeño del modelo de simulación. Para este
trabajo, dado que se tienen datos de ocho semanas y el modelo de simulación desarrollado
tiene especificado una longitud de tiempo de una semana, se decidió efectuar las corridas
piloto de la siguiente manera, teniendo como objetivo que m=n:
• 14 corridas piloto para el tiempo promedio de recorrido de los trabajadores (Se cambio
la unidad de tiempo de simulación de semanas a días para simular sólo 2 semanas dado
que el número de corridas piloto es arbitrario), y de esta manera tener un mayor
número de corridas piloto ya que con 4 semanas el número de corridas piloto sería muy
pequeño).
• 8 corridas piloto para el tiempo promedio entre llegadas del camión (Se cambio la
unidad de tiempo de simulación de semanas a días para simular sólo 1 semana dado
que el número de corridas piloto es arbitrario), y de esta manera tener un mayor
número de corridas piloto ya que de igual manera que con el caso del tiempo promedio
de recorrido de los trabajadores, el número de corridas piloto sería muy pequeño).
3
5.6.4.7.3 Validar el modelo de simulación
Para el proceso de validación estadística del modelo de simulación se decidió utilizar la
Prueba No-paramétrica de Suma de Rangos o Prueba U. De acuerdo con Chung (2004), esta
prueba es utilizada cuando uno o ambos conjuntos o grupos de datos no son normales o
cuando se tienen menos de 20 datos en cada grupo. Esta prueba compara la suma de los rangos
de los datos de cada uno de los grupos de datos de validación.
Para llevar a cabo el proceso de validación del modelo de simulación, mediante la Prueba de
Suma de Rangos se realizaron los siguientes pasos:
• Definir la o las medidas de desempeño de donde se obtendrán los datos para el proceso
de validación.
• Obtener el valor del nivel de significancia requerido (α) para el proceso de validación
con varias medidas de desempeño.
• Establecer el procedimiento para ordenar ambos conjuntos de datos (sistema y modelo)
mediante una hoja de cálculo.
• Definir las ecuaciones para la realización de la Prueba de Suma de Rangos.
• Aplicar la Prueba de Suma de Rangos en la validación del modelo de simulación.
A. Definir la medida de desempeño de donde se obtendrán los datos para el proceso

de validación. Para realizar el proceso de validación, es necesario tener definida o
definir la medida o medidas de desempeño que se ocuparán; para este caso particular
se tienen definidas las medidas de desempeño siguientes:
 Tiempo promedio de recorrido del trabajador 1.
 Tiempo promedio entre llegadas del camión recolector.
A. Obtener el valor del nivel de significancia requerido (α) para el proceso de

validación. Para la realización del proceso de validación del modelo de simulación se
decidió manejar un nivel de confianza del 95%, de esta forma, el nivel de significancia
será igual a 0.05 (α =5%).
B. Establecer el procedimiento para ordenar ambos conjuntos de datos (sistema y
modelo) mediante una hoja de cálculo. Para implementar la prueba de Suma de
Rangos, se deben de ordenar de forma ascendente los datos obtenidos de la medida de
3
desempeño elegida tanto del sistema como del modelo de simulación; esto se puede
realizar de una manera fácil en una hoja de cálculo realizando lo siguiente:
a. Escribir en las columnas A, B y C y fila 1 de la hoja de cálculo los siguientes
nombres:
○ Columna A y fila 1: “Rango”.
○ Columna B y fila 1: “Datos”.
○ Columna C y fila 1: “Grupo”.
a. Colocar en la columna A de la hoja de cálculo, denominada “Rango”, a partir
de la fila 2, la numeración en forma ascendente desde 1 hasta n1+n2, donde
n1=número de datos del sistema y n2=número de datos del modelo.
b. Colocar en la columna B, denominada “Datos”, a partir de la fila 2, los datos
del sistema (n1 datos) y después los datos del modelo (n2 datos).
c. Colocar en la columna C, denominada “Grupo”, a partir de la fila 2, el número
“1” a los datos que pertenecen al sistema y el número “2” a los datos que
pertenecen al modelo.
d. Ordenar los datos de las columnas B y C con base al orden ascendente de los
valores de la columna B.
e. Calcular la suma del rango (columna A), correspondiente al “Grupo 1” en la
variable W1. Por ejemplo, si en la filas 2, 4 y 5 (Figura 5.26), se tiene asignado
el “Grupo 1”, existirán valores de “Rango” 1, 3 y 4, por lo tanto, el valor de
W1= (1+3+4)=8.
f. Calcular la suma del rango (columna A), correspondiente al “Grupo 2” en la
variable W2. Esta se realiza de manera similar a W1 descrito en el paso f, por lo
tanto el valor de W2=(2+5+6)=13. Calculados los valores W1 y W2, se debe
considerar lo siguiente:
“En teoría, si el modelo es válido, los datos ordenados estarán
entrelazados aproximadamente de manera uniforme entre los datos de
validación del sistema y del modelo, y W1 y W2 estarán cercanos en su
valor. Por el contrario, si el modelo no es válido, los datos del sistema y
del modelo no estarán distribuidos aproximadamente de manera
uniforme. Esto significa que cualquiera de ellos (W1 y W2) será
significativamente más pequeño que el otro.” Chung (2004).
2
Figura 5.26 Ejemplo de una hoja de cálculo para la
prueba de rangos.
A. Definir las ecuaciones para la realización de la Prueba de Suma de Rangos.
Para determinar si la diferencia entre los valores W1 y W2, es estadísticamente
significante, se deben realizar los siguientes cálculos.
a. Calcular los valores U1 y U2 de acuerdo a las siguientes fórmulas:
n1 (n1 + 1)
U 1 = W1 − …………………………………. (5.1)
2
n 2 (n 2 + 1)
U 2 = W2 − …………………………………. (5.2)
2
Donde:
W1= Suma del rango del grupo 1 (Sistema)
W2= Suma del rango del grupo 2 (Modelo)
n1 = Número de datos del grupo 1
n2 = Número de datos del grupo 2
b. Obtener el valor U (reteniendo el valor mínimo de los dos valores U1 y U2).
U = min(U 1 , U 2 ) ……………………………………. (5.3)
c. Calcular el valor promedio de todos los rangos.
n * n2
media = 1……………………………………. (5.4)
2
d. Obtener la desviación estándar de todos los valores de los rangos.

1
n1 * n 2 ( n1 + n 2 + 1) ………….……………………. (5.5)
S=
12
e. Obtener el equivalente al valor de una prueba Z estadística.
(U − media) …….………….……………………. (5.6)

z=
S
f. Obtener el valor Z de tablas con un valor α (nivel de significancia) elegido.
g. Establecer el intervalo de confianza con los valores +Z, -Z.
h. Verificar que el valor z obtenido de la ecuación 5.6 esté contenido dentro del
intervalo de confianza obtenido en el paso k. De esta verificación se obtienen
las siguientes conclusiones:
○ Si el valor z está contenido dentro del intervalo +Z,-Z. No se puede
rechazar la hipótesis nula de que los dos grupos de datos son
estadísticamente similares. Esto significa que el modelo es válido.
○ Si el valor z no está contenido dentro del intervalo +Z,-Z. Se rechaza la
hipótesis nula de que los dos grupos de datos son estadísticamente
similares. Esto significa que el modelo no es válido.
A. Aplicar la Prueba de Suma de Rangos en la validación del modelo de simulación.
En las tablas 5.2 y 5.3 se muestran los resultados de la aplicación de la Prueba de Suma
de Rangos de las 14 corridas de simulación sobre las medidas de desempeño: tiempo
promedio del recorrido del trabajador 1 y tiempo promedio entre llegadas del camión
recolector; con un nivel de significancia α=0.05 para cada una de las medidas de
desempeño y obtener un nivel de confianza global de 95 porciento en el proceso de
validación del modelo de simulación.
De acuerdo con los resultados obtenidos, (Tablas 5.2 y 5.3) se observa que los valores
z obtenidos están dentro de cada uno de los intervalos (+Z,-Z), por tanto, las medias del
sistema real y las medias del modelo de simulación de las medidas de desempeño
elegidas, son estadísticamente similares. Se concluye que el modelo es una
representación válida del sistema real.
2
Tabla 5.2 Resultado de la Prueba U o Prueba de Suma de Rangos de la medida de desempeño del
tiempo de recorrido del trabajador 1.
Corridas
(n1,n2)
1
2
3
4 2
Tabla 5.3 Resultado de la Prueba U o Prueba de Suma de Rangos de la medida de desempeño del
tiempo promedio entre llegadas del camión recolector.
Xi
Corridas
Tiempo
(n1,n2)
sistema
1 17.000
2 13.800
3
5.7 Diseño de experimentos 15.714
Después de haber validado el modelo de simulación, se procede a realizar la aplicación del
4 20.000
diseño de experimentos. Con esta experimentación se logró obtener el número de corridas
óptimo del modelo de simulación, que deben ser ejecutadas para obtener el grado de precisión
deseado de las medidas de desempeño elegidas. El procedimiento para obtener este número
5 19.857
óptimo de corridas se describe a continuación:
De acuerdo a Law (2000), el diseño de experimentos consiste en determinar el número óptimo

de corridas o replicaciones para un programa de simulación. La metodología utilizada en el
6 19.836 1
7 23.714
presente trabajo se utiliza para determinar el número óptimo de replicaciones necesarias para
estimar la media µ = E(x) con un error específico, una vez que el modelo ha sido validado.
Si el estimador es tal que , entonces se dice que tiene un error absoluto β .
X X − µ =β X
Si se realizan replicaciones de una simulación hasta que la mitad del intervalo de confianza,
dado por:
............................................ (5.7)
s 2 (n)
X n ±t α
n −1,1−
2
n
Sea menor o igual que ( >0), donde β es el error absoluto (el cual es elegido junto con el
β β
experto del sistema) entonces:
1 − α ≈ p( X − mitad ≤ µ ≤ X + mitad)
= p( X − µ ≤ mitad)
= p( X − µ ≤ β )
Por lo que tiene un error absoluto de a lo más β , con una probabilidad de

X
aproximadamente 1-α , por ejemplo, si se construyen 100 intervalos de confianza
independientes, con una confianza del 90%, es de esperarse que tenga un error absoluto de
X
a lo mas β en 90 de los casos; en alrededor de 10 intervalos el error absoluto sería mayor a

β .
2
Suponga que se ha construido un intervalo de confianza para µ basado en un número fijo de
replicaciones n. Si se asume que el estimador de la varianza poblacional no cambia
apreciablemente a medida que el número de replicaciones se incrementa, una expresión
aproximada para el número total de replicaciones n*(β ) requerido para obtener un error
absoluto de β es dado por la ecuación 5.8:
.......................................... (5.8)

 s 2 (n) 

n ( β ) = min i ≥ n : t
∗
α ≤ β


i −1,1−
2
i 

Donde:
i = Número óptimo de corridas
β = Error absoluto permitido
α = Nivel de significancia
1-α= Nivel de confianza
S2n= Varianza de la medida de desempeño de interés
t = Valor de tablas de la distribución t-student
n = Número de corridas piloto
Tal que es posible determinar n*(β ) incrementando i en uno hasta que un valor de i se
obtenga para el cual:
………………….....................(5.9)
s 2(n)
t α ≤β
i −1,1−
2
i
Conociendo la teoría para obtener el número de corridas óptimo del modelo de simulación, se
procedió a calcular dicho número para las medidas de desempeño elegidas:
1. Número de corridas óptimo del tiempo promedio de recorrido del trabajador 1.
2. Número de corridas óptimo del tiempo entre llegadas del camión recolector.
2
5.7.1 Número de corridas óptimo del tiempo promedio de recorrido del
trabajador 1
Para poder aplicar la ecuación 5.9, fue necesario obtener:
• La varianza de la medida de desempeño. Con los resultados obtenidos del modelo de
simulación de la medida de desempeño elegida: Tiempo promedio de recorrido del
trabajador 1; durante las 14 corridas piloto, determinadas en la sección 5.6.4.7.2:
Definición de corridas piloto del modelo de simulación; se procedió a calcular la
varianza de esta medida de desempeño. Los valores de la medida de desempeño y el
valor obtenido de la varianza se muestran en la Tabla 5.4
• Valor del error absoluto permitido (β ). Con base en los resultados de la medida de
desempeño de interés, mostrados en la tabla 5.4, se decidió realizar el estudio para
asegurar que el tiempo promedio de recorrido del trabajador 1 tuviera a los sumo
medio minuto (30 segundos) de error absoluto (β =0.5). Este valor representa menos
del 2% del valor de la media de las 14 corridas piloto (Ejemplo:
).
β = µ * 2% = 37.43*2% = 0.7486
• Nivel de significancia (α). Se decidió manejar un nivel de confianza del 90%, de esta
forma, el nivel de significancia será igual a 0.05 (α =5%).
Con los valores ya obtenidos (valores mostrados en la Tabla 5.4) para aplicar la ecuación 5.9,
se procedió a calcular el número óptimo de corridas para la medida de desempeño elegida,
empezando con un valor de i=14. La tabla 5.5 muestra los cálculos obtenidos, hasta que el
intervalo obtenido fuera menor o igual que β.
En la tabla 5.5 se observa que el número de replicaciones óptimo sería = 14 corridas del
programa, con lo cual se puede concluir que el número de corridas piloto concuerda con el
número óptimo de corridas.
5.7.2 Número de corridas óptimo del tiempo entre llegadas del camión recolector
Para poder aplicar la ecuación 5.9, fue necesario obtener:
1
• La varianza de la medida de desempeño. Con los resultados obtenidos del modelo de
simulación de la medida de desempeño elegida: Tiempo entre llegadas del camión
recolector; durante las 8 corridas piloto, determinadas en la sección 5.6.4.7.2:
Definición de corridas piloto del modelo de simulación; se procedió a calcular la
varianza de esta medida de desempeño. Los valores de la medida de desempeño y el
valor obtenido de la varianza se muestran en la Tabla 5.6
• Valor del error absoluto permitido (β ). Con base en los resultados de la medida de
desempeño de interés, mostrados en la tabla 5.6, se decidió realizar el estudio para
asegurar que el tiempo promedio entre llegadas del camión recolector tuviera a lo
sumo medio minuto (30 segundos) de error absoluto (β =0.5). Este valor representa
menos del 3% del valor de la media de las 8 corridas piloto. (Ejemplo:
).
β = µ *3% = 19.744*3% = 0.59232
• Nivel de significancia (α). Se decidió manejar un nivel de confianza del 90%, de esta
forma, el nivel de significancia será igual a 0.05 (α =5%).
Tabla 5.4 Tiempos promedio de recorrido del trabajador1.

Replicación Tiempo promedio de recorrido
1 37.517
2 36.555
3 37.619
4 36.704
5 39.067
6 37.999
7 36.530
8 36.463
9 37.081
10 37.241
11 37.256
12 38.862
13 37.101
14 38.092
Media µ 37.435
Varianza S2 0.681
Tabla 5.5 Cálculo del número de replicaciones óptimas.
1
i  0.681856 
min i ≥ 14 : t i −1 , α ≤ 0.25
 1−
2
14 
i = 14 0.681856
1.7709 = 0.39081962 ≤ 0.5
14
Con los valores ya

obtenidos (valores mostrados en la Tabla 5.6) para aplicar la ecuación 5.9, se procedió a
calcular el número óptimo de corridas para la medida de desempeño elegida, empezando con
un valor de i=8; estos resultados se muestran en la Tabla 5.7.
Por tanto, el número de replicaciones óptimo sería = 8 corridas del programa, con lo cual se
puede concluir que el número de corridas piloto concuerda con el número óptimo de corridas.
Tabla 5.6 Tiempos entre llegadas de los camiones recolectores.

Replicación Tiempo entre llegadas de los camiones recolectores
1 19.835
2 19.666
3 19.948
4 19.891
5 19.771
6 19.608
7 19.473
8 19.744
Media µ 19.744
Varianza S2 0.024
i  0.681856 
min i ≥ 8 : t i −1 , α ≤ 0.25
 1−
2
8 
i=8
0.681856
: 1.7709 = 0.10447801≤ 0.5
8
Tabla 5.7 Cálculo del número de replicaciones óptimas.
1
En resumen:
1. Se realizó el diseño de experimentos para el tiempo promedio de recorrido del
trabajador 1 y para el tiempo entre llegadas de los camiones recolectores.
2. Se tomaran como referencia las 14 pruebas realizadas a los tiempos promedio de
recorrido del trabajador 1, ya que fue la que arrojó el número más alto de
replicaciones.
5.8 Análisis de resultados

Al haber definido el número óptimo de corridas, se procedió a analizar los estadísticos
arrojados por Flexsim, después de correr el modelo de simulación el número de veces
calculado en la sección 5.7: 14 réplicas.
El análisis de resultados consistió en recolectar sistemáticamente los datos producidos por la

simulación, calcular ciertas estadísticas y por último, interpretarlas. En este apartado se
presentaran los resultados obtenidos de las medidas de desempeño siguientes, por medio de
graficas para un mejor entendimiento:
a. Trabajadores
1. El promedio semanal de recolección de residuos sólidos por trabajador.
2. Número de viajes por trabajador a la semana.
3. Estadísticos semanales de los trabajadores por réplica.
b. Camión
1. El promedio semanal de recolección de residuos sólidos del camión.
b. Porcentaje semanal de la clasificación de residuos sólidos: Orgánicos,
inorgánicos, aprovechables.
c. Volúmenes de residuos sólidos por semana.
d. Volúmenes en promedio por día del centro de recolección.
3
Para recolectar la información necesaria para cada grupo de estos datos mencionados, se
crearon etiquetas (labels) para cada uno de los siete trabajadores y para el camión recolector.
El procedimiento para crear una etiqueta se muestra a continuación:
• Crear la etiqueta y asignarle nombre.
Para crear una etiqueta se abre la ventana de propiedades del trabajador al que se le
desea crear la etiqueta y se selecciona la pestaña labels donde se oprime el botón add
number label como se muestra en la figura 5.27.
Presionar el botón add number label y escribir el nombre.
Figura 5.27 Seleccionar la pestaña labels y presionar el

botón add number label.
• Usar la función increment value en el trigger onunload.

Una vez creada la etiqueta y asignarle el nombre, en la pestaña triggers en el renglón
onunload se utiliza la función increment value de la etiqueta creada previamente donde
aparece un menú como el que se muestra en la figura 5.28 en el cual se ingresa el
nombre de la etiqueta y el valor que se desea incrementar, en este caso, es el valor 1 y
de este modo cada vez que el trabajador descargue residuos sólidos, el valor de la
etiqueta creada se incremente en una unidad.
3
Colocar el nombre de la etiqueta
Asignar el valor deseado de incremento
Figura 5.28 Menú de la función increment value en el

trigger onunload.
• Usar la función set label en el trigger onreset.

Una vez realizados los pasos anteriores es necesario usar la función set label en el
trigger onreset para que la etiqueta creada regrese al valor de 0 como se muestra en la
figura 5.29, en el cual se selecciona la etiqueta y se asigna el valor deseado que en este
caso es 0, de esta forma la etiqueta no acumulará los valores incrementados cada vez
que el modelo corra la réplica siguiente.
Una vez dado el procedimiento para crear etiquetas, éste se siguió para asignarle una etiqueta a
cada trabajador del mercado Zapata, una para el tiradero y una para el camión recolector. La
tabla 5.8, muestra la etiqueta que se le asignó a cada trabajador del mercado Zapata, al tiradero
y al camión recolector de basura, asimismo, cual es la función de la etiqueta en la recolección
de la información necesaria para realizar el análisis.
1
Figura 5.29 Menú de la función set label en el trigger
onreset
Tabla 5.8 Etiquetas asignadas y su función.

Objeto Nombre de la etiqueta Función de la etiqueta
Trabajador 1 basura1 Indica el número de recorridos y
la cantidad recolectada.
Camión recolector basurac Indica la cantidad de residuos
recolectados.
1
Basurero basurab Indica la cantidad de basura
depositada por los trabajadores.
5.8.1 Análisis de resultados para los trabajadores del mercado

La información recolectada por Flexsim, en las etiquetas creadas, para los datos referentes a
los trabajadores del mercado fue resumida en un archivo de Excel4. En este archivo también se
construyeron las graficas para los conjuntos de datos correspondientes a cada apartado
mencionado en la sección 5.8: análisis de resultados.
5.8.1.1 Promedio semanal de recolección de residuos sólidos del trabajador 1

En la figura 5.30 se puede observar la información recolectada por Flexsim referente al
promedio semanal de recolección de residuos sólidos del trabajador 1, en cada una de las
catorce replicas. Estos datos indican que el trabajador 1 recolecto en promedio 23.43 metros
cúbicos semanales con una desviación estándar de 0.51 metros cúbicos.
Figura 5.30 Promedio semanal de recolección de residuos sólidos del trabajador 1.

promedio semanal de recolección de residuos sólidos del trabajador 2 en un periodo de una
semana de simulación por réplica. Estos datos indican que el trabajador 2 recolecto en
promedio 19.86 metros cúbicos de residuos sólidos semanales con una desviación estándar de
0.36 metros cúbicos.

Técnico\Gráficas de datos.xls, se encuentra el concentrado de datos y las gráficas para cada sección mencionada en el
apartado 5.8: análisis de resultados.
1
promedio 19.86 metros cúbicos semanales con una desviación estándar de 0.36 metros
cúbicos.

promedio 19.5 metros cúbicos semanales con una desviación estándar de 0.52 metros cúbicos.

promedio 12 metros cúbicos semanales con una desviación estándar de 0 metros cúbicos.

promedio 13 metros cúbicos semanales con una desviación estándar de 0 metros cúbicos.
2

promedio 12.79 metros cúbicos semanales con una desviación estándar de 0.43 metros cúbicos.
5.8.1.8 Número de viajes del trabajador 1

número de viajes semanal del trabajador 1 en un periodo de una semana de simulación por
réplica. Estos datos indican que el trabajador 1 realizó en promedio 23.36 viajes por semana
de simulación con una desviación estándar de 0.5 viajes.
Figura 5.37 Número de viajes del trabajador 1.

réplica. Estos datos indican que el trabajador 2 realizó en promedio 20 viajes por semana de
simulación con una desviación estándar de 0 viajes.

1
réplica. Estos datos indican que el trabajador 1 realizó en promedio 19.71 viajes por semana de
simulación con una desviación estándar de 0.47 viajes.




2
5.8.1.15 Estadísticos de los trabajadores de la réplica 1

Para obtener los estadísticos necesarios para cada trabajador, se corrió el programa réplica por
réplica donde se obtuvieron los estadísticos necesarios de los trabajadores, el procedimiento
para obtener estos datos se describe a continuación:
• Asignar el tiempo deseado por réplica, que en este caso es de 10080 minutos que
representan una semana de simulación para la réplica deseada como se muestra en la
figura 5.44.
Asignar el número y dar click en set
Figura 5.44 Asignar el tiempo deseado de simulación

• Ya asignado el valor de tiempo deseado, se activo la opción full history on en la
pestaña statistics, como lo muestra la figura 5.45, para que el programa guarde los
estadísticos.
2
Figura 5.45 Activar full history on.
• Una vez activada la casilla full history on se corrió el programa para obtener los
estadísticos, los cuales se obtuvieron dando click en la casilla reports and statistics de
la pestaña statistics en la cual aparece el recuadro que se muestra en la figura 5.46 en el
cual se dio click en el botón generate report.
Botón generate report
Figura 5.46 Recuadro reports and statistics.
• Al dar click en el botón generate report nos pide que seleccionemos la ubicación
donde queremos que se guarde el archivo que contiene los estadísticos, una vez
seleccionada la ubicación del archivo se abre el recuadro flexsim chart que se muestra
en la figura 5.47 donde se dio click en el botón database tables y se seleccionó state
1
report en la pestaña que se muestra, de esta manera, se copiaron los estadísticos
necesarios en Excel donde se procedió a graficarlos.
Seleccionar state report en la lista que aparece
Seleccionar los datos necesarios
Botón database tables
Figura 5.47 Recuadro flexsim chart.
Una vez dado el procedimiento para obtener los datos estadísticos, éste se siguió para cada una
de las 14 replicas, de esta manera, se obtuvieron las graficas para los trabajadores del mercado
Zapata por réplica.
En la figura 5.48 se puede observar la información recolectada por Flexsim referente al a los
estadísticos básicos para cada trabajador en un periodo de una semana de simulación para la
réplica 1.
Figura 5.48 Estadísticos de los trabajadores en la réplica 1.
2
réplica 2.

réplica 3.

réplica 4.
2
réplica 5.

réplica 6.

réplica 7.

réplica 8.
1

réplica 9.

réplica 10.

réplica 11.
1
réplica 12.

réplica 13.

réplica 14.
5.8.2 Análisis de resultados para el camión recolector

La información recolectada por Flexsim para los datos referentes camión recolector del
mercado fue resumida y graficada en un archivo de Excel donde se construyeron las graficas
para los conjuntos de datos correspondientes a cada apartado mencionado en la sección 5.8
análisis de resultados con la finalidad de facilitar su entendimiento e interpretación.
1
5.8.2.1 Promedio semanal de recolección de residuos sólidos del camión recolector
promedio semanal de recolección de residuos sólidos del camión recolector en un periodo de
una semana de simulación por replica. Donde registro un promedio de 102.2 metros cúbicos
recolectados por semana de simulación con una desviación estándar de 4.3 metros cúbicos.
Figura 5.62 Promedio semanal de recolección de residuos sólidos del camión recolector.
5.8.3 Análisis de resultados para el porcentaje de la clasificación de

residuos sólidos: Orgánicos e inorgánicos aprovechables
La información recolectada por Flexsim para los datos referentes al porcentaje de la
clasificación de residuos sólidos fue resumida y graficada en un archivo de Excel donde se
construyeron las graficas para los conjuntos de datos correspondientes a cada apartado
mencionado en la sección 5.8 análisis de resultados con la finalidad de facilitar su
entendimiento e interpretación.
5.8.3.1 Porcentajes de la clasificación de residuos sólidos orgánicos e inorgánicos

aprovechables
En la figura 5.63 se puede observar la información recolectada por Flexsim referente a los
porcentajes de la clasificación de residuos sólidos: orgánicos e inorgánicos aprovechables en
un periodo de una semana de simulación por replica. Donde registró un promedio total de
101.8 metros cúbicos de residuos sólidos por semana de simulación con una desviación
estándar de 4.1 metros cúbicos, y para los porcentajes se registró un promedio de 85.03 metros
cúbicos de desechos orgánicos con una desviación estándar de 3.4 metros cúbicos, por otro
lado la contra parte, los residuos inorgánicos registró un promedio de 16.75 metros cúbicos
con una desviación estándar de 0.66 metros cúbicos.
Figura 5.63 Porcentajes de la clasificación de residuos sólidos del mercado.
1
5.8.4 Análisis de resultados para el promedio de residuos sólidos
semanales.
La información recolectada por Flexsim para los datos referentes al promedio de residuos
sólidos fue resumida y graficada en un archivo de Excel donde se construyeron las graficas
5.8.4.1 Promedio de residuos sólidos semanales.

promedio de residuos sólidos en un periodo de una semana de simulación por replica. Donde
registró un promedio total de 120.4 metros cúbicos de residuos sólidos por semana de
simulación con una desviación estándar de 0.9 metros cúbicos.
Figura 5.64 Promedio semanal de residuos sólidos.
5.8.5 Análisis de resultados para los volúmenes diarios de residuos

sólidos.
La información recolectada por Flexsim para los datos referentes al promedio de residuos
sólidos fue resumida y graficada en un archivo de Excel donde se construyeron las graficas
5.8.5.1 Promedio de volúmenes diarios de residuos sólidos.

promedio de residuos sólidos en un periodo de una semana de simulación por replica. Donde
registró un promedio total de 28.43 metros cúbicos de residuos sólidos por semana de
simulación con una desviación estándar de 0.51 metros cúbicos.
Figura 5.65 Volumen diario de residuos sólidos del centro de recolección.
1
Conclusiones
En el presente trabajo se analizó y se construyó el sistema de recolección de residuos sólidos
de un mercado ubicado en la colonia Zapata de la ciudad de Orizaba Veracruz con el objetivo
de tener un modelo de simulación de la situación actual del sistema para poder realizar
propuestas de mejora en el sistema sin tener que realizarlas de forma física, ya que esto
implicaría altos costos para la realización de dichas mejoras.
Cabe destacar que la simulación es una técnica de ingeniería industrial que sirve para estudiar
y representar sistemas reales, esto implica un alto nivel de dedicación para realizar las
actividades necesarias para que el modelo funcione adecuadamente y represente de manera
efectiva el sistema, para que con base en éste se puedan tomar decisiones confiables.
Dentro de las actividades realizadas para la realización y construcción del modelo de

simulación se encuentran muchas metodologías sugeridas por diferentes autores. Estas
metodologías son de gran ayuda a la hora de comenzar, aunque no necesariamente se deben de
seguir al pie de la letra ya que cada modelo es diferente y en ocasiones existen pasos que no se
aplican o en caso contrario se pueden añadir pasos a estas metodologías de manera que se
adapten a los requerimientos del modelo.
Un paso importante dentro de la metodología es la recolección de datos, ya que con base a los
datos recolectados a lo largo del tiempo necesario o estimado se van a ajustar las
distribuciones de probabilidad idóneas para representar la realidad en el modelo de
simulación, por esta misma razón los datos deben ser confiables y para esto existen diferentes
pruebas que ayudan a corroborar si los datos son aceptables o si se debe de realizar la toma de
datos de nuevo o ajustar los datos a una distribución empírica.
Cuando la simulación y el análisis de sistemas de recolección de residuos sólidos municipales

se combinan, facilitan el análisis del funcionamiento de sistemas similares, de modo que es
posible proponer alternativas para mejorar la recolección.
En la actualidad se han desarrollado programas comerciales muy eficaces que hacen a la
simulación muy accesible en la solución de una gran variedad de problemas, tal es el caso del
software utilizado durante el desarrollo del presente trabajo: Flexsim.
3
Particularmente, el software Flexsim está diseñado para construir modelos de simulación de
una manera tal que su estructura lógica sea fácil de entender. Flexsim es un poderoso
programa de simulación que permite visualizar y probar cambios en las operaciones y los
procesos de logística, manejo de materiales y manufactura de la manera más rápida y sencilla
evitando los altos costos, riesgos y extensos tiempos que conlleva el experimentar con
cambios en el mundo real y el analizar por prueba y error.
Además, el entorno 3D que maneja el software permite comprender de una manera sencilla el
funcionamiento del sistema; sin embargo se debe tener especial cuidado al realizar estudios de
simulación, ya que es necesario contar con conocimientos formales de estadística y de teoría
de simulación.
Referencias bibliográficas
Libros
• Banks, Jerry, Handbook of simulation, principles, methodology, advances, applications
and practice, John Wiley and Sons, USA, 1998.
3
• Chung, Christopher A., Simulation modeling handbook, a practical approach, CRC
Press, USA, 2004.
• Coss Bu, Raúl, Simulación un enfoque práctico, Editorial Limusa, México, 2005.
• Flexsim Software Products, Flexsim simulation software user guide, Version 4.5,
Flexsim Software Products Inc., USA, 2009.
• Harrell, Charles, Ghosh, Biman K., Bowden, Royce O., Simulation using Promodel,
Second edition, Mc Graw Hill, USA 2004.
• Kuehl, Robert O., Diseño de experimentos, principios estadísticos de diseño y análisis
de investigación, Segunda edición, Thomson Learning, México, 2001.
• Law, Averill M. & Associates, Inc., ExpertFit version 7, User´s guide, Averill M. Law,
USA, 2006.
• Law, Averill M., Simulation modeling & analysis, Fourth edition, Mc Graw Hill,
Singapore, 2007.
• Ross, Sheldon M., Simulation, Academic Press, USA, 2006.
• Shannon, Robert E., Simulación de sistemas, Editorial Trillas, México, 1988.
Material no publicado
• Cervantes, Karla, “Aplicación de la simulación para el análisis de distribución de
planta de la empresa AMILUMEX con el objeto de mejorar su productividad”, Tesis
de Maestría, Instituto Tecnológico de Orizaba, 2006.
• Méndez, Nayeli, “Optimización de problemas en el área de diseño de procesos con
parámetros inciertos usando simulación para ayudar a la toma de decisiones”, Tesis de
Maestría, Instituto Tecnológico de Orizaba, 2008.
• Cortés, Juan Carlos, “Evaluación de un sistema inteligente de semaforización para la
ciudad de Orizaba, Veracruz”, Tesis de maestría, Instituto Tecnológico de
Orizaba,2009.
Apuntes de clase
• Arrioja Rodríguez, Mario Leoncio, “Apuntes de la clase de Diseño de Experimentos”,
Maestría en Ingeniería Industrial, Instituto Tecnológico de Orizaba, 2009.
• Moras Sánchez, Constantino G., “Apuntes de la clase de Simulación”, Maestría en
Ingeniería Industrial, Instituto Tecnológico de Orizaba, 2009.
1
Anexo 1
Formato para la toma de tiempos de los camiones
A1.1 Toma de tiempos de los camiones

La Tabla A.1, se utilizó para anotar los tiempos de las actividades que se muestran en las
columnas.
Tabla A.1 Toma de tiempos de los camiones.
Fecha de la recolección de datos
Hora de llegada Camión Número de paleadas Tiempo de entrada Tiempo salida Tiempo de llenado
1
Anexo 2
Formato para la toma de tiempos de los trabajadores
A2.1 Toma de tiempos de los trabajadores

La Tabla A.2, se utilizó para anotar los tiempos de las actividades que se muestran en las
columnas.
Tabla A.2 Toma de tiempos de los recolectores.
Fecha de la recolección de datos
Número de Hora de
carro5 salida Tiempo de recorrido Tiempo de descarga Tiempo de recolección Tiempo de paleo
5 En este formato se asume que al trabajador 1, se le asigna el carro 1, y así sucesivamente.

1
Anexo 3
Análisis estadístico de la muestras de datos
El análisis estadístico de los datos. Mediante el software Experfit, se realizó a las siguientes
muestras de datos:
• Tiempo total promedio de recorrido de los trabajadores.
• Tiempo promedio de descarga del carrito.
• Tiempo promedio de entrada del camión.
• Tiempo promedio de salida del camión.
• Tiempo promedio de llenado del camión.
• Paleadas promedio necesarias para llenar un camión
1
Los resultados obtenidos mediante Experfit, del análisis de cada una de las muestra de datos,
se resumirá en:
• Una tabla resumen de las características descriptivas de los datos.
• Un histograma de la muestra de los datos.
• Pruebas de independencia, mediante el desarrollo de un
○ Un diagrama de correlación.
○ Un diagrama de dispersión.
• Un histograma de densidad de ajuste.
• Prueba de Anderson-Darling.
A3.1 Análisis estadístico a la muestra del tiempo de recorrido de los recolectores.

La tabla resumen (Tabla A3.1) indica, entre otros datos que la media de los datos del tiempo
de recorrido de los recolectores es de 37.01208 minutos.
El Histograma (Figura A3.1) de la muestra de los datos del tiempo de recorrido de los
recolectores muestra que los datos se pueden ajustar a una distribución Weibull.
Tabla A3.1 Tabla resumen

Característica del dato Valor
Tipo de observación Valor real
Número de observaciones 69
Observación mínima 24.81667
Observación máxima 47.53333
Media 37.01208
Mediana 37.05
Varianza 24.75283
Coeficiente de variación 0.13442
Sesgo 0.00576
3
Figura A3.1 Histograma de los datos de los recorridos de los
recolectores.
El diagrama de dispersión (Figura A3.2) muestra la aleatoriedad de la muestra de datos, y

como es visible los puntos en la gráfica se encuentran dispersos y no muestran tendencia
alguna con lo cual se puede afirmar que la muestra de datos es aleatoria e independiente.
Figura A3.2 Diagrama de dispersión de los datos.
1
El diagrama de correlación (Figura A3.3) muestra que los datos se encuentran muy cercanos
al cero con lo cual se puede afirmar que la muestra de datos tiene muy poca o nada de
correlación, así que se puede afirmar que la muestra de datos es aleatoria e independiente.
Figura A3.3 Diagrama de correlación de los datos.
El histograma de densidad de ajuste de la figura A3.4 muestra que la distribución de

probabilidad Weibull es la que mejor se ajusta a la muestra de datos.
3
Figura A3.4 Histograma de densidad de ajuste de la distribución
Weibull.
La prueba de bondad y ajuste de Anderson Darling (Tabla A3.2) muestra que los valores
críticos a ser probados son mayores al estadístico de prueba y por esta razón se afirma que el
ajuste de los datos de la muestra a la distribución Weibull es idóneo.
Tabla A3.2 Prueba de bondad de ajuste Anderson-Darling para la distribución Weibull.

Prueba de Anderson-Darling a la distribución Weibull
Tamaño de muestra 69
Estadístico de prueba 0.49248
Valores críticos para el nivel de significancia
Tamaño de muestra 0.25 0.1 0.05 0.025 0.01 0.005
69 1.248 1.933 2.492 3.07 3.857 4.5
¿Rechazar? No
A3.2 Análisis estadístico de la muestra del tiempo de descarga del carrito.
La tabla resumen (Tabla A3.3) indica, entre otros datos, que la media de los datos del tiempo
de descarga del carrito es de 1.92657 minutos de descarga.
Tabla A3.3 Tabla resumen.
1
Número de observaciones 1.15
1.4666666
Observación mínima 7
2.2833333
Observación máxima 3
Media 1.92657
Mediana 1.95
2.5663328
Varianza 3
0.0017891
Coeficiente de variación 7
Sesgo -0.0020535
El Histograma (Figura A3.5) de la muestra de los datos de la descarga de los carritos muestra
que los datos se pueden ajustar a una distribución Johnson.
Figura A3.5 Histograma de los datos de descarga del carrito.

1
Figura A3.6 Diagrama de dispersión de los datos.
El diagrama de correlación (Figura A3.7) muestra que los datos se encuentran muy cercanos
al cero con lo cual se puede afirmar que la muestra de datos tiene muy poca o nada de
correlación, así que se puede afirmar que la muestra de datos es aleatoria e independiente.
Figura A3.7 Diagrama de correlación de los datos.

probabilidad Jhonson es la que mejor se ajusta a la muestra de datos.
1
Figura A3.8 Histograma de densidad de ajuste de la distribución
Johnson.
críticos a ser probados son mayores al valor de prueba y por esta razón se afirma que el ajuste
de los datos de la muestra a la distribución Johnson es idóneo.
Tabla A3.4 Prueba de bondad de ajuste Anderson-Darling a la distribución Johnson.
Anderson-Darling a la distribución Johnson.

Estadístico de prueba 0.23048
Critical Values for Level of Significance (alpha)
69 1.248 1.933 2.492 3.07 3.857 4.5
¿Rechazar? No
A3.3 Análisis estadístico de la muestra del tiempo de entrada de un camión de 16 toneladas.

de entrada al mercado de un camión de 16 toneladas es de 2.56452 minutos.
1
Característica del dato Valor Tabla A3.5 Resumen de
Tipo de observación Valor real datos.
Media 2.56452
Mediana 2.59917
Varianza 0.4883
Sesgo -0.02972
El Histograma (Figura A3.9) de la muestra de los datos de la descarga de los carritos muestra
que los datos se pueden ajustar a una distribución Weibull.
Figura A3.9 Histograma de la muestra de datos del tiempo

de entrada de los camiones.

1
Figura A3.10 Diagrama de dispersión de los datos del tiempo
del tiempo de entrada de los camiones.
El diagrama de correlación (Figura A3.11) muestra que los datos se encuentran muy
cercanos al cero con lo cual se puede afirmar que la muestra de datos tiene muy poca o nada
de correlación, así que se puede afirmar que la muestra de datos es aleatoria e independiente.
Figura A3.11 Diagrama de correlación de los datos del

tiempo de entrada de los camiones.
1
Figura A3.12 Histograma de densidad del ajuste de la
distribución Weibull.
Tabla A3.6 prueba de bondad de ajuste Anderson-Darling para los datos del tiempo de entrada del
camión.
Prueba de Anderson-Darling a la distribución Weibull
Estadístico de Prueba 0.16003
Tamaño de muestra 0.25 0.1 0.05 0.025 0.01
56 0.462 0.62 0.737 0.854 1.011
¿Rechazar? No
A3.4 Análisis estadístico de la muestra del tiempo de salida de un camión de 16 toneladas.
de salida del mercado de un camión de 16 toneladas es de 2.71806 minutos.
Tabla A3.7 Resumen de los datos de la salida de los

camiones.
1
Media 2.71806
Mediana 2.72217
Varianza 0.34814
Sesgo 0.4774
El Histograma (Figura A3.13) de la muestra de los datos de la descarga de los carritos

muestra que los datos se pueden ajustar a una distribución Gamma.
Figura A3.13 Histograma de los datos de la salida de los

camiones.

2
Figura A3.14 Diagrama de dispersión de los datos de la
salida de los camiones.
Figura A3.15 Diagrama de correlación de los datos de la

salida de los camiones.
probabilidad Gamma es la que mejor se ajusta a la muestra de datos.
1
Figura A3.16 Histograma de densidad de ajuste de la
distribución Gamma.
críticos a ser probados son mayores al valor del estadístico de prueba y por esta razón se
afirma que el ajuste de los datos de la muestra a la distribución Gamma es idóneo.
Tabla A3.8 prueba de bondad de ajuste Anderson-Darling para la distribución Gamma.

Prueba de Anderson-Darling a la distribución Gamma
Estadístico de prueba 0. 56258
69 0.607 0.673 0.783 0.967 1.393 0.607
¿Rechazar? No
A3.5 Análisis estadístico a la muestra de datos del tiempo de llenado de un camión de 16

toneladas.
La tabla resumen (Tabla A3.9) indica, entre otros datos que la media del tiempo de llenado
de un camión de 16 toneladas es de 10.94988 minutos.
1
Tipo de observación Valor real los datos.
Media 10.94988
Mediana 10.90717
Varianza 11.70814
Sesgo 0.3564

muestra que los datos se pueden ajustar a una distribución Gamma.
Figura A3.17 Histograma de los datos del tiempo de llenado.

3
Figura A3.19 Diagrama de aleatoriedad de los datos de
llenado del camión.

probabilidad Gamma es la que mejor se ajusta a la muestra de datos.
1
Figura A3.18 Diagrama de correlación de los datos de
llenado del camión.
Figura A3.20 Histograma de densidad del ajuste de la distribución Gamma.
críticos a ser probados son mayores al valor del estadístico de prueba y por esta razón se
afirma que el ajuste de los datos de la muestra a la distribución Gamma es idóneo.
Tabla A3.10 Prueba de bondad de ajuste Anderson-Darling para los datos de llenado del camión.
Prueba Anderson-Darling a la distribución Gamma
Prueba estadística 0.28875
Tamaño de Valores críticos de nivel de significancia
1
muestra 0.25 0.1 0.05 0.025 0.01 0.005
57 0.472 0.634 0.755 0.877 1.04 1.166
¿Rechazar? No
A3.6 Análisis estadístico a la muestra de datos de las paleadas del trascabo

La tabla resumen (Tabla A3.11) indica, entre otros datos que la media de los datos de las
paleadas del trascabo es de 14.83721 minutos.
.

Tipo de observación Valor real los datos.
Observación mínima 12
Observación máxima 19
Media 14.83721
Mediana 15
Varianza 2.33001
Sesgo 0.5818

muestra que los datos se pueden ajustar a una distribución Weibull.
1
Figura A3.21 histograma de los datos de las paleadas del trascabo.

Figura A3.22 diagrama de aleatoriedad de los datos de las

paleadas del trascabo.
1
Figura A3.23 Diagrama de correlación de los datos de

las paleadas del trascabo.

3
Figura A3.24 histograma de densidad del ajuste de la distribución Weibull.
Tabla A3.12 Prueba de bondad de ajuste Anderson-Darling para los datos de las paleadas del trascabo.
Prueba Anderson-Darling a la distribución Weibull
Prueba estadística 0.93193
Tamaño de Valores críticos de nivel de significancia
muestra 0.25 0.1 0.05 0.025 0.01 0.005
57 1.248 1.993 2.492 3.07 3.857 4.5
¿Rechazar? No

Trabajo Final Simulacion (Titulación)

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

Trabajo Final Simulacion (Titulación)

Uploaded by

Copyright:

Available Formats

1

Instituto Tecnológico de Orizaba

REPORTE FINAL DE RESIDENCIAS

ORIZABA, VER. OCT / 2010

En este caso el propósito de este proyecto de residencias profesionales es modelar el sistema

Planteamiento del problema.

En este caso se planea analizar la situación presente en el centro de recolección de residuos

1. Determinar las distribuciones de probabilidad de servicio de los trabajadores.

1.1 Antecedentes de la empresa.

En cuanto a la estructura administrativa funcionaba provisionalmente la dirección y las

Fig. 1.1 Instituto Tecnológico de Orizaba 1957

Considerando el hecho de evitar la duplicidad de centros de educación superior, se hizo una

1.2 Instituto Tecnológico de Orizaba.

El Instituto Tecnológico de Orizaba es una institución pública dependiente de la Secretaria de

• Ingeniería Electrónica (Certificada por CACEI).

• Ingeniería Mecánica (Certificada por CACEI).

• Ingeniería Industrial (Certificada por CACEI).

• Ingeniería Química (Certificada por CACEI).

• Ingeniería en Sistemas Computacionales.

Su desempeño se desarrolla tanto en el sector productivo como el educativo. Las necesidades

Los programas de posgrado que se imparten en el Instituto Tecnológico de Orizaba, a través

1.2.1 Escudo del ITO

El lema del escudo es "Ciencia, Técnica y Cultura".

Fig. 1.2 Escudo de la Institución.

1.2.3 Objetivo general de calidad del sistema de gestión de calidad (SGC).

1.2.4 Valores de la organización.

1.2.5 Ubicación y teléfonos del plantel

La ciudad de Orizaba se encuentra ubicada en la zona centro montañosa del Estado de

1.3 Área en la que se participó

Figura 1.3 Mapa de la ciudad de Orizaba.

1.4 Actividades realizadas

1.5 Alcances y limitaciones.

En general, la información está raramente disponible en la forma necesaria para construir un

El resultado del esfuerzo de la recolección de datos es un modelo conceptual o mental de

En este capítulo se presentaran unas indicaciones para la recolección de datos, técnicas

2.2 Indicaciones para la recolección de datos

2.3 Procedimiento para la recolección de datos

2.4 Determinar los datos necesarios

2.5 Usar un cuestionario

Una lista de preguntas que podrían ser incluidas en un cuestionario, es:

Dependiendo de las circunstancias, algunas buenas fuentes de datos incluyen:

En decidir si se usa una fuente de datos particular, es importante considerar la confiabilidad y

2.7 Recolección de datos

En la práctica, la recolección de información continúa por el final del proyecto de simulación,

2.7.1 Definir todo el flujo de la entidad

Figura 2.1 Diagrama de flujo de una entidad.

2.7.2 Desarrollando una descripción de la operación

Tabla 2.1 Descripción del flujo de la entidad de la figura 2.1

• Los requerimientos de tiempo y recursos de la actividad u operación.

El diagrama de flujo de la entidad, junto con la descripción de la operación, provee un buen

Basado en esta descripción de la operación, un primer corte en la construcción del modelo

2.7.3 Definir detalles circunstanciales y confirmar los valores de los datos

2.8 Hacer suposiciones

Debido a que la confiabilidad de la información en nuevos sistemas es a menudo cuestionable,

Una manera de evaluar la influencia de una suposición en el modelo es a través de un análisis

Estas corridas ayudaran a determinar la magnitud en la cual la suposición influencia el

2.9 Análisis estadístico de los datos numéricos

Cuando se recolectan datos de un sistema dinámico y posiblemente un sistema con variación

2.9.1 Pruebas de independencia

Cuando el valor de una observación es dependiente del valor de la observación anterior, se

Figura 2.3 Diagrama de dispersión de datos dependientes.

correlación, rho( ), puede ser calculada usando la Ecuación 2.1:

....……………………. Ecuación 2.1