Professional Documents
Culture Documents
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
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
5.8.1.2 Promedio semanal de recolección de residuos sólidos del trabajador 2..........134
5.8.1.3 Promedio semanal de recolección de residuos sólidos del trabajador 3..........135
5.8.1.4 Promedio semanal de recolección de residuos sólidos del trabajador 4..........136
5.8.1.5 Promedio semanal de recolección de residuos sólidos del trabajador 5..........136
5.8.1.6 Promedio semanal de recolección de residuos sólidos del trabajador 6..........137
5.8.1.7 Promedio semanal de recolección de residuos sólidos del trabajador 7..........137
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
5.8.1.11 Número de viajes del trabajador 4.................................................................139
5.8.1.12 Número de viajes del trabajador 5.................................................................140
5.8.1.13 Número de viajes del trabajador 6.................................................................140
5.8.1.14 Número de viajes del trabajador 7.................................................................141
5.8.1.15 Estadísticos de los trabajadores de la réplica 1..............................................141
5.8.1.16 Estadísticos de los trabajadores de la réplica 2..............................................145
5.8.1.17 Estadísticos de los trabajadores de la réplica 3..............................................146
5.8.1.18 Estadísticos de los trabajadores de la réplica 4..............................................147
5.8.1.19 Estadísticos de los trabajadores de la réplica 5..............................................148
5.8.1.20 Estadísticos de los trabajadores de la réplica 6..............................................149
5.8.1.21 Estadísticos de los trabajadores de la réplica 7..............................................150
5.8.1.22 Estadísticos de los trabajadores de la réplica 8..............................................151
5.8.1.23 Estadísticos de los trabajadores de la réplica 9..............................................152
5.8.1.24 Estadísticos de los trabajadores de la réplica 10............................................153
5.8.1.25 Estadísticos de los trabajadores de la réplica 11............................................154
5
5.8.1.26 Estadísticos de los trabajadores de la réplica 12............................................155
5.8.1.27 Estadísticos de los trabajadores de la réplica 13............................................156
5.8.1.28 Estadísticos de los trabajadores de la réplica 14............................................157
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.
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.
Capítulo 1
Generalidades
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).
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
• 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.
• Ingeniería Química.
• Ingeniería Electrónica.
• Ciencias Computacionales.
• Ingeniería Administrativa.
Y el Doctorado en:
• Ciencias en Ingeniería Industrial.
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 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.
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.
1.5.1 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.
3
el propósito de evitar no sólo la pérdida de tiempo del modelador, sino también del tiempo de
las personas que proporcionan los datos.
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.
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
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.
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.
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.
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.
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.
En esencia, modelar el sistema actualmente ayuda a definir y validar los datos del sistema.
En este punto, cualquier valor numérico como tiempos de actividad, tasas de llegadas, y otros
deben también ser confirmados. Tener un modelo corriendo permite que los estimados y otras
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
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
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.
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.
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).
3
Figura 2.2 Diagrama de dispersión de datos independientes.
1
uno de cada otro y se dice que están auto correlacionados. Una medida de auto
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.
2
Figura 2.5 Diagrama de auto correlación con alto nivel de correlación.
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.
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.
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
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.
1
Figura 2.8 con los datos de la Tabla 2.2. Esta grafica fue obtenida usando el software
Minitab.
15
Frecuencia
10
0
0 2 4 6 8 10
Llegada de clientes
Figura 2.8 Histograma de los datos de los clientes mostrados en la tabla 2.2.
• 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.
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
comúnmente usadas en la simulación. En este capítulo sólo se hará mención a las siguientes
distribuciones, debido a su familiaridad y fácil comprensión:
• Distribución binomial
• Distribución uniforme
• Distribución triangular
• Distribución normal
• Distribución exponencial
Distribución Binomial
La distribución binomial es una distribución de probabilidad discreta que expresa la
probabilidad (p) de que una condición particular o resultado pueda ocurrir en n pruebas. Se
llama a la ocurrencia del resultado de interés un éxito y una no ocurrencia como un fracaso.
Para aplicar por una distribución binomial, cada intento debe ser un intento Bernoulli:
• Esto debe ser independiente y tener sólo 2 posibles resultados (éxito o fracaso).
• La probabilidad de un éxito debe mantenerse constante de prueba a prueba.
• La media de una distribución binomial está dada por np, donde n es el número de
intentos y p es la probabilidad de éxito de cualquier ensayo dado.
• La varianza está dada por np(1-p) .
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
2
Figura 2.11 Función de densidad de una distribución uniforme.
Distribución triangular
La distribución triangular es una buena aproximación para usar en la ausencia de datos,
especialmente si un valor mínimo, máximo, y más probable (moda) pueden ser estimados.
Éstos son los 3 parámetros de la distribución triangular. Si a, m, y b representan el valor
mínimo, moda, y máximo respectivamente de una distribución triangular, entonces:
• La media de una distribución triangular es .
(a + m + b)
3
2
Figura 2.12 Función de densidad de probabilidad de una
distribución triangular.
Distribución normal
La distribución normal (en ocasiones llamada distribución Gaussiana) describe el fenómeno
que varia simétricamente por encima y por debajo de la media (de aquí la curva con forma de
campana). Mientras que la distribución normal es seleccionada a menudo para definir tiempos
de actividad, en la práctica los tiempos de actividad manual son raramente distribuidos
normalmente. Ellos están siempre sesgados a la derecha (al final de la cola de la distribución
es más largo que el comienzo de la cola). Esto se debe a que los humanos pueden en ocasiones
tomar un tiempo significativamente más grande que el de la media, pero comúnmente no
mucho menor que el tiempo medio. Ejemplos de una distribución normal pueden ser:
• Mediciones físicas como el peso, altura, diámetro, ancho.
• Actividades que involucran múltiples tareas (como cargar un camión o llenar una
orden de un cliente.
3
La media de una distribución normal está designada por la letra griega mu (µ). La varianza es
Distribución exponencial
LA distribución exponencial en ocasiones es referida como la negativa exponencial. Esta
distribución es usada frecuentemente en simulaciones para representar intervalos de eventos.
La distribución exponencial es definida por un solo parámetro; la media (µ).
Esta distribución se relaciona con la distribución Poisson en que si una ocurrencia sucede a
una tasa con distribución Poisson, el tiempo entre sucesos está exponencialmente distribuido.
En otras palabras, la media de una distribución exponencial es el rango inversa de la tasa
Poisson. Por ejemplo, si la tasa a la cual los clientes llegan a un banco está distribuido Poisson
con una tasa de 12 personas por hora, el tiempo entre llegadas está distribuido
exponencialmente con una media de 5 minutos (1/12 * 60).
La distribución exponencial tiene la propiedad de olvido (Memoryless) que hace que ésta sea
bien ajustada para modelar ciertos fenómenos que ocurren independientemente uno del otro.
Por ejemplo, si los tiempos de llegada están distribuidos exponencialmente con una media de
5 minutos, entonces el tiempo esperado antes de la siguiente llegada será 5 minutos
independientemente de cuánto tiempo haya pasado desde la llegada previa.
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.
3
Figura 2.15 Lista relativa de ajuste de distribución a los datos en 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.
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).
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.
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.
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.
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.
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
○ Medidas de desempeño.¿Modelo No
3 conceptual
○ Disponibilidad de datos.
válido?
Sí
○ Restricciones de la computadora.
Construir un
programa de
4 computadora y
○ 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?
modo regular.
7
Diseño de
experimentos
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).
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.
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.
• 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.
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.
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.
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.
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.
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).
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.
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.
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
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
○ Tiempo entre llegadas de los camiones. El tiempo promedio que tardan los
camiones en ir y regresar del basurero es de 18.36 minutos1.
Las observaciones detectadas, al ser analizadas por el Dr. Fernando Ortiz Flores, responsable
del área de Manufactura de la Maestría en Ingeniería Industrial, eran factibles de solucionar
con la aplicación de herramientas de ingeniería industrial. Una de las posibles herramientas,
que sirve para analizar si las posibles alternativas de solución pueden dar resultados
satisfactorios, o no, es la aplicación de la técnica de simulación.
De esta manera, para empezar a ver si era factible aplicar está técnica, se realizaron recorridos
al Mercado Zapata y entrevistas con algunos recolectores de los residuos sólidos. Las
respuestas y observaciones dieron la pauta para determinar que el área de oportunidad es la
simulación del sistema de recolección de residuos sólidos del mercado Zapata para ver cómo
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.
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.
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.
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.
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.
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
2 En el archivo de Excel, que se encuentra en la siguiente ubicación del cd que se anexa: E:\CD residencias\Informe
Técnico\Datos del Mercado segundos y minutos (final).xls, se encuentran el concentrado de datos de la definición de los
datos necesarios para el desarrollo del modelo.
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.
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.
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>)
1
Zona de depósito (tiradero)
Naves
Figura 5.3 plano del mercado Zapata, en amarillo se muestra el tiradero de basura.
5.3.1).
• El volumen de RSM que un camión municipal puede recolectar es de 16 , con base
3
m
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.
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.
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:
○ 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
2
Filename
Browse
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
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.
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.
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.
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.
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
1
Figura 5.18 Vista del processor object de Flexsim con su nueva apariencia
3D.
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.
1
Edición de la rotación sobre X, Y y Z del 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.
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).
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)
1
Figura 5.25 secuencia de tareas para los recolectores.
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.
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.
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.
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).
n * n2
media = 1……………………………………. (5.4)
2
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:
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
1 − α ≈ p( X − mitad ≤ µ ≤ X + mitad)
= p( X − µ ≤ mitad)
= p( X − µ ≤ β )
independientes, con una confianza del 90%, es de esperarse que tenga un error absoluto de
X
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%).
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
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.
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
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.
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.
3
Colocar el nombre de la etiqueta
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
1
Basurero basurab Indica la cantidad de basura
depositada por los trabajadores.
4 En el archivo de Excel, que se encuentra en la siguiente ubicación del cd que se anexa: E:\CD residencias\Informe
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
semana de simulación por réplica. Estos datos indican que el trabajador 3 recolecto en
promedio 19.86 metros cúbicos semanales con una desviación estándar de 0.36 metros
cúbicos.
2
Figura 5.35 Promedio semanal de recolección de residuos sólidos del trabajador 6.
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.
• 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.
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.
2
5.8.1.16 Estadísticos de los trabajadores de la réplica 2
En la figura 5.49 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 2.
2
5.8.1.19 Estadísticos de los trabajadores de la réplica 5
En la figura 5.52 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 5.
1
Figura 5.55 Estadísticos de los trabajadores en la réplica 8.
1
5.8.1.26 Estadísticos de los trabajadores de la réplica 12
En la figura 5.51 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 12.
1
5.8.2.1 Promedio semanal de recolección de residuos sólidos del camión recolector
En la figura 5.62 se puede observar la información recolectada por Flexsim referente al
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.
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
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
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.
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.
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
1
Anexo 2
Formato para la toma de tiempos de los trabajadores
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.
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.
3
Figura A3.1 Histograma de los datos de los recorridos de los
recolectores.
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.
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.
1
Característica del dato Valor
Tipo de observación Valor real
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.
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.
1
Figura A3.8 Histograma de densidad de ajuste de la distribución
Johnson.
La prueba de bondad y ajuste de Anderson Darling (Tabla A3.4) muestra que los valores
críticos a ser probados son mayores al valor de prueba y por esta razón se afirma que el ajuste
de los datos de la muestra a la distribución Johnson es idóneo.
1
Característica del dato Valor Tabla A3.5 Resumen de
Tipo de observación Valor real datos.
Número de observaciones 56
Observación mínima 1.17667
Observación máxima 4.09767
Media 2.56452
Mediana 2.59917
Varianza 0.4883
Coeficiente de variación 0.27248
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.
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.
1
Figura A3.12 Histograma de densidad del ajuste de la
distribución Weibull.
La prueba de bondad y ajuste de Anderson Darling (Tabla A3.6) muestra que los valores
críticos a ser probados son mayores al estadístico de prueba y por esta razón se afirma que el
ajuste de los datos de la muestra a la distribución Weibull es idóneo.
Tabla A3.6 prueba de bondad de ajuste Anderson-Darling para los datos del tiempo de entrada del
camión.
Prueba de Anderson-Darling a la distribución Weibull
Tamaño de muestra 56
Estadístico de Prueba 0.16003
Valores críticos para el nivel de significancia
Tamaño de muestra 0.25 0.1 0.05 0.025 0.01
56 0.462 0.62 0.737 0.854 1.011
¿Rechazar? No
A3.4 Análisis estadístico de la muestra del tiempo de salida de un camión de 16 toneladas.
La tabla resumen (Tabla A3.7) indica, entre otros datos que la media de los datos del tiempo
de salida del mercado de un camión de 16 toneladas es de 2.71806 minutos.
1
Característica del dato Valor
Tipo de observación Valor real
Número de observaciones 55
Observación mínima 1.66483
Observación máxima 4.521
Media 2.71806
Mediana 2.72217
Varianza 0.34814
Coeficiente de variación 0.21708
Sesgo 0.4774
2
Figura A3.14 Diagrama de dispersión de los datos de la
salida de los camiones.
El diagrama de correlación (Figura A3.15) muestra que los datos se encuentran muy
cercanos al cero con lo cual se puede afirmar que la muestra de datos tiene muy poca o nada
de correlación, así que se puede afirmar que la muestra de datos es aleatoria e independiente.
1
Figura A3.16 Histograma de densidad de ajuste de la
distribución Gamma.
La prueba de bondad y ajuste de Anderson Darling (Tabla A3.8) muestra que los valores
críticos a ser probados son mayores al valor del estadístico de prueba y por esta razón se
afirma que el ajuste de los datos de la muestra a la distribución Gamma es idóneo.
1
Característica del dato Valor Tabla A3.9 Resumen de
Tipo de observación Valor real los datos.
Número de observaciones 57
Observación mínima 3.86267
Observación máxima 20.10833
Media 10.94988
Mediana 10.90717
Varianza 11.70814
Coeficiente de variación 0.31249
Sesgo 0.3564
3
Figura A3.19 Diagrama de aleatoriedad de los datos de
llenado del camión.
El diagrama de correlación (Figura A3.18) muestra que los datos se encuentran muy
cercanos al cero con lo cual se puede afirmar que la muestra de datos tiene muy poca o nada
de correlación, así que se puede afirmar que la muestra de datos es aleatoria e independiente.
1
Figura A3.18 Diagrama de correlación de los datos de
llenado del camión.
La prueba de bondad y ajuste de Anderson Darling (Tabla A3.10) muestra que los valores
críticos a ser probados son mayores al valor del estadístico de prueba y por esta razón se
afirma que el ajuste de los datos de la muestra a la distribución Gamma es idóneo.
Tabla A3.10 Prueba de bondad de ajuste Anderson-Darling para los datos de llenado del camión.
Prueba Anderson-Darling a la distribución Gamma
Tamaño de muestra 57
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
1
Figura A3.21 histograma de los datos de las paleadas del trascabo.
1
El diagrama de correlación (Figura A3.23) muestra que los datos se encuentran muy
cercanos al cero con lo cual se puede afirmar que la muestra de datos tiene muy poca o nada
de correlación, así que se puede afirmar que la muestra de datos es aleatoria e independiente.
3
Figura A3.24 histograma de densidad del ajuste de la distribución Weibull.
La prueba de bondad y ajuste de Anderson Darling (Tabla A3.12) muestra que los valores
críticos a ser probados son mayores al estadístico de prueba y por esta razón se afirma que el
ajuste de los datos de la muestra a la distribución Weibull es idóneo.
Tabla A3.12 Prueba de bondad de ajuste Anderson-Darling para los datos de las paleadas del trascabo.
Prueba Anderson-Darling a la distribución Weibull
Tamaño de muestra 43
Prueba estadística 0.93193
Tamaño de Valores críticos de nivel de significancia
muestra 0.25 0.1 0.05 0.025 0.01 0.005
57 1.248 1.993 2.492 3.07 3.857 4.5
¿Rechazar? No