Torres Vega Simulacion Sistemas

Pedro J.
Torres Vega
UNIVERSIDAD DE LIMA FONDO EDITORIAL

Simulación de sistemas con el software Arena
Pedro J. Torres Vega

Simulación
de sistemas
con el Software Arena
Colección Textos Universitarios
Simulación de sistemas con el software Arena
Primera edición digital, marzo 2016
© Universidad de Lima
Fondo Editorial
Av. Manuel Olguín 125, Urb. Los Granados, Lima 33
Apartado postal 852, Lima 100, Perú
Teléfono: 437-6767, anexo 30131. Fax: 435-3396
fondoeditorial@ulima.edu.pe
www.ulima.edu.pe
Edición, diseño y carátula: Fondo Editorial de la Universidad de Lima
Versión ebook 2016

Digitalizado y distribuido por Saxo.com Peru S.A.C.
www.saxo.com/es
yopublico.saxo.com
Teléfono: 51-1-221-9998
Dirección: calle Dos de Mayo 534, Of. 304, Miraflores
Lima - Perú
Se prohíbe la reproducción total o parcial de este libro sin permiso expreso del Fondo Editorial.
ISBN versión electrónica: 978-9972-45-321-2

ÍNDICE
Presentación a la segunda edición 13

Prólogo a la primera edición 15
Presentación a la primera edición 17
CAPÍTULO 1: CONCEPTOS FUNDAMENTALES DE LA SIMULACIÓN DE SISTEMAS 19
1. ASPECTOS GENERALES 21
1.1 Sistema 21
1.2 Relación entre proceso y sistema 21
1.2.1 Proceso 21
1.2.2 Sistema 22
1.3 Elementos de un sistema 22
1.3.1 Entidades 22
1.3.2 Actividades 22
1.3.3 Recursos 23
1.3.4 Controles 23
1.4 Complejidad de un sistema 24
1.4.1 Interdependencia 24
1.4.2 Variabilidad 24
1.5 Modelo 24
2. SIMULACIÓN DE SISTEMAS 25
2.1 Algunas aplicaciones de la simulación en la industria 26
2.2 Características de la simulación 26
2.3 Tipos de simulación según su naturaleza 27
2.3.1 Simulación basada en el avance del tiempo 27
2.3.2 Simulación basada en el uso de variables aleatorias 28
2.3.3 Simulación basada en la continuidad de la ocurrencia
de los eventos 29
3. MODELOS ANALÍTICOS VERSUS MODELOS DE SIMULACIÓN 33

3.1 Modelos analíticos 33
3.2 Modelos de simulación 33
4. FASES DE UN PROYECTO DE SIMULACIÓN 34

4.1 Definir el problema, los objetivos y los requerimientos 35
4.2 Diseño del modelo conceptual 35
4.3 Obtención y análisis estadístico de los datos 36
4.4 Construcción del modelo de simulación 37
4.5 Verificación del modelo 38
4.6 Validación del modelo 38
4.7 Experimento de simulación, ejecución y análisis estadístico 39
4.8 Entrega de documentación y presentación de resultados 41
5. GENERACIÓN DE NÚMEROS ALEATORIOS 41
6. VARIABLES ALEATORIAS 43
7. DISTRIBUCIONES DE PROBABILIDAD 44
7
PEDRO J. TORRES VEGA
8. SIMULACIÓN DE SISTEMAS POR EVENTOS Y POR PROCESOS 46

8.1 Simulación por eventos 46
8.2 Simulación por procesos 46
8.2.1 Evento programado en el tiempo 47
8.2.2 Evento condicional 48
9. RELOJ DE LA SIMULACIÓN 48
10. VARIABLES DEL SISTEMA 49

10.1 Variables de decisión 49
10.2 Variables de respuesta 49
10.3 Variables de estado 50
11. ELEMENTOS ABSTRACTOS DEL SISTEMA 50

11.1 Entidades 50
11.2 Recursos 51
11.3 Atributos 52
11.4 Variables globales 54
Caso de estudio N°1: Simulación manual por eventos 55
Caso de estudio N°2: Expendio de gasolina en estación de servicios 62
Caso de estudio N°3: Módulos de atención organizados en secuencia 64
Caso de estudio N°4: Partido de básquet en el coliseo 66
Caso de estudio N°5: Proceso de transformación de lotes de materia prima 68
Caso de estudio N°6: Turismo vivencial por el río Amazonas 70
Caso de estudio N°7: Proceso de acabado en línea de producción 72
Caso de estudio N°8: Estación de servicio para venta de combustible 74
Final de capítulo: Casos propuestos 76
CAPÍTULO 2: MODELADO DE SISTEMAS DISCRETOS POR

PROCESOS – MÓDULOS BÁSICOS 79
1. MÓDULO CREATE 81
2. MÓDULO PROCESS 82
3. MÓDULO ASSIGN 85
4. MÓDULO DISPOSE 87
5. PARÁMETROS PARA EJECUTAR EL MODELO 88

5.1 Duración de la simulación 88
5.1.1 Estado transitorio 88
5.1.2 Estado estable 89
5.2 Configuración del experimento de simulación en Arena 89
Caso de estudio 1: Tramitación en embajada 91
6. MÓDULO DECIDE 96
7. MÓDULO RECORD 99
Caso de estudio 2: Estaciones de servicio en paralelo 102
Caso de estudio 3: Estaciones de trabajo en serie 106
Caso de estudio 4: Línea de producción con estaciones de inspección y ajuste 108
Caso de estudio 5: Secuencia de operaciones de un proceso 110
Caso de estudio 6: Evaluación de créditos hipotecarios 112
Caso de estudio 7: De compras 116
8
ÍNDICE
8. MÓDULO DE DATOS: CONJUNTO DE RECURSOS 118

8.1 Criterios de selección de recursos 118
Caso de estudio 8: Control de ingreso de pasajeros en el aeropuerto 126
Caso de estudio 9: Atención a alumnos en asesoría 129
9. MÓDULO DE DATOS EXPRESSION (ESTRUCTURA DE DATOS) 131

Caso de estudio 10: Atención de clientes en un banco 135
10. REASIGNACIÓN DE LA CAPACIDAD DE UN RECURSO 140

Caso de estudio 11: Programación de operarios según Schedule 142
Caso de estudio 12: Funcionamiento de una agencia bancaria 146
11. MODELADO DE ENSAMBLES 148

11.1 Módulo BATCH 149
11.1.1 Atributos de la nueva entidad 149
11.1.2 Reglas de agrupamiento 151
11.2 Módulo SEPARATE 152
11.2.1 Función Separador 152
11.2.2 Función Clonador 153
Caso de estudio 13: Lavado de piezas colocadas en racks 154
Caso de estudio 14: Ensamble del producto Triple X 156
Caso de estudio 15: Ensamblaje, prueba y embalaje de componentes electrónicos 159
12. FUNCIONES INDIVIDUALIZADAS DE UN PROCESO 164

12.1 Módulo SEIZE 165
12.2 Módulo DELAY 165
12.3 Módulo RELEASE 166
Caso de estudio 16: Arreglo de fallas en circuitos integrados 168
Caso de estudio 17: Secuencia de operaciones de un proceso 171
13. ACUMULADORES AUTOMÁTICOS 173

13.1 Módulo STORE 173
13.2 Módulo UNSTORE 173
Caso de estudio 18: Funcionamiento de una central de llamadas 175
14. MODELO BÁSICO DE INVENTARIOS 179

14.1 Indicadores de desempeño 179
14.2 Variables de recursos 180
14.3 Sistema de control de inventarios y venta con entrega diferida 183
Caso de estudio 19: Control de almacenes y distribución de cajas de aceite 184
Caso de estudio 20: Examen de “Simula” 188
Caso de estudio 21: Sistema rápido de transporte en corredor segregado 190
CAPÍTULO 3: OBTENCIÓN Y ANÁLISIS ESTADÍSTICO DE LOS

DATOS PARA EL MODELO 207
1. ASPECTOS IMPORTANTES EN LA ETAPA DE RECOLECCIÓN DE DATOS 209

1.1 Identificar los requerimientos de los datos 209
1.2 Identificar las relaciones causa-efecto 209
1.3 Recolección de datos en forma sistemática 210
1.4 Usar fuentes de datos apropiadas 211
1.5 Preparar una lista de supuestos 212
9
1.6 Convertir los datos en una forma utilizable en el modelo 212

1.7 Documentación de los datos 212
2. AJUSTE DE LOS DATOS MUESTRALES A DISTRIBUCIONES DE

PROBABILIDAD TEÓRICAS POBLACIONALES 213
2.1 Distribuciones de probabilidad 213
2.1.1 Distribuciones teóricas y empíricas 213
2.1.2 Clasificación de las distribuciones teóricas 214
2.1.3 Distribución uniforme (continua) 216
2.1.4 Distribución exponencial (continua) 216
2.1.5 Distribución binomial (discreta) 217
2.1.6 Distribución normal (continua) 217
2.1.7 Distribución Poisson (discreta) 218
2.1.8 Distribución Beta (continua) 219
3. PROCESO DE AJUSTE DE DATOS A UNA DISTRIBUCIÓN 220

3.1 Metodología 220
3.1.1 Análisis de la estadística descriptiva 220
3.1.2 Análisis de independencia o aleatoriedad 221
3.1.3 Prueba de bondad de ajuste 222
3.1.4 Ajuste de una distribución de probabilidad 222
4. ANÁLISIS DE DATOS EN ARENA: INPUT ANALYZER 223
5. ESCENARIO DE INCERTIDUMBRE TOTAL 228

5.1 Método Delphi 229
5.1.1 ¿Cuándo se aplica? 229
5.1.2 Desventajas 229
5.1.3 Ventajas 230
5.1.4 ¿A quiénes se puede considerar expertos? 230
Caso de estudio 1: Ajuste de datos a distribuciones de probabilidad 231
CAPÍTULO 4: DISEÑO DEL EXPERIMENTO DE SIMULACIÓN Y ANÁLISIS

ESTADÍSTICO DE LA INFORMACIÓN 235
1. CONDICIONES DE INICIO Y FIN DE LA SIMULACIÓN 238

1.1 Simulación de estado transitorio 238
1.2 Simulación de estado estable 240
2. ESPECIFICACIÓN DE ESTADÍSTICAS 243

2.1 Estadísticas por observaciones 243
2.2 Estadísticas dependientes del tiempo 244
2.3 Otras medidas particulares 244
3. DETERMINACIÓN DEL NÚMERO DE RÉPLICAS 245

3.1 Muestras preliminares (n) 245
3.2 Determinación del número de réplicas (N) 245
3.3 Intervalos de confianza para μ 246
3.3.1 Factor de precisión 246
3.4 Teorema del Límite Central 246
4. TÉCNICAS DE REDUCCIÓN DE VARIANZA 255

4.1 Técnica de Secuencias Comunes 257
4.2 Técnica de Secuencias Antitéticas 257
10
ÍNDICE
5. COMPARACIÓN DE ESCENARIOS 258

5.1 Comparación de medias usando muestras relacionadas 258
5.2 Comparación de medias usando muestras independientes 260
6. PRUEBA DE NORMALIDAD 261
7. EJECUCIÓN Y ANÁLISIS ESTADÍSTICO 265

7.1 Configuración del experimento de simulación en Arena 265
7.2 Análisis de los resultados en Arena 265
7.3 Output Analyzer 266
7.3.1 Determinación del intervalo de confianza para μ 266
7.3.2 Comparación de escenarios 267
7.3.3 Cálculo de probabilidades 268
7.3.4 Comparación de escenarios: Muestras independientes 268
Caso de estudio 1: Comparación de escenarios 269

Caso de estudio 2: PERT versus simulación de la duración de un proyecto 273
Caso de estudio 3: Control de inventarios y venta con entrega diferida 276
Caso de estudio 4: Simulación del tráfico en una vía expresa 282
Final del capítulo: Caso propuesto 309
CAPÍTULO 5: MODELADO DE SISTEMAS DISCRETOS POR PROCESOS -

MÓDULOS AVANZADOS 313
1. MÓDULO MATCH (continuación de ensambles) 315

1.1 Juntar, con base en cualquier entidad: Any entities 316
1.2 Juntar, con base en base de un atributo: Based on atribute 317
Caso de estudio 1: Lavandería “Blanquita” 318
Caso de estudio 2: Manufactura de ropa a pedido 321
2. MÓDULO HOLD (retención de entidades en cola) 325
3. MÓDULO SIGNAL (emisión de señales) 327
4. MÓDULO SEARCH (búsqueda de entidades en cola) 328
5. MÓDULO REMOVE (extracción de entidades de cola) 329

Caso de estudio 3: Duración de una actividad dependiente de condición 330
Caso de estudio 4: Análisis de tráfico por una sola vía 333
Caso de estudio 5: Transacciones en un cajero automático 336
Caso de estudio 6: Sala de reposo en una clínica 338
Caso de estudio 7: Almacenes “Mundo” 340
Caso de estudio 8: Atención de clientes en un supermercado 342
Caso de estudio 9: Venta de entradas en la Copa América 2007 344
Caso de estudio 10: Partido de definición del campeón nacional 346
6. MÓDULO PICKUP (entidad grupo) 348
7. MÓDULO DROPOFF (entidad grupo) 349

Caso de estudio 11: El ascensor 351
Caso de estudio 12: Atención en consultorio médico 353
11
Caso de estudio 13: Operaciones en una manufacturera 356

Caso de estudio 14: Uso de recurso en secuencia de operaciones 358
Caso de estudio 15: Simulación de fallas en las máquinas 361
8. MÓDULO READWRITE (interfase de lectura y escritura externa) 363

Caso de estudio 16: Escritura de datos en archivo externo 365
Caso de estudio 17: Lectura de datos de un archivo externo 367
Final del capítulo: Casos propuestos 369
CAPÍTULO 6: MODELADO DE SISTEMAS CONTINUOS Y COMBINADOS 377
1. CONCEPTOS FUNDAMENTALES 379
2. MODELADO DE PROCESOS DE FLUJO 383

2.1 Módulo TANK 383
2.2 Módulos SEIZE REGULATOR, FLOW y RELEASE REGULATOR 384
2.3 Módulo FLOW 384
2.4 Módulo SENSOR 386
2.5 Módulo REGULATE 387
Caso de estudio 1: Simulación de la variación del nivel del tanque 389
Caso de estudio 2: Venta de un líquido a granel 393
Caso de estudio 3: Funcionamiento de una moledora de maíz 395
Caso de estudio 4: Venta de combustible en grifo 398
Caso de estudio 5: Operación de un tanque alimentador de una refinería 402
Caso de estudio 6: Plan de aguas para vivienda 407
Caso de estudio 7: Llenado de una piscina 411
Caso de estudio 8: Sistema de abastecimiento a planta industrial 414
Caso de estudio 9: Campaña de Navidad 416
Caso de estudio 10: Sistema de suministro de agua en edificio 418
Caso de estudio 11: Control de calidad en línea de producción 422
Caso de estudio 12: Empresa envasadora de GLP 424
Caso de estudio 13: Estación de llenado de bidones de agua 427
ANEXOS 439
Anexo 1: Modelo teórico de colas 441

Anexo 2: Principales funciones y variables en Arena 449
Anexo 3: Tablas estadísticas 454
Anexo 4: Redes de Petri 456
BIBLIOGRAFÍA 465
12
PRESENTACIÓN A LA SEGUNDA EDICIÓN
A tres años de ser presentada la primera edición de este libro, es muy satisfactorio
para el autor abordar la tarea de escribir una breve presentación para la segunda
edición, en la que se incluyen nuevos temas y se profundizan otros, con lo cual se
complementa la edición original. También se han corregido todas las erratas
detectadas después de la primera publicación, manteniendo la misma pulcritud y
presentación didáctica.
Al incluir algunos temas y profundizar otros, se ha procurado enriquecer el contenido

del libro. En particular se señalan las siguientes inclusiones: en el capítulo 1 se ha
profundizado el tema de simulación por eventos mediante la presentación y desarrollo
de nuevas situaciones; con referencia a este tema, se ha incluido el anexo 4 sobre las
redes de Petri, que nos permiten representar el modelo conceptual sobre la dinámica
de los eventos que ocurren en un sistema. En el capítulo 4 se ha profundizado en el
análisis estadístico de los resultados del experimento de simulación, mediante la
inclusión de un artículo publicado por el autor en la revista Ingeniería Industrial, de la
Universidad de Lima, en el que se exponen con detalle los principales aspectos que
deben ser considerados en dicho análisis para tomar decisiones con un cierto nivel de
confiabilidad. Se han incrementado casos de estudio resueltos y propuestos acerca de
nuevas situaciones planteadas en la simulación de procesos involucrados en la
producción de bienes, en la logística y en los servicios.
Actualizar una obra cualquiera publicada en el ámbito científico o técnico puede ser
una labor de incorporación de un sinfín de teorías y experiencias en continua
evolución; sin embargo, en este libro se ha procurado no perder de vista su objetivo
fundamental, que ha sido y sigue siendo la elaboración de un texto sobre los
conceptos fundamentales de la simulación y su aplicación práctica en casos de estudio
en la gestión del ingeniero industrial y afines, en el siempre prometedor y fascinante
campo de la simulación de sistemas.
He dejado para el final algo muy especial para mí: dedicar este libro a mi esposa Lida,
quien es la fuente inspiradora de mi trabajo.
13
PRÓLOGO A LA PRIMERA EDICIÓN
Los profesionales conocedores de simulación encuentran inconcebible que, en nuestros

días, el diseño, la construcción o la modificación de un sistema no sea acompañado
por un análisis de simulación que permita tomar las correspondientes decisiones con
los criterios adecuados. Si gracias a un estudio de este tipo se puede predecir el
comportamiento de cualquier sistema por más complejo que sea, qué sentido tiene
que se tomen riesgos innecesarios, se aumenten costos y se haga mal uso de recursos
siempre escasos, simplemente por desconocer los beneficios de la simulación.
Incontables son los ejemplos en el mundo que muestran el impacto de la simulación
en la productividad de sistemas de todo ámbito. Son miles los trabajos de aplicación
que anualmente se presentan en la “Winter Simulation Conference”, por nombrar una
de las conferencias más populares de la especialidad. No existe área del conocimiento
que no haya recibido alguna aplicación exitosa de simulación.
Estas ventajas se logran gracias a que con la simulación se puede replicar el

funcionamiento de cualquier sistema. La incertidumbre y la aleatoriedad presentes en
la mayoría de sistemas reales son fácilmente incorporadas por esta técnica. Con un
buen trabajo de validación se puede probar que el comportamiento de los modelos en
la computadora son fiel reflejo de realidades concretas. Una línea de fabricación, un
proceso de servicio público, una empresa completa son ejemplos que se pueden ver
funcionando dentro de una computadora, mediante el uso de la simulación.
Debido a la popularización de computadoras de gran potencia la simulación está cada

vez al alcance de más personas, que no siempre cuentan con un conocimiento
adecuado. El mal uso ha ido de la mano con la popularización. Libros como el que
ahora presento tienen como objetivo evitar ese peligro. Con lenguaje sencillo y
multiplicidad de ejemplos, cubre distintos aspectos tanto de modelación como de
análisis necesarios para efectuar una aplicación eficiente y correcta de simulación.
Áreas tan populares como la modelación de procesos de negocios incluyen
actualmente en sus herramientas la potencia de la simulación. El peligro está en que
un usuario que desconozca los conceptos de simulación haga uso de dicha potencia y
pueda obtener resultados errados que hagan peligrar el prestigio de la técnica.
Se ha elegido Arena (Rockwell Automation, Inc.) como el lenguaje de simulación, por

ser el lenguaje más usado actualmente en el mundo profesional y académico. Existen
varios lenguajes y podrán salir otros nuevos, pero los conceptos revisados y las
aplicaciones mostradas seguirán vigentes.
Hace varios años la Escuela de Ingeniería de la Universidad de Lima decidió que la

enseñanza de simulación es vital en la formación de sus egresados de las facultades
de Ingeniería Industrial e Ingeniería de Sistemas. Este libro contribuye directamente
con ese objetivo. Es indudable que el aprendizaje de simulación tiene dificultades
reconocidas por todos los académicos, principalmente por la necesidad de modelar
15
sistemas sujetos a incertidumbre, pero seguiremos buscando las mejores formas de

facilitar este aprendizaje, por eso bienvenidos sean esfuerzos como el de esta obra.
El ingeniero Torres Vega, autor de este libro, cuenta con una amplia experiencia
académica en esta materia, que generosamente ha volcado en beneficio de los futuros
lectores. No nos resta sino felicitarlo, agradecerle y alentarlo para que siga con este
propósito.
Julio Padilla Solís
16
PRESENTACIÓN A LA PRIMERA EDICIÓN
La simulación de sistemas es una disciplina que intenta representar en un modelo

estocástico el comportamiento real de un sistema, con toda la complejidad de sus
relaciones, que involucran incertidumbre, mediante la generación de eventos
aleatorios que ocurren de manera natural y dinámica en todos los procesos.
Esta técnica de simulación estadística hace posible investigar los procesos por medio
de un análisis operacional, evaluar los indicadores de desempeño del sistema actual,
pronosticar su comportamiento y plantear posibles escenarios futuros. Hoy en día es
necesario que las empresas aprovechen las herramientas que brinda la tecnología para
adelantarse a los resultados y así minimizar el riesgo durante el proceso de toma de
decisiones.
La simulación permite la medición de indicadores de desempeño propios de la gestión

de los recursos disponibles, así como indicadores asociados con los niveles de calidad
de servicio al cliente, por ejemplo la reducción del tiempo de espera en colas o de su
permanencia en el sistema. Este proceso se realiza con el soporte de hardware y de
software, creándose un escenario virtual o laboratorio de experimentación que opera
de manera controlada sin tener que alterar el proceso ni arriesgar la operación real.
El énfasis de esta obra se centra en la aplicación práctica de los conceptos de

simulación mediante el modelado de sistemas. El libro ha sido escrito en una
secuencia lógica de temas, tomando como base el sílabo del curso de Simulación de
Sistemas de la Escuela de Ingeniería de la Universidad de Lima. Fue elaborado
utilizando el material didáctico preparado por el autor para el dictado de dicho curso,
enriqueciéndolo con la experiencia académica. Así mismo, se presentan diversos casos
de estudio con su correspondiente modelo de simulación y los reportes de resultados.
Algunos de los enunciados de estos casos fueron obtenidos de prácticas y exámenes
propuestos en la Escuela de Ingeniería de nuestra Universidad. Para la simulación de
los casos se ha utilizado el software Arena, que permite el modelado de sistemas
discretos por procesos, así como de sistemas de procesos de flujo, para la
representación de un sistema real.
El presente libro esta dirigido especialmente a los estudiantes universitarios de las

carreras de Ingeniería Industrial, Ingeniería de Sistemas, Investigación Operativa y
Administración de Negocios, así como a personas comprometidas con proyectos de
mejora continua, innovación, reingeniería, optimización de procesos, ISO9000, Six
Sigma, entre otros. El propósito de la presente obra es profundizar en el arte de la
ingeniería y enriquecer la formación del estudiante universitario.
17
Capítulo 1
Conceptos
fundamentales de la
simulación de sistemas
• Aspectos generales
• Simulación de sistemas
• Modelos analíticos versus modelos de simulación
• Fases de un proyecto de simulación
• Generación de números aleatorios
• Variables aleatorias
• Distribución de probabilidad
• Simulación de sistemas por eventos y por procesos
• Reloj de simulación
• Variables del sistema
• Elementos abstractos del sistema
En este capítulo se presentan los conceptos fundamentales en
los que se apoyan las técnicas de simulación. El modelado de
sistemas requiere de capacidades o habilidades analíticas, esta-
dísticas, organizacionales y de ingeniería; sin embargo, la simu-
lación es mucho más que la construcción de un modelo y su
ejecución. Como cualquier proyecto, necesita planeamiento,
coordinación y entendimiento de los requerimientos de cada una
de las tareas involucradas; asimismo, se presenta una secuen-
cia de etapas de cómo conducir un proyecto de simulación.
Capítulo 1
CONCEPTOS FUNDAMENTALES DE LA
SIMULACIÓN DE SISTEMAS
1. ASPECTOS GENERALES1
1.1 Sistema
Es una colección de elementos organizados que interactúan juntos hacia el logro de un

objetivo común. Se circunscribe a un sector de la realidad que es el objeto de estudio
o interés.
Ejemplos:
• El sistema de manufactura de un producto, en el cual trabajadores y máquinas
convierten las materias primas en productos terminados.
• El sistema de servicio de atención en un supermercado, en el cual los clientes in-

gresan, escogen sus productos y finalmente forman una cola para realizar el pago.
• El sistema de servicio de emergencia de una clínica, en el cual las enfermeras, los

médicos y los laboratorios son empleados para la atención de los pacientes que han
ingresado al establecimiento.
1.2 Relación entre proceso y sistema
1.2.1 Proceso
Es un conjunto de operaciones, actividades o tareas que crean una salida (output),

con base en una o más entradas (input).
1
Basado en HARRELL, CH.; GHOSH, B. K. y R. BOWDEN. Simulation using Promodel, 2000.
21
1.2.2 Sistema
Es un conjunto de elementos usados para ejecutar un proceso, para lo cual requiere,

además, recursos y controles. Así, un sistema comprende un proceso, pero también
incluye los recursos y los controles para poder realizar el proceso.
En el diseño de procesos el enfoque está dado en el qué está siendo ejecutado en el

sistema. En el diseño de sistemas el énfasis está dado en los detalles del cómo, el
dónde y el cuándo son ejecutados los procesos.
1.3 Elementos de un sistema
1.3.1 Entidades
Son los ítems que transitan por el sistema para ser procesados o recibir un servicio.
Las entidades se pueden caracterizar por el costo, el orden, la prioridad, el estatus,
entre otros factores.
Se clasifican en tres tipos:
• Humanos o animados: clientes de un supermercado, pacientes de una clínica.

• Inanimados: productos, piezas, documentos.
• Intangibles: llamadas telefónicas, correos electrónicos, proyectos.
1.3.2 Actividades
Son las tareas que se realizan en un sistema; pueden estar involucradas directa o in-
directamente en el procesamiento de las entidades. Las actividades tienen una
duración y por lo general involucran el uso de recursos. Se pueden clasificar en:
• Proceso de entidades: corte de una pieza, servicio a clientes.

• Movimiento de entidades y de recursos: transporte en un elevador.
• Ajuste, mantenimiento y reparación de recursos: configurar una máquina.
22
CAPÍTULO 1. CONCEPTOS FUNDAMENTALES DE LA SIMULACIÓN DE SISTEMAS
1.3.3 Recursos
Son los medios para poder ejecutar las actividades. Proveen el soporte de máquinas,
equipos, personal y facilidades en general, para llevar a cabo las actividades.
Pueden ser:
• Humanos o animados: operadores, personal de mantenimiento.
• Inanimados: equipos, herramientas, dinero, espacio de almacenamiento..
• Intangibles: información, tiempo, energía eléctrica.
1.3.4 Controles
Los controles gobiernan cómo, cuándo y dónde son ejecutadas las actividades;
también determinan las acciones que se deben tomar cuando cierto evento o condición
ocurre.
Ejemplos:
• Inicio y fin de la ejecución de las actividades.
• Priorización y secuenciación de actividades.
• Programas de producción.
• Programas de mantenimiento.
Sistema
Operación 1 Operación 2
Producto en
proceso
Entidades:
Piezas Producto en
Pieza proceso
Actividades:
Operaciones
Operación
3 Inspección
Producto
rechazado Salida
Almacén 1
Producto
terminado
Controles: Recursos: Almacén 2

Normas técnicas Operarios,
del proceso máquinas
producción
23
1.4 Complejidad de un sistema
Un sistema se hace complejo básicamente por el número y tipos de entidades, acti-

vidades, recursos y controles que lo componen; de tal forma que el sistema se hace
difícil de analizar. Esta complejidad es función de dos factores:
1.4.1 Interdependencia
Cada elemento del sistema afecta a otros elementos.
Ejemplo:
Cuando se produce un tiempo muerto en una máquina debido a una falla, entonces el
personal de mantenimiento se pone en acción para repararla.
1.4.2 Variabilidad
Existe variabilidad en el comportamiento de los elementos del sistema, la que produce

incertidumbre. La variabilidad es inherente a cualquier sistema comprendido por
personas o máquinas.
Ejemplos:
• La incertidumbre en las entregas de los proveedores.
• El comportamiento aleatorio en las fallas en los equipos.
• Ausentismo impredecible de los obreros.
• Fluctuaciones en la demanda.
Todos estos ejemplos se combinan y generan estragos en las operaciones de planea-

miento de los sistemas.
1.5 Modelo
Desde la perspectiva de un sistema, un modelo podría definirse como una

representación simplificada del sistema y sus relaciones, tales como relaciones causa-
efecto, relaciones de flujo y relaciones del espacio. El propósito del modelado de
sistemas es entender, predecir, controlar y mejorar el comportamiento o desempeño
del sistema. El modelado de sistemas es arte y ha sido ejercido por el hombre durante
siglos, la historia nos da muchos ejemplos de ello.
El proceso de modelado comienza con el estudio y análisis del actual sistema, con el
propósito de desarrollar un concepto de cómo trabaja el sistema nuevo o el ya
existente. Este concepto es traducido en el modelo que es utilizado para evaluar dicho
concepto.
24
Los modelos han sido clasificados de muchas maneras; sin embargo, podemos men-
cionar algunos tipos como los denominados modelos simbólicos representados por los
diagramas de flujo, los modelos analíticos o fórmulas matemáticas que producen
resultados cuantitativos, y los modelos de simulación capaces de reproducir el mismo
comportamiento que ocurre en el sistema actual. Un modelo de simulación debería ser
visto esencialmente como una herramienta “Qué pasa si”, que permite al diseñador
experimentar con diseños alternativos y estrategias para ver el impacto que aquellas
decisiones tienen en el sistema global.
2 2. SIMULACIÓN DE SISTEMAS
Es el proceso de diseñar un modelo lógico-matemático de un sistema real y reproducir

sus condiciones, su comportamiento operacional y dinámico, para estudiarlo y
probarlo, con el objetivo de lograr un mayor grado de conocimiento en la toma de
decisiones.
La simulación evalúa con precisión el desempeño de un sistema por complejo que este
sea. Es evaluadora y no generadora de soluciones, es decir que no produce una
solución óptima, sino, por el contrario, es una herramienta de evaluación que nos
orienta hacia la mejor solución.
La simulación genera un escenario virtual en el que los cambios no cuestan como en la

realidad. Permite validar si se está tomando la mejor decisión o no.
25
Ejemplos:
• Simular el comportamiento de un sistema para evaluar el efecto en los indicadores
de desempeño por la inclusión de un servidor adicional en una estación de servicio.
• Evaluar cómo se afecta el tiempo de ciclo de producción, debido a los tiempos

muertos (downtimes) por paradas de las máquinas durante el proceso de
producción.
2.1 Algunas aplicaciones de la simulación en la industria
• Análisis y reducción del tiempo de ciclo • Disposición de planta

• Secuenciación de las tareas • Simulación de sistemas MRP
• Análisis de cuellos de botella • Balance de líneas
• Mejoramiento de la calidad • Tamaño óptimo del lote
• Reducción de costos • Planeamiento de la producción
• Reducción de inventarios • Programación de los recursos
• Mejoramiento de la productividad • Programas de mantenimiento
• Diseño de controles de sistemas
La simulación al trabajar en un escenario virtual evita pérdidas de tiempo y no se inte-

rrumpe el funcionamiento del sistema actual ya que ambos sistemas pueden trabajar
en paralelo. Es decir, todo lo contrario a las técnicas tradicionales de prueba y error.
2.2 Características de la simulación
• Capta la interdependencia que existe entre los elementos del sistema.

• Considera la variabilidad en el sistema.
Entrada Salida aleatoria

aleatoria Simulación
• Es suficientemente versátil para modelar cualquier sistema.

• Muestra el comportamiento del sistema dinámico.
• Provee información estadística sobre múltiples indicadores de desempeño.
• Se ejecuta en tiempo comprimido, tiempo real o tiempo retardado.
• Los resultados son visuales y cuantitativos.
26
El ejercicio de modelar un sistema nos lleva a pensar en los detalles operacionales del pro-
ceso. Por lo general, existe una tendencia a ignorar los detalles de operación de un diseño o
plan, hasta la fase de la implementación, cuando ya es demasiado tarde o irreversible para
tomar decisiones que tengan un impacto significativo.
Ejemplo:
Suponga que se ha estudiado el comportamiento de fallas de una máquina. Se deter-
minó que el tiempo entre fallas se ajusta a una distribución de probabilidad exponen-
cial con una media de un mes.
En la vida real no se sabe cuándo va a fallar la máquina sino hasta que esto sucede.
Por lo tanto, desde que registramos su comportamiento estadístico entre fallas se pue-
de realizar una prueba de ajuste de datos, con el objetivo de generar variaciones ran-
dom de la distribución (de mejor ajuste) y así poder estimar la próxima ocurrencia de
falla.
Decir que una variable del modelo es aleatoria no significa que es indefinida o impredecible;
por el contrario, el fenómeno que está siendo modelado tiende a variar estadísticamente.
Estas variaciones estadísticas del fenómeno se pueden ajustar a predicciones probabilísticas.
2.3 Tipos de simulación (según su naturaleza)
2.3.1 Simulación basada en el avance del tiempo
• Simulación estática
El avance del tiempo no se considera en la simulación estática; es decir, es la

representación del sistema en un instante específico del tiempo. A menudo involucra
muestras aleatorias para generar reportes estadísticos, también se le llama simulación
de Monte Carlo. En las finanzas se utiliza en la simulación de selección de cartera de
inversiones.
• Simulación dinámica
Incluye el paso del tiempo. Un mecanismo de reloj mueve el avance del tiempo y el
estado de las variables del sistema son actualizadas. La simulación dinámica se ajusta
para analizar los sistemas de manufactura y servicios, dado que ellos operan en el
tiempo.
27
2.3.2 Simulación basada en el uso de variables aleatorias
• Simulación determinística
Se denomina simulación determinística cuando los modelos tienen entradas y salidas

(inputs y outputs) constantes. Estos son construidos de la misma manera que los pro-
babilísticos o estocásticos, excepto que no poseen aleatoriedad. El resultado de una
única corrida de simulación representa la medida exacta del desempeño del modelo.
4
47 Información de salida:
Datos de entrada:
3.4 Simulación
Valores constantes 15.7 Valores constantes
5
• Simulación estocástica o probabilística
La simulación es estocástica o probabilística si los modelos se basan en una o más va-

riables de entrada, cuya naturaleza es aleatoria. Un modelo estocástico tiene entradas
aleatorias, entonces produce salidas aleatorias. En un modelo estocástico muchas
réplicas de simulación (muestras) deben ser realizadas; entonces, el resultado es un
promedio de las réplicas y provee solo un estimado del desempeño del modelo.
Datos de entrada: Información de salida:
Valores Simulación Valores

aleatorios aleatorios
Decir que una variable del modelo es aleatoria no significa que es indefinida o
impredecible; por el contrario, el fenómeno que está siendo modelado tiende a variar
estadísticamente. Estas variaciones estadísticas del fenómeno se pueden ajustar a
predicciones probabilísticas.
Ejemplo:
Suponga que se ha estudiado el comportamiento de fallas de una máquina y se determinó
que el tiempo entre estas se ajusta a una distribución de probabilidad exponencial con una
media de un mes.
En el mundo real no se sabe con precisión cuándo va a fallar la máquina hasta que sucede.
Por lo tanto, desde que nosotros registramos su comportamiento estadístico entre fallas, se
puede realizar una prueba de ajuste de datos, con el objetivo de generar variaciones random
de la distribución (de mejor ajuste) y así poder estimar la próxima ocurrencia de falla.
28
2.3.3 Simulación basada en la continuidad de la ocurrencia de los eventos
• Simulación discreta
Es aquella en la que los eventos se dan en puntos discretos del tiempo, con lo cual se
actualizan los valores de las variables de estado del modelo en dichos puntos. Es
decir, existe un intervalo de tiempo variable entre la ocurrencia de un evento y la del
otro.
Ejemplo:
El arribo de clientes a un supermercado para realizar sus compras. Al ejecutar el mo-
delo de simulación que representa esta situación, los eventos van sucediendo uno tras
otro en el tiempo. Por ejemplo, el arribo de un cliente en un instante dado, la salida de
caja de un cliente después de haber realizado el correspondiente pago, el ingreso de
un cliente a la cola o las vueltas que da un auto en la playa de estacionamiento antes
de encontrar un espacio disponible. Véase el esquema siguiente.
• Simulación continua
Es aquella en la que las variables de estado del modelo cambian continuamente res-
pecto del tiempo. Es decir, el intervalo de tiempo entre la ocurrencia de un evento y
otro se puede considerar infinitesimal.
29
Ejemplos:
– La temperatura en el transcurso del día. La variable de estado toma diferentes
valores en el tiempo, según la temperatura.
– El funcionamiento del tanque de gasolina de una estación de venta de combustible,

que por medio de la máquina surtidora, transfiere un flujo hacia los tanques de los
vehículos.
¿Cuál es la diferencia entre variable discreta y variable continua?
La diferencia está en la forma como cambian de valor. Las variables discretas cambian
de valor con la ocurrencia de eventos en el sistema. Mientras no ocurra un evento sus
valores permanecen constantes. En cambio, las variables continuas cambian con el
simple avance del tiempo. Por ello, el valor de estas variables se rige por una ecuación
en función del tiempo.
• Combinación de eventos discretos y procesos continuos
Llamada también simulación combinada, se da cuando en el sistema estudiado concu-

rren ambos sistemas: discretos y continuos (sistemas híbridos).
30
Ejemplo:
En una estación de venta de combustible los autos llegan al sistema en forma discreta,
el abastecimiento de combustible al vehículo es un proceso continuo.
Ejemplo:
La producción de vidrio plano es otro ejemplo de simulación combinada. Los camiones
llegan a la planta según un intervalo entre arribos (modelo discreto por eventos), para
descargar la arena que contiene sílice, que es el componente principal del vidrio. Lue-
go, por medio de fajas transportadoras y elevadores de capachos o “cangilones”,
todos los ingredientes son transportados a silos de almacenamiento (modelo no
discreto o continuo). Existe otra parte del proceso que pertenece al modelo continuo
que corresponde al abastecimiento de la mezcla o “batch” al horno de fusión. En el
horno, esta mezcla se funde y desde allí la hoja de vidrio es jalada por medio de una
serie de rodillos durante una distancia suficiente para que se enfríe por medio de
ventiladores. En el extremo superior, operarios realizan el corte de la hoja, que luego
se apila en un caballete. Observe que el tramo descrito es un proceso continuo,
independientemente de la tecnología utilizada, es decir si el jalado de la hoja es
vertical u horizontal.
31
Ejemplo:
En el esquema siguiente se representa la producción continua de piezas metálicas. Las
piezas avanzan por la línea por medio de conveyors o fajas transportadoras y son pro-
cesadas en cada estación.
Ritmo de producción Capacidad de la faja

Máquina
(unid/hr) (unid.)
1 2.500 5.000
2 3.160 600
3 1.216 5.120
4 5.850 4.520
5 1.500 3.450
6 2.800 4.120
7 3.660 -
El inicio se produce en la estación 1, a la que llegan las piezas en forma continua, de

acuerdo con una tasa de 2.000 unidades por hora.
Suministro
infinito Salida
Estación 1 Estación 2 Estación 3 Estación 4 Estación 5 Estación 6 Estación 7
Por medio de la simulación de sistemas continuos podemos hacer un balance

adecuado de la línea, experimentando cambios en el ritmo de producción.
Es posible modelar fenómenos continuos usando la lógica de eventos discretos, espe-

cialmente si un alto grado de precisión no es importante. Suponga que una sustancia
fluye en forma continua, esta puede convertirse, para propósitos de simulación, en
unidades discretas de medida tales como galones o libras. También es posible modelar
eventos discretos usando la lógica de fenómenos continuos; en este caso, es deseable
tratar los cambios discretos de las variables de estado como ocurrencias que se dan
en intervalos de tiempo muy pequeños. Suponga que se realiza un cambio en el abas-
tecimiento de unidades a una máquina empaquetadora, se pasa de un sistema en el
que llegan en forma discreta con un tiempo entre arribos, a un sistema de
abastecimiento infinito por medio de una faja transportadora, a razón de 200 unidades
por hora.
32
3 3. MODELOS ANALÍTICOS VERSUS MODELOS DE SIMULACIÓN
3.1 Modelos analíticos
• Representan, por lo general, situaciones estáticas del problema; es decir, se asume

que las condiciones son constantes en el tiempo durante el período de estudio.
Ejemplo: las programaciones lineal y no lineal.
• Los resultados llevan a obtener una solución óptima para el problema y para lograr
un solo objetivo, con lo cual se sacrifican otros objetivos secundarios. Ejemplo: la
programación lineal.
• En los modelos analíticos no es posible considerar situaciones aleatorias que po-

drían ocurrir en un sistema; por lo tanto, el analista se ve forzado a usar tiempos
promedios de proceso u otros indicadores que pueden producir resultados enga-
ñosos. Ejemplo: las técnicas PERT-CPM.
• Son incapaces de resolver problemas de gran aleatoriedad.
3.2 Modelos de simulación
• Proporcionan una medida cuantitativa del desempeño del sistema, tal como el por-
centaje de utilización de los recursos, o los tiempos de ciclo, etcétera. La simulación
es una herramienta de evaluación de escenarios que permite al diseñador del
experimento conocer qué alternativas de diseño y estrategias operativas tienen
mayor impacto en el desempeño del sistema.
• Determinan cómo el sistema responde a cambios en su estructura y ambiente, o

bajo ciertos supuestos.
• La simulación es usada para probar la efectividad de un sistema en particular. Pero

por sí misma no resuelve un problema u optimiza un diseño. Ayuda a evaluar una
solución pero no genera solución alguna. La solución solo puede ser conseguida a
través de la experimentación, corriendo y comparando los resultados de las
soluciones alternativas.
• A diferencia de los modelos analíticos, la simulación hace posible monitorear las

más complejas fluctuaciones estadísticas e interdependencias en el sistema.
• Ayuda a eliminar las ineficiencias ocultas en un modelo analítico, que solo se

detectan cuando el sistema está en operación; es decir, cuando es demasiado
tarde.
33
4. FASES DE UN PROYECTO DE SIMULACIÓN2
La simulación es mucho más que la construcción del modelo y su ejecución. Como

cualquier proyecto, requiere de planeamiento, coordinación y un entendimiento de los
requerimientos de cada una de las tareas involucradas. El modelado de sistemas re-
quiere de capacidades o habilidades analítica, estadística, organizacional y de ingenie-
ría. El modelador debe ser capaz de entender el sistema que está siendo investigado y
debe ordenar relaciones complejas causa-efecto. No hay reglas estrictas de cómo con-
ducir un proyecto de simulación; sin embargo, a continuación se presenta una secuen-
cia de etapas, generalmente recomendadas:
• Definir el problema, los objetivos y los requerimientos.
• Diseño del modelo conceptual.
• Obtención y análisis estadístico de los datos para el modelo.
• Construcción del modelo de simulación.
• Verificación del modelo.
• Validación del modelo.
• Diseño del experimento de simulación, ejecución y análisis estadístico.
• Entrega de documentación y presentación de resultados.
Ejemplo: Diagrama de Gantt de un proyecto de simulación
A continuación se desarrollarán los aspectos que se involucran en cada etapa; en cier-

tos casos se analizarán con mayor profundidad algunas de estas etapas en capítulos
posteriores de este libro.
2
Basado en HARRELL CH. y K.TUMAY. Simulation made easy, 1985.
34
4.1 Definir el problema, los objetivos y los requerimientos
No es suficiente expresar el problema en términos generales, como “¿Qué tan grande

debe ser el aeropuerto que se va a construir?”. Una declaración más precisa del pro-
blema sería, por ejemplo: “¿Cuántas pistas de aterrizaje y de qué longitud serán re-
queridas para satisfacer la demanda estimada para un viaje aéreo?”. En la medida en
que el problema se formule de una manera más precisa, la construcción del modelo se
hará más sencilla.
Al inicio, es importante definir el problema entendiendo su contexto, identificando los

objetivos que definen la razón y el propósito para llevar a cabo el proyecto de simula-
ción. Una forma de conocer el problema es saber más sobre el sistema que se está in-
vestigando; por ejemplo, su capacidad actual de producción, las medidas de desempe-
ño actuales del sistema (utilización, tiempo de ciclo, tiempo de espera, entre otros);
conocer cuáles son las restricciones o “cuellos de botella” y ver la factibilidad de alcan-
zar indicadores meta de desempeño (adición de recursos, mejorar métodos, etcétera);
qué variables de decisión son más sensibles en el desempeño global del sistema. El
objetivo de la simulación debe ser realista y factible de ser ejecutado, y sus
requerimientos deben definirse en términos de recursos, tiempo y presupuesto.
En la identificación de los objetivos debemos realizar las siguientes preguntas (Knepell

y Arango, 1993):
• ¿Cuál es el propósito de la simulación?
• ¿Para quién es el modelo?, ¿quién será el usuario final del modelo?
• ¿Qué tan importantes serán las decisiones que se tomarán como resultado del
modelo de simulación?
• ¿Cuáles son las expectativas del cliente?
• ¿Cuál es el presupuesto?
• ¿Cuál es la fecha límite para finalizar el proyecto?
El proyecto de simulación será exitoso en la medida en que los objetivos sean

definidos en forma clara y las restricciones sean bien entendidas. La simulación solo
debería ser ejecutada cuando se hayan definido el o los objetivos del proyecto y se
haya determinado que la simulación es la herramienta más conveniente para adquirir
dichos objetivos. Durante la ejecución del proyecto, es necesario regresar a los
objetivos, para mantener la atención enfocada en lo que es importante. Algunas veces
los objetivos cambian o se expanden durante el avance en la ejecución del proyecto.
4.2 Diseño del modelo conceptual
En esta etapa, el modelador debe traducir el sistema del mundo real en un modelo
conceptual. En el diseño del modelo conceptual se debe establecer la lógica de las
operaciones en el modelo en términos de los elementos estructurales del sistema y del
flujo de entidades que pasarán a través del sistema. En este sentido, el modelador
35
debe entender la estructura y las reglas de operación del sistema que se investiga y
ser capaz de extraer su esencia, sus características importantes. En esta etapa se
deben tomar en cuenta aspectos como:
• En el modelo se pueden hacer suposiciones razonables.
• Los componentes que deben ser incluidos en el modelo y cuáles son las interaccio-
nes posibles entre estos.
• La secuencia de operaciones.
• Los recursos en disputa por las entidades.
• Los alcances del modelo. El nivel de detalle que debe ser incluido en el modelo de-
pende de los objetivos planteados para el proyecto. En todo caso, solo aquellos
componentes que causan diferencias significativas en la toma de decisiones deben
ser considerados.
• Identifica los requerimientos de datos para cada componente del modelo, por ejem-
plo, ‘atención al cliente’. Para un buen entendimiento, los requerimientos de datos
pueden ser proyectados, con ellos se pueden considerar programas o Schedule, al-
goritmos y controles requeridos para el modelo.
• Planeamiento de experimentos. Definir, en forma tentativa, el número y la natura-

leza de los escenarios o alternativas de configuración que será evaluada.
• Determinar el formato de presentación de los resultados. Este aspecto influye signi-

ficativamente en el tiempo y el esfuerzo involucrado en el estudio de simulación. Si
se requiere un detallado nivel de animación o si se espera un extenso reporte, en-
tonces el proyecto se puede prolongar por varias semanas extras después de que la
etapa de experimentación haya concluido. En algunos casos se requiere como re-
sultado solo un valor, con el cual se verifica si el sistema es capaz de alcanzar los
requerimientos de niveles de producción o servicio; en estos casos, un solo valor es
suficiente. En otras situaciones se requiere una completa documentación en la que
se detallen todos los objetivos, las fuentes de datos, las suposiciones, los procedi-
mientos de modelado, los experimentos, los análisis de resultados y las recomenda-
ciones. Una pauta para establecer la clase y la cantidad de información por pre-
sentar es preguntar al tomador de decisiones qué decisión está siendo respaldada
por la simulación y los aspectos de fondo involucrados; así, se focalizará en los
ítems importantes y se proveerá de efectiva visualización de información que
facilite un adecuado proceso de toma de decisiones. Algunas veces la animación de
la simulación puede ser efectiva para mostrar áreas congestionadas o “cuellos de
botella”; también la presentación de gráficas o esquemas.
4.3 Obtención y análisis estadístico de los datos
Una vez que en la etapa anterior se han identificado los requerimientos de los datos,
entonces se procede a su obtención para que sean utilizados durante la etapa de cons-
36
trucción del modelo. Una inapropiada especificación en el modelo nos conducirá a una
pérdida irreversible de tiempo y esfuerzo. Por ello, los datos deben ser obtenidos en
forma sistemática, clasificados y analizados estadísticamente.
Los datos que conciernen al sistema son los involucrados con su estructura, con los
componentes individuales existentes, las interacciones entre los componentes y las
operaciones del sistema. Los posibles estados del sistema se establecen a partir de es-
ta información.
Ejemplo: Operación de control de calidad.
A continuación se presentan los datos de entrada para el segmento del modelo:
• Tiempo de traslado de la estación previa a la estación de control.
• Duración de la actividad control de calidad.
• Probabilidad de aceptación y rechazo.
• Tiempo de traslado de la estación de control a la estación siguiente.
La fuente para la obtención de datos puede provenir de la ejecución de un estudio de

tiempos, de entrevistas personales con los operadores del sistema, o de otras fuentes.
El proceso de obtención de datos es vital e implica tiempo y costo; por lo tanto, debe
ejecutarse en forma inteligente y sistemática para asegurar la construcción del modelo
apropiado.
Una vez obtenidos los datos, estos deben pasar por ciertas pruebas estadísticas, para
ver si se ajustan a alguna distribución de probabilidad. La información de un sistema
tiene carácter dinámico y estocástico, la variabilidad de este debe modelarse con cier-
tas ecuaciones matemáticas que sean capaces de reproducir su comportamiento; en la
mayoría de los casos es posible clasificar dicha variabilidad dentro de alguna distribu-
ción de probabilidad, en otros casos esto no es posible y se debe recurrir a
distribuciones empíricas. La representación en el modelo de una variable aleatoria se
da por medio de una distribución de probabilidad. Si luego de realizar las pruebas a los
datos obtenidos se alcanza un ajuste significativo, entonces es posible representar en
el modelo estos datos por medio de una distribución de probabilidad “teórica” (expo-
nencial, uniforme, triangular, normal, etcétera).
Aspectos importantes de esta etapa se desarrollarán, con detalle, más adelante, cuan-
do se aborde el capítulo de obtención y análisis de los datos para el modelo.
4.4 Construcción del modelo de simulación
En esta etapa el modelador debe traducir el modelo conceptual en un modelo de simu-

lación que se prepara en la computadora y se basa en las reglas del sistema seleccio-
nado, por ejemplo, los software Arena, ProModel, etcétera.
Un buen modelo no es aquel que necesariamente es real, pero sí lo suficientemente

útil. Un modelo es útil si tiene suficiente detalle y exactitud para encontrar los objeti-
37
vos de la simulación. El grado al cual el modelo corresponde en detalle y exactitud al

sistema actual está asociado al nivel de fidelidad. Altos niveles de fidelidad requieren
largos desarrollos, depuraciones y tiempos de ejecución. Por ello, se recomienda esta-
blecer un mínimo requerido de fidelidad para lograr los objetivos del estudio. Se debe
tener en cuenta que los modelos no tienen que incluir todo el detalle necesario para
que puedan ejecutarse. Mediante un progresivo refinamiento estratégico puede adicio-
narse el detalle y no todo a la vez. Esto posibilita que el modelo se ejecute rápido y
sea fácil la depuración de errores. En la etapa inicial, por ejemplo, no son necesarios
los gráficos muy atractivos, como sí lo serían en la presentación final del modelo. En
cuanto a la complejidad del modelo, se debe tomar en cuenta que es mejor empezar
con un modelo simple y adicionar complejidad, en lugar de crear un modelo complejo
enseguida. Es más fácil adicionar que extraer complejidad al modelo.
4.5 Verificación del modelo
Mediante el proceso de verificación se determina si el modelo de simulación construido

refleja correctamente el modelo conceptual diseñado. Es decir, después de haber ter-
minado la construcción del modelo es necesaria la comprobación, la confirmación de
que el modelo trabaja correctamente.
Durante este proceso el modelador trata de detectar errores involuntarios en el

modelo (de datos, de lógica u otros) y eliminarlos. Es recomendable investigar las
regiones extremas de los parámetros de entrada, verificar que sucedan las cosas
correctas con entradas obvias y seguir la secuencia lógica con las personas
familiarizadas con el sistema. En esta etapa se debe continuar con el proceso de
depuración y refinación del modelo, pero en una proporción menor que en la etapa de
construcción.
4.6 Validación del modelo
Mediante el proceso de validación del modelo se determina si el modelo conceptual re-

diseñado refleja correctamente el sistema real. La validación es un proceso racional en
el cual el modelador traza conclusiones acerca de la precisión del modelo, basado en
alguna evidencia disponible.
La validez del modelo se refiere a si este corresponde al sistema real, o si por lo

menos representa con precisión la data recolectada y las suposiciones hechas con
relación a la manera en que opera el sistema real. Durante el proceso de construcción
del modelo, el modelador debe estar constantemente comprometido con la validación
del modelo. Un ejemplo de validación es comparar la medición de un indicador de
desempeño obtenido de la simulación, con la medición del mismo indicador tomado
del sistema real, y ver si estas corresponden.
La recolección de evidencias que determinan la validez del modelo es extensamente

llevado a cabo examinando la estructura del modelo y evaluando la información esta-
dística que se obtiene del modelo. La estructura del modelo (los algoritmos y las rela-
ciones) debe ser verificada para ver cuán cerca esta corresponde a la definición actual
del sistema. Para aquellos modelos que tienen una lógica de control compleja, la ani-
38
mación gráfica puede ser utilizada en forma efectiva como una herramienta de
validación. Finalmente, la información de salida del modelo debe ser analizada para
observar si los resultados parecen razonables. Si estos procedimientos son ejecutados
sin encontrarse una discrepancia entre el sistema real y el modelo, entonces se dice
que el modelo tiene una precisa representación del sistema.
Traducción en dos etapas para convertir el sistema

del mundo real en un modelo de simulación.
La verificación y validación del modelo representan factores críticos para el éxito del
proyecto de simulación. Importantes decisiones se basan en la información obtenida
del experimento de simulación y, por lo tanto, esto es una evidencia demostrable de la
validez del modelo.
4.7 Experimento de simulación, ejecución y análisis estadístico
En esta etapa se planea qué es lo que se desea saber. Mediante los experimentos de
simulación obtendremos las respuestas de una manera precisa y eficaz.
En un experimento de simulación hay ciertas variables llamadas “independientes” o

“variables de entrada”, que pueden ser manipuladas o variadas. Los efectos que causa
esta manipulación en otras variables denominadas “dependientes” o “variables de res-
puesta” son medidos. Las variables independientes son manejadas o manipuladas en
la experimentación; se les llama también variables de decisión o variables de expe-
rimento. Desde que el experimentador está interesado en variables dependientes es-
tas son llamadas variables de respuesta o variables de desempeño.
Varios tipos de experimentos pueden ser conducidos usando simulación:
• Encontrando el desempeño esperado del diseño particular de un sistema.

• Encontrando el valor óptimo para una variable de decisión.
• Encontrando la combinación óptima de valores para dos o más variables de
decisión.
39
• Determinando la sensibilidad del modelo de cambios en una o más variables.

• Comparando alternativas en la configuración de sistemas.
El objetivo en la conducción de experimentos no es encontrar cuán bien opera un sis-

tema particular, sino tener suficiente conocimiento de cómo mejorar el desempeño del
sistema. Desafortunadamente, la información obtenida de la simulación muy pocas ve-
ces identifica las causas de los problemas, solo reporta el comportamiento sintomático
del problema. Por ejemplo, las actividades “cuello de botella” son usualmente identifi-
cadas porque determinado proceso posee siempre una cola larga, comparadas con los
procesos cuyas colas están vacías. Esto es un síntoma de que existe un “cuello de bo-
tella” en el sistema.
El conjunto de valores de cada indicador, que resulta de la ejecución del experimento

de simulación, sea de estado estable o transitorio, deberá ser sometido a pruebas es-
tadísticas de bondad de ajuste a la distribución Normal, es decir, básicamente a las
pruebas de Chi-cuadrado, Kolmogorov-Smirnov y Anderson Darling. El objetivo de
esta prueba es verificar que se aplica el Teorema del Límite Central (TLC) para el
indicador del estudio, es decir, que los N valores promedio que se logren producto de
las N réplicas forman un conjunto de valores que se ajustan a una distribución de
probabilidad Normal, y, por lo tanto, se podrá realizar inferencia estadística al
indicador.
En la conducción de un experimento de simulación el modelador debe tener cuidado

en la correcta interpretación de la información obtenida de la ejecución de la
simulación. A continuación se presentan algunos puntos para tomar en cuenta en el
diseño del experimento de simulación.
Aspectos claves en el diseño del experimento de simulación:
• ¿Está el interés focalizado en analizar el comportamiento del estado estable del

sistema, o existe un determinado período de tiempo que se desea medir?
• ¿Cuál es la mejor manera de asegurar que los resultados reflejen solo el período de
tiempo de interés y no sean influenciados por otras condiciones, como las
condiciones iniciales?
• ¿Cuál es el mejor método para obtener una muestra de observaciones que pueden
ser usadas para estimar el comportamiento del modelo?
• ¿Cuál es la longitud apropiada para ejecutar la simulación?
• ¿Cuántas réplicas deben ser ejecutadas?
• ¿Cuántas secuencias de números aleatorios deben ser utilizadas en el modelo?
• ¿Es factible realizar inferencia estadística con los valores obtenidos de cada indi-
cador (producto de las N réplicas)?, ¿realmente se ajustan a una distribución
Normal?
Las respuestas a estas preguntas dependerán del grado de precisión requerido del
proyecto de simulación. Todos estos aspectos claves serán desarrollados en forma
40
detallada más adelante, en el capítulo correspondiente al diseño del experimento de

simulación, su ejecución y análisis estadístico de los resultados.
4.8 Entrega de documentación y presentación de resultados
En esta etapa se hacen las recomendaciones para mejorar el sistema real sobre la
base de los resultados del modelo de simulación.
Estas recomendaciones deben ser alcanzadas mediante un informe o reporte final, en

el cual se adjunta la data utilizada, el desarrollo del modelo y los experimentos ejecu-
tados. Los resultados deben ser presentados de forma que sean fáciles de evaluar; la
animación y las gráficas son muy útiles como ayuda para comunicar los resultados del
estudio de simulación.
Cuando se ha terminado la presentación y no hay más aspectos que analizar, y si es

aprobada, entonces está lista para la implementación. Si la simulación ha sido adecua-
damente documentada, esta proveerá buenas especificaciones funcionales para el
equipo de implementación.
55. GENERACIÓN DE NÚMEROS ALEATORIOS
Una de las características más importantes de la simulación es la capacidad de imitar

el comportamiento aleatorio que existe en los sistemas estocásticos. Para simular este
comportamiento aleatorio se requiere de un método que provea la generación de estos
números aleatorios, así como de rutinas para generar variaciones aleatorias, basadas
en distribuciones de probabilidad.
Un generador de números aleatorios es un algoritmo determinístico, usado para crear

valores reales distribuidos entre 1 y 0, tal que 0 <= X < 1. Se debe considerar lo si-
guiente:
• La ocurrencia de cualquier valor es equiprobable o uniforme.
• El valor de la muestra previa no afecta la probabilidad del valor de la próxima

muestra (independencia).
Estos números pueden ser transformados en valores que se ajustan a una determina-
da distribución de probabilidad. Existen varios métodos que son utilizados para gene-
rar números aleatorios, los más populares son los métodos congruenciales, que pue-
den ser: aditivos, multiplicativos o mixtos.
A continuación se presenta la expresión general de un generador congruencial mixto:
Xn+1 = (a*Xn + c) mod m

donde:
41
Xn+1: número pseudoaleatorio generado
Xn: valor inicial (raíz o semilla)
a: multiplicador
c: incremento
m: 2b donde b>2
Función mod: módulo (resto de la división entera; ejemplo: n mod m)
dado que: Xn+1 = ( a*Xn + c ) mod m
los números generados serán

X1 = ( a*X0 + c ) mod m
X2 = ( a*X1 + c ) mod m
X3 = ( a*X2 + c ) mod m
.
.
.
Los números generados no son estrictamente aleatorios porque ellos son predecibles y
reproducibles, por esta razón estos números generados son llamados pseudoaleato-
rios. No obstante, ellos se adecuan en forma aproximada a la aleatoriedad del mundo
real, para propósitos de simulación.
Ejemplo:
De acuerdo con la información siguiente, determinar la secuencia completa de núme-
ros aleatorios; es decir, hasta que se alcance el período correspondiente.
X0: 6
a: 6
c: 6
m: 10
Solución:
Número Aleatorio
i Xi-1 (a*Xi-1 + c) Xi =(a*Xi-1 + c) mod m
Ri= Xi/m
1 6 42 2 0.2
2 2 18 8 0.8
3 8 54 4 0.4
4 4 30 0 0
5 0 6 6 0.6
6 6 42 2 0.2
7 2 18 8 0.8
8 8 54 4 0.4
9 4 30 0 0
10 0 6 6 0.6
42
Interpretación:
• La secuencia de número aleatorios será: 0.2, 0.8, 0.4, 0 y 0.6, luego se repite la
misma secuencia.
• Todos los números aleatorios generados tienen un período; es decir, después de
una cierta cantidad de números aleatorios la serie vuelve a repetirse. Para nuestro
ejemplo, el período es 5.
• Como el módulo es 10, los valores generados no excederán a 10.
• Los valores generados son pseudoaleatorios, porque el siguiente número se genera
a partir del anterior, además después del período se repite la misma secuencia.
• En Arena, el período contiene por lo menos dos billones de números. Luego el ciclo
se repite a través de la misma secuencia.
• Un número es completamente aleatorio si al repetir el experimento el orden es dife-
rente. Por ejemplo al lanzar sucesivamente un dado.
Ejemplo: Expresiones de probabilidad.

Se desea evaluar la decisión, si la entidad que ingresa al módulo de decisión aprueba o
desaprueba la inspección. Véase el siguiente esquema del modelo:
0.85
0.15
Para determinar el próximo resultado del evento aleatorio es necesario que se genere
un número aleatorio uniformemente distribuido entre 0 y 1. Este valor es comparado
con el valor de la probabilidad, definida en el modelo (0.85). Si el número generado
está entre 0 y 0.85, entonces la entidad aprueba la inspección; de lo contrario, la enti-
dad no pasa la inspección y se desecha.
6. VARIABLES ALEATORIAS3
Es aquella variable que puede tener asignado un valor (no previsible) de un

determinado conjunto finito (variable aleatoria discreta) o infinito (variable aleatoria
continua) de posibles valores. Es una función que asigna un número a cada posible
resultado de un experimento (espacio de muestreo). Aunque la secuencia exacta de
valores que serán asignados a una variable aleatoria no puede ser prevista, si que es
3
Basado en HARRELL, CH.; B. K. GHOSH y R. BOWDEN. Op. cit.
43
posible conocer el rango de valores en los que puede variar, así como la probabilidad
de tener asignado un cierto valor.
Un proceso estocástico evoluciona en el tiempo y/o espacio e involucra a una variable

aleatoria, de tal modo que el comportamiento del proceso no puede preverse con
exactitud. Estos procesos se utilizan para representar aquellas actividades cuyos
efectos varían aleatoriamente en distintas salidas y los resultados generados sirven
para obtener estimaciones de las variables que caracterizan el comportamiento real
del sistema.
En simulación, los valores que puede tomar una variable aleatoria, como la duración
de una actividad, o quizá el tiempo entre arribos de las entidades al sistema, son re-
presentados por una Distribución de Probabilidad. Para generar un valor individual de
la variable aleatoria, un número aleatorio (creado mediante un generador de números
aleatorios) es colocado en una rutina o ecuación de transformación, convirtiendo el
número aleatorio en un valor que conforma una distribución de probabilidad y que re-
presenta a la variable aleatoria.
El comportamiento aleatorio en un sistema es expresado en un modelo de simulación,

ya sea utilizando expresiones de probabilidad (véase el ejemplo anterior) o por la es-
pecificación de distribuciones de probabilidad. Esto depende de si se trata de un hecho
particular de decisión mediante la comparación con un número aleatorio generado, o si
se trata de la probabilidad de un valor asociado a una variable aleatoria, como la dura-
ción de una actividad, o quizá la cantidad de productos que compra un cliente, etcéte-
ra. Las expresiones de probabilidad definen la variabilidad de posibles resultados; las
distribuciones de probabilidad definen la variabilidad de una situación dada, expresada
por un universo de posibles valores pertenecientes a la variable aleatoria.
7. DISTRIBUCIONES DE PROBABILIDAD
La distribución de probabilidad permite relacionar un conjunto de valores o medidas,

con su frecuencia relativa de aparición. Frecuentemente, los sistemas estocásticos
tienen situaciones que implican la determinación de valores de tiempo o cantidad, que
varían de acuerdo a una forma o densidad y a un rango dado. Por ejemplo, el instante
en que ocurrirá el próximo evento, el número de paquetes por trasladar, el tiempo de
recorrido hasta la ventanilla de atención o el tiempo de una consulta médica, etcétera.
Los resultados o valores posibles que pueden tomar todas estas situaciones conforman
el universo de valores que está definido en la variable aleatoria y pueden ser
expresados o representados por medio de una distribución de probabilidad.
Ejemplo:
El tiempo de una actividad se define en el modelo mediante una distribución
de probabilidad (Uniforme, Triangular, Normal, etcétera), incluyendo sus
parámetros (Uniforme (4,6), Triangular (8,10,12), Normal (15,0.1), etcétera)
que describen la forma o densidad y rango de la distribución. Durante la
ejecución de la simulación, los valores individuales de las variables aleatorias
se generarán de esta distribución, cada vez que una entidad inicie la
operación.
44
Las distribuciones de probabilidad pueden ser discretas o continuas. Son discretas

cuando representan un número entero y finito de posibles valores, como el número de
individuos en un grupo de personas. Son continuas cuando representan un número
que pertenece al rango de los números reales, por ejemplo, el tiempo de operación de
una máquina que se distribuye uniformemente entre 1.2 y 1.8 minutos. En este caso,
en este rango existe un infinito número de posibles valores.
A continuación se muestran algunos ejemplos de distribuciones de probabilidad

modeladas utilizando el software Excel:
45
8. SIMULACIÓN DE SISTEMAS POR EVENTOS Y POR PROCESOS
8.1 Simulación por eventos
Un evento es un acaecimiento, un hecho que sucede en un instante de tiempo. En el

mundo real los eventos ocurren en forma simultánea; múltiples entidades pueden rea-
lizar actividades en forma paralela o simultánea; es decir, en el mismo instante. En el
mundo virtual, los eventos suceden uno a la vez, aun cuando estos se dan en el mis-
mo instante. Cuando el modelado de sistemas se centra en la ocurrencia de eventos y
lo que sucede cuando ellos ocurren se denomina orientación por eventos.
8.2 Simulación por procesos
Otro enfoque diferente es el de orientación por procesos, que consiste en representar

el funcionamiento de un sistema en función de la dinámica de las entidades a través
del flujo del proceso; es decir, comenzando desde que estas arriban al sistema,
pasando luego por una secuencia de actividades, para finalmente salir del sistema;
esta situación puede representarse mediante un diagrama de flujo.
En Arena, la simulación se realiza por procesos de manera explícita, mediante la red

de módulos. Pero en forma paralela e implícita (internamente) la simulación se realiza
por eventos, mediante un calendario predeterminado y eventos condicionales.
En la lógica de eventos discretos, este flujo de actividades del proceso se traduce en
una secuencia de eventos predeterminados, para simular el comportamiento del siste-
ma. Supongamos que el primer evento consiste en el arribo de una entidad al sistema
e ingresa inmediatamente a la cola del primer proceso, entonces ocurre un segundo
evento que consiste en la terminación del proceso de otra entidad y su salida hacia un
segundo proceso. Así, sucesivamente, se van dando los eventos uno a la vez, de
acuerdo a un calendario cronológico y predeterminado.
En la simulación de eventos discretos, los cambios en el estado del sistema se dan en

puntos discretos del tiempo, como resultado de la ocurrencia de eventos. Veamos los
siguientes ejemplos de eventos típicos en simulación:
• El arribo de una entidad a una estación de trabajo.
• La falla de una máquina.
• El inicio de una actividad.
• La finalización de una actividad.
• El final de un turno de trabajo.
• La finalización de la simulación, etcétera.
46
En la gráfica se ob-
serva la sucesión de
doce eventos, du-
rante la simulación.
Los eventos discretos pueden ser de dos tipos:
8.2.1 Evento programado en el tiempo (calendario)
Es aquel cuyo momento de ocurrencia puede ser determinado de antemano, y por lo

tanto puede ser programado con anticipación. Para estos eventos, en los que es
posible que se planee su ejecución en el transcurso del tiempo, el avance del reloj de
la simulación se dispone según el próximo evento programado. Así, la ejecución de
eventos programados continúa, hasta que se produce el evento de la terminación de la
simulación.
Ejemplo:
Suponga que el tiempo entre arribos de los clientes al sistema se ajusta a

una distribución exponencial con una media de 10 minutos. Este evento
puede programarse fácilmente al inicio de la simulación, generando un valor
individual de la variable aleatoria según la distribución de probabilidad
exponencial y su parámetro. El valor obtenido, por ejemplo 8 minutos, define
la ocurrencia del próximo evento que marcará el arribo del cliente. Este
evento es programado con anticipación en el calendario de eventos.
47
Ejemplo:
Suponga que se define en el modelo la duración que tendrá una actividad y
corresponde a una distribución uniforme con parámetros 4 y 6 minutos. Un
evento origina el inicio de la actividad, entonces se trabaja en función del
próximo evento; así, se genera un valor individual de la variable aleatoria
asociada a la distribución uniforme y sus parámetros, supongamos que resul-
ta el valor 5, entonces se programa el próximo evento que completará o fina-
lizará la ejecución de la actividad, en forma cronológica y anticipada, en un
calendario de eventos predeterminados, donde aguardarán hasta el instante
de su ocurrencia.
8.2.2 Evento condicional
Un evento condicional se dispara cuando se da una condición en alguna de las va-

riables de estado del sistema y no mediante su programación en el tiempo.
Ejemplo:
Supongamos que un recurso es liberado de una actividad y queda en estado

“disponible”; como existen entidades en espera por el recurso, recién en ese
instante se genera el evento para tomar dicho recurso disponible. Es decir,
se dio la condición, entonces se generó el evento.
9. RELOJ DE LA SIMULACIÓN4
El reloj de la simulación es una variable utilizada para controlar el tiempo transcurrido

durante la simulación y para interactuar con el calendario de eventos. Es un reloj no
convencional, ya que no controla el tiempo en forma continua, sino más bien oscila
hacia delante, mediante saltos en instantes discretos del tiempo. Apunta el instante en
que se ejecuta el evento durante la simulación, luego salta al tiempo del siguiente
evento. Cada salto implica un cambio en el estado del sistema y una actualización del
calendario de eventos.
4
Basado en KELTON, D.; SADOWSKI, R. y D. STURROCK. Simulation with Arena, 2004.
48
R el oj
Valor
85:04 actual del
tiempo
Tiempo
0
E1 E2 E3 E4 E5 E6
10. VARIABLES DEL SISTEMA5
En el diseño de un nuevo sistema o en la mejora de uno ya existente se requiere lo-

grar un entendimiento de cómo los elementos del sistema se interrelacionan y afectan
unos a otros. Para ayudar a entender estas relaciones estudiaremos tres tipos de va-
riables del sistema:
1. Variables de decisión.
2. Variables de respuesta.
3. Variables de estado.
10.1 Variables de decisión

En un experimento, estas representan la variable independiente. Es posible alterar los
valores de las variables independientes, cada vez que esto sucede se afecta el com-
portamiento del sistema. La persona que realiza el experimento controla y cambia los
valores de las variables de decisión, bajo algún criterio técnico.
Ejemplos:
• Asignar a un determinado número de operarios a la línea de producción.
• Agregar un turno adicional de trabajo.
10.2 Variables de respuesta

También llamadas variables de performance, pues miden el desempeño del sistema en
respuesta a alguna variable de decisión.
Ejemplos:
• El tiempo promedio que una entidad permanece en cola.
• El número de entidades procesadas en un período dado.
• La utilización promedio de un recurso, etcétera.
5
Basado en HARRELL, CH.; GHOSH, B. K. y R. BOWDEN. Op. cit.
49
En un experimento, la variable de respuesta representa la variable dependiente; es

decir, estas no pueden ser alteradas. El objetivo en el planeamiento de sistemas es
encontrar la configuración o los valores idóneos de las variables de decisión que den
los valores deseados de respuesta.
10.3 Variables de estado

Las variables de estado contienen valores individuales, pero en forma conjunta descri-
ben el estatus del sistema en cualquier instante del tiempo.
Ejemplos:
• El número actual de entidades en cola, el número actual de recursos que están
siendo utilizados o que están disponibles.
• El número promedio actual de entidades en el sistema.
• El estado actual de una máquina (ocupada, inactiva o malograda).
Las variables de estado a menudo tienen un efecto en la toma de decisiones cuando

los eventos ocurren; por ejemplo, la disminución del número de entidades en una cola
puede generar el cambio de cola de una entidad. Un cambio en una variable de estado
del sistema, también puede causar la ocurrencia de otros eventos, por ejemplo, cuan-
do el nivel del inventario cae por debajo de lo establecido, se lanza la orden de pedido
al proveedor. Las decisiones que se toman también afectan las variables de estado,
pues generan un cambio de valor en estas, por lo tanto, afectan el desempeño global
del sistema.
En la simulación por eventos discretos se generan cambios discretos en las variables

de estado. En la simulación continua se generan cambios continuos en las variables de
estado, que cambian permanentemente en el tiempo.
11. ELEMENTOS ABSTRACTOS DEL SISTEMA
Un modelo de simulación es una abstracción del sistema real. Para construir un mo-
delo es necesario visualizar cómo el sistema real puede ser traducido en un modelo
virtual, utilizando los elementos abstractos y las herramientas que provee el software.
En este capítulo veremos conceptos fundamentales de elementos como entidades,
recursos, atributos de entidad y variables globales.
11.1 Entidades
Las entidades representan los elementos que ingresan al sistema para recibir un servi-
cio o para ser procesadas; representan las entradas y salidas del sistema. Por ejem-
plo: productos, clientes, documentos, etcétera.
50
Las entidades, al desplazarse por el sistema, van cambiando de estatus, afectan y son
afectadas por otras entidades, afectan el estado del sistema y, por lo tanto, afectan
también el reporte final de los indicadores de desempeño.
En muchos sistemas de manufactura y servicio las entidades son elementos discretos;

por ejemplo: los clientes. A estos sistemas en los que circulan este tipo de entidades
se les llama sistemas discretos. Sin embargo, existen otros sistemas, en los cuales lo
que se desplaza por el sistema es un flujo continuo de alguna sustancia o líquido, que
será procesada en lugar de entidades discretas; estos son los llamados sistemas
continuos. También existen los sistemas combinados, en los que concurren ambos ti-
pos de sistemas: discretos y no discretos (o continuos).
En el modelo virtual de simulación, una entidad puede dividirse o “clonarse” y formar

otras entidades. También pueden juntarse dos o más entidades y formar una sola en-
tidad; o concurrir entidades de diferente tipo, por ejemplo, una línea de cajas y otra lí-
nea de botellas.
En la gráfica se observa a los clientes (entidades) que demandan un servicio.

También se observa los recursos disponibles para la atención de los clientes.
11.2 Recursos
Los recursos son los elementos que soportan, directa o indirectamente, el procesa-
miento de las entidades en el sistema. Existe siempre un interés por conocer cómo son
utilizados los recursos o cómo se afecta el flujo de entidades, reflejado en tiempos de
espera por la disponibilidad del recurso. Cómo mejorar la utilización de los recursos sin
incurrir en extensos tiempos de espera, o cómo reducir tiempos de espera sin adi-
cionar más recursos son aspectos que se deben analizar y experimentar en el modelo,
desarrollando ciertas estrategias.
51
Cuando la demanda
por el recurso (cajero)
es mayor que la can-
tidad de recursos dis-
ponibles, entonces se
forma una cola de es-
pera.
En la gráfica se observa
al cajero (recurso), que
brinda un servicio al
cliente (entidad).
11.3 Atributos
Los atributos son variables asociadas exclusivamente a las entidades, almacenan valo-
res o información acerca de cada entidad. Para individualizar entidades es necesario
vincularle atributos. Las entidades poseen atributos que contienen información carac-
terística para cada entidad; es decir, las entidades poseen características que son co-
munes pero contienen información específica para cada entidad, que las diferencian
unas de otras. Ejemplo: peso, edad, tamaño, hora de arribo, prioridad, tipo, etcétera.
Hora de
arribo
La variable TNOW, de Arena, pro-

porciona el tiempo transcurrido de la
simulación y se registra en un atri-
buto, que la entidad llevará consigo
durante su recorrido.
52
Después de unos minutos,

observamos que creció el
tamaño de la cola. En to-
das las entidades se grabó,
en su atributo, la hora de
arribo.
Cada entidad almacena en

un atributo algún tipo de
información, propio de di-
cha entidad.
El mismo atributo tendrá diferentes valores para diferentes entidades.

De acuerdo con la lógica del problema, se les podrá asignar valores, o
cambiarlos, conforme convenga y usarlos cuando sea el momento.
53
11.4 Variables globales
Estas variables son utilizadas en el modelo de simulación; representan una parte de la

información que refleja alguna característica del sistema en estudio, independiente-
mente de la cantidad o tipo de entidades. A diferencia de los atributos, las variables no
están asociadas a alguna entidad específica. Sin embargo, son accesibles para
cualquiera de estas; incluso para alterar los valores que estas contienen. Las variables
pueden representar algo que cambia en forma persistente durante la simulación. Las
variables en Arena pueden ser arreglos de una y dos dimensiones, como vectores y
matrices.
54
1
Caso de estudio
Simulación manual por eventos
Objetivos:
o Análisis del comportamiento de un sistema.
o Realización de una simulación manual.
o Identificar los datos de entrada necesarios para realizar el estudio.
o Estimación de los indicadores de desempeño del sistema.
Considere un sistema simple, de una cola y un servidor (véase esquema adjunto). En

este existen tres diferentes elementos: clientes (entidades) que arriban al sistema,
una cola FIFO y un servidor para la atención de los clientes.
Arribos
Salidas
El tiempo entre arribos de clientes a la cola cambia en forma aleatoria. Los clientes
son atendidos individualmente en el servidor. Se asume que los tiempos entre arribos
y la duración del servicio se ajustan a funciones estadísticas de distribución de
probabilidad, cuyos valores se muestran a continuación:
A: 1.2 2.4 3.1 1.7 2.4 1.6 3.7 2.9 3.3 1.6 2.3
S: 3.2 2.7 4.5 3.8 2.2 4.3 3.1 2.4 4.2 3.3 2.9
A = Tiempo entre Arribos (minutos)

S = Tiempo de Servicio (minutos)
Se pide:
1. Realizar una simulación manual tomando en cuenta los datos del problema en
estudio. El final de la simulación se da en el instante en que el quinto cliente sale
del sistema.
2. Estimar los indicadores de desempeño que considere importantes en el estudio del

sistema.
55
Solución
1. En el problema planteado existen dos tipos de eventos que deben tomarse en

cuenta en la simulación: el arribo de un cliente y la salida de un cliente del sistema. A
continuación se muestra la simulación manual de los eventos del sistema:
(1) (2) (3) (4) (5) (6)
TIEMPO HORA
HORA DE TIEMPO DE HORA DE TIEMPO TIEMPO EN
CLTE. ENTRE DE
ARRIBO ATENCIÓN SALIDA EN COLA SISTEMA
ARRIBOS INICIO (2)-(1) (4)-(1)
1 1.2 1.2 1.2 3.2 4.4 0.0 3.2

2 2.4 3.6 4.4* 2.7 7.1 0.8 3.5
3 3.1 6.7 7.1 4.5 11.6 0.4 4.9
4 1.7 8.4 11.6 3.8 15.4 3.2 7.0
5 2.4 10.8 15.4 2.2 17.6 4.6 6.8
6 1.6 12.4 17.6 4.3 21.9 5.2 5.2**
** **
7 3.7 16.1 21.9 3.1 25.0 1.5 1.5
8 2.9 19.0
16.4 ÅSumaÆ 14.2 25.4
*
Valor máximo entre la hora de arribo del cliente 2 y la hora de salida del cliente 1: =Max (3.6, 4.4)
**
Tiempo de Simulación (17.6) menos Hora de Arribo.
La secuencia de eventos según el avance del reloj de la simulación es la siguiente:
La gráfica anterior nos da una idea clara sobre las variaciones de tamaño de cola
durante la simulación. Durante 7.2 minutos (3.6+2.3+1.3) no consecutivos hubo cero
clientes en cola; el tamaño máximo de cola fue de 2 clientes.
56
El siguiente cuadro muestra un análisis, según la secuencia de eventos:
Calendario De Eventos: (7) (8) (9)
INSTANTE EN NUM. CLTS. NUM. CLTS.

TIPO DE DURACIÓN DEL
QUE OCURRIÓ EL EN SISTEMA EN COLA
EVENTO ESTADO
EVENTO (Estado) (Estado)
Evento 1 Arribo 1.20 1 0 2.40

Evento 3 Salida 4.40 1 0 2.30
Evento 10 Salida 15.40 2 1 0.70
Evento 11 Arribo 16.10 3 2 1.50
Evento 12 Salida 17.60
En la gráfica siguiente se aprecia que durante 16.4 minutos consecutivos hubo

siempre en el sistema 1 cliente como mínimo y 3 clientes como máximo. Esto significa
que el servidor estuvo inactivo solo los primeros 1.2 minutos:
Personas en
el Sistema
1.2 3.6 4.4 6.7 7.1 8.4 10.8 11.6 12.4 15.4 16.1 17.6 Tiempo
2. Indicadores de desempeño
2.1 Tiempo promedio en cola
14 . 2
Tiempo = = 2 .4
6
Interpretación: La espera promedio en cola fue de 2.4 minutos.
Nota: El sexto cliente hizo la cola “completa” pero no pudo iniciar su atención
ya que terminó la simulación.
57
2.2 Tiempo promedio en el sistema
25.4
Permanencia = = 5.08
5
Interpretación: La permanencia promedio de clientes en el sistema es de 5.08

minutos. Este ratio considera solo a los 5 clientes que fueron atendidos y
salieron del sistema durante el tiempo de simulación.
2.3 Tamaño promedio de cola

En la siguiente gráfica se observa cómo varía la longitud de la cola, a medida
que transcurre el tiempo de la simulación.
Método 1: [SumaProducto (8) y (9)]/17.6 (Referencia: calendario de eventos)
Método 2: Suma Col.(5)/17.6 = 15.7/17.6 = 0.89 clientes.
Interpretación: La longitud promedio de cola se obtiene del promedio ponderado

de las áreas que se forman en la gráfica. El número promedio de personas que
estuvieron esperando en cola durante la simulación fue de 0.89 (clientes).
Sustento teórico:
Sea
Q(t): una función que indica la cantidad de clientes en cola en el instante t
T(n): Tiempo total de simulación
ti : Cantidad de tiempo con i clientes en cola
Pi: Proporción de tiempo en el que se tiene i clientes en cola
58
ti
pi =
T (n)
∞ ∞
∑ p i = 1 ⇒ ∑ i * p i = q ( n)
i =0 i =0
Longitud promedio de cola:
∧ ∞ ti ∑i * t ∫ Q(t )dt
q(n) = ∑ i* =
i
= 0
i =0 T (n) T (n) T ( n)
t0 = (3.6 - 0) + (6.7 - 4.4) + (8.4 - 7.1) = 7.2

t1 = 0.8 + 0.4 + 2.4 + 0.8 + 0.7 = 5.1
t2 = 0.8 + 3 + 1.5 = 5.3
∧
0(t 0 ) +1(t1 ) + 2(t 2 ) 0(7.2) +1(5.1) + 2(5.3)
q ( n) = = = 0.89
17.6 17.6
2.4 Número promedio de personas en el sistema (Work in Process: WIP)

La cantidad promedio de personas en el sistema se obtiene del promedio
ponderado de las áreas que se forman en la gráfica siguiente:
0 (1 . 2 ) + 1( 6 ) + 2 ( 5 . 1) + 3 ( 5 . 3 ) 32 . 1
Número = = = 1 . 82
17 . 6 17 . 6
Método 1: [SumaProducto (7) y (9)]/17.6 (Referencia: calendario de eventos)
Método 2: Suma Col. (6)/17.6 = 32.1/17.6 = 1.82 clientes.
Interpretación: El número promedio de personas que estuvieron en el sistema

durante el tiempo de simulación fue de 1.82 (clientes).
59
2.5 Utilización del servidor

En la primera gráfica se puede observar que el servidor comienza a trabajar
en forma continua desde que llega el primer cliente hasta que termina la
simulación.
Sea B(t) una función:
Interpretación: El servidor estuvo activo el 93% del tiempo de simulación. Es

decir, la capacidad ociosa fue del 7%.
2.6 Velocidad promedio del servidor
Clts.Atendidos 5
Velocidad = = = 0.28
Tiempode.Simulación 17.6
La atención promedio del servidor fue de 0.28 clientes por minuto.
2.7 Tiempo promedio de atención
16.4
Tiempo = = 3.28 (Referencia: columna 3)
5
El tiempo promedio de atención del servidor fue de 3.28 minutos por cliente.
60
2.8 Tamaño máximo de la cola de espera
MáximoCol.(8) = 2 (Referencia: calendario de eventos)
El número máximo de clientes en espera durante la simulación fue 2.
2.9 Máximo número de clientes en el sistema:
MáximoCol.(7) = 3 (Referencia: calendario de eventos)
El número máximo de clientes en el sistema durante la simulación fue 3.
61
2
Caso de estudio
Expendio de gasolina en estación de servicio 1
Objetivos:
o Simular manualmente sistemas discretos por eventos.
o Identificar entidades, eventos, actividades y recursos del sistema.
o Generación de números aleatorios con el algoritmo congruencial mixto.
o Modelar distribuciones de probabilidad mediante su expresión matemática.
o Generar el calendario de eventos y calcular los indicadores de desempeño.
En una estación de servicio se dispone de un surtidor para el expendio de gasolina de 90, 95 y 97

octanos, y se atiende solo a un auto a la vez. El intervalo de tiempo entre los arribos de los vehículos se
ajusta a una distribución exponencial con una media de 6 minutos, inclusive el primero. Si al llegar un
auto el surtidor se encontrase ocupado, entonces esperará formando cola. A continuación se muestra la
información referente a la venta de gasolina:
Precio de Venta
Gasolina Probabilidad de Venta
(S/. por galón)
90 octanos 0.3 10.9

95 octanos 0.6 13.5
97 octanos 0.1 15.2
La cantidad de galones que se suministra a cada vehículo es una variable aleatoria. Así, la gasolina de
90 octanos se ajusta a una distribución uniforme entre 2 y 15 galones; para la de 95, entre 5 y 10
galones; y para la de 97, entre 8 y 15 galones. La atención de cada auto comprende las siguientes
actividades:
1. Tomar el pedido del conductor, abrir la tapa del tanque y

poner el marcador en cero: 0.5 minutos.
2. Surtir gasolina: 0.3 minutos/galón.
3. Cobrar: uniforme entre 1 y 3 minutos.
Considere los siguientes valores para el uso de las distribuciones de probabilidad:
NÚMEROS ALEATORIOS
ARRIBOS 0.46 0.65 0.19 0.05 0.45 0.28 0.35 0.77 0.65 0.25 0.53 0.14 0.13 0.84 0.22 0.87 0.30 0.42 0.01
TIPO GASOLINA 0.84 0.28 0.38 0.56 0.24 0.88 0.75 0.74 0.43 0.81 0.53 0.62 0.37 0.26 0.46 0.12 0.60 0.24 0.99
GALONES A SURTIR 0.15 0.07 0.17 0.47 0.63 0.36 0.92 0.75 0.55 0.99 0.60 0.92 0.10 0.15 0.28 0.92 0.96 0.17 0.57
COBRO 0.22 0.56 0.67 0.82 0.60 0.77 0.60 0.93 0.54 0.98 0.94 0.63 0.04 0.11 0.95 0.51 0.45 0.77 0.09
Presente una matriz de trabajo en Excel, para simular manualmente el funcionamiento de esta estación
de servicio. Simular hasta que se produzca el evento en el que el cliente número 18 sale del sistema.
Calcule los indicadores: ingresos por venta, tiempo promedio de espera en cola, número promedio de
autos en cola, tiempo promedio de atención, tiempo promedio de permanencia en el grifo de los autos,
número promedio de autos en el grifo, utilización del surtidor y velocidad de atención de la estación de
servicio.
1
Enunciado tomado de Universidad de Lima, Escuela de Ingeniería. “Práctica Integrada 2010-0”.
62
Solución: en EXCEL
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
TIEMPO HORA HORA ALEAT TIPO ALEAT. GALONES Tiempo TIEMPO HORA VALOR TIEMP TIEMP
ALEAT. ALEAT. Recibir
CLTE ENTRE DE DE TIPO DE GAL. A A Surtir para DE DE DE EN EN
ARRIBOS COBRO pedido
ARRIBOS ARRIBO INICIO GAS. GAS. SURTIR SURTIR Cobrar ATENCIÓN SALIDA VENTA COLA SIST.
1 0.46 4.62 4.62 4.62 0.84 Gas.95 0.15 5.74 0.22 0.50 1.72 1.44 3.66 8.28 77.50 0.00 3.66
2 0.65 2.58 7.20 8.28 0.28 Gas 90 0.07 2.85 0.56 0.50 0.86 2.13 3.49 11.76 31.10 1.07 4.56
3 0.19 9.81 17.01 17.01 0.38 Gas.95 0.17 5.87 0.67 0.50 1.76 2.34 4.60 21.61 79.28 0.00 4.60
4 0.05 17.49 34.50 34.50 0.56 Gas.95 0.47 7.37 0.82 0.50 2.21 2.63 5.34 39.84 99.52 0.00 5.34
5 0.45 4.83 39.33 39.84 0.24 Gas.90 0.63 10.15 0.60 0.50 3.04 2.20 5.74 45.58 110.59 0.51 6.25
6 0.28 7.57 46.90 46.90 0.88 Gas.95 0.36 6.80 0.77 0.50 2.04 2.54 5.08 51.98 91.79 0.00 5.08
7 0.35 6.32 53.21 53.21 0.75 Gas.95 0.92 9.60 0.60 0.50 2.88 2.21 5.59 58.80 129.59 0.00 5.59
8 0.77 1.55 54.77 58.80 0.74 Gas.95 0.75 8.77 0.93 0.50 2.63 2.86 5.99 64.79 118.35 4.03 10.03
9 0.65 2.58 57.35 64.79 0.43 Gas.95 0.55 7.75 0.54 0.50 2.33 2.09 4.91 69.71 104.69 7.44 12.36
10 0.25 8.35 65.69 69.71 0.81 Gas.95 0.99 9.95 0.98 0.50 2.98 2.97 6.45 76.16 134.30 4.01 10.47
11 0.53 3.86 69.56 76.16 0.53 Gas.95 0.60 8.00 0.94 0.50 2.40 2.87 5.77 81.93 108.04 6.60 12.38
12 0.14 11.76 81.31 81.93 0.62 Gas.95 0.92 9.58 0.63 0.50 2.87 2.26 5.64 87.57 129.28 0.62 6.26
13 0.13 12.11 93.42 93.42 0.37 Gas.95 0.10 5.49 0.04 0.50 1.65 1.08 3.23 96.65 74.07 0.00 3.23
14 0.84 1.05 94.47 96.65 0.26 Gas.90 0.15 3.89 0.11 0.50 1.17 1.21 2.88 99.53 42.44 2.17 5.06
15 0.22 9.16 103.63 103.63 0.46 Gas.95 0.28 6.38 0.95 0.50 1.91 2.90 5.32 108.95 86.17 0.00 5.32
16 0.87 0.85 104.48 108.95 0.12 Gas.90 0.92 13.97 0.51 0.50 4.19 2.01 6.70 115.66 152.30 4.47 11.17
17 0.30 7.29 111.78 115.66 0.60 Gas.95 0.96 9.80 0.45 0.50 2.94 1.90 5.34 120.99 132.36 3.88 9.22
18 0.42 5.22 117.0 120.99 0.24 Gas.90 0.17 4.17 0.77 0.50 1.25 2.55 4.30 125.29 45.42 3.99 8.29
19 0.01 27.63 144.6
(12) (13) (14)

HORA EN
NUM. NUM. AUTOS DURACIÓN INDICADORES DE DESEMPEÑO:
TIPO DE QUE
EVENTO AUTOS EN COLA DEL
EVENTO OCURRIÓ EL
EN SISTEMA (Estado) ESTADO
EVENTO A. INGRESO POR VENTA: 1746.8 soles. Suma Col. (9)
C Evento 2 Arribo 7.20 2 1 1.07 B. TIEMPO PROM. ESPERA EN COLA: 2.16 minutos. Prom. Col. (10)
A Evento 3 Salida 8.28 1 0 3.49
C. NUM. PROM. AUTOS EN COLA: 0.3098 autos.
L Evento 5 Arribo 17.01 1 0 4.60 Método 1:
E Evento 6 Salida 21.61 0 0 12.88 Suma Col. (10)/125.29
Evento 7 Arribo 34.50 1 0 4.83 Método 2:
N Evento 8 Arribo 39.33 2 1 0.51 [SumaProducto Cols. (13) y (14)]/125.29
D Evento 9 Salida 39.84 1 0 5.74
Evento 10 Salida 45.58 0 0 1.31 D. TIEMPO PROM. PARA SURTIR: 2.27 minutos. Promedio Col. (6)
A Evento 11 Arribo 46.90 1 0 5.08
R Evento 12 Salida 51.98 0 0 1.23 E. TIEMPO PROM. ATENCIÓN: 5.00 minutos. Promedio Col. (7)
Evento 13 Arribo 53.21 1 0 1.55
I F. TIEMPO PROM. EN EL SISTEMA: 7.16 minutos. Promedio Col. (11)
Evento 14 Arribo 54.77 2 1 2.58
O Evento 15 Arribo 57.35 3 2 1.45 G. NUM. PROM. AUTOS EN SISTEMA: 1.02845 autos.
Evento 16 Salida 58.80 2 1 5.99
Evento 17 Salida 64.79 1 0 0.90 Método 1:
D Evento 18 Arribo 65.69 2 1 3.86 Suma Col. (11)/125.29
E Evento 19 Arribo 69.56 3 2 0.15 Método 2:
Evento 20 Salida 69.71 2 1 6.45 [SumaProducto Cols.(12) y (14)]/125.29
Evento 21 Salida 76.16 1 0 5.15
E Evento 22 Arribo 81.31 2 1 0.62 H. UTILIZACIÓN DEL SURTIDOR: 32.6%. Suma Col. (6)/125.29
Evento 23 Salida 81.93 1 0 5.64
V I. VELOCIDAD DE ATENCIÓN: 0.14 clientes/minuto.
Evento 24 Salida 87.57 0 0 5.85
E Evento 25 Arribo 93.42 1 0 1.05 Clientes atendidos/Tiempo de simulación
N Evento 26 Arribo 94.47 2 1 2.17
Evento 27 Salida 96.65 1 0 2.88 J. CONSUMO PROMEDIO: 7.56 galones/auto.
T Evento 28 Salida 99.53 0 0 4.10 Promedio Col. (5)
O Evento 29 Arribo 103.63 1 0 0.85
Evento 30 Arribo 104.48 2 1 4.47 K. VENTA PROMEDIO: 97.04 soles/auto
S Evento 31 Salida 108.95 1 0 2.82 Promedio Col. (9)
Evento 32 Arribo 111.78 2 1 3.88
Evento 33 Salida 115.66 1 0 1.34 L. TAMAÑO MÁXIMO DE COLA:
Evento 34 Arribo 117.00 2 1 3.99 Max. Col.(13) = 2 autos
Evento 35 Salida 120.99 1 0 4.30
Evento 36 Salida 125.29
63
3
Caso de estudio
Módulos de atención organizados en secuencia

Objetivos:
o Generar el calendario de eventos y calcular los indicadores de desempeño.
Se requiere modelar un sistema de atención a clientes que arriban a una embajada para realizar
trámites documentarios. La llegada de los clientes se ajusta a una distribución de probabilidad
Exponencial con una media entre llegadas de 15 minutos, por lo general llegan a la embajada
muchos clientes pero existen directivas de dejar pasar y atender solamente a los primeros 20.
Considere que el primer cliente llega al inicio de la simulación.
Existen dos módulos de atención organizados secuencialmente, en cada uno hay un funcionario
encargado: cada cliente debe pasar por ambos módulos para concluir su gestión. El tiempo de
atención en el módulo 1 se ajusta a una distribución normal con una media 10 minutos y una
desviación estándar de 1 minuto. Todo cliente que termina de ser atendido en el primer módulo
debe pasar a la cola del segundo módulo, cuyo tiempo de atención es una distribución normal con
un media 12 y una desviación de 2 minutos. Cuando el cliente termina de ser atendido en el
módulo 2, éste finaliza su gestión y se retira de la embajada.
El horario de atención comienza a las 8 am. Desarrolle la simulación manual con Excel hasta la
salida de la embajada del último cliente. Generar los números aleatorios con al algoritmo
congruencial mixto:
Xi = (a*Xi-1 + c) mod m Ri = Número Random ó Aleatorio

Ri = Xi /m
Las semillas a utilizar deben ser las siguientes:
Donde, m= (231 -1) ó 2147483647 Tiempo entre llegadas: Xo = 2500
a = 15600 Tiempo de atención Estación 1: Xo = 3250
Tiempo de atención Estación 2: Xo = 4600
c=6
1. Identifique a las entidades, actividades, eventos y recursos del sistema en estudio.
2. Crear la matriz de trabajo en Excel y determine los siguientes indicadores de

desempeño:
• Tiempo promedio de espera en las colas de los módulos 1 y 2.

• Tiempo promedio en el sistema.
• Utilización del módulo de atención 2.
• Velocidad de atención en los módulos 1 y 2.
• Número promedio de clientes en cola en los módulos durante la simulación.
• Crear la matriz del calendario de eventos.
• Número máximo de clientes en el sistema durante la simulación.
• Número promedio de clientes en el sistema durante la simulación.
• ¿Cuál es la probabilidad de que un cliente llegue a la embajada y no sea atendido
inmediatamente?
64
65
4
Caso de estudio
Partido de básquet en el coliseo1
Objetivos:
o Modelo conceptual: diagrama de PETRI.
o Calcular los indicadores de desempeño asociados al sistema en estudio.
Para un partido de básquet de exhibición, las entradas se venden en la boletería del coliseo, en
una ventanilla con capacidad para atender a un cliente a vez, por lo que se forma una cola si el
boletero está ocupado. Los clientes llegan a intervalos de tiempo que se ajustan a una
distribución exponencial con media de 3 minutos; considere que el primer cliente llega en el
instante en que se abre la boletería. El tiempo que les toma comprar sus entradas depende de la
cantidad que van a comprar; los clientes pueden comprar entre 2, 3 ó 4 entradas con
probabilidades de 0.2, 0.2 y 0.6, respectivamente. El tiempo que toma comprar a cada cliente sus
entradas se obtiene mediante la siguiente expresión:
Uniforme (0.3, 0.5)*Número de Entradas
Una vez que el cliente compra sus entradas abandona la boletería e ingresa al espectáculo. La
venta de entradas en la boletería se realiza solo durante una hora previa al inicio del espectáculo,
pero una vez que éste empieza, se cierra la boletería y ya no se venderán más entradas, inclusive
a los clientes que en ese momento estuvieran en cola.
1. Presente el esquema del proceso indicando los eventos y entidades. Desde el punto de vista
de la simulación por procesos, indique además, cuáles son las actividades y los recursos del
sistema.
2. Desarrolle la simulación manual con Excel. Considere la información siguiente para la

generación de números aleatorios con el algoritmo CONGRUENCIAL MIXTO:
Xi = (a*Xi-1 + c) mod m
Ri = Xi /m
Donde:
Las semillas a utilizar deben ser las siguientes:
m= (231 -1) ó 2147483647
• Para el tiempo entre llegadas: Xo = 23
a = 75 ó 16807 • Para el número de entradas: Xo = 31
c=0 • Para el tiempo de compra: Xo = 41
Ri = Número aleatorio raíz (o número Random)
3. El tiempo promedio que las personas se toman hasta entrar al espectáculo desde que llegan a
comprar sus entradas.
4. Indique el número de clientes que estando en la cola no llegan a comprar sus entradas en la
boletería porque la función empezó.
2
66
67
5
Caso de estudio
Proceso de transformación de lotes de materia prima3
Objetivos:
Un proceso de producción consiste en la transformación de la estructura de un cierto material.

Los lotes de materia prima llegan a la planta de producción a intervalos de tiempo que se
ajustan a una distribución exponencial con media de 8 minutos, llegando el primer lote al inicio
de la jornada. Cada lote pasa por una primera inspección que determina si se encuentra apto
para ser procesado. Se tiene registros que señalan que un 20% del material no está apto para
el proceso y se descarta, el resto pasa a la operación de transformación, en la que trabaja un
operario que se dedica exclusivamente a esta tarea y tiene un ritmo de trabajo que le permite
atender a un lote en un tiempo uniformemente distribuido entre 5 y 8 minutos.
El producto final que se obtiene puede ser de primera calidad el 60% de las veces y de
segunda el resto de las veces. El producto de primera calidad tiene un peso que varía
uniformemente entre 10 y 25 kilos y se vende a razón de $5 el kilo o fracción, mientras que el
producto final de segunda calidad tiene un peso que varía entre 12 y 18 kilos pero se vende a
$3 el kilo o fracción.
1. Presente el esquema del proceso indicando los eventos y entidades. Desde el punto de vista
sistema.
2. Desarrolle la simulación manual con Excel, para procesar los 10 primeros lotes que llegan a
la planta de producción. Generar los números aleatorios con el algoritmo CONGRUENCIAL
MIXTO:
Xi = (a*Xi-1 + c) mod m Las semillas a utilizar deben ser las siguientes:

Ri = Xi /m • Para el tiempo entre llegadas: Xo = 3217
• Para la primera inspección: Xo = 4253
• Para el tiempo de operación: Xo = 521
Donde: m= (231 -1) ó 2147483647
• Para la calidad del producto: Xo = 1279
a = 75 ó 16807 • Para el peso del producto final: Xo = 607
c=0
Ri = Número aleatorio raíz (ó número Random)
3. Utilizando su hoja de trabajo en Excel, deje indicadas las operaciones para obtener los
siguientes indicadores:
a) El valor total del producto final obtenido.

b) La utilización del trabajador.
3
68
69
6
Caso de estudio
Turismo vivencial por el río Amazonas4

Objetivos:
Una empresa ofrece un paseo por un paraje exótico de la selva peruana, a través de un importante
río de la zona. Los pasajeros van llegando al puerto con distribución exponencial con una media de
5 minutos y antes de iniciar el paseo, sin hacer cola, deben leer las recomendaciones y colocarse
los implementos de seguridad necesarios, lo que toma 6 minutos al 70% de los pasajeros que son
aquellos que ya conocen el lugar y 12 minutos a aquellos que vienen por primera vez. Luego, los
pasajeros se dirigen hacia el muelle de salida, donde esperarán según orden de llegada; cada vez
que se alcance siete pasajeros esperando en el muelle, recién suben a la embarcación e
inmediatamente inician el paseo. Considere que siempre hay un barco disponible para la atención
del servicio y que el tiempo que tardan los pasajeros en abordar la nave es despreciable.
El paseo completo, hasta regresar al muelle de salida, toma un tiempo que varía uniformemente
entre 40 y 70 minutos, luego de lo cual los pasajeros bajan de la embarcación en un tiempo
igualmente despreciable.
1. Presente el esquema del proceso e identifique a los eventos y entidades. Desde el punto de
vista de la simulación por procesos, indique además, cuáles son las actividades y los recursos
del sistema.
2. Desarrolle la simulación manual con Excel, para observar lo que ocurre con los primeros 21
pasajeros en llegar al sistema. Generar los números aleatorios raíz con el algoritmo
CONGRUENCIAL MIXTO:
Xi = (a*Xi-1 + c) mod m Utilizar la semilla: X0 = 98342

Ri = Xi /m
Con esta semilla se deberá generar una única
lista de números aleatorios “Ri” y utilizarlos
Donde:
ordenadamente, de la siguiente manera:
m= (231 -1) ó 2147483647 • para los tiempos entre llegadas,
a = 75 ó 16807 • para leer las recomendaciones de seguridad y
c=0 • para calcular los tiempos de viaje.
Ri = Número aleatorio raíz (número Random)
3. Responder las preguntas siguientes y construir los indicadores de desempeño solicitados:

a) ¿Cuánto duró el experimento de simulación?
b) ¿Cuál es el tiempo promedio de espera de los pasajeros?
c) ¿Cuál es el número promedio de personas en espera?
d) ¿Cuál es el tiempo promedio en el sistema de los pasajeros?
e) ¿Cuál fue el número promedio de personas en el sistema, durante la simulación?
70
4
Enunciado tomado de Universidad de Lima, Escuela de Ingeniería. “Separata común del curso”.
71
7
Caso de estudio
Proceso de acabado en línea de producción5

Objetivos:
Se desea simular el proceso de acabado en una línea de producción. Los productos llegan al proceso de
acabado a intervalos de tiempo que se ajustan a una distribución exponencial con media de 12
minutos, inclusive el primero. La operación de acabado la realiza un operario en un tiempo que varía
con distribución uniforme entre 10 y 20 minutos por producto. Luego, el propio operario determina si
su trabajo es bueno o no, en un tiempo despreciable; históricamente, el 70% de las veces el trabajo de
acabado fue bueno. Los productos con un acabado bueno son enviados a almacén; mientras que los
defectuosos deben ser reprocesados inmediatamente por otro operario. El tiempo que se requiere para
la operación de reproceso varía de la siguiente manera:
40% : Tiempo de Reproceso = 8 minutos + 50% de su tiempo de acabado original
60% : Tiempo de Reproceso = 5 minutos + 50% de su tiempo de acabado original.
Luego de la operación de reproceso, el acabado se considera bueno y el producto se envía al almacén.
1. Presente el esquema del proceso e identifique a los eventos y entidades. Desde el punto de vista
sistema.
2. Desarrolle la simulación manual con Excel, para observar lo que ocurre en el proceso de acabado
de los 30 primeros productos en llegar en la línea de producción. Generar los números aleatorios
raíz con el algoritmo CONGRUENCIAL MIXTO:
Xi = (a*Xi-1 + c) mod m Utilizar la semilla: X0 = 42407
Ri = Xi /m Con esta semilla se deberá generar una única

lista de números aleatorios “Ri” y utilizarlos
Donde: ordenadamente, de la siguiente manera:
m= (231 -1) ó 2147483647 los primeros 30 para los tiempos entre llegadas,
5
a = 7 ó 16807 los siguientes 30 para los tiempos de acabado, y
así sucesivamente.
c=0
Ri = Número aleatorio raíz (número Random)
a) ¿Es posible completar la atención de los 30 productos en 12 horas? Justifique su respuesta

señalando en qué indicador se fundamenta su respuesta.
b) ¿Cuál es el tiempo promedio, que requiere cualquier producto, en el proceso completo de
acabado?
c) ¿Qué cantidad de productos, en promedio, están en espera en cualquier parte del proceso?
d) Determine el número promedio de productos en la línea de producción, durante la simulación
5
72
73
8
Caso de estudio
Estación de servicio para venta de combustible6

Objetivos:
Una pequeña estación de servicio para la venta de combustible dispone de una isla con un único
surtidor. Los arribos de los autos se ajustan a una distribución exponencial con una media de 15
minutos. El número de autos por arribo puede ser de uno ó dos autos, con una probabilidad del
90% y 10% respectivamente. Se estima que el primer arribo se producirá a los 10 minutos de
iniciada la atención.
Existen dos formas de solicitar la compra. El 50% de los autos indica la cantidad de galones que
desea y el resto indica el monto de dinero de su consumo; para los primeros la cantidad de
combustible estará entre 5 y 10 galones con distribución uniforme y para los otros el monto estará
entre 50 y 100 soles con distribución uniforme.
La atención toma un tiempo con distribución uniforme entre 30 y 50 segundos por galón. El precio
por galón es de 13 soles. Se desea simular lo que ocurre con los 30 primeros arribos.
1. Presente el esquema del proceso e identifique a los eventos, entidades, actividades y los
recursos del sistema.
2. Desarrolle la simulación manual con Excel, para observar el funcionamiento de la estación de
servicio hasta los 30 primeros arribos. Generar los números aleatorios raíz con el algoritmo
CONGRUENCIAL MIXTO:
Xi = (a*Xi-1 + c) mod m Utilizar las semillas siguientes:
Ri = Xi /m • Para el tiempo entre llegadas: Xo = 42407

• Para el número de autos por arribo: Xo = 859433
Donde: • Para la forma de compra: Xo = 23209
• Para el consumo de combustible: Xo = 86243
m = (231 -1) ó 2147483647 • Para el tiempo de atención: Xo = 756839
a = 75 ó 16807
c=0
Ri = Número aleatorio raíz (número random)
a) Número total autos atendidos.

b) Tiempo requerido para atender a todos los autos recibidos.
c) Número promedio de autos que estuvieron esperando para recibir atención.
d) De acuerdo con la simulación efectuada, ¿recomendaría usted la implementación de un
surtidor adicional? Justifique su respuesta con dos indicadores adicionales diferentes a los ya
solicitados en las preguntas anteriores.
6
74
75
Final de capítulo
Casos propuestos
Caso 1: Venta, compra y control de inventarios de tablets.

Importaciones Hirakawa es una empresa que se dedica a la comercialización de
tabletas electrónicas. Sus clientes, en su mayoría, son comerciantes que compran el
producto al por mayor; el tiempo entre los arribos de los clientes al establecimiento se
comporta de acuerdo a una distribución EXPO (5) minutos; considerar que el primer
cliente llega al inicio del experimento. La cantidad que compran los clientes se ajusta a
una distribución UNIF (1,5) unidades por persona. Se dispone de un vendedor para la
atención, quien demora entre 5 y 7 minutos uniformemente distribuido, por cada uno.
La empresa emplea un sistema de revisión para realizar un nuevo pedido. Así, al

término de la transacción del cliente, sí la cantidad en stock es menor que el punto de
reorden de 7 unidades, entonces el sistema emitirá automáticamente un pedido al
almacén de un lote de 15 unidades. Suponer que la reposición es inmediata, es decir,
el tiempo desde que se emite la orden de pedido hasta que llega la mercadería es
despreciable. Se dispone de un inventario inicial de 10 unidades.
Desarrolle la simulación manual con Excel, para observar la dinámica de los 16

primeros clientes. Considere la información siguiente para la generación de números
aleatorios con el algoritmo CONGRUENCIAL MIXTO y tómelos en forma ordenada y
secuencial, según sus necesidades:
Semilla: Xo = 23; m= (231 -1) ó 2147483647; a = 75 ó 16807; c=0
1. Determine los siguientes indicadores de desempeño:

• Venta total
• Tiempo promedio en cola
• Utilización promedio del vendedor
• Número promedio de personas en la tienda
2. Genere el calendario de eventos y obtenga los siguientes indicadores:
• Inventario promedio (indicador ponderado por el tiempo).

• Máximo número de personas en la tienda, durante la simulación
Caso 2: Simulación del funcionamiento de un semáforo.

En el cruce de dos avenidas existe un semáforo para controlar el tráfico; se desea
simular la dinámica de los vehículos que van en una sola dirección que llamaremos A.
El semáforo se inicia con luz verde para los vehículos en la dirección A; luego de cinco
minutos cambia a luz roja y permanece así durante cinco minutos, luego el ciclo se
repite en forma alternada. Los tiempos entre arribos de los vehículos en la dirección A
76
se ajusta a una distribución EXPO (3) minutos. Si un vehículo llega al cruce y

encuentra luz verde, entonces pasa, de lo contrario se detiene y espera. Considere
que todos los vehículos en espera, cruzan el semáforo durante la luz verde, nadie se
queda.
Una vez que el vehículo cruza el semáforo se encuentra con que un tramo de la vía
está siendo reparada y por cuestiones de seguridad, el paso de los vehículos debe ser
de uno en uno (FIFO), así, una vez que un auto hizo todo el recorrido del tramo en
mantenimiento, entonces recién puede pasar el siguiente auto. El tiempo de recorrido
de este tramo se ajusta a una distribución UNIF (1,3) minutos.
1. Realice una simulación manual para los eventos que ocurran durante los primeros
30 minutos. Presente una matriz en Excel con la sucesión de eventos.
2. Determine la cantidad máxima de vehículos, que se encuentran en espera frente al
semáforo en un determinado instante, durante la simulación. Determine el tiempo
promedio de espera de los vehículos, durante la luz roja.
3. Presente el calendario de eventos y determine el número promedio de vehículos en
todo el sistema, desde que un auto llega al semáforo hasta que éste termina de
pasar el tramo en reparación.
Caso 3: Proceso de producción con estaciones de trabajo en serie.

A un planta de producción llegan piezas para ser procesadas en una secuencia de dos
operaciones en serie; en cada estación de trabajo labora un operario. Los tiempos
entre arribos y los tiempos de servicio de las piezas se muestran a continuación:
Tiempo entre Arribos 0 2.1 5.7 0.3 1.5 2.8 5 1.4 3.2 2.1

Tiempo de servicio 1 9.1 8.2 8.5 6.1 8.8 9.4 8.2 7.3 6.5 8.3
Tiempo de servicio 2 10.2 7.3 9.8 6.5 7.3 10.6 9.2 7.4 8.2 9.1
Realizar una simulación manual, en base a una sucesión de eventos. Considere que, el
experimento terminará a los 95 minutos.
1. Identifique a las entidades, actividades, eventos y recursos del sistema en estudio.
2. Crear la matriz de trabajo en Excel y determine los siguientes indicadores de

desempeño:
• Tiempo promedio de espera en la cola 1.

• Tiempo promedio en el sistema.
• Utilización de la estación 2.
• Velocidad de atención en las estaciones 1 y 2.
• Crear la matriz del calendario de eventos.
• Número promedio y máximo de piezas en las colas de espera durante la
simulación.
• Número promedio y máximo de piezas en el sistema durante la simulación.
• ¿Cuál es la probabilidad de que una pieza llegue a la planta y sea procesada
inmediatamente?
77
Capítulo 2
Modelado de
sistemas discretos por
procesos - Módulos básicos
• Módulo Create
• Módulo Process
• Módulo Assing
• Módulo Dispose
• Parámetros para ejecutar el modelo
• Módulo Decide
• Módulo Record
• Módulo de datos: Conjunto de recursos
• Módulo de datos Expression
• Módulo Batch
• Módulo Separate
• Módulo Seize
• Módulo Delay
• Módulo Release
• Módulo Store
• Módulo Unstore
• Modelo básico de inventarios
El proceso de modelado se inicia con el estudio y el análisis del
sistema, para ello es necesario desarrollar un modelo concep-
tual de cómo trabaja dicho sistema, que luego será traducido en
el modelo de simulación, con el que se podrá predecir, controlar
y mejorar el desempeño del sistema. Para la construcción del
modelo se explican las herramientas básicas del software Arena
que nos permitirá representar el sistema como un sistema vir-
tual por procesos, cuyas variables discretas cambian de valor
con la ocurrencia de eventos en el sistema.
Capítulo 2
MODELADO DE SISTEMAS DISCRETOS POR
PROCESOS – MÓDULOS BÁSICOS
Para realizar proyectos de simulación es necesario contar con la herramienta de soft-

ware que permita desarrollar el modelo de simulación. La elección de la herramienta
correcta es un factor crítico importante que debe ser evaluada de acuerdo con los re-
querimientos propios del usuario. En términos generales, para la selección del soft-
ware de simulación es importante establecer criterios de calidad como algoritmos fia-
bles y ausencia de errores, capacidad de modelar sistemas de cualquier tamaño y
complejidad, interfase de animación, flexibilidad en el ingreso de los datos para el
modelo, flexibilidad en la generación de reportes, fácil de usar e intuitivo (“amigable”),
soporte técnico y costo total, entre los principales criterios. En nuestro caso utilizare-
mos el software Arena como un vehículo para lograr el modelado de sistemas dis-
cretos y continuos, validar los datos de entrada y ajustarlos a una distribución que los
represente, definir el experimento de simulación y, finalmente, realizar el análisis
estadístico de los resultados.
1. MÓDULO CREATE
Este módulo es usado para generar una o más entidades que ingresarán al modelo del
sistema. En este se especifica el tiempo entre arribos de las entidades, el número de
entidades por arribo y la hora en que debe aparecer la primera entidad que ingresa al
sistema.
Ejemplo: Intervalo entre llegadas de las

piezas:
Exponencial (15) minutos
Las piezas llegan en

lotes de dos
unidades
Se ha programado
Hora estimada del
300 arribos
primer arribo
(600 piezas)
81
2. MÓDULO PROCESS
Este módulo ejecuta la actividad que debe realizar la entidad en el sistema. Cuando
una entidad ingresa al módulo Process, lo esencial es saber el impacto en términos de
consumo de tiempo, utilización del recurso o cualquier otra lógica que impacte el de-
sempeño del sistema. La actividad puede ser solo un retardo o Delay, por ejemplo un
desplazamiento. Pero también puede ser una operación que consuma recursos del sis-
tema, como el servicio de atención al cliente por medio de un empleado.
En la secuencia siguiente se aprecia el proceso que debe realizar la entidad para que
sea procesada o atendida por el recurso o servidor. En primer término, si la demanda
por el recurso excede la capacidad, entonces la entidad forma cola hasta que el recur-
so quede disponible. Cuando esto sucede, la primera entidad en cola toma el recurso;
a esta acción se le denomina Seize; luego, la entidad será atendida durante un tiem-
po, al cual denominaremos Delay. Al final de su atención, la entidad libera el servidor
para que este pueda atender a la siguiente entidad en cola; a esta acción se le
denomina Release.
1 Entidades
(clientes)
2 3
Recurso
(cajero)
Recurso ocupado Recurso disponible Seize

La siguiente entidad en cola
toma el recurso disponible.
4 5
Delay Release
Duración de la actividad. Tiempo Terminada la actividad se libera el recurso,
que tarda el cajero en atender entonces este queda disponible nueva-
al cliente. mente, para ser asignado a la siguiente
entidad.
82
CAPÍTULO 2. MODELADO DE SISTEMAS DISCRETOS POR PROCESOS - MÓDULOS BÁSICOS
Ejemplo 1: Atención en caja

Atencion
• Duración: Dist. uniforme (10, 20) minutos
en
caja
• Recursos : 5 cajeros
• Regla de selección (en cola): FIFO (First Input First Output)
En la ventana superior se aprecian los requeri-

mientos de recursos y la cantidad. Según sea el ca-
so, se puede adicionar una lista de requerimientos
de recursos. Por ejemplo:
En nuestro ejemplo de atención en caja, el módulo Process se vincula con los módulos
de datos Queue y Resource; en el primero definimos la regla bajo la cual se ordenarán
las entidades en cola; por defecto es la regla FIFO, los primeros que llegan serán los
primeros en salir; en el segundo definimos la capacidad del recurso. Veamos ambos
módulos:
FILE
Criterios de ordenamiento o
prioridad en cola de espera
Definir capacidad
del recurso
83
Al ejecutar el modelo de simulación se obtiene una serie de estadísticas en diferentes

aspectos sobre el desempeño del sistema, por ejemplo, información sobre las entida-
des y recursos:
Value Added Time:
Tiempo efectivo o
tiempo promedio en
atención.
Número de entidades
que salieron del sis-
tema:
Wait Time:
Tiempo promedio
de espera en cola.
Tiempo promedio
en sistema
Uso de los recursos:

• 48.29% del tiempo
total estuvo activo.
• Atendió a un total
de 29 clientes.
Ejemplo 2:
Representar la siguiente actividad:
• Proceso: Ingreso y desplazamiento hasta la cola.
• Duración: Distribución uniforme (1.5, 2) minutos
Módulo Process
En este caso, el desplazamiento

de la entidad no consume recur-
sos, pero sí existe un retardo o
Delay.
84
3. MÓDULO ASSIGN
Mediante este módulo se asignan valores a Variables, Atributos, Arreglos, Tipos de En-
tidad y otros.
Ejemplo 1:
Ejemplo 2:
Ejemplo 3:
Ejemplo 4:
En este ejemplo se ilustra el cambio de ritmo o variación en el tiempo entre arribos al
sistema de las entidades. Suponga que al inicio la Media tiene un valor de 20, poste-
riormente una condición hace que se cambie de ritmo, para una Media = 15.
85
Ejemplo 5: Uso del Entity Type

A los productos que no pasaron el control de calidad se le asigna el estatus de “defec-
tuoso”.
Ejemplo 6: Uso de Arreglos
NUM
1 2 9 10
Ejemplo 7: Asignar valores leídos del módulo Expression

Lectura y asignación de costos y porcentajes de utilidades: Costo
Item
T
I
P
O
Utilidad
Item
El orden de los atributos en el módulo Assign es im-

portante, ya que la secuencia comienza leyendo el costo de T
la entidad y luego se determina su precio, incrementando un I
P
porcentaje de ganancia al costo. Tipo e item son dos
O
atributos ya definidos.
86
Operadores
Operadores matemáticos Referencia Prioridad

** Potencia 1
/ División 2
* Multiplicación 2
- Resta 3
+ Suma 3
Operadores relacionales
.EQ. , == Igualdad 4
.NE. , <> Diferente 4
.LT. , < Menor que 4
.GT. , > Mayor que 4
.LE. , <= Menor o igual que 4
.GE. , >= Mayor o igual que 4
Operadores lógicos
.AND., && Conjunción 5
.OR. , || Inclusive disjunction (or) 5
4. MÓDULO DISPOSE
De la misma manera que el módulo Create representa el ingreso de las entidades al

sistema, el módulo Dispose representa la salida, es decir, el primer módulo las crea y
el segundo las elimina. Hay una variable que va contabilizando el número de entidades
que pasan por el módulo dispose, para nuestro ejemplo de abajo, dicha variable toma
el nombre de Salida.NumberOut. Luego se puede hacer referencia a ella en alguna
expresión o en una condición.
87
5. PARÁMETROS PARA EJECUTAR EL MODELO
Para realizar el experimento de simulación debemos configurar la ejecución del mode-

lo; por ejemplo, definir el número de réplicas por ejecutar, el período de
calentamiento por considerar, la duración de la simulación, el número de horas por día
que se está considerando, la inclusión de alguna condición de finalización durante la
ejecución, entre otros.
5.1 Duración de la simulación
El tema de la longitud o extensión que tendrá la simulación es un aspecto importante

que se debe definir cuando se realiza el diseño del experimento de simulación. Esta
materia se abordará con detalle en el capítulo “Análisis de la información de salida del
modelo”. Sin embargo, podemos adelantar que la duración de la simulación dependerá
de si esta es de estado estable o de estado transitorio.
5.1.1 Estado transitorio

La simulación es de estado transitorio cuando el sistema empieza vacío y después de
un tiempo de funcionamiento el sistema queda vacío, entonces la simulación termina
por ausencia de eventos. Esta condición puede programarse de tal manera que se in-
cluya en el modelo y controle e impida el ingreso de más entidades a una determinada
hora. Cuando esto sucede, las entidades en proceso que todavía están en el sistema,
irán saliendo una a una, hasta que el sistema queda vacío, entonces la simulación ter-
88
mina. Finaliza porque ya no se generan más eventos, pues ya no hay entidades dentro
del sistema. El sistema terminó como empezó, es decir vacío.
Un ejemplo de esta situación puede ser restringir el ingreso de entidades a un máximo

de 50 (Max Arrivals) en el módulo Create. En esta situación no se sabe con exactitud
en qué instante terminará la simulación, sin embargo ésta finalizará cuando salga del
sistema la última entidad.
5.1.2 Estado estable

La simulación es de estado estable cuando su funcionamiento no tiene término, o tien-
de a ser infinito. Imagínese el funcionamiento del Aeropuerto Internacional Jorge Chá-
vez, o el funcionamiento de una estación de bomberos, o el funcionamiento de la co-
misaría de un distrito, o las diferentes estaciones climáticas que tenemos todos los
años, o el funcionamiento del tanque de agua de un edificio; en estos casos, el funcio-
namiento se realiza durante las 24 horas del día, los 7 días de la semana, los 12 me-
ses del año y siguen funcionando.
En este contexto, la simulación se ejecuta por un período predeterminado, asegurán-

donos de que sea suficiente para lograr los objetivos del estudio. Por lo general, se al-
canza un estado estable, después de un período de calentamiento o Warm-up que
parte de las condiciones iniciales. Es importante definir este período en el experimento
de simulación, para recortar y no considerar las estadísticas que se generan en dicho
periodo, por no ser representativas.
5.2 Configuración del experimento de simulación en Arena
Número de ejecu-
ciones al modelo
(réplicas). Cada Si se activa, enton-
réplica es una ces el sistema se ini-
muestra. Setup… cia vacío, sin entida-
des y con recursos
inactivos.
Fecha y hora
de inicio de la
simulación. Si se activa, entonces
borra estadísticas al
final de cada réplica o
ejecución al modelo.
Tiempo o período de
calentamiento, hasta
que el sistema logra
estabilidad. No se re-
colecta estadísticas en Unidad de tiempo
este. base, que se está
considerando,
para el modelo.
Condición para
Duración de la
que finalice la si-
simulación.
mulación.
89
Reportes
Create Assign
Process Process
Record Dispose
Tiempo en
proceso
Tiempo que no
estuvo en
proceso
Tiempo en
espera
Tiempo en
traslados
Tiempo en
otras tareas
Total
Utilización: 49.61%
Capacidad ociosa: 50.39%
Work in Process
Utilización: 58.47%
Capacidad ociosa: 41.53%
90
1
Caso de estudio
Tramitación en embajada
Objetivos:
o Construcción de modelos de simulación utilizando el software Arena.
o Estado transitorio de la simulación.
o Módulos: Create, Assign, Process, Record y Dispose.
o Atributos y variables globales.
o Interpretación del reporte de resultados.
Se requiere modelar un sistema de atención a clientes que arriban a una Embajada

para realizar trámites documentarios. Véase la gráfica siguiente:
La llegada de los clientes se ajusta a una distribución de probabilidad exponencial con

una media de 15 minutos entre llegadas; por lo general llegan a la Embajada muchos
clientes, pero hay directivas de dejar pasar y atender solamente a los primeros 50.
Existen dos estaciones de trabajo organizadas en serie. Cada cliente debe pasar por
ambas estaciones para concluir su gestión. El tiempo de atención en la Estación 1 se
ajusta a una distribución Normal con una media de 10 minutos y una desviación
estándar de 1 minuto. Todo cliente que termina de ser atendido en la primera estación
debe pasar a la cola de la Estación 2, cuyo tiempo de atención es una Normal con
media de 12 y desviación de 2 minutos. El horario de atención comienza a las 8 a.m.;
cuando el cliente termina de ser atendido en la Estación 2, este finaliza su gestión y se
retira de la Embajada. Se pide:
1. Modelar el sistema descrito y simular hasta que se atiendan todos los clientes.
2. Determinar el número promedio de personas en la Embajada: Work in Process.
3. Determinar el tiempo promedio que permanece un cliente en la Embajada.
4. Supónga que el 35% desaprueba el trámite en la Estación 2. Realizar los cambios
en el modelo y determinar cuántos aprobaron y cuántos desaprobaron.
5. Respecto de la pregunta 1, suponga que ya no se podrá atender a 50 clientes, pues
solo se atenderá hasta las 4:00 p.m. Los clientes que salgan después de las 3:00
p.m. lo harán por una puerta auxiliar. ¿Cuántos clientes salen por la puerta
auxiliar?
6. Respecto de la pregunta 1, suponga que se permitirá el ingreso de todos los
clientes que lleguen a la Embajada, pero se atenderá solo a 17 personas. Hacer un
balance InÆOut.
91
Solución
1. Formulación del modelo de simulación:
DISPOSE
M
o
d
e
l
Process o Process
Indicadores de desempeño del sistema:
Work in Process
92
2. Agregaremos la variable Cuenta para que cargue y descargue el número actual de

entidades en el sistema:
Assign Assign
Comentario: El valor promedio de la variable 1.4204 significa el número

promedio de clientes en la Embajada durante la simulación. Se llegó a un
máximo de 5 clientes y en algún momento estuvo vacío.
3. Determinación del tiempo promedio de permanencia en el sistema de las entidades:
Hora de llegada = TNOW
Comentario: Atributo de la Hora actual en el

Se ilustra el uso de un entidad que sistema
atributo de entidad. ingresa
Assign
Tiempo en sistema = Hora entrada – Hora salida
RECORD
Comentario: El tiempo promedio que los clientes permanecen en la embajada es de 28.96

minutos. Este incluye los tiempos en cola y en servicio. La persona que se demoró más per-
maneció 51.3258 minutos.
93
4. Clientes desaprobados:
DECIDE
2 way by Chance
(Probabilidades)
TRUE
Record
FALSE
RECORD
5. Clientes atendidos en 8 horas: 8:00 a.m.– 4:00 p.m.
RUN SETUP Unidad de

Tiempo de tiempo a
simulación simular
Unidad de tiempo (base).

Todos los datos del caso se
convierten a minutos
Comentario:
La finalización de la simulación se producirá cuando hayan transcurrido 8 horas. En el
módulo Create borrar el valor 50 (Max. Arrivals).
94
Record
True Puerta
auxiliar
Record
False Puerta
principal
Comentario: El número de personas que salió por la puerta principal fue

22. Durante la última hora de la jornada solo 5 personas salieron por la
puerta auxiliar.
6. Cambiar Create y colocar Condición de finalización en Run Setup:
Condición de fin
20 2 1 17
Salieron 17 clientes
Ingresaron 20 Estación 1: Estación 2:
clientes duran- Quedaron 2 clientes: Quedó 1 cliente
te la simula- atendiéndose.
1 cliente atendiéndose y
ción.
1 cliente en cola
(ARRIBOS.NumberOut = 20)
95
6. MÓDULO DECIDE
Este módulo se utiliza en los procesos de toma de decisiones en el sistema. Incluye

opciones para tomar decisiones basadas en una o más condiciones o en una o más
probabilidades. Las condiciones pueden basarse en valores de tributos, valores de
variables, tipos de entidad o expresiones.
El módulo Decide posee una entrada y dos salidas. Si la expresión evaluada es

verdadera (True) entonces la entidad sale hacia la derecha; de lo contrario, sale hacia
abajo (False).
Ejemplo 1: El 85% aprueba la inspección.
2Way by
chance
True
False
Ejemplo 2: Evalúa si alcanzó hora límite.
2Way by
condition
True
False
Ejemplo 3: Expresión con operador lógico.
Suponga que en un supermercado se dispo-

ne de una caja temporal, que se activa en
las horas de mayor congestión, definidas
entre las 8 a.m. y las 10 a.m., y después
de las 12 m. Así, la expresión planteada en
el módulo Decide será verdadera si una de
las dos condiciones es verdadera. En algu-
nas situaciones es necesario el uso de ope-
radores lógicos como .AND. (&&) y/o .OR.
(||).
96
Ejemplo 4: Evalúa el tipo de la entidad.
Assign
En el caso de que cada tipo de cliente ingresa por su

propio módulo Create, entonces la asignación es auto-
mática. En nuestro ejemplo nos valemos del módulo
Assign y el efecto será el mismo.
Ejemplo 5: Evalúa tipo de la entidad.
TRUE
FALSE
Modelo
equivalente
2Way by
chance
La función Disc asigna, en forma aleatoria, un valor a un atributo de acuerdo con la

probabilidad especificada. Para el ejemplo, se asigna el valor 1 o 2 al atributo Tipo,
proporcionalmente según un 85% y 15%, respectivamente. Sintaxis:
Disc (Prob1, Tipo1, Prob1+Prob2, Tipo2,……… , Prob. acumulada, TIPOi)
97
Ejemplo 6: Ruteo múltiple probabilístico de entidades.
N Way by
Chance
30
40
ELSE
El 30% restante Æ
Ejemplo 7: Distribución múltiple condicional de entidades.
N Way by Process
Process
Condition
Process
Ejemplo 8: Probabilidad variable.
Para nuestro ejemplo, la

probabilidad de rechazo en
la inspección es variable se-
gún el modelo.
98
Indicador de desempeño: Tiempo promedio en sistema

Una parte muy importante en el experimento de simulación consiste en la medición de in-
dicadores de desempeño del sistema. El software Arena dispone de ciertas herramientas
que ayudan al registro de información y al cálculo de estadísticas, como el módulo básico
Record y el módulo de datos avanzado Statistic. A continuación se muestra una secuencia
en la que analizaremos cómo es el registro de datos y, finalmente, cómo se determina el
tiempo promedio que una entidad permanece en el sistema.
1 2
3 4
7. MÓDULO RECORD
Este módulo se utiliza en la recolección de estadísticas en el reporte de resultados del

modelo simulado. Proporciona diversos tipos de estadísticas, incluyendo el tiempo de
permanencia en el sistema (Tally-Time Interval), el tiempo entre arribos (Tally-Time
Between), Conteo de Entidades (Count) y Estadísticas de Tiempo y Costo (Entity
Statistic: VA Cost, NVA Cost, Wait Cost, Transfer Cost, Total Cost, VA Time, NVA
Time, Wait Time, Transfer Time and Total Time).
Al activar la opción Record Into Set brinda la posibilidad de obtener estadísticas

clasificadas de los miembros de un conjunto, es decir, discriminando por tipo de enti-
dad u otro índice. Entonces, es necesario asignar un nombre al conjunto creado (Set
Name) y escoger el índice deseado (Set Index). Adicionalmente, se debe abrir el
módulo de datos Set (Basic Process) y crear los miembros del conjunto, definido en el
módulo Record.
99
Ejemplo 1: Tiempo promedio en sistema.
ASSIGN RECORD
Ejemplo 2: Tiempo promedio entre la salida de una entidad y otra.
Record
Para nuestro ejemplo,

cada 65.24 minutos sale
una entidad del sistema.
Ejemplo 3: Contador de entidades.
Cada vez que una entidad

pasa por el módulo Record
se incrementa el contador
NUMERO CLTS en 1.
Ejemplo 4: Uso de atributos de Arena

Según el ejemplo de la derecha, el módulo Record
realiza un conteo de aquellas entidades cuyo atributo
Entity. WaitTime es igual a 0, es decir aquellas que
no han tenido tiempos de espera.
100
Ejemplo 5: Estadísticas clasificadas por Tipo de Entidad

CLTE1
CLTE2
Decide Process
Assign Assign Record
Módulos de datos:
Ejemplo 6: Uso de la opción Record/Expression.
Al utilizar la distribución uniforme esta es continua y genera números reales, con

intervalo abierto en el extremo derecho, tal que: 2.0 ≤ X < 5.0, entonces, al
anteponer la función AINT, el efecto que produce es redondear dicho número real al
próximo valor entero. El módulo Record registra los pedidos y al final proporciona el
promedio.
101
2
Caso de estudio
Estaciones de servicio en paralelo1
Objetivos:
1 o Variables de entidad: Atributos y Entity Type. Función discreta Disc.
o Módulos básicos: Decide, Assign, Process y Record.
o Opción Record into Set: Tally (Time Interval, Count).
o Aplicación de Members Set, para discriminar estadísticas, por tipo de entidad.
Una agencia bancaria recibe a los clientes, quienes realizan diversas transacciones en
dos cajeros y una cola común. El tiempo de servicio de cada cajero con un cliente si-
gue una distribución uniforme entre 6 y 12 minutos. Los clientes llegan a la agencia
con un tiempo entre arribos distribuido exponencialmente con una media de 10 minu-
tos, a las horas de mayor congestión. Deseamos simular el comportamiento del siste-
ma para esas horas. Considerar también que el primer cliente llega al minuto 5 del
experimento de simulación.
1. Simular el sistema hasta que 100 clientes hayan sido atendidos. Determinar el
tiempo promedio que los clientes permanecen en la agencia bancaria.
Escenario
Suponga que existen dos tipos de clientes, el 85% de los arribos corresponde a clien-
tes típicos y el 15% restante a clientes importantes (VIP), cuyo tiempo de atención es
una Uniforme entre 4 y 6 minutos y lo realiza un cajero exclusivo. Para los clientes
típicos se mantiene el tiempo de atención de la pregunta 1 y continúan los dos cajeros.
2. Determinar el tiempo promedio en sistema, por tipo de cliente.
3. Suponga que se desactiva el cajero VIP y solo quedan los dos cajeros iniciales. Los
clientes VIP utilizarán también dichos cajeros pero su tiempo de atención se mantiene
(Uniforme (4,6) minutos). Determinar el tiempo en sistema por tipo de cliente.
4. Respecto a la pregunta anterior, ¿cuántos clientes se atendieron de cada tipo?
1
Enunciado tomado de PRITSKER, A. y J. O’REILLY. Simulation with Visual SLAM and AweSim, 1999.
102
Solución
Assign Process
Create Record Dispose
1
2. Crear dos tipos de entidad: Entity Type
Decide
Record
Assign Process
Nota: observe que los tiempos efectivos de

atención en las cajas (sin tiempos de espe-
ra) fueron de 8.88 y 4.86 minutos para los
clientes uno y dos, respectivamente.
103
Sintaxis:
Método alternativo: utilizando
Disc( Prob1, Tipo1, Prob1+Prob2, Tipo2)
el atributo Tipo de Entidad.
Process
3. Eliminar cajero VIP
Assign
Process
104
4. Número de clientes atendidos (clasificados por tipo)
Record
105
3
Caso de estudio
Estaciones de trabajo en serie2

Objetivos:
o Variables de entidad: Atributos.
o Módulos: Decide, Assign, Process y Record.
2 o Record: Tally (Time Interval, Time Between, Count).
o Variable NQ: proporciona el número de entidades en cola.
Al departamento de servicios de una empresa industrial llegan las piezas de un pro-

ducto. Cada pieza debe pasar por cada estación de trabajo; es decir, se deben ejecu-
tar dos operaciones secuenciales (en serie), tal como se muestra en el siguiente es-
quema que describe el proceso:
Las piezas arriban al sistema de acuerdo con una distribución de probabilidad expo-
nencial con una media de 0.4 minutos. Cada estación de trabajo posee un operario
que procesa una pieza a la vez y frecuentemente se forman colas antes de cada esta-
ción. Los tiempos de servicio en cada estación también están exponencialmente distri-
buidos con una media de 0.25 minutos para la primera estación y 0.5 minutos para la
segunda.
Se desea determinar el tiempo de ciclo; es decir, el tiempo promedio para procesar
una pieza (desde que ingresa al sistema hasta que sale). Simular el comportamiento
del sistema durante 300 minutos.
Escenario
Suponga que la cola 1 tiene una capacidad de cuatro piezas. La política de la empresa
es subcontratar todo el servicio solo en el caso de que las piezas no puedan ingresar al
sistema debido a que la cola está al tope de su capacidad.
BALKS
• Determinar el número de piezas que se subcontrata.

• Determinar cada cuánto tiempo en promedio se envía una pieza para subcon-
tratación.
2
Ibídem.
106
Solución
Process Process
Create Assign Record Dispose
Escenario
Alternativa:
NQ (ESTACION 1.QUEUE) < 4
12.0249
21.0000
107
4
Caso de estudio
Línea de producción con estaciones de inspección y ajuste3
Objetivos:
o Variables de Entidad: Atributos y Entity Type.
3
o Módulos Decide, Assign, Process y Record.
o Prioridad en cola, módulo de datos Queue (Highest Attribute Value).
o Estadísticas discriminadas por atributo (Record into Set: Time Interval, Time Be-
tween), módulo de datos Set (Members Set).
Tres tipos de monitores de computadoras son desplazados hacia dos cabinas de Inspección en la etapa
final de su producción; si pasan la prueba, entonces estos salen hacia el Almacén, de lo contrario, pasan a
la Estación de Ajuste.
El tiempo entre arribos al sistema de los monitores está uniformemente distribuido entre 3.5 y 7.5 minu-
tos. El 45% de los arribos corresponde al Tipo A, el 35% al B y el 20% al C. Existen dos inspectores; si
hubiere alguna cabina disponible el monitor ingresa directamente a esta, de lo contrario, es ubicado en
una cola común de espera. El tiempo requerido para inspeccionar un monitor en cualquier cabina y la
probabilidad de que sea rechazado se muestran a continuación:
TIPO DURACIÓN PROBABILIDAD DE RECHAZO

TVA UNIF(6,12) 5%
TVB NORM(8,2) 15%
TVC TRIA(5,7,10) 30%
Los monitores que aprueban la inspección continúan hacia el Almacén Central, los rechazados se envían a
la Estación de Ajuste, donde se forma una cola para que el monitor sea reajustado; esta operación la rea-
liza un solo operario y le toma un tiempo uniformemente distribuido entre 20 y 40 minutos, para cualquier
tipo de monitor. Una vez reajustado, el monitor se envía de regreso a la cola de las Cabinas de Inspec-
ción, con una prioridad mayor para ser atendida. Se pide:
1. Formular un modelo y simular el comportamiento del sistema durante 9.600 minutos.
2. Determinar el tiempo en sistema y cada cuánto tiempo se reajusta un monitor. Discriminar las estadís-
ticas por tipo de monitor.
3. Determinar el tiempo en sistema global (considerando los tres tipos de monitores).
3
Ibídem
108
Solución
Decide
Create N-Way by
Chance
Assign Process
45
35
Decide
Record
TRUE
FALSE
Process
Interpretación del reporte:

• Cada 36.34 minutos un monitor Tipo A es enviado a
reproceso. Cada 30.44 minutos para B y cada 33.12
minutos para C, aproximadamente.
• El tiempo promedio que permanecieron en la planta los
modelos A, B y C, respectivamente, fue de 16.59,
36.32 y 66.32 minutos, aproximadamente.
2. Estadísticas: • El tiempo promedio en planta global fue de 33.18 mi-
nutos, aproximadamente.
MEMBERS
3. Tiempo en sistema global:
109
5
Caso de estudio
Secuencia de operaciones de un proceso4
Objetivos:
4 o Variables de entidad: Atributos, Entity Type.
o Módulos Decide, Assign, Process y Record.
o Estadísticas discriminadas por atributo (Record Into Set: Time Interval, Count),
módulo de datos Set (Members Set).
En una planta de producción se realizan 4 operaciones distintas, cada una en un área

exclusiva. Al sistema llegan tres tipos de partes: Parte A, Parte B y Parte C, las cuales
seguirán una secuencia preestablecida de operaciones; los tiempos entre llegadas de
las partes corresponde a una distribución de probabilidad exponencial con una media
de 13 minutos. En el siguiente esquema se muestra la secuencia de operaciones que
sigue cada una de las partes:
En la tabla siguiente se muestran los tiempos de actividad en cada una de las áreas,
que corresponden a una distribución de probabilidad triangular:
Tiempos de actividad (minutos)

Área 1 Área 2 Área 3 Área 4
Parte A 4,6,8 6 , 9 , 12 12 , 15 , 20 10 , 14 , 19
Parte B 9 , 13 , 18 3 , 7 10 20 , 25 , 28 12 , 18 , 22
Parte C 5 , 10 , 14 6 , 8 , 12 14 , 19 , 25
Existen dos máquinas disponibles por cada área. Durante los arribos de las partes, la
probabilidad de que sea la Parte A es 25%; la Parte B, 45% y la Parte C, 30%. Se pi-
de:
1. Formular un modelo de simulación adecuado a la situación descrita y simularlo du-

rante 6 días (24 horas/día).
2. Obtener las estadísticas sobre tiempo en sistema por tipo de parte y general, así
también como número de unidades procesadas por cada tipo de parte.
4
Ibídem.
110
Solución
1.
A
B
C
A
A
B
B
C
C
A A
B
C B
2. Estadísticas:
111
6
Caso de estudio
Evaluación de créditos hipotecarios5

Objetivos:
o Variables de entidad: Atributos, Entity Type.
5
o Módulos Decide, Assign, Process y Record. Asignación de prioridad en cola.
o Análisis de los costos de los recursos, asignados a la entidad (V. A. Cost) y asig-
nados a la capacidad ociosa de estos.
Las solicitudes para obtener créditos hipotecarios llegan al área de evaluación de un banco, donde
un analista las evalúa y emite el informe respectivo. De acuerdo con datos históricos, solo el 88%
de las solicitudes son aprobadas, pues cumplen con todos los requisitos.
Las solicitudes llegan al Área de Evaluación según una EXPO(2) horas. La duración para evaluar
cada solicitud es una TRIA(1, 1.75, 3) horas. Se estima un costo de $12/hora para el analista, este
se contabiliza solo para el tiempo de actividad. Simular el funcionamiento del sistema durante 20
días y determinar lo siguiente:
1. Tiempo promedio que permanece una solicitud en el Banco.
2. Intervalo entre rechazos de solicitudes.
3. Máximo tiempo que una solicitud permanece en espera por la evaluación.
4. Máximo número de solicitudes esperando ser revisadas.
5. Utilización promedio del analista.
6. Costo promedio de evaluación por solicitud.
Escenario 1
Se desea adicionar un proceso previo de selección de las solicitudes antes de que sean evaluadas;
se estima una duración que se ajusta a una TRIA (15, 20, 45) minutos. Por falta de algunos datos
en las solicitudes, el 8% son rechazadas y el 92% son enviadas a la evaluación. Este proceso redu-
cirá en un 10% el tiempo para su posterior evaluación y elevará el porcentaje de solicitudes apro-
badas de 88% a 94%. Este nuevo proceso será atendido por una recepcionista cuyo pago es de
$6.75/hora. Considerar que tanto el analista como la recepcionista ejecutan también otras labores,
cuando están desocupados. Evaluar el costo asociado a los tiempos de inactividad (capacidad ocio-
sa). Obtenga los mismos indicadores pedidos para el escenario original.
Escenario 2
Respecto al escenario original, suponga que las solicitudes se clasifican en tres tipos. El monto soli-
citado y el tiempo para su evaluación son los siguientes:
Tipo de solicitud Probabilidad de arribo Monto ($) Tiempo (horas)

1 40% 50000 TRIA(0.5,1,1.5)
2 50% 35000 TRIA(0.3,0.45,1)
3 10% 70000 UNIF(1,3)
Simular para 20 días, 10 horas por día. La unidad base debe ser la hora. Se pide:
• Presupuesto del que se debe disponer para otorgar los créditos hipotecarios.
• Tiempo promedio en aceptar una solicitud; discriminar por tipo.
Escenario 3
Respecto al Escenario 2, suponga que las solicitudes que se rechazan se corrigen inmediatamente y
regresan a la cola para una nueva evaluación, pero con mayor prioridad. ¿Cuántos desaprobaron en
total y cuántos desaprobaron más de una vez?
5
Enunciado tomado de KELTON, W. D.; SADIWSJU, R. P. y D. T. Sturrock. Simulation with Arena, 2004.
112
Solución
Escenario 1
113
Indicadores:
• Tiempo en sistema 5.4496 horas
• Intervalo entre salidas 29.205 horas
• Máximo tiempo de espera 14.355 horas (Evaluación)
1.0940 horas ( Selección) Busy Cost Iddle Cost Total
• Máximo tamaño de cola 9 solic. (Evaluación) Analista 4505.35 1238.43 5743.78
3 solic. (Selección) Recepcionista 737.62 2502.38 3240.00
• Utilización del analista 78.50%
• Utilización del recepcionista 22.77% Total 5242.97 3740.81 8983.78
Costos por Costos por estado

utilizar los desocupado del
recursos. recurso.
(Se carga a (Capacidad ociosa)
la entidad)
Escenario 2
114
Escenario 3
88%
12%
Prioridad en cola:
115
7
Caso de estudio
De compras6
Objetivos:
o Módulo avanzado Delay.
6
o Determinación del indicador Work In Process (WIP).
o Función discreta DISC.
Una tienda tiene dos puertas de acceso para el ingreso y salida de los clientes; dentro
de la tienda hay tres secciones, una para cada tipo de mercadería; cada sección cuen-
ta con una caja de pago.
Los clientes que ingresan a la tienda de ventas por la Puerta 1 lo hacen de acuerdo
con una Expo(3) minutos y los que lo hacen por la Puerta 2 en intervalos de tiempo
según una Expo(3.5) minutos. El número de secciones que visita cada cliente y el nú-
mero de prendas que compra se muestran a continuación:
Número secciones a visitar Probabilidad Número de prendas Probabilidad

1 25% 1 40%
2 45% 2 30%
3 30% 3 30%
Las personas que visitan una sola sección solo visitan la Sección 1. Las que visitan dos
secciones visitan las secciones 1 y 2, en ese orden. Quienes visitan las 3 secciones lo
hacen en el orden 1, 2 y 3. Considerar que el número de prendas que se compra en
una sección se determina en la misma sección.
En cada sección, antes de determinar cuántas prendas comprar, el cliente se pasea
por ella para elegir; este paseo tiene un tiempo de duración distribuido uniformemente
entre 3 y 6 minutos. El tiempo de selección por prenda que se va a comprar corres-
ponde a una UNIF(2,4) minutos (para n prendas el tiempo será n*UNIf(2,4)).
En cada sección hay una caja, pero el cliente paga en la caja de la última sección visi-
tada. El tiempo que demanda pagar es una UNIF(n*0.5, n*1.5) minutos, donde “n” es
el número total de prendas. Después de pagar los clientes abandonan inmediatamente
el local. Se pide:
1. Formular el modelo que simule el funcionamiento de la tienda y ejecutarlo para 11
horas de trabajo continuo.
2. Determinar los valores de los siguientes indicadores:

⎯ Tiempo promedio que un cliente se pasa en la tienda.
⎯ Número de clientes promedio en la tienda.
⎯ Utilización de cada caja.
⎯ Tiempo promedio de espera en cada caja.
Escenario
Considerar que los clientes que visitan una sola sección pueden hacerlo a cualquiera
de las tres, bajo las siguientes probabilidades: el 45% visita la sección 1, el 10% visita
la sección 2 y el resto la sección 3.
Modelar los cambios necesarios y presentar los mismos indicadores del escenario ini-
cial, compararlos y explicar qué problemas podría ocasionar este nuevo comporta-
miento de los clientes.
6
Enunciado tomado de Universidad de Lima, Escuela de Ingeniería. “Práctica integrada 2006-2”.
116
Solución
PROCESS
DELAY
DELAY
2
PROCESS
PROCESS
DELAY
Escenario
Agregar al modelo original

lo que sigue al SETUP:
1 3
Tiempo prom en la tienda 66.158
Num Prom Clts WIP 44.371
Caja uno.Utilization .13018
Caja dos.Utilization .94956
Caja tres.Utilization .95549
Pago Caja 1.Queue.WaitingTime .19205
Pago Caja 2.Queue.WaitingTime 18.276
Pago Caja 3.Queue.WaitingTime 83.364
117
8. MÓDULO DE DATOS: CONJUNTO DE RECURSOS
Las entidades que ingresan a un sistema, por lo general, compiten entre sí para obtener
un recurso (personas, máquinas, equipos, etcétera). Una entidad toma un recurso
cuando está disponible (Seize) y lo libera cuando termina de utilizarlo (Release). De otro
modo, una entidad podría seleccionar un objeto, de un conjunto (Set) de objetos simila-
res; por ejemplo, la selección de una secretaria para un pool; cualquiera de sus miem-
bros puede realizar la función, sin embargo se selecciona a una de ellas bajo alguna
regla o criterio.
En el esquema adjun-
to se observa un Set
de cajas que posee
dos elementos: Caja
1 y Caja 2.
El cliente se dispone
a pagar y se encuen-
tra frente a dos cajas
disponibles, entonces
elige una, bajo algu-
na regla o criterio.
8.1 Criterios de selección de recursos
• Cyclical.- Se selecciona el recurso en forma alternada, es decir, se toma al primer

recurso disponible comenzando desde el sucesor hasta el último seleccionado. Al ter-
minar la lista, el ciclo se repite.
• Random.- La selección del recurso se hace en forma aleatoria, entre los recursos dis-
ponibles en ese momento. Todos los recursos son equiprobables de ser elegidos.
• Preferred Order.- Se selecciona el recurso sobre la base de un orden de preferencia,

establecido al ingresar los miembros del conjunto (módulo de datos Set).
• Specific Member.- Selección de un miembro específico del conjunto. Se debe señalar

el índice del miembro que se va a seleccionar. Este índice se genera según el orden
ingresado de los miembros al conjunto.
• Largest Remaining Capacity.- Se selecciona el recurso que tiene la mayor capacidad

ociosa, tomando como indicador el número de unidades remanentes (disponibles), en
ese momento. Ejemplo: Operarios1 (ocupados: 1/3) versus Operarios2 (ocupados
3/4), se selecciona Operarios1 porque tiene 2 unidades remanentes, respecto a Ope-
rarios2 que tiene 1 unidad remanente.
• Smallest Number Busy. Se selecciona el recurso que se ha sido asignado menos veces,
desde el inicio de la simulación, hasta ese momento. Ejemplo: Máquina1 (30 veces)
versus Máquina2 (28 veces), se selecciona Máquina2 porque ha sido utilizada menos
veces (smalllest number busy).
118
Ejemplo 1
• Proceso: Crear documento, NORM(5, 0.5) minutos.
• Requerimientos: 1 computadora (cualquiera)
• Regla de selección: Se prefiere una laptop.
• Recursos:
Computadoras Unidades disponibles
Laptop 5
Desktop 3
Solución:
Según el orden de los miembros en el conjunto y ante cualquier requerimiento selec-
cionará la laptop (tiene prioridad porque está ubicada en la primera posición en el con-
junto), siempre y cuando esté disponible, de lo contrario seleccionará la desktop. Si no
existieran unidades disponibles, entonces la entidad permanece en cola de espera hasta
que se libere alguna.
Conjunto Miembros
Computadoras = {Laptop, Desktop}
119
Ejemplo 2
• Proceso: Edición de contratos, TRIA(15, 17, 20) minutos.
• Recursos: Se tiene las siguientes secretarias: Kelly, Vicky y Juanita.
• Requerimientos: Se requiere 1 secretaria (cualquiera puede ejercer la función).
• Prioridad: Los trabajos pueden encargarse a cualquiera de ellas, pero la prioridad
es que Vicky sea seleccionada antes que Juanita y Juanita antes que Kelly, siempre
y cuando estén disponibles.
• La secretaria elegida quedará disponible cuando finalice otro proceso posterior de
firmas, recién entonces se liberará.
Solución:
Miembros
Índices
Conjunto
Al ingresar un contrato (entidad) al módulo Process, este solicita un miembro del con-
junto denominado Pool de secretarias. Dado que la secretaria asignada continuará
siendo utilizada, aun después de este proceso, entonces la acción será de tipo: Delay-
Release y se graba el índice del recurso asignado en el atributo NUM, para hacer refe-
rencia a este al momento de liberarlo (Specific Member Æ NUM).
El orden de ingreso de los miembros del conjunto es importante, ya que según ello se
realizará el criterio de selección Preferred Order, es decir Vicky antes que Juanita y
Juanita antes que Kelly. Si el criterio fuera cíclico la selección sería: Vicky-Juanita-
Kelly-Vicky-Juanita-Kelly, etcétera, siempre que estén disponibles.
120
Ejemplo 3
• Proceso: Taladrar
• Duración: Normal(2, 0.3) minutos
• Requerimientos: 1 equipo (cualquiera)
• Regla de selección: Alternada, para evitar sesgo de solicitar siempre los equipos
nuevos.
Núm. de Unid.
Equipo Referencia
disponibles
Equipo 1 3 Nuevos
Equipo 2 7 Medianos
Equipo 3 4 Antiguos
Solución
121
Ejemplo 4
• Proceso: Tarea 1, UNIF(15,20) minutos.
• Requerimientos: 1 operario.
• Recursos: Se dispone de un equipo de 3 operarios (Orden 3Æ 1Æ 2).
• Regla de selección: El ejecutante será el segundo operario del equipo.
Solución
INDICE
Ejemplo 5
• Proceso: Control; Duración: UNIF(15, 20) minutos.

• Recursos:
Ingenieros junior Capacidad

Ingenieros senior Capacidad
Ingeniero junior 1 14
Ingeniero senior 1 18
Ingeniero senior 2 20
• Requerimientos:
2 Ingenieros senior (de cualquier grupo, pero ambos del mismo grupo)
2 Ingenieros junior (de cualquier grupo, pero ambos del mismo grupo)
• Regla de selección: Cíclica.
122
Solución
Ingenieros Senior
Se asignará en forma cíclica a cualquiera de
los 2 miembros del conjunto (Ing Senior 1 o
Ing Senior 2), siempre y cuando se disponga
de la cantidad que se solicita. La asignación
siempre se efectúa a un solo miembro del
conjunto.
Ingenieros Junior
El conjunto Ingenieros Junior tiene 3 miembros (Ing Ju-
nior 1, Ing Junior 2 e Ing Junior 3), se asignará en forma
cíclica a cualquiera de los miembros del conjunto, que
disponga de la cantidad que se solicita. La asignación se
realiza a uno de los miembros del conjunto.
Nota: La regla dentro de cada conjunto es “o”; ejemplo: Ing Junior 1 o Ing Junior 2 o
Ing Junior 3. La regla para asignar la lista de recursos es “y”; ejemplo: dos Ing Senior
y dos Ing Júnior.
Escenario
Respecto al Ejemplo 5, supóngase que se requiere la misma lista (2 Senior y 2 Junior)
para ejecutar la Operación 1, luego de esta se liberan solo los ingenieros Senior. Los
ingenieros Junior continúan y ejecutan la Operación 2, cuya duración es la misma que
la Operación 1. Al terminar la Operación 2 se liberan los ingenieros Junior. Se pide
presentar el modelo que sigue esta secuencia.
123
Solución 1
Process
Process Process Process
Nota: En el instante en que se asignan recursos de cada conjunto (Seize Delay) se gra-
ba en un atributo NUM el índice del recurso asignado. Posteriormente, al mo-
mento de liberar el recurso se hace referencia a Especific member Æ Num.
Solución 2: Utilizando los módulos avanzados Seize, Delay y Release
Seize
Delay Release Process
124
Ejemplo 6
• Proceso: Maquinado.
• Recursos: Se dispone de 2 máquinas: una antigua y otra moderna.
• Tiempo de proceso: Máquina antigua Æ UNIF(30, 50) minutos.

Máquina moderna Æ UNIF(20,30) minutos.
• Regla de selección: Aleatorio.
Solución:
Utilizando los módulos avanzados Seize-Delay-Release tenemos:
Seize
Delay Release
125
8
Caso de estudio
Control de ingreso de pasajeros en el aeropuerto7

Objetivos:
o Conjunto de recursos: Resource Set.
7
o Declaración de un conjunto y sus miembros: módulo de datos Set.
o Reglas de selección del recurso (módulo Process).
o Prioridad en la selección del recurso: High, Medium, Low (módulo Process).
En el counter de una aerolínea en el aeropuerto, se forman dos colas de pasajeros que

esperan por el check in. Una de las colas se destina a los pasajeros de primera clase;
la otra cola es para pasajeros de segunda clase. En el counter se dispone de 6 agentes
para la atención de los pasajeros. La distribución de los agentes es como sigue:
1. El agente 1 y el agente 2 atienden en forma exclusiva a los pasajeros de prime-

ra clase. Al llegar un pasajero al mostrador, y si ambos agentes están disponi-
bles, entonces la prioridad de atención la tiene el agente 2.
2. El agente 3 y el agente 4 atienden en forma exclusiva a los pasajeros de se-

gunda clase. Al llegar un pasajero al mostrador, y si ambos agentes están dis-
ponibles, entonces la prioridad de atención la tiene el agente 3.
3. El agente 5 y el agente 6 son comodines; es decir, atienden ambos tipos de pa-

sajeros, pero solo si no existe disponibilidad de los agentes asignados exclusi-
vamente, quienes tienen la prioridad de atención. Dado el caso, se ha conveni-
do que el agente 5 tenga la prioridad de atención (respecto al agente 6).
Los pasajeros de primera clase arriban con una distribución exponencial con media entre
arribos de 5 minutos. Los pasajeros de segunda clase arriban con una exponencial con
media entre arribos de 2 minutos. El tiempo de atención en el mostrador varía según la
clase del ticket. Los pasajeros de primera clase tienen un tiempo de atención uniforme-
mente distribuido entre 2 y 20 minutos. Los pasajeros de segunda clase tardan una dis-
tribución triangular con una moda de 6 minutos, con valores mínimo y máximo de 3 y
12 minutos. Simular durante 300 minutos.
7
Enunciado tomado de VENEROS MANRIQUE, H. Op. cit.
126
Solución EQUIPO.1 EQUIPO.2
1 5 3
2 6 4
Este módulo se genera en forma automá-

tica al ingresar los miembros de los sets.
Process
Process
127
Escenario
Suponga que la aerolínea decide crear una categoría adicional y exclusiva para clientes
VIP. Se estima que estos llegarán al counter de acuerdo con una distribución exponen-
cial con una media de 9 minutos. Se ha dispuesto que estos clientes sean atendidos en
forma prioritaria solo por el agente 5. Se ha determinado que el tiempo de atención se
ajusta a una distribución de probabilidad uniforme, entre 6 y 10 minutos.
Solución
Entity Type:
Tercera clase
EXPO(9) minutos
128
9
Caso de estudio
Atención a alumnos en asesoría

Objetivos:
o Aplicación de los módulos: Decide, Assign, Process y Record.
o Conjunto de recursos Set Prefered Order.
o Función discreta Disc.
o Módulo de Datos Statistic (Advanced Process).
Alumnos de diversas facultades de nuestra universidad llegan a una sala de asesoría para realizar
consultas sobre los cursos Investigación de Operaciones (IO) y Simulación de Sistemas. Se desea
investigar sobre la cantidad de alumnos que asisten por cada materia y el tiempo promedio que ellos
expenden en sus consultas.
Para realizar este estudio se desea tomar una muestra considerando una mañana de 08:00 a 13:00
horas y dos profesores, uno de cada especialidad. Se sabe que los arribos de los alumnos se produ-
cen de acuerdo a una EXPO(15) minutos. Los horarios de atención se muestran en la siguiente tabla.
A la hora de cierre del horario, el profesor cierra la puerta de su oficina y no recibe a ningún alumno
más, pero atiende a todos los alumnos que llegaron en el horario correcto, para luego retirarse.
Horario de atención de alumnos
08:00 – 10:00 Profesor de IO
11:00 – 13:00 Profesor de Simulación
12:00 – 13:00 Profesor de IO
Se sabe también que el 60% de los alumnos que asisten a las asesorías realizan consultas sobre el
curso IO; el resto lo hace sobre el de Simulación. Si un alumno requiere consultar sobre IO o sobre
Simulación en un horario diferente al programado para el curso, entonces encontrará la puerta del
profesor correspondiente cerrada y optará por retirarse. Considerar que los alumnos que asisten por
consultas de IO emplean un tiempo que se ajusta a una UNIF(10, 12) minutos, mientras que en el
caso de Simulación emplean en promedio una UNIF(13, 15) minutos.
1. Formular un modelo adecuado al sistema descrito y simularlo hasta que se haya retirado el último
alumno que llegó antes de las 13:00 horas.
Nota: Suponga que a las 13:00 horas no se permitirá ingresar a más alumnos, pero los que están
en cola serán atendidos. Entonces la simulación terminará cuando salga el último estudiante.
2. Presentar los siguientes indicadores de desempeño:
● Permanencia promedio de los alumnos atendidos en la asesoría.
● Tiempo promedio de espera para ser atendido y tamaño máximo de las colas.
● Número de alumnos atendidos por cada profesor.
● Número de alumnos que se retiran sin ser atendidos.
• ¿A qué hora termina de ser atendido el último alumno?
Escenario
Adicionar al caso la siguiente condición. Si un alumno requiere consultar sobre IO y solo se encuentra
el profesor de Simulación, entonces podrá hacerle su consulta. En el caso de que se encuentren am-
bos profesores el alumno podrá atenderse con cualquiera de ellos, pero preferirá al profesor de IO.
129
Solución
Process
Process
Estado transitorio
A los 300 minutos (5 horas), el mó-
dulo Create deja de generar entida-
des. Entonces, el final de la simula-
ción se producirá cuando el sistema
quede sin entidades, es decir, cuan-
do quede vacío. Al no haber even-
tos, el fin de la simulación se produ-
ce en forma automática.
Escenario
130
9. MÓDULO DE DATOS “EXPRESSION” (ESTRUCTURA DE DATOS)
Una manera eficiente de representar los datos en el modelo es mediante el módulo

avanzado de datos Expression. Las expresiones o Expression son estructuras de datos
representados mediante arreglos de una y dos dimensiones, que son referenciadas en el
modelo mediante el nombre con el que fueron definidas. El valor de una expresión pue-
de ser obtenido mediante la combinación de números enteros o reales, distribuciones
estadísticas, paréntesis, operadores, atributos y variables.
Ejemplo 1:
Ejemplo 2:
Para el sistema existen 11 cel-

das, pues no contabiliza las que
contienen valor cero o están
vacías.
131
Ejemplo 3:
Ejemplo 4:
Ejemplo 5:
132
Ejemplo 6:
Data dentro del modelo:
Data fuera del modelo:
Nota: Con este enfoque, los datos pueden cam-

biar pero el modelo no se altera.
133
Ejemplo 7:
Data:
MÁQUINAS
P
I
E
Z
A
S
Modelo:
Nota:
• El tiempo de proceso de maquinado de-
pende del tipo de pieza y de la máquina
que realice la operación.
• En el instante en que se asigna la máqui-
na a la entidad se guarda en un atributo
el índice de la máquina asignada.
• Con los atributos Tipo de pieza y número
de máquina asignada el tiempo de proce-
so se representa mediante la expresión:
TIEMPO(TIPO, NUMMAQ).
134
10
Caso de estudio
Atención de clientes en un banco

Objetivos:
o Modelado de conjuntos: Resource Set, reglas de selección y guardar índice del recurso
asignado (Save attribute).
o Módulos avanzados: Seize – Delay - Release.
o Aplicación del módulo de datos avanzado Expression.
Una agencia bancaria recibe a los clientes, quienes realizan diversas transacciones en tres cajeros y
una cola común. Los tiempos de servicio de los cajeros con un cliente siguen una distribución UNIF(6,
12) minutos para el cajero 1, UNIF(4, 10) minutos para el cajero 2 y una UNIF(5, 8) minutos para el
cajero 3. Los clientes llegan a la agencia con un tiempo entre arribos que se ajusta a una EXPO(10)
minutos, a las horas de mayor congestión; deseamos simular el comportamiento del sistema para
esas horas. Considere que el primer cliente llega al minuto 5 del experimento de simulación.
Una vez atendido, el cliente cuenta su dinero, demorando una UNIF(0.5, 1) minutos; recién entonces
podrá entrar otro cliente. Existe un tablero electrónico que informa cuál cajero los atenderá; si más
de un cajero se encuentra disponible, entonces el criterio que se aplicará para asignar al cajero será
cíclico o alternado, es decir que se asignará al siguiente, respecto al último que fue asignado. Supon-
ga que el último que se asignó fue el cajero 1, entonces ahora le toca al cajero 2. Si este estuviera
ocupado, entonces le toca al cajero 3 si es que está disponible; de lo contrario, le vuelve a tocar al
cajero 1. Simular el sistema hasta que 100 clientes hayan sido atendidos y determinar cuántas veces
fue asignado cada cajero y el tiempo promedio que los clientes permanecen en la agencia.
Escenario 1
Suponga que se realizan dos tipos de transacciones, cuyas probabilidades de ocurrencia son 40%
para el tipo 1 y 60% para el tipo 2. Los tiempos de atención dependen del tipo de transacción y del
cajero asignado, véase cuadro:
Caja 1 Caja 2 Caja 3

Transacción 1 UNIF(6, 12) UNIF(4, 10) UNIF(5, 8)
Transacción 2 TRIA(2, 6, 9) NORM(7, 1) EXPO(1)
135
Solución
Módulo Avanzado
Seize
Process
Nota: En el modelo se ha incluido Process

el módulo avanzado Seize para
solicitar cajero. Veamos su for-
mulación utilizando el módulo bá-
sico Process:
136
Solución alternativa: Uso del módulo de datos Expression

(recomendada)
Process
Solución extensa: Módulo avanzado Módulo avanzado
Process Delay Release
Alternativa:
Nota: Observe que el tiempo en el que el cliente cuenta su dinero ya no está integra-
do al módulo Process Transacción, en el cual se liberaba el recurso en forma automáti-
ca (Seize-Delay-Release). Esta nueva situación obliga a que el recurso se libere poste-
riormente, mediante el atributo Num caja.
137
Escenario 1
NUM CAJA
T
I
P
O
Process
Escenario 2
Suponga capacidades de 4, 3 y 2 unidades, para los cajeros 1, 2 y 3, respectivamente.

Comparar los siguientes criterios de selección del tablero electrónico:
• Selección del cajero en forma aleatoria.
• Selección del recurso que tiene mayor capacidad remanente, en ese instante.
• Selección del recurso que haya sido asignado menos veces, desde el inicio.
138
Solución:
Cambiar regla:
Total de Asignaciones: RANDOM LARGEST REM CAP SMALLEST NUMBER BUSY CYCLICAL
CAJERO 1 32 90 62 34
CAJERO 2 31 11 28 34
CAJERO 3 37 0 11 33
Tiempo en Sistema: 8.3723 9.4620 8.8163 8.1683
139
10. REASIGNACIÓN DE LA CAPACIDAD DE UN RECURSO
Durante el experimento de la simulación, la capacidad de los recursos puede ir cam-

biando en forma dinámica. Imagínese por un momento, el funcionamiento de los caje-
ros de un supermercado; en las horas “pico” de mayor afluencia de clientes todas las
cajas están trabajando, atendiendo al público. Sin embargo, durante la jornada de
trabajo existen horas de baja afluencia de clientes, por ejemplo durante las primeras o
las últimas horas de funcionamiento del establecimiento; en estos casos, lo más pro-
bable es que la cantidad original de los cajeros disminuya, es decir la capacidad inicial
de los recursos se altera.
En Arena, la capacidad del recurso está definida por la variable MR, la cual al momen-
to de crear el recurso tiene una capacidad fija de 1, que puede ser alterada en la can-
tidad, o alterarse por una capacidad variable que se manifieste durante la simulación.
Si bien, es posible modelar esta situación haciendo uso de redes secundarias que alte-
ren la capacidad del recurso, también es posible hacerlo de manera directa, progra-
mando las capacidades que tendrán los recursos durante la simulación, esto se logra
con el módulo de datos “Schedule”.
Veamos algunas de las variables de recursos utilizadas en este tema:
• MR(Nombre del Recurso)

Retorna la capacidad actual del recurso. Ejemplo: MR (cajeros)
Esta capacidad puede ser alterada. Los valores que toma esta variable son enteros.
• NR(Nombre del Recurso)

Retorna el número de recursos ocupados. Ejemplo: NR (cajeros)
Nota: Con referencia a este tema véase en este capítulo los casos de estudio: 11, 15, 19-21
Ejemplo 1:
Supongamos que deseamos representar la asistencia de 30 alumnos a una aula

de laboratorio equipada con 34 computadoras. La representación planteada es la si-
guiente:
Capacidad del recurso: MR (computadoras) Æ 34
Número de unidades utilizadas: NR (computadoras) Æ 30
Disponibilidad del recurso: MR (computadoras)-NR (computadoras)Æ 04
140
Ejemplo 2:
Se desea realizar una asignación variable para un operario, de acuerdo al siguiente

programa:
horario Tiempo (minutos) Número de Operarios
9:00 – 1:00 240 2
1:00 – 2:00 60 REFRIGERIO
2:00 – 5:00 180 1
La representación planteada es la siguiente:
Red principal:
Red secundaria:
Delay Delay
Ejemplo 3:
Respecto al ejemplo anterior, suponga que al final de la jornada de trabajo (5 pm), el

operario se podrá retirar sólo si no tiene entidades por atender.
Prioridad
Realizaremos los siguientes cambios: Alta
141
11
Caso de estudio
Programación de operarios según Schedule

Objetivos:
o Secuencia Seize-Delay / Delay-Release.
o Módulo de datos: Schedule.
o Programación de asignación de recursos (reglas Wait, Ignore y Preempt).
o Programación de arribos de entidades.
En una planta se producen dos tipos de piezas que requieren ser procesadas por dos
operaciones comunes y secuenciales, véase esquema:
Arribos
Operación 1
Operación 2
Cola común
Salida
La pieza 1 está programada para que llegue según una distribución exponencial con
una media de 10 minutos; la pieza 2 llega según un tiempo entre arribos igual a una
exponencial con una media de 8 minutos. Para realizar ambas operaciones se dispone
de una máquina y de un operario. La operación 1 requiere de ambos recursos y la
operación 2 solo del operario.
Al llegar las piezas de ambos tipos forman una cola común. El tiempo de servicio de
esta operación para la pieza 1 sigue una distribución exponencial con una media de 7
minutos. Para la pieza 2 es una exponencial con una media de 10 minutos.
Al terminar la operación 1 el mismo operario lleva la pieza a una mesa de trabajo y
realiza la operación 2. La duración de esta actividad para la pieza 1 es una distribución
Normal(6,1) minutos, mientras que para la pieza 2 es una Normal(4,1) minutos por
pieza. Al terminar la operación 2, el operario regresa a la máquina, para procesar la
siguiente pieza (operación 1). Se pide:
Formular un modelo para simular el sistema descrito durante un día de trabajo (jorna-
da de 8 horas o 480 minutos).
Escenario 1
Suponga que se desea cambiar la asignación fija de un operario para toda la jornada
por una asignación variable, de acuerdo al siguiente programa:
Tiempo (minutos) Número de operarios

9:00 – 1:00 240 2
1:00 – 2:00 60 Refrigerio
2:00 – 5:00 180 1
Escenario 2
Respecto al escenario original, programar la llegada de la pieza 1 según lo siguiente:
hasta los primeros 300 minutos, los arribos se realizan de acuerdo a una EXPO(10) mi-
nutos; luego, el tiempo entre arribos cambia a EXPO(5) minutos y dicho ritmo perma-
nece hasta el final.
142
Solución
1.
Escenario 1: Programación de operarios
Botón
Derecho
Schedule
Interpretación del reporte:

Regla Wait Una mejora en el tiempo en sistema es expli-
cable, pues medio día se trabaja con un opera-
Si al momento de la variación del re-
rio más. Ahora, la máquina es el cuello de bo-
curso este está ocupado, entonces el
tella, porque ahora es compartida. Si a esto le
nuevo programa de asignación espera sumamos que no se trabaja una hora por refri-
hasta que termine el programa actual. gerio, el aumento en las unidades producidas
A partir de ese momento comienza a es mínimo.
regir el tiempo para la nueva asigna-
ción.
143
Interpretación: Reglas para el cambio de turno

Suponga que a las 12:55 el operario inicia el trabajo de una pieza y termina a la 1:10.
• Con la regla Wait el operario toma la hora completa de refrigerio y regresa a las 2:10.
• Con la regla Ignore el operario toma el tiempo que le queda de refrigerio (50 minutos) y regresa a las
2:00 en punto.
• Con la regla Preempt el operario inicia el trabajo de la pieza a las 12:55 y a la 1:00 en punto deja el
trabajo inconcluso y sale de refrigerio. Regresa a las 2:00.
Escenario 2: Ritmo variable de arribos para la pieza 1
Solución 1:
Agregar reloj:
Solución 2:
COMENTARIO:
A los 300 minutos, la variable VA-
LOR toma 1, entonces se desactiva
el primer Create y empieza a traba-
jar el segundo Create.
144
Solución 3: En forma automática, utilizando el módulo de datos Schedule.
Tiempo entre arribos Tasa

(min /piezas) (piezas /hr.)
EXPO(10) piezas 60 min .

* = 6 piezas / hr .
10 min . hr .
piezas 60 min .
EXPO(5) * = 12 piezas / hr .
5 min . hr .
Botón
Derecho
6 piezas/hora (durante 5 horas)

12 piezas/hora (durante 3 horas)
La variación que existe en el indica-

dor de desempeño Tiempo en Siste-
ma, respecto a las soluciones ante-
riores, se minimiza cuando el modelo
se ejecuta con múltiples replicacio-
nes. Así, las tres soluciones tienden a
ser iguales.
145
12
Caso de estudio
Funcionamiento de una agencia bancaria9

Objetivos:
o Aplicación de los módulos: Decide, Assign, Process y Record.
9 o Aplicación de los módulos de datos Set (Resource).
o Aplicación de los módulos de datos Schedule (Resource).
Se desea evaluar el funcionamiento de una agencia bancaria que dispone de 4 cajeros en ventanilla,
para la atención de sus clientes. Los clientes llegan a esta agencia para ejecutar alguno de los 4 tipos de
servicios bancarios. El tipo de servicio bancario necesario depende de una probabilidad; asimismo, su
ejecución necesita un tiempo, independiente del cajero. La información se presenta en la siguiente tabla:
Tipo de servicio bancario Probabilidad Tiempo de ejecución

Pago de servicios domésticos 35% Distribución Normal (6 minutos, 1 minuto)
Depósito de dinero 10% Distribución Uniforme (5 minutos, 10 minutos)
Cobro de cheque 15% Distribución Uniforme (5 minutos, 12 minutos)
Otros servicios 40% Distribución Uniforme (3 minutos, 6 minutos)
El administrador de la agencia ha asignado a dos cajeros (Grupo A) para atender el pago de servicios
domésticos y otros servicios, y ha asignado a los otros dos cajeros (Grupo B) para depósito de dinero y
cobro de cheques. El tiempo entre arribos de los clientes está distribuido exponencialmente con media
de 2 minutos. Se desea simular este funcionamiento desde las 9:30 de la mañana hasta las 7:30 de la
noche, dejando el sistema con los clientes que tenga en ese momento. Presentar un modelo en Arena
que permita simular la situación planteada. Ejecutar la simulación y determinar el valor de los siguientes
indicadores:
1. Tiempo de permanencia en la agencia por tipo de cliente.
2. Tiempo máximo de espera para la cola del Grupo A.
Tiempo promedio de espera para la cola del Grupo B.
3. Diseñar la capacidad que debe tener la cola del Grupo A.
4. Utilización del Grupo B de cajeros.
5. Número promedio de clientes en la agencia.
Escenario A
Una agencia cercana del mismo banco ha tenido un percance; por ello, se ha decidido enviar a los clien-
tes de esta agencia a la agencia en estudio. Estos clientes llegan a nuestra agencia según una EXPO(5)
minutos y el tiempo que demanda su atención es una TRIA(3, 5, 10) minutos. El administrador conside-
ra que estos deben ser atendidos por cualquiera de los cajeros, con mayor prioridad que cualquiera de
sus propios clientes. Realice los cambios necesarios al modelo original.
Escenario B
Respecto al caso original, el administrador cree que la cantidad de cajeros que se asigne a cada grupo
debe ser variable, así se lograría una mayor eficiencia en el servicio. Por ello dispone que los grupos de
cajeros estén conformados por la siguiente cantidad de cajeros en los horarios que se indican:
Cajeros 9:30 - 11:30 11:30 - 13:30 13:30 - 15:30 15:30 - 17:30 17:30 - 19:30
Grupo A 2 3 2 3 2
Grupo B 2 1 2 1 2
Realizar los cambios necesarios al modelo original.
9
146
Solución
1. 2. 4. 5.
3.
Escenario A
Escenario B
Se logró una disminución en el tiempo de permanencia de los clientes en la agencia en algo menos de un minuto. Lo más importante es que se equilibra la
calidad de atención entre todos los clientes. Anteriormente los clientes atendidos por el Grupo A demoraban considerablemente más que los que eran aten-
didos por el Grupo B (véase los indicadores Espera en colas y Longitudes de cola). La utilización de los cajeros se equilibra. Se puede concluir que se logró
mayor eficiencia.
147
11. MODELADO DE ENSAMBLES
En el contexto del modelado de sistemas, un ensamble es la unión —temporal o per-

manente— de dos o más entidades, para formar una nueva entidad, cuyos atributos
serán los representativos de sus componentes. Muchos sistemas poseen una lógica de
operaciones y reglas complejas para ensamblar y desensamblar entidades. En este
sentido, el software Arena nos brinda algunas herramientas para poder modelar estos
procesos, entre las cuales están los módulos Batch y Separate (procesos básicos) y el
módulo Match (procesos avanzados).
Ejemplos:
• La operación de colocar el perfume en su estuche.
• Esperar hasta tres personas antes de enviar el ómnibus al aeropuerto.
• Juntar las prendas de un cliente en una lavandería para realizar el despacho.
Ilustración: Requerimiento de materiales y operación de ensamble.
148
11.1 Módulo BATCH
El módulo BATCH se utiliza como un mecanismo de agrupamiento de dos o más enti-

dades, formando una nueva entidad (lote). Esta unión puede ser temporal o perma-
nente; si es temporal entonces en algún momento las entidades unidas se separarán,
recuperando su estado inicial, esto se logra mediante el módulo Separate.
Módulo BATCH
El lote se forma de acuerdo con un número específico de entidades. A medida que van
ingresando al módulo BATCH se van ubicando y acumulando en una cola hasta que in-
grese el número requerido de entidades. Se debe especificar el Entity.Type de la nue-
va entidad formada, que representará a las integrantes.
Ejemplo 1: Agrupamiento temporal.
11.1.1 Atributos de la nueva entidad (Save Criterion)

Existen cuatro criterios para definir los atributos de la nueva entidad resultante:
• First: La nueva entidad que se forma toma los atributos de la entidad que ingresó
primero a la cola.
• Last: La nueva entidad que se forma toma los atributos de la entidad que ingresó
última a la cola.
• Sum: Los atributos de la entidad resultante corresponden a la suma de los atribu-

tos numéricos de sus componentes.
• Product: Los atributos de la entidad resultante corresponden a la multiplicación de

los atributos numéricos de sus componentes.
149
Módulo BATCH
Ejemplo 2: Atributos de la nueva entidad (Save Criterion).
Interpretación:
La nueva entidad resultante del ensamble tomará los atributos de la primera entidad
que ingresó al BATCH. Esto tiene sentido, ya que para efectos del cálculo del tiempo
en sistema, la entidad representativa es la que llegó primero, pues tuvo mayor tiempo
de permanencia.
150
11.1.2 Reglas de agrupamiento (Rule)
Se debe especificar la regla de agrupamiento que se va a seguir. Si el criterio de

agrupamiento es By Attribute el módulo Batch puede juntar, clasificar y administrar
por separado entidades de diferente tipo. En general, múltiples lotes pueden ser acu-
mulados simultáneamente por un único módulo Batch, de acuerdo con el criterio es-
pecificado. Se debe especificar el nombre del atributo que clasifica (Attribute Name).
• Regla 1: Agrupar cualquier entidad, Any Entity.
Módulo BATCH
Interpretación:
Al llegar una entidad (factura) al módulo Batch se junta y acumula hasta completar 3
unidades (Any Entity). Entonces se origina una nueva entidad representativa. Dado
que esta unión es temporal, en algún momento la nueva entidad pasará por el módulo
Separate, entonces se dividirá en sus componentes originales y el tipo temporal (Enti-
ty.Type) cambiará al tipo original: Facturas. En este caso particular, el criterio de gra-
bación de atributos Save Criterion es irrelevante, porque el agrupamiento es temporal
(queda por defecto Last).
• Regla 2: Agrupar por atributo, By Attribute.
Cerveza rubia
Cerveza negra
Para el ejemplo, con la regla By Attribute se

logra mayor eficiencia, ya que evita el trabajo
de dos BATCHS. Clasifica y forma el Batch en
forma automática, bajo algún atributo.
Módulo BATCH
151
11.2 Módulo SEPARATE
11.2.1 Función separador
Se utiliza para dividir una entidad lote (Batch) en sus entidades componentes; es
decir, las entidades originales son recuperadas. La salida de las entidades del
lote es secuencial, en el mismo orden en que ellas ingresaron al módulo Batch.
Una simple entidad que no es lote e ingresa al módulo Separate no tendrá nin-
gún efecto de división. De igual manera para aquellas entidades lote cuya unión
es permanente.
Respecto al campo Member Attributes, se debe seleccionar el método para asig-

nar los valores de los atributos de la entidad representativa a las entidades origi-
nales. Al dividir la entidad lote, las entidades salientes pueden mantener los va-
lores de sus atributos originales (1), también pueden adoptar los valores de los
atributos de la entidad lote (2) y también pueden adoptar algunos valores de
atributos de la entidad lote (3).
1
Módulo SEPARATE
152
11.2.2 Función de clonador

Adicionalmente, el módulo Separate puede ser usado en forma independiente (sin
usar el Batch) para copiar o clonar la entidad entrante, en múltiples entidades. En este
caso, el número especificado de copias es creado y enviado desde el módulo; la enti-
dad original entrante también sale del módulo. Las entidades duplicadas poseen los
mismos atributos que la entidad original; es decir, son idénticas.
Ejemplo: Clonar una entidad
Separate
PROCESS
Consulta Paciente sale de

medica consultorio médico
Historia clínica retorna

a registro
Ejemplo: Clonar una docena
Separate
2 3 4 5 6 7 8 9 10 11 12
Según la ilustración, un total de doce entidades salen del módulo (Origi-

nal+Duplicados). Se puede generalizar que el número de duplicados o Duplicates
es el Total-1, ya que el original también cuenta. Otra alternativa es clonar 12 en
vez de 11 entidades, en este caso salen 12 por la salida inferior; la original que
sale por la superior se elimina desviándola hacia un módulo Dispose
Ejemplo:
Delay
Modelo de Producción
continua a tres turnos
Diarios.
153
13
Caso de estudio
Lavado de piezas colocadas en racks10

Objetivos:
o Modelado de operaciones de ensamble.
10
o Loteo de entidades, aplicación práctica de los nodos BATCH y SEPARATE.
o Aplicación de Resource Set.
En un sistema compuesto por dos fajas transportadoras viajan, por cada una, un tipo
diferente de piezas metálicas. En la sección de carga se agrupan y siguen hacia la sec-
ción de lavado, donde se les quita la suciedad y la grasa. A continuación se presenta
el diagrama del proceso:
Las piezas que avanzan en ambas fajas transportadoras son cargadas automáticamen-
te en unos racks con capacidad para 6 unidades de un mismo tipo; ambas piezas son
tomadas directamente de las fajas. Cada vez que se carga un rack, este es colgado en
cordeles circulantes, que avanzan automáticamente hacia una cola común, previa a la
operación de lavado.
La lavandería tiene 5 máquinas disponibles para este proceso; se ha definido el si-
guiente orden de prioridades para la asignación: 1 – 3 – 5 – 2 – 4. La máquina lava
automáticamente, pieza por pieza, hasta completar el rack.
Una vez terminado el lavado de un rack este se descuelga y descarga automáticamen-
te las piezas, una por una. Luego estas son llevadas al almacén.
Pieza 1 Pieza 2
Tiempo entre arribos (minutos) Uniforme(3,7) Exponencial(3)
Tiempo de carga (minutos / pieza) 1.5 2.5
Tiempo de lavado (minutos /pieza) Exponencial(4) Exponencial(3)
Tiempo de descarga (minutos / pieza) 2 3
• Formular un modelo para simular el sistema descrito durante 240 minutos.

• Determinar el tiempo de ciclo por cada tipo de pieza.
Escenario
Suponga que se amplía la capacidad de las máquinas, ahora deben ingresar a las má-
quinas lotes de 3 racks, que los lava como una sola unidad. Realice los cambios.
10
Enunciado tomado de PRITSKER, A. y J. O’REILLY. Op. cit.
154
Solución
BATCH
UNIF (3, 7) Minutos
Entity Type:
PIEZA 1
Process Process
EXPO(3) Minutos
Entity Type: Process
Separate
PIEZA 2
Escenario
155
14
Caso de estudio
Ensamble del producto Triple X11

Objetivos:
11
o Loteo de entidades, aplicación práctica del módulo Batch.
o Clonación de entidades mediante el Separate.
o Módulo de datos Schedule, en la asignación programada de los recursos.
Una línea de producción en una empresa fabrica un artículo denominado Triple X. La

cantidad por producir en un día se planea al inicio de ese día y está distribuida unifor-
memente entre 20 y 30 cajas. La producción empieza a las 9 de la mañana y termina
cuando se haya completado la cantidad de productos planeada.
Cada unidad de Triple X requiere dos unidades de materia prima A y una unidad de
materia prima B. Considere que al inicio de la producción hay siempre 1.000 unidades
de cada materia prima, que representa una cantidad suficiente de ambas.
El procesamiento de cada producto requiere de una moldeadora y toma un tiempo dis-

tribuido uniformemente entre 1 y 3 minutos por unidad. Finalmente, las unidades de
Triple X se guardan en cajas de 6 unidades.
Formular el modelo y simularlo hasta terminar la producción establecida para ese día.
Determinar los siguientes resultados indicando cómo se obtuvieron:
1. Número de cajas producidas.
2. Tiempo promedio para completar una caja.
3. El tiempo que pasa una unidad esperando formar parte de una caja.
4. Tamaño promedio de la cola de espera, para formar parte de una caja.
5. Se desea determinar si los niveles de stock de materia prima son los adecuados.
Determinar el número de unidades de cada materia prima que no se utilizan.
6. El tiempo que toma completar la producción del día.
Escenario
Sobre la base del escenario original, suponga que cuando se determina la cantidad de
unidades de Triple X que se producirán, debe calcularse y solicitarse al almacén los
materiales necesarios. No se cuenta con materiales disponibles hasta que el almacén
realiza su primera entrega a las 9 de la mañana, por un tercio del material solicitado.
El almacén hace dos entregas más, cada una a intervalos de tiempo que varían uni-
formemente entre 120 y 240 minutos, por los tercios restantes. La última entrega se
realiza 169 minutos antes de terminar la jornada y debe completar el total solicitado al
almacén. Modelar los cambios necesarios y simular durante 8 horas.
11
156
Solución
Release
Separate
Batch
Indicadores de Desempeño:
1. 22 cajas
2. 10.1836 minutos
3. 5.0827 minutos
4. 2.4712 unidades
5. Stock final: MPA: 736 unidades
MPB: 868 unidades
6. 4.5 horas (ó 271.4914 minutos).
Interpretación:
• Para calcular el número de cajas a producir se utilizó la función AINT que trunca la
parte decimal de un número real. Ejemplo: AINT(UNIF(20,30))
• Se produjeron 22 cajas (132 unidades). Se consumieron 264 unidades de materia

prima A (22*6*2) y 132 unidades de materia prima B (22*6*1).
• Al final de la simulación no quedaron productos en proceso en la planta.
157
Escenario:
No se
cumple con
el plan de
producción.
158
15
Caso de estudio
Ensamble, prueba y embalaje de componentes electrónicos12
Objetivos:
12 o Loteo de entidades, aplicación práctica de los nodos Batch y Separate.
o Aplicación de Resource Set y uso de la variable MR(Resource).
o Módulo de datos Schedule. Uso de la función discreta Disc.
El sistema por modelar representa las operaciones finales de una línea de producción
de dos dispositivos electrónicos: A y B. El proceso de producción de un dispositivo
consiste en la preparación de cajas metálicas, ensamblarlas con los componentes
electrónicos correspondientes y, finalmente, embalar los dispositivos.
Empaque / Embalaje
OK ?
OK ?
Las cajas metálicas A se producen en un departamento adyacente y entregan las cajas

producidas en intervalos que se ajustan a una Expo (5) minutos. Estas son transferidas
a una primera estación, donde un operario maquina las caras interiores de la caja para
asegurar un buen sellado; el tiempo de este proceso responde a una Tria(1, 4, 8) mi-
nutos. Luego, las cajas son enviadas a la segunda estación, donde se ensamblan con
los componentes electrónicos, son selladas y sometidas a una prueba de calidad. El
tiempo para este proceso, ejecutado por un operario, corresponde a una Tria(1, 3, 4)
minutos.
Las cajas metálicas B son producidas en otro edificio y enviadas a la planta de disposi-
tivos en lotes de 4 cajas, según una Expo(30) minutos. Estas son recibidas en una
primera estación, donde un operario prepara exclusiva e individualmente las unidades
B; el tiempo de este proceso corresponde a una distribución Tria (3, 5, 10) minutos.
Luego, las cajas son enviadas a la segunda estación, donde son ensambladas, selladas
y sometidas a una prueba de calidad; esta estación es la misma que procesa la unidad
A, trabajando en estricto orden de llegada. El tiempo para este proceso es una WEI-
Bull(2.5, 5.3) minutos.
El 91% de los dispositivos (A o B) pasan la prueba y se envían al Área de Empaque.

Los dispositivos rechazados se envían a una estación de reproceso, donde las unidades
son reparadas y revisadas nuevamente por un técnico. El 80% de estas unidades son
salvadas y enviadas al Área de Empaque, el resto se desecha. El tiempo de reproceso
responde a una Expo (45) minutos, sin importar el tipo de dispositivo.
Se desea obtener indicadores de desempeño adecuados a la situación planteada; co-
rrer la simulación para cuatro turnos consecutivos de 8 horas, es decir 32 horas.
12
Enunciado tomado de KELTON, W. D; SADOWSKI, R. P. y D. T. STURROCK. Op. cit.
159
Solución
91%
9%
80%
20%
160
Escenario 1
Se desea agregar dos procesos: empaque y embalaje. En el proceso de empaque se
forma un paquete A, que contiene 2 dispositivos A y un paquete B, que contiene 3
dispositivos B; considere que el tiempo para formar paquetes es despreciable.
En el proceso de embalaje, se obtiene el producto final introduciendo 1 paquete A y 1
paquete B en una caja; el tiempo para este proceso demora una Unif(3, 5) minutos.
Luego de esto, se efectúa un control visual del embalaje, el 97% es aceptado y se
almacena como producto terminado. Si es rechazado, los paquetes son retirados de la
caja y estos regresan a sus correspondientes almacenajes. Agregue las modificaciones
y simúlelo hasta entregar 200 productos terminados. Analice el comportamiento de
los almacenajes de paquetes de A y de B.
Proceso de
empaque
BATCH
SEPARATE
Proceso
de RELEASE
Embalaje
161
Escenario 2
Respecto al escenario original, suponga que las cajas metálicas A son producidas
por un tercero, entregando unidades producidas en lotes de 2 o 3 unidades (equi-
probablemente) cada intervalo de tiempo que responde a una Expo(12) minutos.
Determinar si este cambio afecta a alguno de los indicadores pedidos.
Escenario 3
Respecto al escenario original, suponga que la planta opera solo dos turnos por día y
que en el segundo turno se asignan dos operarios para el Reproceso. Simular el mo-
delo por 10 días. Determinar qué indicadores mejoran con esta medida.
162
Escenario 4
Con relación al Escenario 3, se quieren seguir mejorando los resultados del siste-
ma. La propuesta adicional es que la preparación de cualquiera de las dos cajas (A
o B), pueda ser efectuada por cualquiera de los dos operarios que actualmente
trabajan con un solo tipo de caja. De estar los dos operarios desocupados, una
caja A preferirá al operario A y una caja B al operario B. Determinar si se logra la
mejora esperada.
163
12. FUNCIONES INDIVIDUALIZADAS DE UN PROCESO
Para el modelado de sistemas, el software Arena dispone de plantillas adicionales a la

de módulos básicos; en esta parte abordaremos una nueva plantilla, denominada pro-
cesos avanzados: Advanced Process.
Como se sabe, el módulo básico Process, estudiado anteriormente, integra tres fun-
ciones importantes, para modelar las operaciones o actividades que requieren recur-
sos del sistema, estas son: Seize, Delay y Release. En la plantilla de procesos avanza-
dos se dispone de los tres módulos individualizados, para brindar cierta flexibilidad en
el proceso de modelado cuando se desea que no estén integrados.
Ejemplo:
Suponga que se desea medir el tiempo promedio de servicio, es decir el tiempo de
atención por el servidor. Esto no es factible si la operación se modela en el módulo
Process; sin embargo, con el módulo Delay sí es posible si empleamos el módulo
Delay, ya que se toman estadísticas desde que entra hasta que sale del servidor
(marcamos el inicio en el módulo Assign, antes del Delay y registramos la salida
con el módulo Record, después del Delay. Si las funciones están integradas no po-
demos capturar el instante en que la entidad pasa de la cola al servidor.
A continuación se presentan los tres primeros módulos avanzados, que individualizan

las tres funciones del módulo Process.
164
12.1 Módulo SEIZE
Este módulo asigna unidades de uno o más recursos o un miembro de un conjunto de

recursos. Cuando una entidad entra a este módulo esta espera en una cola hasta que
todos los recursos requeridos estén disponibles para que le sean asignados simultá-
neamente.
Categoría a la que pertenece Las entidades que esperan

el costo que le corresponde en cola por el recurso
a la entidad por utilizar el tienen prioridad baja si
recurso: Value Added, Non- compiten con otras entida-
Value Added, Transfer, Wait, des que solicitan el mismo
Recurso y número de
Other. recurso en otros módulos
unidades requerido.
Puede ser el miembro Seize.
de un conjunto solici-
tado (set).
Una ventaja que posee el

Tipo de cola en módulo individualizado Sei-
la que esperan ze es que se puede indicar
las entidades por en cuál de las colas del
el recurso modelo la entidad realizará
la espera. Si provienen de
diferentes orígenes, enton-
ces dicha cola deberá defi-
nirse como compartida, ac-
tivando la opción Shared
del módulo de datos
Queue.
12.2 Módulo DELAY
Este módulo retrasa la entidad por un tiempo determinado. Al ingresar una entidad al
módulo Delay, esta permanece en el módulo por el intervalo especificado. Este tiempo
es asignado a la entidad, a la categoría que le corresponda como Value Added, Non-
Value Added, Transfer, Wait y Other Time. Según esto, los costos correspondientes
también se asignan a la entidad.
165
12.3 Módulo RELEASE
Este módulo permite liberar un recurso o un miembro de un conjunto (Set) que pre-
viamente ha sido asignado (Seize). Por cada recurso liberado el nombre de este y la
cantidad deben ser especificados en el nodo Release. Al hacer efectiva esta liberación
la entidad en cola, cuyo turno le corresponde, puede tomar al recurso liberado.
Ilustración: Asignación de recursos en una secuencia de operaciones.
Considerar la situación en que un operario realiza la tarea de inspección de unos

bloques de madera, que son producidos por la empresa. Véase el siguiente esque-
ma:
Los bloques llegan cada EXPO(17) minutos, y deben permanecer en espera si el

operario no se encuentra disponible. Si el operario está disponible realiza la opera-
ción de inspección, que demora una NORM(7,0.5) minutos. Las unidades que aprue-
ban la inspección salen de la planta para su posterior despacho. Si el bloque no apro-
bó la inspección, entonces requiere un reproceso y el mismo operario ejecuta dicha
operación, que demanda un tiempo EXPO(10) minutos. Por lo tanto, el operario no
siempre está disponible cuando termina una inspección porque debe ejecutar la ope-
ración de reproceso. El 15% de los bloques producidos requieren reproceso.
Formular un modelo de simulación para la situación descrita, incluyendo la utilización

de recursos. La finalización de la simulación se produce cuando 200 bloques salen
del sistema.
166
Solución
EXPO (17)
minutos
Seize Delay
DELAY
Delay RELEASE
Release
RELEASE
Release
Según el reporte, hubo una eficiencia

de 50.47% en el uso del recurso, el
cual fue requerido y asignado en 200
oportunidades. El tiempo de perma-
nencia en el sistema de las entidades
fue en promedio de 14.97 minutos.
167
16
Caso de estudio
Arreglo de fallas en circuitos integrados
Objetivos:
o Conjunto de recursos: Resource Set.
o Declaración de los miembros del conjunto (módulo de datos Set).
o Reglas de selección del recurso: Specific Member/Set Index (módulo Process).
o Módulos Seize-Delay-Release con Queue Type: Set. Módulo de datos Advanced Set
(conjunto de colas). Expression (plantilla Advanced Process).
Al departamento de servicio técnico de una empresa llegan componentes electrónicos

con un determinado diagnostico de falla. Existen cinco posibles tipos de fallas con las
que puede llegar un equipo, la ocurrencia de estas se ajustan a una distribución uni-
forme. A este departamento se han asignado 5 técnicos especializados en cada tipo de
fallas; los componentes llegan de acuerdo a un tiempo entre arribos que se distribuye
exponencialmente, con una media de 4 minutos.
En el instante en que llegan los componentes, según la falla, estos son derivados al
especialista correspondiente que arregla, en forma exclusiva, un solo tipo de falla. Es
posible que coincidan simultáneamente componentes que tienen un mismo tipo de fa-
lla y demanden el mismo técnico, en este caso se formará una cola de espera con re-
gla FIFO. En la tabla siguiente se muestra el tiempo que tarda un técnico en arreglar
la falla de un componente electrónico:
Tiempos de revisión y
Técnico arreglo
1 2 3 4 5
(minutos/componente)
Técnico 1 NORM(10,1)
Técnico 2 UNIF(4,9)
Técnico 3 TRIA(3,5,7)
Técnico 4 EXPO(5)
Técnico 5 UNIF(2,5)
Se pide:
Formular un modelo adecuado a la situación descrita y simular el funcionamiento del
departamento de servicio técnico durante una jornada de trabajo de 8 horas. Obtener
los siguientes indicadores de desempeño:
1. Determinar el tiempo promedio para revisar y arreglar un componente electrónico.

Discriminar por tipo de falla.
2. ¿Cuántas unidades arregló cada técnico?

3. Utilización promedio de cada uno de los cinco técnicos.
Escenario
Suponga que entre los indicadores de desempeño con mayor interés para el estudio se
encuentran aquellos relacionados con las colas de espera. Se pide:
4. Determinar el tiempo promedio de espera y el tamaño de cola por cada uno de los
cinco técnicos.
168
Solución 1: Solución corta, utilizando conjuntos y Expression
Process
NOTA:
Mediante la expresión Disc (módulo
Assign), se generan números aleatorios
discretos entre 1 y 5, que representan
el tipo de falla que tiene la entidad que
ingresa al sistema. Así, la probabilidad
que tiene cada tipo de falla es de 0.2.
169
Escenario Se cambia el módulo Process por los módulos SEIZE-DELAY-RELEASE:
SEIZE DELAY RELEASE
Solución 2 Solución extensa
Seize Delay Release
Los resultados son exac-

tamente iguales a los de
la solución corta.
170
17
Caso de estudio
Secuencia de operaciones de un proceso13
Objetivos:
o Aplicación práctica de los módulos de datos Expression (matriz).
13 o Manejo avanzado de conjuntos Advanced Set (Queue Type: Set) conjunto de colas.
En una planta de producción se realizan 4 operaciones distintas, cada una en un área

exclusiva. Al sistema llegan tres tipos de partes: parte A, parte B y parte C, las cuales
seguirán una secuencia preestablecida de operaciones; los tiempos entre llegadas de
las partes corresponde a una distribución de probabilidad exponencial, con una media
de 13 minutos. En el siguiente esquema se muestra la secuencia de operaciones que
sigue cada una de las partes:
En la tabla siguiente se muestran los tiempos de actividad en cada una de las áreas,
que corresponden a una distribución de probabilidad triangular:
Tiempos de actividad (minutos)

Parte A 4 , 6 , 8 6 , 9 , 12 12 , 15 , 20 10 , 14 , 19
Parte B 9 , 13 , 18 3 , 7 10 20 , 25 , 28 12 , 18 , 22
Parte C 5 , 10 , 14 6 , 8 , 12 14 , 19 , 25
Existen dos máquinas disponibles por cada área. Durante los arribos de las partes la
probabilidad de que sea parte A es de 25%, de que sea parte B, 45% y de que sea
parte C, 30%. Se pide:
1. Formular un modelo de simulación adecuado a la situación descrita y simularlo du-

rante 6 días (24 horas/día).
2. Obtener las estadísticas sobre tiempo en sistema por tipo de parte y general, así
también como número de unidades procesadas por cada tipo de parte.
13
171
Solución 1: Expression
Process
1
DELAY
Process
Process
Solución 2: Expression / Set / Advanced Set
SEIZE DELAY RELEASE
1
1
172
13. ACUMULADORES AUTOMÁTICOS
Los módulos Store y Unstore, en su modalidad Storage, posibilitan el almacenaje au-

tomático de valores en áreas de memoria determinadas. Así, el Store acumula y el
Unstore descuenta valores en forma automática. La importancia de su uso es que mi-
de la cantidad de entidades en proceso en cualquier segmento de la red del modelo.
13.1 Módulo STORE
Este módulo agrega una entidad al almacenaje en memoria. Cuando una entidad in-
gresa a este módulo el almacenaje especificado (storage name) es incrementado y la
entidad inmediatamente es trasladada al próximo módulo del modelo.
STORE
13.2 Módulo UNSTORE
Este módulo substrae una entidad del almacenaje. Cuando una entidad ingresa a este
módulo entonces el almacenaje especificado (storage name) decrece en una unidad y
la entidad inmediatamente es trasladada al próximo módulo del modelo.
UNSTORE
La variable NSTO(Storage Name) contiene el número de entidades en el almacenaje

especificado (storage name). Si esta variable solo se incrementa con el tiempo, signifi-
ca que las entidades no están siendo removidas por un módulo Unstore.
173
Ilustración
Se desea medir el número promedio de entidades en el sistema, es decir el Work in
process (WIP) durante la simulación.
Solución 1: Mirando el reporte: WIP
Solución 2: Usando una variable:
Solución 3: Usando los módulos Store/Unstore:
174
18
Caso de estudio
Funcionamiento de una central de llamadas14
14
Nuestro centro de llamadas genérico recibe llamadas mediante un número central en una organización
en la cual los clientes llaman para solicitar soporte técnico, pedir información de ventas o averiguar el
estado de una orden. Las llamadas entrantes se reciben en intervalos de tiempo que son exponencial-
mente distribuidos con una media de 0.857 minutos. El número central alimenta a 26 líneas troncales. Si
las 26 líneas troncales están en uso, el usuario recibe una señal de ocupado y se espera que el cliente
pueda llamar más tarde. Para nuestro modelo, el cliente abandona la llamada si recibe la señal de ocu-
pado. Un cliente que es atendido escucha una grabación y recibe 3 opciones: transferir a soporte técni-
co, a información de ventas o a información por el estado de una orden (76%, 16% y 8%, respectiva-
mente). El tiempo estimado para esta actividad es UNIF (0.1, 0.6); todos los tiempos están en minutos.
Si elige Soporte Técnico una segunda grabación le pide identificar cuál de los tres tipos de productos
está usando el cliente. Esto requiere un tiempo estimado de una UNIF(0.1, 0.5) minutos. Los porcentajes
de pedidos para los productos tipos 1, 2 y 3 son 25%, 34% y 41%, respectivamente. Si un personal de
soporte técnico está disponible para el tipo de producto seleccionado, la llamada es automáticamente
dirigida a esa persona. Si ninguno está disponible en ese momento el cliente es ubicado en una cola
electrónica, donde se le hace escuchar una música de rock hasta que un personal de soporte esté dispo-
nible. El tiempo para todas las llamadas de soporte es estimado por una TRIA(3, 6, 18) minutos, sin im-
portar el tipo de producto. Al terminar la llamada el cliente sale del sistema.
Las llamadas a ventas son automáticamente dirigidas al equipo de ventas. Si ninguno de los repre-
sentantes de ventas estuviera disponible, el cliente es entretenido con una música reconfortante (des-
pués de todo se tiene la esperanza de lograr una venta). Los tiempos de las llamadas de ventas son es-
timados por una TRIA(4, 15, 45); el personal de ventas suele hablar mucho más que el personal técnico.
Al terminar la llamada, el cliente satisfecho sale del sistema.
Los clientes que requieren información sobre el estado de una orden son automáticamente manejados
por el sistema telefónico y no existe un límite en el número que el sistema pueda manejar (excepto que
solamente hay 26 líneas troncales, lo cual es, en sí mismo, un límite, ya que toda llamada ocupa una de
estas líneas). El tiempo estimado para estas transacciones es una TRIA (2, 3, 4) minutos. El 15% de
estos clientes opta por hablar con una persona real luego de haber recibido el estado de su orden. Estos
clientes son dirigidos a los representantes de ventas, donde esperan con una prioridad menor que las
llamadas de ventas. Esto significa que si una llamada por estado de órdenes está en la cola esperando
por un representante de ventas y una nueva llamada de ventas ingresa, se le dará prioridad a la llamada
de ventas sobre la de estado de la orden. La atención para estas llamadas de estado de órdenes es esti-
mada en una duración TRIA(3, 5, 10) minutos. Estos clientes salen del sistema luego de ser atendidos.
Las horas de trabajo del centro de llamadas van desde las 8 a.m. hasta las 6 p.m., con una pequeña
proporción de personal trabajando hasta las 7 p.m. Aunque el sistema cierra para nuevas llamadas a las
6 p.m., todas las llamadas que han entrado en el sistema hasta esa hora deben ser atendidas.
A través del curso del día se tienen 8 empleados de soporte técnico para contestar todas las llamadas
técnicas que surjan. Dos técnicos son asignados al tipo de producto 1, tres técnicos al tipo de producto 2
y tres técnicos al tipo de producto 3. Hay cuatro representantes de ventas para contestar las llamadas
de ventas y las llamadas de estado de orden que eligen hablar con una persona real.
Como un punto de interés contaremos el número de llamadas de clientes que no han podido conseguir
una línea central y han sido rechazadas para entrar al sistema. Evaluar los siguientes indicadores de
desempeño: Porcentaje de clientes que no consiguieron línea, tiempo total en la línea por tipo de cliente,
tiempo de espera por una persona real por tipo de cliente, número de llamadas esperando por servicio
por tipo de cliente, utilización del personal.
14
Enunciado tomado de KELTON, D.; SADOWSKI, R. y D. STURROCK. Op. cit. Adaptado para el examen
parcial 2007-1.
175
Solución
Seize
Store Delay Unstore
1
2
Estado de
orden
Delay
4
Seize
Delay Release
176
Soporte técnico
Store Delay Unstore
Process
Process
Información ventas:
Process
2 4
Fin de llamada:
Release
Fin de simulación:
177
Módulos de datos
178
14. MODELO BÁSICO DE INVENTARIOS
Una manera muy simple de controlar inventarios en un sistema podría consistir en la

utilización de variables globales. Podemos definir en el modelo, el valor inicial de la va-
riable y durante la simulación cargar o descargar valores, de acuerdo a si se produce o
si se atiende la demanda. Esta sería una manera muy simple pero no tan flexible o ge-
nerosa en la generación de indicadores de desempeño.
El concepto utilizado para modelar inventarios es mediante el uso de recursos, es decir,

se define el producto como un recurso y se le asigna una capacidad inicial, que se va
incrementando de acuerdo con la producción. También se considera la demanda del
producto, que se origina mediante el proceso Seize-Delay que realiza la entidad; el efec-
to que esta produce es la descarga del inventario, ya que la entidad “cliente” salió del
sistema y nunca se produjo la liberación del recurso o Release.
En la figura se observa a los clientes (entidades) realizando compras. Debido a la demanda de

productos (recursos), el sistema actualiza los niveles de inventario y controla los stocks para
reordenar y lanzar la orden de pedido al proveedor, este realizará el envío de la mercadería y
después de un tiempo (Lead Time) el pedido llegará al almacén.
14.1 Indicadores de desempeño
Entre los indicadores más frecuentes en el problema de inventarios se encuentran los

siguientes:
• Inventario promedio del producto (disponibilidad promedio).
• Inventario final del producto.
179
• Utilización promedio del producto.
• Intervalo entre pedidos.
• Promedio de unidades por pedido.
• Rotación del inventario.
• Número de unidades vendidas.
• Venta promedio del producto.
• Número de revisiones periódicas al inventario.
• Número de clientes perdidos por no haber stock.
• Intervalo entre pérdidas por no haber stock.
14.2 Variables de recursos
• MR(recurso)
Retorna la capacidad actual del recurso. Ejemplo: MR(cajeros).
• NR(recurso)
Retorna el número de recursos ocupados. Ejemplo: MR (cajeros).
La disponibilidad de recursos se obtiene mediante la expresión:
MR(cajeros) - NR (cajeros)
• ResUtil(recurso)
Retorna la utilización del recurso; es decir, la relación MR(recurso)/NR(recurso)
Ejemplo: ResSeizes (cajeros)
• ResSeizes(recurso)
Retorna el número de recursos que vienen siendo utilizados en ese momento.
Ejemplo: ResSeizes (cajeros)
• ResourceState(número del recurso)

Retorna el estado actual del recurso:
1: Idle_Res (ocioso), cuando todas las unidades del recurso están desocupadas y
no se encuentra en estado Failed (falla) o en estado Inactive (inactivo).
-2: Busy_Res (ocupado), cuando una o más unidades del recurso están ocupadas.
-3: Inactive_Res (inactivo), cuando el recurso tiene capacidad cero y no está en

estado Failed (falla).
-4: Failed_Res (falla), cuando el recurso tiene una falla que imposibilita su
utilización.
180
Ejemplo:
Se realiza el pedido al inicio de cada mes, por una cantidad Q (lote económico), que se
va consumiendo durante el mes (véase esquema) hasta que se agota. Luego llega el
siguiente pedido y el ciclo se repite durante el año. Simular (de manera analítica) la
variación de los niveles de inventario y determinar el inventario promedio durante los
12 meses.
Unidades
Q
...
1 2 3 11 12 Tiempo
Solución analítica:
Sea:
Q(t): Función que indica la cantidad de unidades disponibles en el instante t.
T(n): Tiempo total de simulación.
ti: Cantidad de tiempo con i unidades en almacén.
P i: Proporción de tiempo en el que se dispone de i unidades en almacén
ti
pi =
T (n)
∞ ∞
∑p
i =0
i = 1 ⇒ ∑ i * pi = q ( n )
i =0
Inventario promedio durante el año:

∧ 12 i*ti / 2
q(n) = ∑
i =1 T (n)
Q unid. *1 mes
∧ 2
q(n) = * 12 Triángulos = Q/2 unid.
12 meses
El inventario promedio se obtiene del promedio ponderado de las áreas que se forman
en la gráfica. El número promedio de unidades disponibles durante el año fue de Q/2.
181
Ejemplo:
Suponga un sistema en el que los clientes llegan para realizar compras de un pro-
ducto. La cantidad que se comprará es variable y corresponde a una estimación pro-
babilística. Hay suficiente stock de productos como para satisfacer la demanda del día.
0.20
PROCESS
0.30
0.50
Ejemplo:
Suponga un sistema en el que los clientes llegan para realizar compras de un pro-
ducto. La cantidad que se comprará es variable y se ajusta a una distribución uniforme
entre 1 y 3 unidades.
Process
Nota: La expresión UNIF(1, 4) es una distribución uniforme continua y genera nú-

meros reales, con intervalo abierto en el extremo derecho, tal que: 1.0 ≤ X < 4.0. Al
anteponer la función AINT, se trunca la parte decimal de dicho número real, quedando
este como un valor entero, tal que: 1 ≤ X < 4; es decir, la variable toma valores ente-
ros entre 1 y 3.
182
14.3 Sistema de control de inventarios y venta con entrega diferida

Suponga una empresa distribuidora de computadoras y accesorios. Los clientes realizan
su pedido por teléfono, si hay suficiente stock para atender la orden del cliente se reali-
za el despacho inmediatamente y se envía el pedido. Si no hay suficiente stock para
atender la orden, se le envía todo el stock existente y el resto se convierte en una en-
trega diferida (Back Order). Cuando un nuevo stock es recibido en el almacén, primero
se despachan las órdenes que fueron diferidas y el resto permanece en el almacén co-
mo inventario. Se ordenará a la fábrica (proveedores) un nuevo stock cuando el inven-
tario alcance o descienda al punto de reorden, fijado por la empresa. Si esto sucede, se
lanza la orden al proveedor y la mercadería llegará después de algún tiempo (Lead Ti-
me).
Hay stock Almacén
Reparto
Entrega
normal No hay
stock
Despachar
Sí
Cliente
Envío de
¿Se puede
pedido
atender la
orden del
cliente?
Nuevo
stock
Entrega
No ordenado
diferida
Proveedor
Orden de
Orden del pedido
cliente
Punto de venta
En los modelos de sistemas con entregas diferidas o Back Orders podemos medir algu-
nos indicadores como:
• Máximo tiempo de espera por la entrega del producto.

• Cantidad máxima de clientes que aguardan por su pedido.
• Máximo número de entregas diferidas o Back Orders.
En la gráfica se puede observar el com-

portamiento de la demanda en el tiem-
po, así como el abastecimiento al alma-
cén. Se observan también algunas si-
tuaciones en las que el stock alcanza
valores negativos, debido a la política
de realizar entregas diferidas o Back
Orders.
183
19
Caso de estudio
Control de almacenes y distribución de cajas de aceite
Objetivos:
o Modelado de sistemas de control de inventarios
o Módulo de datos SCHEDULE para programar arribos de entidades durante un
intervalo de tiempo de acuerdo con una tasa (entidades por hora)
o Variables de recursos: MR y NR
o Módulo de Datos EXPRESSION, para el manejo externo de datos.
Una industria productora de aceite de palma se encuentra ubicada en el oriente de nues-

tro país. Su planta consta de cuatro áreas definidas: producción, envasado, embalaje y
almacenes. Se desea investigar el proceso de embalaje, el control de los inventarios y el
control de la carga y la partida de los camiones para la distribución.
La línea de envasado envía las botellas a la zona de embalaje a una velocidad de 3.600
botellas por hora; en la zona de embalaje se acomodan 12 unidades en una caja de car-
tón, esto se realiza en forma automática pero con supervisión. Se puede decir que la ge-
neración de cajas es un proceso continuo que incrementa el inventario en los almacenes.
La planta trabaja 8 horas por turno y tres turnos diarios; por motivos técnicos, 30 minu-
tos antes del cambio de turno la sección de envasado detiene la línea, entonces la sección
de embalaje también se detiene al no llegarle botellas.
En el almacén hay un inventario inicial de 100 cajas. En una puerta del almacén se en-
cuentra una rampa en la que se ubica un camión para que sea cargado; existe una cola
de camiones en espera por su turno, la capacidad de estos es variable y se ajusta a una
distribución UNIF(800,1000) cajas. El tiempo que se requiere para cargar y acomodar una
caja en el camión es de 0.25 minutos. Todos los camiones deben ser atendidos, pero en
caso de que no se disponga de la cantidad suficiente, se irán ingresando las cajas dispo-
nibles en el momento, hasta completar su capacidad. Considere que el tiempo promedio
que espera un camión para tener su pedido completo se ajusta a una distribución
UNIF(25,35) minutos; este tiempo debe considerarse aparte del tiempo de carga. Cada
vez que se termina de atender un camión el inventario del almacén se actualiza, descon-
tando la cantidad despachada.
Formular un modelo adecuado a la situación descrita y simular el funcionamiento durante

24 horas continuas. Obtener los siguientes indicadores de desempeño:
1. Número de botellas que ingresaron a embalaje y la producción total de cajas, número
de camiones atendidos y carga promedio por camión.
2. Inventario final de cajas.
3. Número de cajas vendidas.
4. Inventario promedio de cajas en el almacén.
5. Utilización promedio del producto.
6. Venta promedio de cajas.
184
Solución
Botón
Derecho
3.600 botellas/hora
(durante 7.5 horas)
0 botellas/hora
(durante 0.5 horas)
185
Modelo
Batch
Process
Separate
Indicadores:
1. Número de botellas que ingresaron al embalaje y la producción total de cajas, nú-

mero de camiones atendidos y carga promedio por camión.
2. ¿Cómo quedó el stock, al final de la simulación?: 911.59 cajas.
Build Expression/Basic Process/Resource/Usage/Current Number Scheduled – Current Number Busy
186
3. Se vendieron 6.059.41 cajas (véase en el reporte: Resource/Total Number Seized)

Alternativas:
Build Expression/Basic Process/Resource/Usage/Current Number Busy
Build Expression/Basic Process/Resource/Usage/Total Number Seized
4. Inventario promedio o disponibilidad promedio del producto: 688.78 cajas.
5. Utilización promedio: 70.61% (véase reporte: Resource/Instantaneous Utilization).
Alternativas:
Build Expression/Basic Process/Resource/Usage/ Current Number Busy ÷ Current Number Scheduled
Build Expression/Basic Process/Resource/Usage/Current Utilization
6. Venta promedio: 2.837.85 cajas (véase reporte: Resource / Number Busy).
Alternativas:
Build Expression/Basic Process/Resource/Usage/ Current Number Busy
Build Expression/Basic Process/Resource/Usage/Average Number Busy
187
20
Caso de estudio
Examen de “Simula”
Objetivos:
o Recursos reutilizables con capacidades variables en el tiempo.
o Módulo de datos Resource. Uso de la variable MR (Resource).
R
Con el propósito de investigar mejorar los procesos administrativos, en lo referente a la actividad de

cuidado de los exámenes que realizan los profesores, se planea modelar y simular la secuencia de
actividades involucradas en este proceso. Existe interés en observar y analizar los posibles problemas
que podrían presentarse en los exámenes que se rinden en aulas no convencionales como los
laboratorios en los que se emplean máquinas y/o equipos.
Para el estudio se ha tomado como muestra la sección 811 de la asignatura Simulación de Sistemas que
tiene 34 alumnos matriculados. El examen parcial está programado para las 18 horas en el aula W-44,
que dispone de 34 computadoras, justo para el número de estudiantes matriculados. El día del examen
los alumnos comenzarán a llegar a la universidad desde cuatro horas antes de su evaluación, con un
tiempo entre arribos que se ajusta a una distribución exponencial con una media de 5 minutos. Los
estudiantes que llegan a la universidad antes de las 16 horas se dirigen a las salas de estudio de la
biblioteca o a la cafetería, con el propósito de repasar antes del examen y permanecer por un tiempo
uniforme entre 1.5 y 2 horas. En cambio, los estudiantes que llegan después, pero antes de las 17 horas
solo permanecen entre 0.5 y 1.5 horas. Posteriormente, se dirigirán al aula asignada o se ubicarán
cerca del edificio que es un punto de encuentro. Los estudiantes que llegan a partir de las 17 horas se
dirigen directamente al edificio.
Faltando 15 minutos para el inicio del examen, llegará al aula el profesor encargado y tardará a lo más
15 minutos en tomar lista, controlar el ingreso, acomodar y leer las instrucciones a los alumnos. A las
18 horas se dará la orden de inicio de la evaluación con los alumnos que hayan llegado; el examen tiene
una duración de 100 minutos sin embargo los alumnos tardan en resolverlo un tiempo que se ajusta a
una distribución UNIF [90,101) minutos. Según vayan terminando el examen, en forma ordenada los
estudiantes se van retirando del aula, la cual deberá quedar vacía.
1. Se desea formular un modelo de simulación para la situación descrita.

2. Simular el sistema y determinar el tiempo promedio con el que los estudiantes llegan a la universidad
por anticipado, antes de rendir su examen.
3. ¿Cuántos alumnos llegaron tarde dentro de la tolerancia de 15 minutos?
4. ¿Cuántos estudiantes fueron impedidos de rendir examen por exceder la tolerancia?
Escenario
Se desea incluir en el modelo la probabilidad de falla de una computadora, que ocurrirá una sola vez en
el lapso del examen, con distribución uniforme. En ese caso, el profesor deberá solicitar de inmediato el
soporte técnico y anotar en el parte de incidencias la hora en que el alumno comunicó el hecho y la hora
en que se resolvió el problema. El incidente tarda una EXPO (5) minutos e incluye la reparación. Al
terminar el examen, el profesor deberá dar el tiempo adicional que corresponde al estudiante
perjudicado. La interrogante es si existirá conflicto con el inicio del próximo examen: 20 horas.
5. Realice los cambios al modelo y simúlelo considerando además, el tiempo adicional.

6. Determine la hora en que se produjo la falla y el tiempo adicional otorgado al alumno.
188
Solución Delay
Process
Delay
Escenario
Agregar al modelo:
Delay
Delay
Conclusiones:
La falla se produjo a los 29.3 minutos del inicio del examen. El tiempo desde que el alumno reportó el
incidente hasta que se arregló la computadora fue de 25.7 minutos, con este tiempo adicional el
alumno terminaría 5.74 minutos después de las 8 pm, por lo que habrá conflicto con el inicio del
siguiente examen programado para las ocho de la noche.
189
21
Caso de estudio
Sistema rápido de transporte en corredor segregado
Objetivos:
o Recursos reutilizables con capacidades variables en el tiempo.
o Módulo de datos Resource. Uso de la variable MR (Resource).
R
Se desea simular el funcionamiento de un sistema de autobuses de tránsito rápido a

través de un corredor segregado de alta capacidad, que de norte a sur comprende 16
distritos limeños: desde Independencia hasta Chorrillos. Estudios del mercado alientan
la posibilidad de diversificar la oferta y añadir un servicio “Super Expreso” puntual y
seguro, que cubra la misma ruta pero con paradas en tan sólo dos estaciones interme-
dias.
Inicialmente se desea experimentar el desplazamiento de un solo autobús de norte a

sur (de Independencia a Chorrillos), simulando los tiempos de viaje y verificando la
hora exacta de partida del autobús en los paraderos. A continuación se muestra la in-
formación técnica del caso:
Itinerario del Autobús

Independencia San Isidro Miraflores
Hora de Partida 7:00 a.m. 7:30 a.m. 7:45 a.m.
Tiempos de Ruta (minutos)

Paradero
Independencia San Isidro Miraflores Chorrillos
Independencia -- UNIF(24,29)
San Isidro -- UNIF(10,12)
Miraflores -- UNIF(17,20)
Considere que el autobús debe permanecer en espera de pasajeros en el paradero

desde su llegada hasta la hora programada de su partida.
Formule un modelo de simulación adecuado a la situación descrita y simule la trayec-

toria del autobús de inicio a fin de la vía (Independencia Æ Chorrillos).
1. Suponga que se considera un tiempo promedio adecuado, para recoger pasajeros

en un paradero, que esté en el intervalo: [3.5, 4.5] minutos. ¿Se cumple esa premi-
sa?
Escenario
Suponga que los autobuses parten cada 15 minutos del paradero inicial de Indepen-
dencia, en forma constante, uno a la vez. Considere que el último bus partirá a las 12
de la noche y deberá completar su recorrido
2. Agregue los cambios al modelo original y simúlelo de 7:00 am a 12:00 a.m.
3. Determine el tiempo promedio de viaje para los pasajeros que van desde el parade-
ro inicial hasta el paradero final.
190
Solución
Delay Delay
En el reporte se observa que el tiempo

para recoger pasajeros en el paradero 2
no se encuentra en el intervalo señalado,
no se cumple la condición.
Escenario
El Tiempo promedio por
Modificar los módulos “Create”:
viaje fue de 63.56 minutos.
191
Final de capítulo
Casos propuestos
Caso 1: Confección de casacas para universitarios
Una empresa textil produce dos tipos de casacas: un diseño para damas y el otro para
caballeros. El mercado potencial está representado por jóvenes universitarios; solo
hay talla única.
El departamento de producción envía las casacas confeccionadas al área de empaque,

en intervalos de tiempo, de acuerdo con una EXPO(2) minutos. De estos envíos, el
60% de las casacas son para damas y el 40% para caballeros.
Operación empaque
Cada casaca que llega al área de empaque debe ser doblada, embolsada y colocada en
una caja con capacidad variable. Las casacas para damas se colocan en cajas de una
docena; las casacas para caballeros en cajas de media docena.
Empacar cada casaca de damas demora un tiempo NORM(5,2) minutos y es realizada

indistintamente por 2 operarios que se dedican en forma exclusiva a este tipo de pren-
da. El empaque de cada casaca para caballeros tarda un tiempo EXPO(3) minutos y es
realizada por cualquiera de los 3 operarios disponibles exclusivamente para dicha
prenda.
Operación etiquetado
Procedentes del área de empaque, las cajas van llegando al área de etiquetado. Aquí
laboran 2 operarios que emplean tiempos similares para colocar las etiquetas en las
cajas. Etiquetar una caja con casacas para damas tarda un tiempo UNIF(10,15) minu-
tos. El tiempo de etiquetado en una caja de casacas para caballeros corresponde a
una EXPO(12) minutos. Posteriormente, cada caja es despachada al departamento de
ventas.
Se pide:
• Simular 6 días continuos y 20 réplicas. Considerar un turno de trabajo de 8 ho-

ras/día.
• Obtener estadísticas sobre:
1. El tiempo de ciclo por cada tipo de caja y el tiempo de ciclo general.
2. El número de casacas para damas y caballeros que se despacharon al departa-

mento de ventas.
• El número total de cajas enviadas al departamento de ventas.
192
Caso 2: Asignación de recursos a las actividades

En una empresa metalmecánica se fabrican piezas de acero, para ello requieren ope-
raciones de maquinado en tres estaciones de trabajo (estación 1, estación 2, estación
3) y una operación de inspección. Para realizar todas estas operaciones la empresa
cuenta con 2 maestros y 1 ayudante en toda la planta.
Estación 2 Estación
Estación 1
Inspección
Layout
El tiempo entre llegadas se distribuye exponencialmente con media de 1 minuto. Con-

siderar que se forman colas frente a cada estación de trabajo y a la inspección.
En la inspección ocurre una probabilidad de aceptación del 90%. Se cuenta, además,
con la siguiente información sobre tiempos, expresados en minutos:
Tiempo de proceso Recursos a utilizar

Estación 1 Normal(0.70, 0.20) 1 maestro
Estación 2 Normal(0.75, 0.25) 1 maestro
Estación 3 Normal(0.80, 0.15) 1 maestro y 1 ayudante
Inspección Normal(0.20, 0.05) 1 maestro
Escenario 1:
Simular el sistema descrito por un tiempo de 8 horas y 20 réplicas. Determinar el pro-
medio de piezas defectuosas y el intervalo, con un nivel de confianza del 95%.
Escenario 2:
Suponga que en el ayudante ha ganado experiencia, de tal forma que en la Estación 3,
el proceso puede ser ejecutado por un maestro o por un ayudante (el maestro tiene
prioridad sobre el ayudante).
Se pide:
Realizar una comparación estadística entre ambos escenarios, en cuanto al promedio
de piezas defectuosas.
193
Caso 3: Producción de maletas en tres tipos de material
Una empresa se dedica a la fabricación de maletas. Posee un solo diseño y tres tipos
de presentación, según el material que se utilice. Cada EXPO(12) minutos llega a la
planta un kit de componentes para producir una maleta. El 45% de los kits que llegan
son del tipo 1 (contienen el material 1), un 35% son del tipo 2 y un 20% del tipo 3.
Cada kit que llega a la planta pasa por una operación previa de inspección, para verifi-
car que los componentes estén completos. Esta operación dura una UNIF(3, 8) minu-
tos, y la realiza un solo operario. Se estima un 0.5% de kits incompletos que serán
devueltos al almacén.
La secuencia de operaciones que debe seguir un kit depende del tipo de material que
contenga. Así, tenemos que:
• Kit tipo 1: Secuencia de operaciones 1 Æ 2 Æ 3

• Kit tipo 2: Secuencia de operaciones 1Æ3
• Kit tipo 3: Secuencia de operaciones 2Æ3
Cada operación es ejecutada por un solo operario. La disponibilidad de operarios y los

tiempos de cada operación se muestran en la siguiente tabla:
Número de Tiempo
Operación
operarios (minutos)
1 2 Unif(2, 6)
2 3 Unif(6, 10)
3 2 Unif(8, 19)
Luego de la operación 3, las maletas se van colgando en estructuras de madera ro-

dantes, con capacidad para 6 unidades. Cuando estas se completan son llevadas hacia
una cola, antes del control de calidad. La duración de este control es una UNIF(5, 10)
minutos por cada maleta contenida en la estructura (el control se ejecuta en la misma
estructura), y lo hace un solo operario.
Una vez que se inspecciona el contenido de cada estructura las maletas son descolga-
das y llevadas al almacén de productos terminados.
1. Formular el modelo y simular el sistema durante 2000 minutos.
2. Determinar los tiempos de ciclo por cada tipo de maleta y los tiempos promedio de
espera por cada operación.
3. Respecto del modelo inicial, suponga que si en algún momento la cola de inspección
final llega a 6 estructuras, entonces el 50% se llevará a otra estación de inspección
con un tiempo de servicio similar.
4. Suponga que cada vez que la cola de inspección previa llega a 5 kits, la media en-
tre llegadas pasa de 12 a 15 minutos. Realizar los cambios en el modelo.
194
Caso 4: Evaluación de escenarios

El siguiente esquema representa el proceso de producción de un producto:
El proceso comienza cuando la pieza llega a la entrada en lotes de 5 unidades y con

una frecuencia de comportamiento exponencial, con una media de 45 minutos. Segui-
damente estas pasan una a una a la máquina 1, donde se realiza una operación cuya
duración se ajusta a una distribución normal con media 3 y una desviación de 0.1 mi-
nutos. Terminada esta, la pieza es llevada hasta la máquina 2 por medio de un único
dispositivo (transportista) debido a que sale a temperaturas que no permiten que sea
trasladada de otra forma. La distancia que el transportista recorre le toma 1 minuto.
La duración de la operación en la máquina 2 corresponde a una distribución uniforme

entre 4 y 6 minutos. Esta operación incluye la colocación de la pieza en una caja. Las
cajas llegan de 10 en 10 cada hora al almacén de cajas (la línea discontinua en el es-
quema representa el paso de las cajas de empaque hacia la máquina 2). Al finalizar
esta tarea, la pieza ya se convirtió en producto terminado y, dentro de su caja, se en-
vía a la inspección de calidad. La inspección dura 3 minutos y no se efectúa sobre el
total de las cajas terminadas; de acuerdo con el plan de muestreo, se sabe que la pro-
babilidad de que una pieza sea inspeccionada es del 60%. Las estadísticas históricas
revelan que el 90% de los productos que ingresan al control se aceptan, el resto se
rechaza. Los productos aceptados en el control se sellan y pasan al almacén para su
posterior distribución, mientras que los rechazados salen de la planta hacia una línea
distinta de reproceso.
La capacidad de operación de las máquinas y del control de calidad es de una unidad a

la vez, y en el caso de la entrada y la zona de cajas puede tenerse hasta 10 unidades
como máximo. Se pide:
1. Formular y ejecutar el modelo por 15 horas y determinar la tasa de producción de

la línea.
2. Para las condiciones dadas en el problema y para el tiempo de simulación estable-
cido, ¿cuántos productos se rechazaron?
195
Caso 5: Sistema de producción semiautomatizado
Se tiene un sistema de producción semiautomatizado, compuesto por las siguientes

locaciones y entidades:
Robot 3
Faja 1A Faja 1B
Robot 1
Faja 1C
Robot 2
Faja 2
Estación de
ensamble
Almacén
central
EXIT
Control de
calidad
Proceso
Se requiere modelar un sistema para la producción de un tipo de engranaje de uso in-
dustrial. El gráfico anterior nos da una visión más clara de la situación planteada.
El proceso comienza cuando los bloques de acero llegan a las fajas 1A y 2, en lotes de
10 unidades, cada 30 minutos. Luego, los bloques llegan a los robots 1 y 2, donde se
realizan operaciones que tienen una duración que se ajusta a la distribución de proba-
bilidad exponencial con una media de 8 y 15 minutos, respectivamente, en cada robot.
Del robot 1 sale la pieza 1, que viaja por la faja 1B hasta el robot 3, donde se realiza
una operación que tiene una duración de comportamiento exponencial con una media
de 2 minutos. Luego, esta misma pieza es trasladada por la faja 1C con dirección a la
estación de ensamble, pero no podrá pasar hasta que en la estación ya se disponga de
una pieza 2. Del robot 2 sale la pieza 2, que luego pasa a la estación de ensamble.
La operación de ensamble se realiza juntando una pieza 1 con una pieza 2 y la dura-
ción de esta se ajusta estadísticamente a una distribución normal, con una media de 3
minutos y una desviación de medio minuto. Al terminar un ensamble se completa un
producto terminado, que luego es enviado al control de calidad.
196
Durante el control de calidad, la probabilidad de aceptar un producto es del 75%,

mientras que la probabilidad de rechazarlo es del 25%. Según sea el resultado de la
inspección de calidad, el producto aceptado se envía al almacén central para su poste-
rior salida del sistema, mientras que los productos rechazados salen directamente del
sistema.
Considere que existe un tiempo de desplazamiento de las entidades hacia las locacio-
nes, que se estima que es, en promedio, de 1 minuto. Este tiempo no se refiere a los
desplazamientos de las entidades en las fajas sino cuando salen de estas u otras loca-
ciones hacia otras. A continuación, se muestra la información técnica del caso:
Locaciones Capacidad Unidades

Faja 1A 10 1
Robot 1 1 1
Faja 1B 10 1
Robot 3 1 1
Faja 1C 10 1
Faja 2 10 1
Robot 2 1 1
Estación de ensamble 1 1
Control de calidad 1 1
Almacén central INF 1
Se pide hacer un modelo de simulación para el sistema planteado, luego correr o si-
mular el modelo por un tiempo de 15 horas.
Escenario
Se desea evaluar la posibilidad de que la producción defectuosa se reprocese. En
cuanto al trabajo realizado por los robots, este es muy preciso y de muy alto nivel de
calidad; sin embargo, el problema se produce en la estación de ensamblaje. Las esta-
dísticas revelan que el 100% de los productos defectuosos se debe a un mal ensam-
ble. Los ingenieros de planta están considerando modificar el proceso de la siguiente
manera:
• Para todo producto que se rechaza por mala calidad durante la inspección, de-
be realizarse un retrabajo en la estación de ensamble.
• Debido a la mayor demanda de trabajo que soportará la estación de ensamble,

se ha considerado aumentar su capacidad a 2.
• El producto rechazado que sale del control de calidad reingresa a la estación de

ensamble. La operación de reensamble no requiere de ninguna pieza adicional
y tiene una duración que se ajusta a una distribución normal con media de 1 y
una desviación de 0.1 minutos. Terminada esta operación, el producto pasa di-
rectamente al almacén central y desde allí posteriormente saldrá del sistema.
• Se requiere llevar un control sobre el número de productos que se reprocesan y

llegan al almacén central. Es decir, se pide que se coloque un contador para
monitorear a los productos que se retrabajan.
197
Caso 6: Asignación de prioridades a rutas
Se tiene un sistema de producción cuyas locaciones y entidades se muestran a conti-

nuación:
Faja 1
Faja 2
Según el esquema anterior, el proceso comienza cuando las piezas A y B arriban a las
zonas de recepción A y B respectivamente, donde permanecerán 5 minutos. Luego pa-
sarán en paralelo a las fajas 1 y 2, entonces avanzarán con dirección a la máquina de
proceso.
Las zonas de recepción y las fajas transportadoras tienen capacidad infinita, mientras
que la máquina de proceso tiene capacidad 1. Al salir de las fajas, las piezas ingresan,
una a una, a la máquina de proceso. El tiempo de procesamiento en esta se ajusta a
una distribución normal con media 3 y desviación de 0.1 minutos, para cualquier tipo
de pieza; transcurrido este tiempo, salen del sistema. Considerar un tiempo de despla-
zamiento de las piezas entre locaciones igual a 1 minuto.
Formular un modelo de simulación para el caso planteado. Considerar que las piezas
ingresan al sistema cada minuto, en lotes de 50 unidades, se desea observar el proce-
so para una sola ocurrencia en cada tipo de pieza, es decir, hasta que se terminen de
procesar ambos lotes.
Escenario
Se desea estudiar el comportamiento del sistema cuando las piezas tipo B que se en-
cuentran en la faja 2 deben ingresar a la máquina de proceso antes que las piezas A
de la faja 1.
198
Caso 7: Asignación de prioridades a recursos
Sobre la base de la información del caso anterior, considerar el siguiente sistema de

producción, cuyas locaciones, entidades y recursos, se muestran a continuación:
Según el esquema anterior, el proceso comienza cuando las piezas A y B arriban a las
zonas de recepción A y B, respectivamente. Luego un operario se encargará de llevar-
las hasta la faja transportadora.
Como se tiene dos tipos de piezas, una en cada recepción, y solo existe una faja, en-
tonces es imperativo definir cuál de ellas tiene prioridad para obtener el recurso y ac-
ceder primero a la faja. Para este caso, la prioridad al capturar el recurso la tendrá la
pieza B; es decir, el operario debe ir a la recepción B y tomar una pieza B y llevarla
hasta la faja, luego regresará a la recepción B y tomará la segunda pieza B y la llevará
a la faja, y así sucesivamente hasta terminar con el lote. Después pasará a la recep-
ción A y hará lo mismo con el lote A.
Al salir de las fajas, las piezas ingresan una a una a la máquina de proceso y al térmi-
no de la operación la pieza saldrá del sistema.
Se pide:
Formular un modelo de simulación para el caso planteado. Se desea observar el pro-

ceso para una sola ocurrencia en cada tipo de pieza.
199
Caso 8: Supermercado Litro

Se desea estudiar el comportamientos de las colas que se producen en un sistema co-
mercial, correspondiente a un supermercado de autoservicio que está compuesto por
las siguientes locaciones, entidades y recursos:
LITRO
Supermercados Estantería 2
Cola 3
Estantería 1 Cola 2
Cliente
Cola 1
Cliente
VIP
Según el esquema anterior hay dos tipos de clientes, quienes ingresan al esta-
blecimiento por la locación correspondiente, para realizar sus compras. Existen dos es-
tanterías, donde se encuentran los productos clasificados según su uso y a los cuales
llegan los clientes para escoger sus productos. Terminada esta operación, los clientes
se dirigen hacia las cajas para realizar sus pagos.
Existen tres cajas disponibles para realizar los pagos. La caja 1 está destinada exclusi-
vamente para clientes importantes; las cajas 2 y 3 son utilizadas por el resto de los
clientes. Una vez que los clientes realizaron sus pagos salen de la cola y se dirigen a
la zona de salida, para luego salir del sistema.
Paralelamente a las transacciones descritas, se produce la tarea de abastecimiento de

los productos al supermercado. Esto se inicia cuando los productos llegan a la zona de
rampas; luego, dos empleados del establecimiento trasladan los productos directa-
mente a las estanterías. Estos empleados están al tanto de la llegada de los productos
para realizar su trabajo.
El estudio se ha focalizado en realizar un seguimiento a los clientes y no a los produc-

tos que estos lleven; considere que existe un tiempo de desplazamiento de los clientes
hacia las locaciones, que se estima que, en promedio, es de 1 minuto. A continuación,
se muestra la información técnica del caso:
Locaciones Capacidad
Caja 1 1
Caja 2 1
Caja 3 1
Cola 1 INF
Cola 2 INF
Cola 3 INF
Estantería 1 1
Estantería 2 1
Entrada 1
Rampas 1
200
Se ha efectuado un trabajo de campo para la toma de tiempo de los arribos de los clien-
tes. Esta data se sometió a diversas pruebas estadísticas para realizar los ajustes co-
rrespondientes a distribuciones de probabilidad. Los resultados fueron los siguientes:
• Una vez abierto el establecimiento, la frecuencia con que un cliente importante (VIP)
llega al supermercado está de acuerdo a una distribución exponencial con una media
de 10 minutos. El comportamiento de las llegadas cambia después de 4 horas de
abierto el establecimiento; es decir, los clientes VIP llegan con mayor frecuencia, de
acuerdo con una exponencial con media de 5 minutos.
• El resto de los clientes arriban al supermercado también de acuerdo a una distribu-

ción exponencial, pero con una media de 2 minutos.
• Los productos llegan a la zona de rampas de acuerdo a una exponencial con media
de 30 minutos, e inmediatamente son trasladados por los empleados hacia las es-
tanterías.
• En cuanto a los recursos, existen 2 empleados que se dedican en forma exclusiva a

trasladar los productos desde las rampas hasta las estanterías. La selección de la es-
tantería donde dejarán el producto es Random o aleatoria (otro objetivo del estudio
es conocer los niveles de utilización actual de dichos recursos).
• Considere que la selección de la estantería por los clientes es Random (aleatorio). De

igual forma, cuando el cliente sale de las estanterías con dirección a las colas 2 o 3,
su selección es aleatoria o Random. Solo en el caso del cliente VIP su destino siem-
pre es la cola de pago 1.
• Todos los clientes demoran un promedio de 1 minuto en las estanterías. Luego de

hacer la cola, los clientes ingresan a la caja donde realizan el pago. Esta operación
tiene una duración promedio de 1 minuto por cliente.
• Considere un minuto como tiempo de desplazamiento de los clientes desde la entra-

da hasta las estanterías. De igual forma, desde las estanterías hasta las colas el
tiempo de desplazamiento es de un minuto. También tardan un minuto en salir del
sistema.
Se pide:
1. Hacer un modelo de simulación para el sistema planteado, luego correr o simular

el modelo por un tiempo de 15 horas.
2. Efectuar un diagnóstico de la situación actual del comportamiento de colas

observado.
3. Implementar las mejoras que considere conveniente.
201
Caso 9: generación de stock y despacho

Una empresa produce y comercializa un cierto producto destinado exclusivamente pa-
ra la exportación. Los productos pasan de la planta de producción al almacén central
en forma continua a un ritmo que se ajusta a una distribución UNIF(2,4) minutos, aquí
se coloca cada unidad en una caja que luego se enzuncha (colocarle cinta abrazadera
de metal), este proceso tarda un tiempo que se ajusta a una distribución UNIF(1,1.5)
minutos y existe capacidad infinita para realizarlo. Se dispone de un inventario inicial
de 117 unidades empacadas en almacén. Determine como queda el inventario final, al
cabo de 8 horas de simulación del sistema.
Escenario
Respecto al escenario original, suponga que los productos ya no se empacan, ahora se
envían sin caja al almacén al mismo ritmo. Paralelamente a la producción, existen 4
operarios que van realizando en forma continua, el control de calidad del producto.
Este proceso tarda, a cada trabajador, un tiempo que corresponde a un distribución
TRIA(2,3,5) minutos por producto. El 15% de los productos desaprueba el control de
calidad y deben ir a un reproceso, que demanda una distribución UNIF(2,3) minutos,
en el que siempre se recupera el producto y se le envía al almacén. Los productos que
aprueban el control de calidad, son cargados en camiones que los llevan directamente
al puerto de embarque.
1. Modele los cambios necesarios al modelo original.

2. Determine los siguientes indicadores:
• Obtenga el número total de cajas examinadas
• Determine el inventario promedio de cajas durante la simulación
• Determine el número de cajas que no fueron examinadas.
• Determine cada cuanto tiempo se examina y aprueba un producto.
Caso 10: Descarga del equipaje de los pasajeros en aeropuerto
Se desea investigar el funcionamiento del proceso de descarga del equipaje de pasaje-

ros que traen los aviones que provienen del extranjero. Luego de cargar, los monta-
cargas se desplazan y llegan a la zona de descarga del aeropuerto de acuerdo a una
EXPO(10) minutos, cargando entre 10 y 15 maletas con distribución uniforme. Si bien
se dispone de varios montacargas, se debe realizar entre 18 y 20 cargas con distribu-
ción uniforme, para descargar cada avión. Al llegar el primer montacargas a esta zo-
na, dos operarios descargan y verifican la recepción de cada maleta mediante una
pistola lectora de código de barras, luego es cargada en una faja transportadora. Todo
ello tarda a cada operario una NORM(0.5,0.05) minutos por maleta.
Ya en la faja, cada maleta es transportada hasta la zona de control de aduana; el

tiempo de traslado es variable y corresponde a una UNIF(4,6) minutos, ya que siem-
pre realizan paradas técnicas en las fajas. Una vez en la aduana, el 33% de las male-
tas pasa a la inspección (asumimos una maleta por pasajero), el resto de pasajeros
sale del aeropuerto con su equipaje. En la aduana existen dos inspectores que tardan,
cada uno, un tiempo equivalente a una EXPO(5) minutos por maleta. En la zona de
control de aduanas no debe haber más de 6 pasajeros en total (dos atendiéndose y
cuatro en cola). Por ello, las maletas que arriban a dicha zona pueden pasar directa-
202
mente a la cola, si es que hay capacidad, de lo contrario un operario las monta en una
faja circular en la que las maletas estarán dando vueltas hasta que sean retiradas por
el operario; éste realiza el chequeo de la disponibilidad en cola cada vez que una ma-
leta llega a su ubicación; una maleta tarda un minuto en dar una vuelta. Sí las male-
tas que llegan a la aduana encuentran disponibilidad de atención, entonces entran
directamente a la cola sin ingresar a la faja circular; sin embargo una maleta que sale
de la faja circular tiene prioridad en la cola de atención sobre las que no ingresaron a
la faja. Se pide:
1. Formular un modelo de simulación en Arena, para el sistema

descrito.

• El tiempo promedio que demora entregar una maleta,
desde su arribo a la zona de descarga hasta su salida del
aeropuerto. Discrimine de acuerdo a si pasó o no por
aduana.
• El tiempo promedio que una maleta permanece en la faja
circular.
• Intervalo entre salidas de pasajeros, discrimine de
acuerdo a si pasó o no pasó por aduana.
Escenario
Suponga que los inspectores de aduana comienzan a trabajar solo después de 10 mi-
nutos del arribo de las primeras maletas a la zona de descarga del aeropuerto. Realice
los cambios necesarios al modelo original y obtenga los mismos indicadores.
Caso 11: Transporte de bobinas de acero
En el departamento de producción de MAFEPE, que es una empresa metal mecánica

dedicada a la transformación y venta de materiales ferrosos, se tiene interés en simu-
lar el funcionamiento de una sección de la planta en la cual se reciben las bobinas de
acero y se transportan hacia las diferentes líneas de transformación.
El proceso se inicia con los envíos de las bobinas de acero desde el almacén MP a la
zona temporal de almacenaje; los arribos a esta zona están programados para que se
realicen durante 2 horas consecutivas y con un tiempo entre arribos que se ajusta a
una distribución UNIF(8,10) minutos. A esta zona temporal llegan dos tipos de bobi-
nas: LAF (laminado en frio) y LAC (laminado en caliente), cuyas probabilidades de
arribo son del 60% y 40%, respectivamente. Mediante una grúa “puente”, conducida
por un operario, se toma con prioridad una bobina LAF, si la hubiere, de lo contrario se
toma una bobina LAC. El proceso de enganchar la bobina, transportarla hasta la zona
previa a las líneas de producción y colocarla en una tarima dura una UNIF(10,15) mi-
nutos. Hecho esto, la grúa regresa sin carga a tomar una nueva bobina; este tiempo
de regreso se ajusta a una NORM(3.5,0.25) minutos.
203
1. Formule un modelo de simulación adecuado al caso planteado y ejecútelo hasta que

se hayan trasladado todas las bobinas de acero hasta la zona previa a las líneas de
producción.
2. Determine el tiempo de ciclo de la grúa, desde que inicia la carga de la bobina has-
ta que regresa y carga la siguiente bobina.
3. Diseñe un indicador estadístico para controlar el final de la simulación.
Escenario
Las bobinas dejadas por la grúa son recogidas por montacargas y demoran una
UNIF(3,5) minutos en llegar hasta las líneas de producción. Las bobinas tipo LAF, de
mejor calidad, se destinan para la producción de tubos (Línea 1); mientras que las de
tipo LAC, se utilizan en un 70% para la producción de ángulos (Línea 2); y el resto
para la producción de platinas (Línea 3).
4. Añada al modelo original lo necesario para cumplir con lo requerido en el escenario.

5. Incluya un procedimiento para contar el número de bobinas que llegan a cada línea
de producción y escriba sus resultados.
Caso 12: Proceso de ensamble de bicicletas
En INBISA, se producen dos tipos de bicicletas para dos segmentos diferentes del
mercado; el proceso de producción se realiza en dos líneas, una para cada tipo de bi-
cicleta, y consiste en ejecutar operaciones de ensamble; cada bicicleta requiere de una
estructura, que es la misma para ambos tipos, y de accesorios (llantas, cadena, fre-
nos, etc.). Se ha programado que, durante la jornada, el almacén realizará los envíos
de las estructuras a la planta de producción, a razón de un envío por hora, comenzan-
do desde las 8 a.m. hasta las 4 p.m. hora en que se ejecutará el último envío, es decir
serán 9 envíos en el día. Cada envío consiste en una estructura de cada tipo.
En cada línea de producción existe una estación de trabajo y un operario asignado a

cada una de ellas, para ejecutar las operaciones de ensamblaje. En cada estación exis-
ten los accesorios suficientes para cumplir con la producción diaria; el tiempo para
ensamblar una bicicleta del tipo 1 se ajusta a una UNIF(50,60) minutos, mientras que
para el tipo 2 es una TRIA(45,50,55) minutos. Una vez ensamblada una bicicleta, in-
mediatamente, se realiza un control de calidad que lo ejecuta el mismo operario; el
25% de las bicicletas requieren de un reajuste de sus piezas, que demandará un tiem-
po equivalente a un 10% de lo que fue su duración original de ensamblaje.
Finalmente, las bicicletas son llevadas a un almacén común en el que se van colocan-
do en fila, según vayan llegando, y permanecerán allí hasta terminar la producción del
día, hora en que dos camionetas, una para cada tipo de bicicleta, las llevarán a los
respectivos puntos de venta. Los tiempos de carga de las bicicletas a las camionetas
son despreciables.
Se pide simular el sistema, hasta que se haya concluido la producción del día y deter-
mine lo siguiente:
204
1. Identifique a las entidades, actividades y recursos del sistema.

2. Determine el tiempo promedio para ensamblar cada tipo de bicicleta, desde la lle-
gada de los componentes.
3. Determine el tiempo promedio que una bicicleta de cualquier tipo permanece en el
almacén hasta que sean recogidas.
Escenario:
Suponga que debido a problemas de capacidad en el almacén de estructuras, se dis-
pone de un inventario de exactamente 18 unidades (9 para cada tipo de bicicleta),
para trabajar en el día. Así, a las 4:00 p.m. se debe lanzar una orden de pedido al
proveedor para la compra de 18 unidades y recargar inventario, que estarán disponi-
bles al inicio de la producción del día siguiente. Suponga que el proveedor tarda un
tiempo equivalente a una UNIF(1.5,2) horas, en atender el pedido. Se pide agregar los
cambios necesarios al modelo original.
205
Capítulo 3
Obtención y
análisis estadístico de los
datos para el modelo
• Aspectos importantes en la etapa de recolección de datos

• Ajuste de los datos muestrales a distribuciones de probabilidad
teóricas poblacionales
• Proceso de ajuste de datos a una distribución
• Análisis de datos en Arena: Input Analyzer
• Escenario de incertidumbre total
El proceso de recolección de datos implica planeamiento, tiempo
de ejecución y costo, por lo tanto debe ejecutarse en forma in-
teligente y sistemática, para asegurar una construcción apropia-
da del modelo que representará al sistema. La información que
se desprende de un sistema tiene carácter dinámico y estocásti-
co, la variabilidad de este debe modelarse mediante expresio-
nes matemáticas que reproduzcan su comportamiento. Así, las
distribuciones teóricas de probabilidad, en la mayoría de los ca-
sos pueden reproducir dicha variabilidad; por ello, los datos re-
colectados deben someterse a diversas pruebas estadísticas pa-
ra evaluar el grado de independencia, homogeneidad y compati-
bilidad; y conocer el nivel de calidad de ajuste que tienen a al-
guna distribución teórica que los represente.
Capítulo 3
OBTENCIÓN Y ANÁLISIS ESTADÍSTICO DE LOS
DATOS PARA EL MODELO
Una vez que se han definido claramente los objetivos y se ha diseñado el modelo con-
ceptual, entonces puede iniciarse la fase de recolección de datos. Se requiere identifi-
car qué datos serán necesarios para soportar el modelo, como los tiempos de proceso
de las máquinas o el intervalo entre fallas de equipos, etcétera. El proceso de recolec-
ción de datos es vital e implica tiempo y costo, por lo tanto, debe ejecutarse en forma
inteligente y sistemática para asegurar la construcción del modelo apropiado.
Los datos raramente se encuentran disponibles en la forma exacta en que se necesitan

para definir un modelo. Por lo general, los esfuerzos de recolección terminan con mu-
chos datos, pero muy poca información útil. La disponibilidad y calidad de los datos
pueden influenciar en el acercamiento o nivel de detalle que se captura en el modelo;
es decir, si no podemos conseguir los datos adecuados que conciernen a elementos
críticos del modelo, entonces no es posible obtener conclusiones con un significativo
nivel de confiabilidad.
1. ASPECTOS IMPORTANTES EN LA ETAPA DE RECOLECCIÓN

DE DATOS1
1.1 Identificar los requerimientos de los datos

La recolección de los datos no debe ser al azar sino orientada en función de los objeti-
vos del estudio. Se deben considerar solo los factores relevantes; por ejemplo, si las
fallas de las máquinas no son relevantes, o los tiempos de desplazamiento no son sig-
nificativos, entonces no hay que perder tiempo buscando información sin importancia.
Tomar en cuenta que la simulación es una abstracción del sistema real, que implica
modelar la esencia y no los mecanismos con que funciona.
1.2 Identificar las relaciones causa-efecto

Uno de los aspectos más difíciles de definir son las relaciones causa-efecto en el siste-
ma. Es importante identificar correctamente las causas o condiciones bajo las cuales
las actividades son ejecutadas durante la simulación. En algunos casos esto se produ-
ce durante la ejecución de los eventos programados, sin embargo en otros casos la
ejecución de actividades obedece a la ejecución de eventos condicionales. Por ejemplo,
cuando se realiza la recolección de datos sobre tiempos de actividad es importante
distinguir entre el tiempo que se requiere para ejecutar la actividad y el tiempo que
permanece en cola por la espera de la disponibilidad de recursos. Si, por ejemplo, los
datos históricos son usados para determinar los tiempos de reparación por la falla de
una máquina, entonces el tiempo de reparación no debería incluir el tiempo de espera
por la disponibilidad del mecánico (técnico).
1
Basado en HARRELL, CH. y K. TUMAY. Simulation made easy. A maganers guide, 1995.
209
Tómese en cuenta que, por cuestiones de simplificación, sumar los tiempos o agrupar
múltiples actividades en un solo tiempo resultante puede ser factible si las operaciones
conforman un proceso en serie. Sin embargo, esto no es posible si las operaciones se
realizan en paralelo, en este caso los tiempos no son aditivos. Estos aspectos deben
ser tomados en el proceso de recolección de los datos.
1.3 Recolección de datos en forma sistemática

Los requerimientos de los datos se definen sobre la base de los objetivos y estrategias
para la construcción del modelo, recién entonces se debe iniciar la recolección de los
datos. Los datos deben ser obtenidos de manera sistemática, comenzando con infor-
mación general acerca del sistema y luego información más específica como parte de
un refinamiento progresivo. Al empezar desde el nivel más general, quizá la forma de
comenzar sea definiendo el flujo físico de entidades de una locación a otra, a través
del sistema. Esto puede realizarse mediante un diagrama de flujo que asegure que el
flujo es correcto y no se ha descuidado nada. El siguiente paso es definir cómo se
mueven las entidades de locación en locación y qué recursos son usados para ejecutar
las operaciones en cada locación. El último paso es determinar los valores que se van
a utilizar en las capacidades, tiempos de desplazamiento, tiempos de proceso, etcéte-
ra. En el modelado de los sistemas de manufactura el modelador debe, a menudo,
estimar los tiempos de ciclo o tiempos de inactividad por fallas de las máquinas me-
diante estudios de tiempos, tiempos estándar predeterminados, datos históricos o es-
pecificaciones técnicas de los equipos.
Es importante preparar una lista de preguntas que nos oriente hacia la obtención de la
información adecuada. Algunas de estas preguntas son:
• ¿Cuáles son los tipos de entidades que fluirán por el sistema y qué atributos los
distinguen en la manera en que las entidades del mismo tipo son procesadas?
• ¿Cuál es la ruta de las locaciones en el sistema (locaciones o puntos de procesa-

miento, colas o rutas alternativas por módulos de decisión) y cuáles son sus capa-
cidades (número de entidades que se pueden alojar en la locación a la vez)?
• Si la locación es una cola, ¿en qué orden se formará la cola (FIFO, LIFO, etcé-
tera)?
• ¿Qué tipos de recursos (personal, vehículos, máquinas, etcétera) son utilizados en

el sistema y cuántas unidades se requieren por cada tipo?
• ¿Dónde, cuándo y en qué cantidades ingresan las entidades al sistema? Definir los
horarios Schedule, tiempos entre arribos, patrones de arribos cíclicos o condicio-
nes que inician cada arribo.
• ¿Cuál es la ruta o secuencia que sigue cada tipo de entidad?
• ¿Qué actividad es requerida por cada entidad, en la ruta o secuencia que estas si-
guen? Definir en términos de tiempo requerido, recursos usados, lógica de la ope-
ración, etcétera.
210
CAPÍTULO 3. OBTENCIÓN Y ANÁLISIS ESTADÍSTICO DE LOS DATOS PARA EL MODELO
• Si una entidad saliente de un módulo de decisión puede ser dirigida a varias loca-
ciones alternativas, ¿cómo es establecida la ruta según decisión (selección proba-
bilística o por condición)?
• ¿Cómo se trasladan las entidades a la siguiente locación? Definir en términos de

tiempo y recursos requeridos.
• ¿Qué produce el movimiento de entidades de una locación a otra: capacidad dis-

ponible de la locación siguiente, el pedido que realiza la estación siguiente a la es-
tación anterior, una condición externa?
• ¿Cómo se mueven los recursos de una locación a otra para ejecutar tareas? Definir
en términos de velocidad, distancia o tiempo.
• ¿Qué hacen los recursos cuando terminan de ejecutar una tarea y no hay otras ta-
reas esperando? ¿Permanecer en el lugar, ir a algún otro lugar, etcétera?
• Si hay situaciones donde múltiples entidades esperan por el mismo recurso, cuan-
do este queda disponible, ¿qué método es usado para conceder el acceso? Definir
prioridades de apropiación.
• ¿Cuál es el programa de disponibilidad de recursos? Definir en términos de turnos

de trabajo o interrupciones en los programas.
• ¿Qué clase de interrupciones planeadas realizan los recursos: programas de man-

tenimiento, calibración/configuración o setup, reemplazo de equipos?
• ¿Qué clase de fallas se producen en las máquinas o recursos en general? Definir

en términos de distribuciones, describiendo el tiempo de falla y el tiempo para re-
parar el recurso.
1.4 Usar fuentes de datos apropiadas

Los datos raramente se recolectan de una única fuente, por lo general es el resultado
de tabulación, extrapolación, entrevistas, y provienen también de una suerte de conje-
turas. Las nuevas fuentes de sistemas de datos incluyen lo siguiente:
• Planes de procesos.
• Estudios de tiempos.
• Diagramas de flujo.
• Diagramas de disposición.
• Entrevistas personales.
211
1.5 Preparar una lista de supuestos
No toma mucho tiempo, después de que los datos han sido recolectados, darnos cuen-
ta de que cierta información no está disponible, o quizá los datos obtenidos sean no
fiables. Es difícil obtener datos completos, precisos y actualizados para toda la infor-
mación necesitada. Asimismo, es casi imposible lograr la precisión de los datos para
sistemas nuevos que están siendo modelados.
Para fenómenos donde la información es desconocida o imposible de determinar se de-

ben establecer suposiciones; por ejemplo, la varianza de una determinada actividad
tiene muy poco o ningún impacto en el desempeño del sistema, entonces debe ser
usado un tiempo de actividad constante. De otro modo, será importante tener una de-
finición precisa de la distribución del tiempo de actividad.
Otro tipo de suposiciones consiste en ejecutar tres escenarios diferentes, “el mejor ca-
so” mostrando el valor más optimista, “el peor caso” usando el valor más pesimista, y
“el caso más probable” usando un valor estimado. Esto ayudará a cuantificar el riesgo
que se desea adoptar en el supuesto.
1.6 Convertir los datos en una forma utilizable en el modelo
Una vez recolectados los datos se deben realizar ciertas pruebas de ajuste de estos a
alguna distribución teórica poblacional, o, en todo caso, a una distribución empírica. Es
decir, el objetivo es resumir los datos en la forma de una distribución, que pueda ser
utilizada directamente en el modelo.
1.7 Documentación de los datos
Cuando la información relevante ha sido extrapolada de los datos disponibles es acon-

sejable documentar la fuente de esta información y someterla al escrutinio de otros
que están en posición de evaluar y validar los datos y aprobar las suposiciones hechas.
Organizar la información en un resumen escrito hará que los datos sean fáciles de re-
visar. Incluso, esto será útil cuando se reexaminan los datos o cuando se provee de in-
formación posterior a usuarios del modelo. Además, provee un modelo conceptual de
cómo funciona el sistema, que puede ser usado como la base para desarrollar el mo-
delo de simulación.
212
2. AJUSTE DE LOS DATOS MUESTRALES A DISTRIBUCIONES DE

PROBABILIDAD TEÓRICAS POBLACIONALES
2.1 Distribuciones de probabilidad
La información de un sistema tiene carácter dinámico y estocástico; la variabilidad de

este debe modelarse con ciertas ecuaciones matemáticas que sean capaces de repro-
ducir su comportamiento; en la mayoría de los casos dicha variabilidad es posible cla-
sificarla dentro de alguna distribución de probabilidad, en algunos otros casos esto no
es posible. La representación en el modelo de una variable aleatoria se da por medio
de una distribución de probabilidad.
2.1.1 Distribuciones teóricas y empíricas
Si luego de realizar las pruebas de los datos obtenidos se logra un ajuste significativo,
entonces es posible representar en el modelo estos datos por medio de una distribu-
ción de probabilidad “teórica” (exponencial, uniforme, triangular, normal, etcétera).
Durante la ejecución del modelo de simulación, estas distribuciones “teóricas” generan
valores basadas en fórmulas matemáticas; para ello, en primer lugar, se debe generar
un valor individual de la variable aleatoria, tomando un número aleatorio (creado me-
diante un generador de números aleatorios), el cual mediante una rutina de trans-
formación se convierte en un valor que conforma una distribución de probabilidad y
que representa a la variable aleatoria.
Ejemplo:
Suponga que el tiempo de una actividad se ajusta a una distribución uniforme
que varía entre 2.2 y 4.5 minutos, estos parámetros describen la forma o den-
sidad y el rango de la distribución. Durante la simulación, los valores indivi-
duales de las variables aleatorias son generados de esta distribución para su-
cesivos tiempos de operación de las entidades que ingresan al proceso.
Cuando en las pruebas preliminares se detecta una descripción multimodal de los da-
tos de entrada, o cuando existen datos cuyos valores son significativamente diferentes
del conjunto principal de observaciones, entonces esto representa una posibilidad de
no ajuste a una distribución teórica. Esto se confirmará después de realizar las prue-
bas de ajuste respectivas, que arrojarán un ajuste pobre o de poca fiabilidad, de las
distribuciones teóricas; en estos casos se debe recurrir a las distribuciones “empíri-
cas”. A diferencia de las distribuciones teóricas, cuyos valores se generan mediante la
formulación matemática, las distribuciones empíricas clasifican los datos en grupos y
se calculan las proporciones o probabilidades de cada uno.
213
Ejemplo:
Suponga que la demanda de un producto no se ajusta a ninguna distribución
de probabilidad conocida; sin embargo, se tienen algunos datos sobre los pe-
didos de los clientes:
Demanda Probabilidad
60 docenas 0.20
40 docenas 0.30
20 docenas 0.50
A continuación se muestra una representación simple de la situación planteada:
0.20
0.30
0.50
2.1.2 Clasificación de las distribuciones teóricas
• Distribuciones discretas
Se utilizan para modelar la aleatoriedad de una variable que solo puede tomar va-
lores enteros.
214
Ejemplo:
variable = El # de alumnos que arriban a la cafetería en un intervalo de 3 horas.
valores = { 15, 27, 34, 31, 45, ..........., 58 }
Las distribuciones más utilizadas en esta categoría son: Poisson, Binomial,

Bernoulli, Uniforme discreta y Geométrica.
• Distribuciones continuas
Se utilizan para modelar la aleatoriedad en aquellos eventos en los cuales los va-
lores que toman las variables pertenecen al rango de los números reales.
Ejemplo:
variable = El tiempo entre los arribos de los alumnos a la cafetería
valores = {3 min., 3.5, 3.7, 3.6, 4, 7.1, ..........., 8}
Las distribuciones más utilizadas en esta categoría son: Uniforme, Exponencial,

Weibull, Triangular, Normal y Lognormal.
Función de densidad y función de distribución de probabilidad:
Var. Discreta Var. Continua
Función de densidad P(A) f(x)
n ∞
Función de distribución de
probabilidad ∑ P( A) = 1
i =1
∫ f ( x)dx = 1
−∞
215
2.1.3 Distribución uniforme (continua)

Esta distribución, llamada también rectangular, se utiliza para describir un proceso en
el cual es igualmente probable que el resultado caiga entre los valores de a y b. Se
utiliza en las etapas tempranas de los proyectos de simulación porque es una fuente
conveniente y bien entendida de la variación aleatoria. En el mundo real, es muy raro
encontrar un tiempo de actividad que sea uniformemente distribuido dado que la ma-
yoría posee una tendencia central o moda.
1
f (X ) =
b−a
a = valor mínimo de x
b = valor máximo de x
Media = (a+b)/2
Varianza = (b – a )2 / 12
Parámetros: U(a , b)
Aplicaciones:
• Para representar el tiempo de duración de una tarea cuando se conoce un míni-
mo de información de los tiempos actuales de las tareas. Se considera que el
tiempo para completar una tarea varía al azar y entre dos valores.
• Es utilizada para realizar pruebas críticas de variación durante análisis de sensi-

bilidad.
2.1.4 Distribución exponencial (continua)

La distribución exponencial es una distribución de probabilidad para variables conti-
nuas. Es utilizada frecuentemente en simulación para generar números aleatorios para
representar el tiempo entre ocurrencias aleatorias y que sucede independientemente
uno de otro, por ejemplo el tiempo entre arribos de clientes a un sistema. También se
le llama distribución exponencial negativa, porque esta decrece a medida que X se in-
crementa rápidamente.
f ( X ) = λe − λX
1 / λ = Media
1/ λ
2
= Varianza
Parámetros:
E(min.x, media)
216
Aplicaciones:
• Los tiempos entre arribos a una locación en un modelo de cola por lo general
tienen esta distribución con una media determinada.
• Es utilizado para representar los tiempos de servicio de una operación específica.
• Duración de conversaciones telefónicas.
• Tiempo entre arribos de aviones en un aeropuerto.
• Tiempo entre fallas de un equipo electrónico.
2.1.5 Distribución binomial (discreta)
La distribución binomial está asociada con las pruebas repetidas de un mismo suceso.
Se asume que cada ensayo genera dos posibles resultados (éxito y fracaso) y es inde-
pendiente de los otros.
⎛ n! ⎞ x n− x
P( x) = ⎜⎜ ⎟⎟ p q
⎝ x!(n - x)! ⎠
n: # de ensayos
p: probabilidad de éxito
q=1-p: probabilidad de
fracaso
Media = np
Varianza = npq
Parámetros: BI( n,p )
Aplicaciones:
La distribución binomial puede ser usada para describir:
• El número de productos defectuosos en un lote.
• El número de personas en un grupo de un tipo particular.
2.1.6 Distribución normal (continua)

Esta distribución —a veces denominada gaussiana o curva de campana— describe fe-
nómenos que varían simétricamente. Es utilizada para definir tiempos de actividad, los
cuales, en la práctica, casi no son normalmente distribuidos sino que están sesgados a
la derecha, esto es debido a que los tiempos de actividad toman valores mayores que
el tiempo medio. En la industria es utilizada frecuentemente en operaciones de inspec-
ción en las que se requieren instrumentos calibrados para medir las dimensiones de
varios componentes.
217
1 2
/ 2σ 2
f ( x) = e −( X −μ )
2πσ 2
μ = Media
σ2 = Varianza
Parámetros: N( μ , σ )
Aplicaciones:
La distribución normal puede ser usada para describir:
• Mediciones físicas: altura, longitud, diámetro, peso, etcétera.
• Ciertos tiempos de actividad.
• Data simétrica y no acotada en ambas direcciones.
2.1.7 Distribución Poisson (discreta)

La distribución Poisson representa la ocurrencia poco frecuente de eventos cuya tasa
es constante; esto incluye muchos tipos de eventos en tiempo y espacio. Es un impor-
tante punto de partida en la teoría de colas. La distribución Poisson se asocia a la dis-
tribución exponencial debido a la relación que existe entre ambas. Si el lapso de lle-
gadas tiene una distribución exponencial, entonces el número de llegadas en un inter-
valo de tiempo específico (digamos 3 horas) tiene una distribución de Poisson.
e−λλX
p(x) =
λ
x!
= Media
λ = Varianza
Parámetros: P( λ )
Aplicaciones:
La distribución Poisson puede ser usada para describir sucesos como:
• Llegada de vehículos a una estación de servicio o arribo de aviones a un aero-

puerto.
• Llegada de clientes a un restaurante.
• Llegadas de llamadas telefónicas a una central.
218
2.1.8 Distribución Beta (continua)

Es una distribución continua que requiere de cuatro parámetros para definir la distri-
bución Beta, variando sus valores producirán una variedad de diferentes contornos de
distribución. La distribución uniforme es un caso especial de la distribución beta cuan-
do p=q = 1.
1 ( x − min) p −1 (max − x) q −1
f (X ) =
B ( p, q ) (max − min) p + q −1
Parámetros:
B(min.x, max.x, p, q)
Aplicaciones:
• Modelar distribuciones de tiempos de actividad en el análisis Pert, dado que los

tiempos de actividad pueden estar sesgados a la derecha, ya que estos toman va-
lores mayores que el tiempo medio.
• Proporciones en mezclas de gases.
• Duración de una construcción.
• Proporción de ítems defectuosos encontrados en un determinado tamaño de lote.
• Representar el tiempo que se requiere para completar una actividad, cuando se

dispone de muy poca o ninguna información acerca de la actividad.
219
3. PROCESO DE AJUSTE DE DATOS A UNA DISTRIBUCIÓN
Las pruebas de bondad de ajuste miden la compatibilidad de una muestra aleatoria

con una función teórica de distribución de probabilidades. Estas pruebas demuestran
cuánto se ajustan nuestros datos muestrales a la distribución seleccionada. La variabi-
lidad de estos debe modelarse con ciertas ecuaciones matemáticas que sean capaces
de reproducirla; en la mayoría de los casos dicha variabilidad puede clasificarse dentro
de alguna distribución de probabilidad. Las pruebas que se realizan son las de Chi-
cuadrado, Kolmogorov-Smirnov (K-S) y Anderson-Darling.
Ejemplo:
Se han recolectado 100 observaciones que corresponden a valores obtenidos de un
proceso:
0.05510036 0.45838955 0.02568446 0.05618719 0.34139546 0.16211486 0.95132377 0.70560432 0.80057981 0.52862125
0.58826161 0.3250562 0.43418325 0.2804422 0.31188974 0.4786784 0.06366636 0.94082602 0.22001115 0.85429271
0.07857071 0.53150058 0.86888506 0.8418346 0.37029126 0.15437929 0.26676948 0.39803029 0.65616401 0.66963088
0.13078692 0.80764886 0.57820958 0.05186507 0.72221164 0.65212411 0.74508103 0.13598755 0.30871853 0.80318678
0.61079237 0.18932893 0.39700417 0.09573217 0.77984771 0.51365121 0.75850752 0.18547472 0.82180777 0.39737404
0.81938561 0.56823216 0.92010558 0.6784145 0.15023593 0.39842571 0.78547878 0.08406213 0.26706779 0.91427103
0.2413912 0.8386142 0.39330285 0.24001446 0.16322459 0.38305182 0.32758087 0.61878793 0.03466118 0.96057666
0.61966696 0.08587805 0.05924799 0.8239332 0.04537345 0.04529417 0.22226188 0.0606874 0.31105278 0.14816207
0.66102605 0.23250684 0.51288272 0.6746056 0.83489087 0.61771954 0.58073581 0.06907335 0.78768534 0.12082032
0.77720288 0.59816372 0.91216646 0.27896353 0.15538821 0.08807087 0.03134882 0.9667875 0.75356435 0.06043603
Con esta data se debe realizar un análisis estadístico, antes de representarla por me-
dio de una distribución de probabilidad, para que pueda utilizarse en un modelo de si-
mulación.
3.1 Metodología2
En general, para que esta data pueda utilizarse como input para el modelo de simula-
ción del sistema, por medio de una distribución de probabilidad, debe ser analizada
estadísticamente para determinar su grado de independencia (aleatoriedad), homoge-
neidad (en qué medida se identifica con alguna distribución de probabilidad) y si per-
tenece a un estado estacionario (en qué medida la data no cambia con el tiempo).
3.1.1 Análisis de la estadística descriptiva
Este estudio preliminar describe características generales claves acerca de los datos,
como la media, la varianza, la desviación estándar, la moda, etcétera, que nos indi-
can, de manera preliminar, cuán apropiada es esta data, para utilizarse en un modelo
de simulación, o qué tan cerca están estos valores representativos de los que suceden
realmente.
2
Software Stat::Fit®, Geer Mountain Software Corp. Versión 2.0, 2001.
220
3.1.2 Análisis de independencia o aleatoriedad

Este es el paso previo al ajuste de la data a una distribución de probabilidad, es decir
se requiere que la ocurrencia de un dato sea independiente de la ocurrencia del otro.
Existen algunas pruebas para medir la dependencia o correlación entre los datos:
• En la gráfica de Scatter se aprecia que no hay ningún patrón en los datos y que es-
tán totalmente dispersos.
• En la segunda gráfica se realiza la prueba de autocorrelación. El valor de autoco-

rrelación varía entre 1 y –1, si este valor está cerca de los extremos, entonces la
data está autocorrelacionada. En nuestro caso no sucede eso.
• En el run tests on input se realizan dos pruebas de hipótesis: a) el test de la me-

diana mide el número de corridas, que es una secuencia de números arriba o de-
bajo de la mediana. b) La segunda prueba o run test se realiza sobre un único nú-
mero arriba o debajo de la mediana.
221
3.1.3 Prueba de bondad de ajuste

Consiste en analizar si la data está idénticamente distribuida, es decir si se ajusta a al-
guna distribución de probabilidad, para ello es muy útil representar previamente los
datos mediante un histograma y analizar el comportamiento de los datos.
3.1.4 Ajuste de una distribución de probabilidad
Para realizar este ajuste se realizan ciertas pruebas como los análisis de Kolmogorov-
Smirnov, Chi-cuadrado y Anderson Darling.
Finalmente, es posible obtener un ranking sobre las distribuciones que se ajustan me-
jor a nuestros datos. Para nuestro caso resultó ser la distribución Beta:
222
4. ANÁLISIS DE DATOS EN ARENA: INPUT ANALYZER
El software Arena3 soporta el proceso de ajuste de funciones de distribuciones de pro-

babilidad a muestras de datos. Es decir, posee un analizador de datos denominado
Input Analyzer, que entre otras funciones establece las hipótesis y realiza las pruebas
de Chi-cuadrado y Kolmogorov-Smirnov (K-S) en forma automática, brindando de esta
manera información referente a la calidad del ajuste de los datos, con relación a una
distribución de probabilidad.
Ejemplo:
Se tiene un archivo conteniendo 100 muestras que corresponde a la duración de una
determinada actividad:
Guardar datos
en archivo texto
*.txt
100 muestras
El proceso de ajuste es automático en el Input Analyzer, mediante la opción del menú:

Fit / Fit All. Veamos:
3
Software Arena®, Rockwell Software. Versión 10.0, 2005.
223
Los resultados del proceso de ajuste se muestran a continuación:
Interpretación:
• Observando la forma del histograma de frecuencias de los datos y luego de aplicar
las pruebas de bondad de ajuste, la distribución de probabilidad que mejor repre-
senta a nuestros datos es la Uniforme (15,21) minutos: p-value=0.52 (Chi cuadra-
do) y p-value > 0.15 (K-S). En ambas pruebas el indicador p es mayor que el
riesgo (5%); valores menores indican que no hay un buen ajuste. Valores de p
mayores a 0.10 son aceptables; valores más grandes indican mejores ajustes.
• Se concluye que no hay evidencia para rechazar la hipótesis nula de que los datos
analizados se ajustan a una distribución uniforme.
• Si el valor de p es menor que el riesgo se puede pensar en utilizar una distribución

empírica que represente de una mejor manera las características de nuestros da-
tos. Por lo general esto sucede cuando los datos presentan “máximos múltiples” o
Multimodal, o quizá cuando existen “valores atípicos”; es decir, cuando hay valo-
res que difieren significativamente del grueso de las observaciones.
• La diferencia entre ambas pruebas es que la Chi-cuadrado es eficiente con tamaño

de muestras grandes, mientras que la K-S es eficiente con tamaños de muestras
pequeños. Ambas pruebas son No Paramétricas, por lo tanto no tienen muchas li-
mitaciones o restricciones. En una prueba paramétrica la hipótesis está dada en
términos de parámetros.
224
• Una medida de la calidad de ajuste de la distribución a los datos es el error cua-

drado. En nuestro ejemplo, la distribución Uniforme presenta el mínimo error cua-
drado. La distribución que tiene el ajuste más pobre es la Triangular.
Ejemplo:
Suponga que se está realizando un estudio de tiempos sobre los arribos de pasajeros
a un counter de una aerolínea, con el objetivo de que sirvan como soporte de un pro-
yecto de simulación que se espera realizar.
GATE 34
ARRIBOS
SALIDAS
Sea Xi: Número de arribos observados por unidad de tiempo
. . . . .
Sea X1: Número de arribos observados por unidad de tiempo
1 hora
Unidad de tiempo
Considerar una unidad de tiempo adecuada, puede ser una hora o dos horas. En este
caso, tomar un minuto como unidad de tiempo sería un período muy corto.
Se tomaron 11 muestras consecutivas de una hora cada una. Los resultados fueron los
siguientes:
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11
Frecuencia 1 1 6 8 9 8 6 6 2 2 1
Según el cuadro, llegó un solo cliente en la primera hora, en la segunda hora igual-
mente llegó un solo cliente, durante la tercera hora llegaron 6 clientes, así sucesiva-
mente. Mediante una gráfica podemos hacer la siguiente representación:
225
Valores observados (Media = 4.5)
λx e −λ
Valores teóricos: p ( x) = ; (Media = 4.5)
x!
Frecuencia
relativa %
Número de muestras
por unidad de tiempo
4.5 x e −4.5
p ( x) =
x!
La distribución de los arribos de las entidades al sistema siguen a menudo una distri-
bución Poisson, suposición que podemos probarla. En nuestro ejemplo, la frecuencia
en cada intervalo representa el número de clientes que arriban por unidad de tiempo,
es decir, en una hora. Para probar la suposición planteada compararemos los valores
actuales observados con los valores teóricos obtenidos de la distribución Poisson. Si
las diferencias entre ambos son pequeñas, entonces la suposición de que los arribos
se ajustan a la distribución Poisson es correcta. Un buen procedimiento es utilizar un
valor para la media que reduzca al mínimo las diferencias entre los valores observados
y los teóricos.
226
Distribución de arribos de entidades por La generación del intervalo será una

unidad de tiempo que sigue una distribu- distribución exponencial, con una
ción Poisson con una media M. media 1/M.
Probabilidad Probabilidad
Media M Media 1/M
Número de muestras Tiempo

por unidad de tiempo
Número de arribos por hora Intervalo entre arribos
Distribución Poisson Distribución exponencial
Conclusiones:
• La distribución de Poisson es una distribución discreta, es decir es capaz de modelar

la aleatoriedad de una variable que solo puede tomar valores enteros. En general,
puede ser utilizada para describir el número de eventos que ocurren en un intervalo
de tiempo.
• Algunos textos representan a la distribución Poisson de una manera no tradicional,
en todo caso, las siguientes expresiones son equivalentes:
(1 / λ ) x e − (1/ λ ) λx e −λ
p( x) = p ( x) =
x! x!
• Los arribos de las entidades a un sistema se producen en forma aleatoria y son in-
dependientes entre ellas. Dichas características hacen que el tiempo entre arribos
de las entidades posea mucha variabilidad, es decir este puede ser tan corto o tan
largo. Esta situación puede ser modelada por medio de una distribución expo-
nencial.
• Los tiempos entre arribos también pueden ser representados mediante la distribu-
ción Weibull, cuyo ajuste puede ser de similar calidad al de la distribución exponen-
cial. Sin embargo, es preferible utilizar una distribución más conocida, más sencilla
de usar y más identificada con el proceso de llegadas de entidades a un sistema.
227
5. ESCENARIO DE INCERTIDUMBRE TOTAL
Si el sistema por modelar todavía no existe, es decir no hay datos de llegadas, de de-
moras ni de procesos, entonces es necesario realizar algunas estimaciones prelimina-
res. Por ejemplo, el caso de estimación de los arribos es un tanto diferente a estimar
un tiempo de proceso. Es necesario conocer la razón de las llegadas, para luego ge-
nerar el patrón de llegadas en la simulación; en este sentido, se podría estimar una
tasa preliminar o tentativa acerca del número de llegadas de entidades por unidad de
tiempo, esto será un punto de partida, que podremos después afinar y finalmente tra-
ducirla a una distribución exponencial con una determinada media.
En el caso de las demoras o delays y tiempos de operación, si no existen datos empíri-

cos, entonces, hay un consenso en priorizar las distribuciones uniforme, triangular y
normal. La ventaja de estas es la facilidad de comprender sus parámetros y estimarlos
de un rango de valores. Esto simplificará el proceso de estimación.
Ejemplo:
Supongamos una situación de incertidumbre respecto del modelado de un sistema ine-
xistente, del que no se disponen datos. Sin embargo, después de consultar a expertos
en el tema, se ha recogido sus opiniones con relación al ritmo de llegadas de las enti-
dades al nuevo sistema. Sobre la base de estas se ha estimado que la razón de los
arribos se producirán de acuerdo a las siguientes tasas:
8:00 – 13:00 hrs.: 150 unidades/hora
13:00 – 16:00 hrs.: 90 unidades/hora
Esta estimación será el punto de inicio, ya que servirá de base para comenzar a cons-
truir el modelo; es decir, ahora procedemos a generar el patrón preliminar de llegadas
en Arena, veamos:
Botón
Derecho
150 unid/hora (durante 5 horas)

90 unid/hora (durante 3 horas)
Nota: Dado que la media de la distribución exponencial es la in-

versa de la media de la Poisson, los arribos pueden expresarse co-
mo EXPO(0.4) y EXPO(0.66) minutos, que son equivalentes a las
tasas 150 y 90 unid/hora, respectivamente.
228
5.1 Método Delphi4
En el contexto de una incertidumbre total acerca del sistema por modelar, también es
importante disponer de la utilización sistemática del juicio intuitivo de un grupo de
expertos. En este sentido, el método Delphi1 puede ser de mucha utilidad para lograr
nuestro objetivo; consiste en la interrogación a expertos con el fin de poner en evi-
dencia las convergencias de opiniones y de obtener eventuales consensos de opiniones
informadas. Es imprescindible que estas opiniones no se encuentren influenciadas por
criterios de algunos expertos y resulta más efectivo si se garantiza el anonimato, la
retroalimentación controlada y la respuesta estadística de grupo.
5.1.1 ¿Cuándo se aplica?
• Como previsión del comportamiento de variables conocidas; es decir, para evaluar

el comportamiento de una variable conocida y así se puedan inferir posibles formas
de comportamiento.
• En la determinación perspectiva de la composición de un sistema. Por ejemplo, en

el caso de que los elementos del sistema por estudiar no sean conocidos, o que
nunca hayan sido aplicados al objeto de estudio y la muestra se orienta a la deter-
minación de la estructura posible del sistema o modelo por aplicar.
5.1.2 Desventajas
1. Permite la formación de un criterio con mayor grado de objetividad.
2. El consenso logrado sobre la base de los criterios es muy confiable.
3. La tarea de decisiones sobre la base de los criterios de expertos tiene altas proba-
bilidades de ser eficiente.
4. Permite valorar alternativas de decisión.
5. Evita conflictos entre expertos al ser anónimo (lo que constituye un requisito im-
prescindible para garantizar el éxito del método) y crea un clima favorable a la
creatividad.
6. El experto se siente involucrado plenamente en la solución del problema y facilita

su implantación. Por ello, es importante el principio de voluntariedad del experto
en participar en la investigación.
7. Garantiza libertad de opiniones (por ser anónimo y confidencial). Ningún experto

debe conocer que a su igual se le están solicitando opiniones.
4
MORÁGUEZ IGLESIAS, A. Método Delphi, 2006.
229
5.1.3 Ventajas
1. Es muy laborioso y su aplicación demanda tiempo, debido a que se requiere como

mínimo de dos vueltas para obtener el consenso necesario.
2. Es costoso en comparación con otros, ya que requiere el empleo de tiempo de los

expertos, hojas, impresoras, teléfono, etcétera.
3. Precisa de buenas comunicaciones para economizar tiempo de búsqueda y recep-

ción de respuestas.
4. Debe ser llevado a cabo por un grupo de análisis: los expertos como tales.
5. Se emiten criterios subjetivos, por lo que el proceso puede estar cargado de subje-
tividad, sometido a influencias externas.
6. De aquí la necesidad de aplicar varias vueltas, buscar técnicas variadas de análisis

para obtener un consenso y pruebas estadísticas para determinar su grado de con-
fiabilidad y pertinencia.
5.1.4 ¿A quiénes se puede considerar expertos?
Se define como experto al individuo en sí, grupo de personas u organizaciones capa-

ces de ofrecer valoraciones conclusivas de un problema en cuestión y hacer recomen-
daciones respecto a sus momentos fundamentales con un máximo de competencia.
De esta definición se infiere, como requisito básico para la selección de un experto,

que tenga experiencia en el tema por consultar, dados sus años de trabajo (praxis), y
que puedan ser complementados con conocimientos teóricos adquiridos a través de las
distintas formas de superación, y grado académico o científico alcanzado en relación
con el tema, entre otros.
230
1
Caso de estudio
Ajuste de datos a distribuciones de probabilidad

Objetivos:
o Análisis de los datos de entrada de la simulación y pruebas de ajuste.
o Uso del software de soporte Arena: Input Analyzer.
o Interpretación de los resultados de las pruebas de ajuste a una distribución de pro-
babilidad: Chi-cuadrado y Kolmogorov-Smirnov.
Una consultora está desarrollando un proyecto de simulación y ha realizado una reco-

lección de 100 datos de un sistema, por muestreo. Actualmente se encuentra en la
etapa de análisis de los datos y las pruebas de ajuste.
2 Servidores
Hora de arribo (minutos)
0 1.919 8.6159 9.1582 13.3581 16.9567 26.7171 49.7804 50.5358 55.7351
57.5342 59.9673 75.3134 84.9642 97.6494 109.1606 114.9662 133.7715 137.1232 137.7895
150.8904 153.922 154.1704 157.3554 165.4544 191.222 197.4771 200.7981 201.7438 217.2445
217.4044 222.1335 228.029 234.4795 244.529 246.3928 252.6865 254.4921 255.5802 263.0189
263.7679 265.461 270.1673 272.156 294.4025 295.7014 301.6728 303.3929 311.4686 315.1002
320.5921 321.6042 323.1597 328.1734 328.6417 328.9163 334.3784 334.6967 341.9377 355.041
358.8631 361.0628 370.0088 371.4213 390.957 391.1589 391.4436 392.8501 393.7212 405.0924
406.0092 408.3518 415.3314 419.4934 423.1651 432.9304 439.6687 452.621 464.5954 465.7782
468.1265 473.1742 475.8355 485.4762 492.5213 496.6938 499.6068 520.4413 535.2861 540.4478
548.2283 548.9668 564.9744 569.565 582.5219 584.5036 584.9783 595.1811 598.3683 601.3689
601.4736
Tiempo de servicio (minutos)

17.6207 18.4162 17.0717 20.215 22.0788 17.0332 18.0054 19.5779 14.1625 19.4916
20.2214 19.2215 16.5017 17.7647 19.5815 20.1753 19.4535 19.5832 18.2376 20.1063
18.4756 15.6331 19.3055 17.4723 17.8405 19.3293 17.8301 20.316 19.1956 18.5177
19.4532 17.8659 18.5051 19.5811 16.7296 19.7286 15.3617 18.1435 19.586 15.496
16.5624 16.9024 17.2887 19.2479 21.7422 21.204 18.8582 19.6963 17.7036 16.2339
17.0687 18.9081 18.0621 16.841 19.2757 17.1194 21.4686 17.9123 16.6239 18.1015
15.9922 16.5089 17.4374 18.3379 18.818 14.3588 20.1829 15.4409 16.2228 20.4151
17.0591 18.4277 18.8298 18.5488 19.2973 18.0688 17.6553 16.0937 17.7281 20.3876
17.2332 17.4139 20.6933 17.172 18.4338 19.2277 18.8568 18.3887 16.1746 18.7084
16.4017 17.5388 19.8725 17.6583 16.569 17.1415 17.7234 18.422 17.2934 18.036
a) Utilizando el software Input Analyzer determinar los mejores ajustes a los datos re-
colectados.
b) Con la información obtenida, simular el sistema, considerando que el final de la si-

mulación se da en el instante en que el cliente número 100 sale del sistema.
231
Solución
Una vez recolectados los datos, estos deben acondicionarse de acuerdo a los re-
querimientos del modelo, en caso de que fuera necesario. En las tomas realizadas
para la hora de arribo sí es necesario, ya que lo que se requiere son los tiempos
entre arribos, es decir los intervalos.
Tiempo entre arribos:
El tiempo que transcurre entre la llegada del primer cliente y el segundo fue de
1.919 minutos. En forma análoga, el intervalo entre la llegada del segundo y del
tercer cliente fue de 6.6969 minutos. En total, son 100 intervalos (101 clientes),
veamos:
1.919 6.6969 0.5423 4.1999 3.5986 9.7604 23.0633 0.7554 5.1993 1.7991
2.4331 15.3461 9.6508 12.6852 11.5112 5.8056 18.8053 3.3517 0.6663 13.1009
3.0316 0.2484 3.185 8.099 25.7676 6.2551 3.321 0.9457 15.5007 0.1599
4.7291 5.8955 6.4505 10.0495 1.8638 6.2937 1.8056 1.0881 7.4387 0.749
1.6931 4.7063 1.9887 22.2465 1.2989 5.9714 1.7201 8.0757 3.6316 5.4919
1.0121 1.5555 5.0137 0.4683 0.2746 5.4621 0.3183 7.241 13.1033 3.8221
2.1997 8.946 1.4125 19.5357 0.2019 0.2847 1.4065 0.8711 11.3712 0.9168
2.3426 6.9796 4.162 3.6717 9.7653 6.7383 12.9523 11.9744 1.1828 2.3483
5.0477 2.6613 9.6407 7.0451 4.1725 2.913 20.8345 14.8448 5.1617 7.7805
0.7385 16.0076 4.5906 12.9569 1.9817 0.4747 10.2028 3.1872 3.0006 0.1047
Guardar Datos en
Archivo Texto *.txt
100 muestras
A continuación se muestra la gráfica y la estadística descriptiva, que genera el

software Input Analyzer a un nivel preliminar. Esto representa simplemente una
tendencia, antes de realizar el proceso de ajuste, veamos:
232
El siguiente paso es realizar el proceso de ajuste de los datos muestrales a una

distribución teórica poblacional; el reporte del Input Analyzer también presenta los
resultados de las pruebas Chi Cuadrado y Kolmogorov-Smirnov, veamos:
Según el reporte, la distribución teórica que logra una mejor representación de

nuestros datos es la exponencial, con una media de 6.01 minutos. Las pruebas
Chi-cuadrado y K-S arrojan un indicador p mayor que 0.75 y 0.15, respectiva-
mente, ambos valores son mayores que el valor del riesgo 0.05 (5%). Valores de
p más grandes, indican mejores ajustes. Según el ranking, la distribución expo-
nencial tiene el menor error cuadrado (0.000919), solamente igualado por la dis-
tribución Erlang, que también presenta una buena calidad de ajuste, sin embargo
se prefiere a la distribución exponencial, que es más conocida e identificada con
los arribos.
233
Tiempos de servicio:
Con relación a los datos recolectados que corresponden a los tiempos de servicio,
procederemos a realizar la prueba de bondad de ajuste, veamos:
Los tiempos de servicio de la

muestra se ajustan a la distri-
bución Normal, con una media
de 18.2 y una desviación de
1.55 minutos. Además, es la
mejor en el ranking, ya que
presenta el menor error cua-
drado (0.00254).
Modelo:
234
Capítulo 4
Diseño del experimento

de simulación y análisis
estadístico de la información
• Condiciones de inicio y fin de la simulación

• Especificaciones estadísticas
• Determinación del número de réplicas
• Técnicas de reducción de varianza
• Comparación de escenarios
• Prueba de normalidad
• Ejecución y análisis estadístico
Desde que la simulación es de naturaleza estocástica, se
presentan los aspectos fundamentales que se deben tomar en
cuenta para configurar el experimento de simulación, identifi-
cando si el interés del estudio se centra en el conocimiento del
comportamiento transitorio del sistema en el tiempo o en el
comportamiento del sistema en el largo plazo. También se
requiere cierto nivel de confiabilidad en el indicador que se está
midiendo, por ello es necesario ejecutar múltiples réplicas al
modelo, en función del nivel de precisión que se desee lograr y
que afecte el intervalo de confianza del indicador. Asimismo, se
presentan las técnicas de reducción de varianza de los
resultados, con lo cual se logra un mayor factor aleatorio entre
los valores y una disminución de la dependencia entre ellos.
Realizado el experimento, el análisis estadístico de los
resultados es un factor crítico para obtener conclusiones o
comparaciones estadísticamente válidas. En este sentido, los
valores obtenidos deben pasar la prueba de normalidad, solo así
se podrá realizar inferencia estadística y las conclusiones serán
válidas para un determinado nivel de confianza.
CAPÍTULO 4. DISEÑO DEL EXPERIMENTO DE SIMULACIÓN Y ANÁLISIS ESTADÍSTICO DE LA INFORMACIÓN
Capítulo 4
DISEÑO DEL EXPERIMENTO DE LA SIMULACIÓN Y

ANÁLISIS ESTADÍSTICO DE LA INFORMACIÓN
La simulación por sí misma no optimiza un sistema ni provee soluciones, este es tra-

bajo del modelador y del usuario del modelo. La simulación simplemente evalúa solu-
ciones proveyendo estimados e indicadores de cómo se desempeña el sistema en es-
tudio. Para bosquejar conclusiones útiles de los resultados de la simulación es necesa-
rio que se genere información relevante y confiable, y que la información obtenida sea
correctamente analizada e interpretada.
Lo que se busca en los resultados de la simulación depende de las respuestas que es-
temos buscando. Si solo deseamos conocer el concepto del sistema dinámico, enton-
ces con la animación del modelo es suficiente; si lo que se busca es conocer su com-
portamiento transitorio en el tiempo, entonces cada período individual del tiempo du-
rante la simulación puede ser de interés. Para el análisis de los sistemas de estado es-
table las condiciones iniciales se descartan y la atención se centra en el comporta-
miento del sistema en el largo plazo.
Para lograr un cierto nivel de confiabilidad en el indicador de desempeño que se está

midiendo es necesario ejecutar N réplicas al modelo de simulación. Así, sobre la base
del Teorema del Límite Central los N valores promedio del indicador que se logren,
producto de las N réplicas conforman un conjunto de valores que se ajustarán a una
distribución de probabilidad normal. Esto es imperativo que se cumpla, por ello, los re-
sultados deben pasar la prueba de normalidad, solo así el analista podrá realizar infe-
rencia estadística al indicador y las conclusiones a las que lleguemos serán válidas
para un determinado nivel de confianza.
Input Output
Indicadores de
Data proveniente
desempeño con
de diversas distribuciones
ajuste a una
de probabilidad Simulación
distribución normal
El análisis estadístico1 de los resultados de la simulación es requerido cuando se desea

ejecutar uno de los siguientes tipos de experimentos:
• Encontrar el desempeño esperado de un diseño particular del sistema.

• Comparar alternativas en cuanto a la configuración de sistemas.
• Encontrar el valor óptimo para una variable de decisión en particular.
• Hallar la combinación de valores óptimos para dos o más variables de decisión.
• Determinar la sensibilidad del modelo debido a cambios en una o más
variables.
.
1
Basado en HARRELL, CH. y K. TUMAY. Simulation made easy. A managers guide, 1995.
237
1. CONDICIONES DE INICIO Y FIN DE LA SIMULACIÓN
Cuando decidimos cuál será la longitud de la simulación, es decir, durante cuánto

tiempo vamos a simular o ejecutar el modelo, por lo general nos encontramos con dos
situaciones diferentes: simulación de estado transitorio y simulación de estado estable.
1.1 Simulación de estado transitorio

La simulación es de estado transitorio cuando el sistema empieza vacío y después de
un tiempo de funcionamiento termina por ausencia de eventos, es decir cuando el sis-
tema queda vacío. Se produce porque durante la simulación, por alguna condición del
modelo, ya no habrá más ingresos de entidades al sistema, esto origina que en el
transcurso del tiempo las entidades todavía en proceso irán saliendo una por una, has-
ta que el sistema queda vacío, entonces termina la simulación. Finaliza porque ya no
se generan más eventos, pues ya no hay entidades dentro del sistema. El sistema ter-
minó como empezó, es decir vacío. Veamos algunos ejemplos.
Ilustración 1
La producción de una empresa metalmecánica que trabajará hasta cumplir con
el pedido programado del día, por ejemplo 100 piezas. Las piezas llegan a la
planta con un tiempo entre arribos que corresponde a una distribución expo-
nencial con una media de 10 minutos. En este caso el inicio y el final están de-
finidos. Si bien no se sabe la hora de finalización de la simulación, sí se tiene la
certeza de que acabará cuando se haya cumplido con todo el pedido, es decir
con las 100 unidades. No quedará producción en proceso.
Ilustración 2
El arribo de los clientes a un restaurante se produce entre las 12 del día y las
12 de la noche, con un intervalo entre llegadas que se ajusta a una distribu-
ción exponencial, con una media de 5 minutos; en cada arribo llegan entre 2 y
5 personas, de manera uniforme. El local impide el ingreso de más clientes
después de las 12 de la noche; sin embargo, la atención continúa para los
clientes que quedan dentro del establecimiento, estos van saliendo a medida
que transcurre el tiempo. Cuando sale el último cliente el sistema queda como
al inicio, vacío, sin clientes, entonces termina la simulación.
238
En este caso, el número de entidades por arribo pertenece a una distribución uniforme
discreta, con intervalo abierto en el extremo derecho: 2 ≤ X < 6. .
El objetivo de la expresión (720-tnow)*99999 es impedir el ingreso de entidades al

sistema. Cuando la variable Tnow alcanza el valor de 720 (12 horas), entonces la di-
ferencia se hace cero. Este salto que toma el campo Max Arrrivals, de un valor infinito
(99999) a un valor cero, desactiva el módulo Create, impidiendo que genere más enti-
dades. Mientras el tiempo de simulación no alcance las 12 horas, la cantidad de enti-
dades que pueden ingresar al sistema es infinita.
Esta ilustración se puede modelar de una manera alternativa, veamos:
Añadimos al modelo una red auxiliar:

Assign
Observe que el módulo Create dispara una entidad a los 720 minutos (First Creation),
luego esta ingresa al módulo Assign y cambia la variable valor a cero. Dado que valor
es una variable global esta afecta a la red principal (arribos) y Max Arrivals se hace
cero. Lo cual impedirá el ingreso de entidades al sistema.
239
1.2 Simulación de estado estable

La simulación es de estado estable cuando su funcionamiento no tiene término, o tien-
de a infinito. Imagínese el funcionamiento de la estación de bomberos, el funciona-
miento de la comisaría de un distrito, el funcionamiento de las estaciones climáticas
que tenemos todos los años o el funcionamiento del tanque de agua de un edificio; en
estos casos, el funcionamiento se realiza durante las 24 horas del día, los 7 días de la
semana, los 12 meses del año y siguen funcionando. En este contexto, la simulación
se ejecuta por un período predeterminado, asegurándonos de que sea suficiente para
lograr los objetivos del estudio. Por lo general se alcanza un estado estable después de
un período de calentamiento o Warm-up, que parte de las condiciones iniciales. Es im-
portante definir este período de calentamiento en el experimento de simulación, para
recortarlo y no considerar las estadísticas que se generan en este período, por ser ses-
gadas y no representativas.
Estado estable
Valor
promedio
del
indicador
Tiempo de
simulación
Período de calentamiento
En un estado estable el interés se centra en identificar el instante en que el indicador

alcanza estabilidad. Si un modelo empieza vacío, sin entidades, entonces tomará algún
tiempo antes de que se encuentre el estado estable. Una condición para el estado es-
table es que la variable de respuesta (nuestro indicador) muestre cierta regularidad
estadística. Observemos en la gráfica anterior que durante este estado la distribución
de los valores de la variable de respuesta es aproximadamente la misma de un período
de tiempo al siguiente, es decir, los cambios de la variable de respuesta son pequeños
cuando se ha alcanzado el estado estable.
El tiempo que toma alcanzar el estado estable es una función de los tiempos de activi-
dad y de la cantidad de actividades involucradas. Para algunos modelos el estado esta-
ble se puede alcanzar en pocas horas, sin embargo, en otros posiblemente tome cien-
tos de horas. En el modelado del comportamiento del estado estable se tiene el pro-
blema de determinar cuándo el modelo encuentra el estado estable. Existen varios
métodos para determinar en qué instante se obtiene el estado estable para el modelo;
el más sencillo es ejecutar, en forma preliminar, unas pocas replicaciones (entre 5 y
10) para el modelo, luego, en forma progresiva en el tiempo, ir obteniendo valores
promedio para el indicador, los cuales pueden dibujarse en una gráfica y observar el
comportamiento del indicador en el tiempo.
240
Ilustración 1
El funcionamiento del tanque de un edificio que suministra agua a varios de-
partamentos tiene una capacidad de 2 metros cúbicos y se abastece de una
cisterna. Al inicio, durante su instalación, tiene un nivel de 1 metro cúbico, da-
do el consumo, entonces baja su nivel a cero. Inicialmente, durante algún
tiempo, el nivel del tanque se mantendrá inestable.
Volumen
Tiempo
En la gráfica de arriba observamos que el Run Setup

nivel se estabiliza aproximadamente a los
100 días y alcanza su capacidad, luego el
volumen del tanque se mantendrá dentro
de un rango de variación, es decir se im-
pide que baje mas allá de un nivel mínimo,
entonces el volumen se mantendrá estable
dentro de un intervalo.
A la derecha se observa la configuración de

la simulación con un período de calenta-
miento (Warm-up) de 100 días y una longi-
tud de la réplica igual a 365 días. El reporte
de estadísticas no considerará el período de
calentamiento.
Ilustración 2
Suponga que la finalización de la simulación de un determinado proceso de
producción sucederá cuando salgan 200 unidades terminadas del sistema.
Esta situación podemos modelarla de diversas formas. Una primera alternativa es

mediante una condición de terminación, que haga referencia al paso de 200 enti-
dades por el módulo Dispose, veamos:
241
Dispose
La simulación se configura para que termine cuando

se dé una condición:
ALMACEN.NumberOut == 200
En el instante que sale la entidad número 200 se in-

terrumpe la ejecución del modelo y finaliza la simula-
ción. Esta terminación es forzada y dejará unidades
en proceso o inconclusas. A diferencia de una termi-
nación natural como la de un estado transitorio.
Otra alternativa que modela nuestra ilustración puede ser incluyendo la condición en
el módulo de datos Statistic, que hace referencia al contador del módulo Record:
Una alternativa más puede ser incluyendo una variable global como contador y hacer
referencia de ella en el Run Setup, veamos:
242
Una última alternativa que plantearemos será la inclusión de la variable TFIN. Si una
condición es verdadera, entonces, desde el modelo podemos interrumpir y terminar la
simulación; veamos:
2 2. ESPECIFICACIÓN DE ESTADÍSTICAS
La decisión de cuán precisos deben ser los datos de la simulación depende de la natu-
raleza del problema, la importancia de la decisión y el grado de validez de los datos de
entrada. Podemos clasificar en dos tipos de reporte de salida de la simulación:
2.1 Estadísticas por observaciones

Reportan el número de ocurrencias de un determinado incidente. El reporte estadístico
muestra el número de observaciones por unidad de tiempo.
Ejemplo 1:
El número de entidades procesadas por hora, a través del sistema. Esto se

obtiene contando todas las entidades que abandonaron el sistema durante la
simulación y dividiendo dicho valor entre el tiempo de simulación.
Ejemplo 2:
El tiempo promedio que las entidades permanecen en el sistema. Cada vez

que sale una entidad del sistema se registra su tiempo de permanencia; es
decir, restando la hora de salida menos la hora de ingreso. Para obtener el
tiempo promedio en el sistema simplemente se suman los registros de perma-
nencia individuales y el tiempo acumulado se divide entre el número de enti-
dades que salieron del sistema.
243
2.2 Estadísticas dependientes del tiempo

Reportan el valor de una variable de respuesta con relación al tiempo, es decir repor-
tan valores persistentes en el tiempo. Durante la simulación se mantiene el valor ac-
tual de la variable.
Ejemplo:
El número promedio de entidades en el sistema (WIP). En este caso, cada vez

que una entidad ingresa o sale del sistema el valor actual del contador se mul-
tiplica por el tiempo desde el último cambio, este producto (entidad*tiempo) se
va acumulando y el contador se actualiza. El indicador se obtiene al finalizar la
simulación, dividiendo el valor del producto acumulado entre el tiempo de la
simulación.
2.3 Otras medidas particulares
Las estadísticas por observaciones y las dependientes del tiempo proveen información
útil acerca del comportamiento del sistema; sin embargo, se pueden obtener del re-
porte algunas medidas específicas de los elementos del modelo. Veamos:
• Estadísticas sobre entidades
– Total de entidades que ingresaron y salieron del sistema, clasificadas por tipo.
– Tiempo promedio que las entidades expendieron en proceso efectivo, en espera,

en transporte, etcétera.
– Número de entidades en proceso, durante la simulación (Work in Process)
• Estadísticas sobre colas
– Tiempo promedio, mínimo y máximo de permanencia en cola.
– Tamaño promedio, mínimo y máximo de la cola.
• Estadísticas sobre recursos
– Número de veces utilizado.
– Porcentaje de utilización, etcétera.
244
3. DETERMINACIÓN DEL NÚMERO DE RÉPLICAS2
Los resultados de una réplica del modelo de simulación representan solo una muestra
del comportamiento del sistema real. La pregunta es: ¿a partir de esta muestra se po-
dría inferir sobre él?, ¿podríamos tomar decisiones a partir de una sola réplica?
Un método esencial para mejorar la fiabilidad de los resultados es ejecutar más de una
réplica independiente. Múltiples e independientes réplicas del modelo son siempre re-
queridas cuando se trabaja en simulación estocástica (aleatoria).
El análisis estadístico del reporte generado es un factor crítico para hacer conclusiones
válidas. Los valores obtenidos de las variables de interés se analizarán mediante inter-
valos de confianza y pruebas de hipótesis para la comparación de escenarios.
3.1 Muestras preliminares (n)

Un primer paso en la determinación del número de réplicas es fijar una cantidad de ré-
plicas que represente una muestra piloto. Este número de réplicas preliminares se de-
fine a criterio del analista y los resultados servirán como punto de partida para la ob-
tención de algunos parámetros preliminares como la media y la desviación estándar,
que se utilizarán para la obtención del número de réplicas y los intervalos de confian-
za.
3.2 Determinación del número de réplicas (N)

Los parámetros obtenidos al ejecutar el modelo con un número de réplicas prelimina-
res (n) nos servirán para determinar el tamaño del experimento de simulación. La dis-
tribución por utilizar depende del número de réplicas preliminares adoptado.
2 2
⎡ t ( n −1,1−α / 2) ∗ S ( n ) ⎤ ⎡ Z (1−α / 2) ∗ S ( n ) ⎤
n < 30 N=⎢ ⎥ N=⎢ ⎥ n > 30
⎣ e ⎦ ⎣ e ⎦
N: Número de réplicas que el modelo necesita para alcanzar un nivel de confianza

deseado.
n: Muestra preliminar (número de réplicas preliminares).
S(n): Valor estimado de la desviación estándar σ, en base a la muestra preliminar n.
e: Es la mitad del ancho del intervalo de confianza para μ (HalfWidth). Es un fac-

tor de precisión, representa el error entre la media estimada X(n) y la media
verdadera μ (media teórica), que estamos dispuestos a tolerar.
t(n-1, 1-α/2): Es un valor de tabla de la distribución t de Student con n-1 grados de li-
bertad y α es un parámetro usado para definir la probabilidad que el error entre
la media estimada X(n) y la media verdadera μ excederá en una cantidad espe-
cífica “e”.
Z(1-α/2) Es un valor de tabla de la distribución Normal, α es la probabilidad que el error
entre la media estimada X(n) y la media verdadera μ excederá en una cantidad
específica “e”.
2
Basado en ProModel Corporation. Manual de referencia, 1998.
245
3.3 Intervalos de confianza para μ

Un intervalo de confianza para la media verdadera es un intervalo de valores calculado
a partir de los datos de la muestra, que se espera contenga la verdadera media con un
cierto valor de probabilidad denominado nivel de confianza o confiabilidad.
2 2
S(n ) S (n)
n < 30 X ± t ( n −1,1−α / 2 ) X ± Z (1−α / 2 ) n > 30
n n
Este intervalo nos dirá qué tan seguros podemos estar que el parámetro de la media
verdadera µ está contenida dentro de nuestro intervalo calculado.
3.3.1 Factor de precisión

El HalfWidth es la mitad del ancho del intervalo de confianza y representa un factor de
precisión.
LS − LI
HalfWidth =
2
HalfWidth: Mitad del ancho del intervalo de confianza para μ
LS : Límite superior del intervalo de confianza
LI : Límite inferior del intervalo de confianza
11 .16 − 11 .0
Para el ejemplo anterior tenemos: HalfWidth = = 0 . 08
2
Existe una relación inversa entre la mitad del ancho del intervalo (HalfWidth) y el ta-
maño de n:
2
S (n)
HalfWidth = Z (1−α / 2 )
n
a menor número de réplicas mayores son el riesgo y el ancho del intervalo. Una ma-
nera de reducir el intervalo de confianza es aumentar el número de réplicas n.
Conclusión:
A mayor número de réplicas mayor precisión y menor HalfWidth.
Intervalo de confianza = X ± HalfWidth Æ [11, 11.16]
3.4 Teorema del Límite Central
Dada una variable aleatoria cualquiera, si extraemos muestras de tamaño m (m>30

observaciones) y calculamos los promedios muestrales, entonces:
• Dichos promedios tienen distribución aproximadamente normal.

• La media de los promedios muestrales es la misma que la de la variable
original.
246
• La desviación típica de los promedios disminuye en un factor “raíz de m” (error

estándar).
• Las aproximaciones anteriores se hacen exactas cuando m tiende a infinito.
Este teorema justifica la importancia de la distribución normal. El objetivo de estas

pruebas es verificar que se aplica el Teorema del Límite Central (TLC) para el indicador
del estudio. Dado que el tamaño de la muestra m es el número de observaciones que
hay en una réplica y N es el número de réplicas que el modelo necesita para alcanzar
un nivel de confianza deseado, podemos afirmar en base al Teorema del Límite Central
que los N valores promedio que se logren producto de las N réplicas, conforman un
conjunto de valores que se ajustarán a una distribución de probabilidad normal, siem-
pre que m sea grande (m>30 observaciones) por cada réplica.
Ejemplo 1: Uso de la distribución “t de Student” (n<30)
El esquema siguiente representa la solución a un caso supuesto, cuya variable de inte-

rés es la estimación del tiempo de ciclo promedio del proceso de producción de engra-
najes:
• Muestra preliminar (n= 5 réplicas)

Un primer paso para determinar el número de réplicas “N” del experimento de
simulación consiste en establecer, en forma preliminar, una cantidad “n” de ré-
plicas que nos servirán para obtener algunos parámetros que se requieren para
obtener “N”. En nuestro caso hemos fijado un experimento de 5 réplicas, los re-
sultados promedio son los siguientes:
Para n = 5 Tiempo de ciclo promedio = 30.56 minutos

Desviación estándar S(5) = 8.01 minutos
• Determinación del número de réplicas (N)

n=5
S(n) = 8.01
Grados de libertad = n-1 = 4
Nivel de confianza propuesto: 1-α = 90%
Probabilidad de error: α = 10%
t ( n −1,1−α / 2 ) = t(4, 0.95) = 2.132 (ver tabla t de Student)
Error e=3 minutos error propuesto X ± e respecto a la media verdadera μ.
2
⎡ t ( n−1,1−α / 2 ) ∗ S ( n ) ⎤ ⎡ 2.132 ∗ 8.01⎤
2
N =⎢ ⎥ Æ N=⎢ ⎥ = 32.4 N = 33 Réplicas
⎣ e ⎦ ⎣ 3 ⎦
247
• Determinación del intervalo de confianza para μ
2
S( n )
X ± t ( n −1,1−α / 2 ) 8 . 01 2
n Æ 30 . 56 ± 2 . 132
5
Intervalo para un nivel de confianza del 90%: [22.93, 38.19]
Elegimos un µ puntual dentro del intervalo de confianza, por ejemplo µ = 30, tal que:
µ ± e = 30 ± 20 Æ [10, 50]
Interpretación:
La lectura del intervalo [10, 50] nos dice que si realizamos, por ejemplo, 100 experi-
mentos con diferente secuencia de números aleatorios para cada uno, y considerando
33 réplicas por cada experimento, la probabilidad de que ese intervalo contenga el va-
lor de la media verdadera μ es del 90%. La probabilidad de que se salga de dicho in-
tervalo es del 10%.
Ejemplo 2: Uso de la distribución Normal (n>30).
Suponga el caso de un procesador central donde la variable de interés es la estima-

ción del tiempo de ciclo promedio que demora un mensaje en ser procesado. El resul-
tado para una sola corrida es el siguiente:
Muestra preliminar Ejemplo: n = 40 réplicas
En forma análoga al ejemplo 1, establecemos un número de réplicas preliminares, que

para el caso hemos fijado en 40. A continuación se presentan los resultados promedio:
Para n = 40 Tiempo de ciclo promedio = 11.08 minutos

Desviación estándar S(40) = 0.257 minutos
Determinación del número de réplicas (N)

n = 40
Media estimada X = 11.08
S(n) = 0.257
Z(1-α/2) = Z(0.975) = 1.96
Error: e = 0.1 minutos, error propuesto: X ± e respecto a la media verdadera μ
2
⎡ Z (1−α / 2 ) ∗ S ( n ) ⎤
2
⎡1.96 ∗ 0.257 ⎤ N = 26 réplicas
N=⎢ ⎥ Æ N=⎢ ⎥ = 25.37
⎣ e ⎦ ⎣ 0.1 ⎦
248
Determinación del intervalo de confianza para μ:
2
S( n ) 0 . 257 2
X ± Z (1−α / 2 ) Æ 11 . 080 ± 1 . 96
n 40
Intervalo de confianza: [11, 11.16]

Elegimos un µ puntual dentro del intervalo de confianza, por ejemplo µ = 11.1, tal
que:
µ ± e = 11.1 ± 0.1 Æ [11.0, 11.2]
Interpretación:
La lectura del intervalo [11.0, 11.2] nos dice que si realizamos, por ejemplo, 10 expe-
rimentos con diferente secuencia de números aleatorios para cada uno, y consideran-
do 26 réplicas por cada experimento, la probabilidad de que ese intervalo contenga el
valor de la media verdadera μ es de 95%. La probabilidad de que se salga de dicho
intervalo es del 5%.
Ejemplo 3: Medición de tiempos de maquinado de piezas
Se desea determinar el número de réplicas (N) y el intervalo de confianza que tendrá

nuestro experimento final de simulación, establecemos un número de réplicas prelimi-
nares (n) que tentativamente designamos en 10. Se ha fijado un error de 20 minutos,
que estamos dispuestos a aceptar, en la diferencia entre el tiempo promedio estimado
y la media verdadera µ (media teórica). Asumiremos un nivel de confianza del 90%
que no varía de µ por más de 20 minutos. Resumiendo, tenemos:
n = 10
Grados de libertad = n-1 = 9
t ( n −1,1−α / 2 ) = 1.833 (ver tabla t de Student)
Error: e = 20 minutos ± e (respecto a la media verdadera μ)
X µ
e=20
Seguidamente, ejecutamos el modelo sobre la base de las 10 réplicas preliminares y

analizamos el reporte del Output Analyzer:
249
= 252 minutos (Media estimada)
S (10 ) = 30.9 minutos (Desviación estándar)
HalfWidth = 17.9 minutos (Mitad del ancho del intervalo) 234 252 269
Intervalo de confianza
Intervalo de confianza para µ: 252 ± 17.9 Æ [234.1, 269.9]
[252 ± 17.9]
Si bien estos parámetros los obtenemos directamente del Output Analyzer, también
podemos determinarlos en forma analítica, veamos:
Secuencia
10
8575.16
S 2 (10 ) = = 952.79556
9
S(10) = 30.9
2
S (n) 30.9 2
HalfWidth = t ( n −1,1−α / 2 ) HalfWidth = t ( 9,0.95)
n Æ 10
Existe una relación inversa entre
la mitad del ancho del intervalo HalfWidth = 1.833 * 9.77 = 17.9
(HalfWidth) y el tamaño de n.
Con la información obtenida podemos conocer el número de réplicas que tendrá nues-
tro experimento de simulación:
250
2
⎡ t ( n−1,1−α / 2) ∗ S ( n ) ⎤ ⎡1.833 ∗ 30.9 ⎤
2
N =⎢ ⎥ N =⎢ ⎥ = 8.020139 N = 9 réplicas
⎣ e ⎦ ⎣ 20 ⎦
Definido el número de réplicas procedemos a configurar el experimento de simulación.
Se realizarán 10 experimentos independientes, cada uno con una secuencia diferente
de números aleatorios que afecta los arribos de las entidades. Cada experimento con-
siste en 12 réplicas. Veamos los resultados:
En el cuadro anterior observamos la relación que existe entre el nivel de confianza y el

número de réplicas requerido por el modelo. Elegimos un µ puntual dentro del inter-
valo de confianza [234.1, 269.9], por ejemplo µ = 255, tal que:
µ ± e = 255 ± 20 Æ [235, 275]

Conclusiones:
• En el cuadro anterior podemos observar que de los 10 experimentos realizados uno
sale fuera del intervalo de confianza [235, 275] de la media teórica. Este corres-
ponde al experimento número 9, cuya media estimada es de 234.97.
• Para lograr independencia entre los experimentos se les asigna una secuencia dife-
rente de números aleatorios para cada uno. En cada experimento se ejecutan 9 ré-
plicas, con lo cual se alcanza un nivel de confianza deseado.
• Del 100% de los experimentos, un 90% de ellos cae dentro del intervalo de con-
fianza de la media teórica, con un error de ± 20 minutos. El valor del tiempo pro-
medio estimado no varía de la media teórica por más de 20 minutos, con un nivel
de confianza del 90%. Por lo tanto, existe una probabilidad del 10% que la media
estimada supere a la media teórica por más de 20 minutos.
• Al determinar el número de replicas “N” que se deben ejecutar en el modelo de si-

mulación se mejorará la fiabilidad de los resultados. Este aspecto representa un re-
quisito fundamental para llegar a conclusiones válidas.
• En la medida en que tengamos un mayor conocimiento del sistema que está siendo
modelado podemos definir, en forma más precisa, el error “e” que estamos dis-
puestos a aceptar, así como la probabilidad de error “α”.
• El intervalo de confianza para µ [234.1, 269.9] nos dirá qué tan seguros podemos
estar de que el parámetro de la media verdadera µ está contenida dentro de nues-
tro intervalo calculado.
251
• El uso de la distribución t de Student para determinar el intervalo de confianza para

µ requiere de la normalidad de los datos. De lo contrario, las conclusiones a las que
se llega tendrían un nivel de fiabilidad muy pobre. Por este motivo, los resultados
promedio de las réplicas del experimento preliminar se deben someter a la prueba
de normalidad. Este tema se abordará más adelante.
• Dado que el tamaño de la muestra m es el número de observaciones por réplica y N

el número de réplicas que el modelo necesita para alcanzar un nivel de confianza
deseado podemos afirmar, sobre la base del Teorema del Límite Central que los N
valores promedio que se logren producto de las N réplicas conforman un conjunto
de valores que se ajustarán a una distribución de probabilidad normal, siempre que
m sea grande (m>30 observaciones) por cada réplica.
• Existe una relación inversa entre la mitad del ancho del intervalo (HalfWidth) y el
tamaño de n, a menor número de réplicas mayor es el riesgo. Una manera de redu-
cir el intervalo de confianza es aumentando el número de réplicas n.
Escenario
Suponga que se realiza un cambio en las condiciones originales. Se reduce el porcen-
taje de error a un 5% (α = 0.05). Se mantienen el número de réplicas preliminares en
10 y el error de 20 minutos. Veamos el efecto que produce este cambio:

2
⎡ t ( n−1,1−α / 2) ∗ S ( n ) ⎤ ⎡ 2.262 ∗ 30.9 ⎤
2
N =⎢ ⎥ N =⎢ ⎥ = 12.214 N = 13 réplicas
⎣ e ⎦ ⎣ 20 ⎦
252
Elegimos un µ puntual dentro del intervalo de confianza [229.9, 274.1], por ejemplo
µ = 250, tal que: µ ± e = 250 ± 20 Æ [230, 270].
Observe que ahora todos los valores se encuentran dentro del intervalo [230, 270],
recordemos que se ha replanteado el nivel de confianza a 95%, sin embargo el 100%
de los resultados están dentro del intervalo. Debido a que el número de experimentos
es relativamente pequeño no podemos observar ese 5% que cae fuera del intervalo.
Cuando el número de experimentos es muy grande y tiende hacia el infinito, compro-
baremos que sí se cumple dicha probabilidad.
De cualquier modo, la interpretación es que la media estimada del Tiempo Promedio

no varía de la media teórica por más de 20 minutos, con un 95% de confianza. Por lo
tanto existe una probabilidad de 5% de que la media estimada supere a la media teó-
rica por más de 20 minutos.
Método 2: Cálculo del número de réplicas para el experimento.
También es posible determinar el número de réplicas en base al HalfWidth obtenido de

la muestra preliminar, mediante la expresión siguiente:
2 2
⎛h ⎞ ⎛ 22.1 ⎞
N = n⎜ 0 ⎟ N = 10⎜ ⎟ N = 13 réplicas
⎝ e ⎠ ⎝ 20 ⎠
Ejemplo 4:
Se desea medir el valor promedio del indicador Tiempo de Permanencia en Sistema.

Veamos:
Experimento:
95%
• 20 réplicas, 16.61
14.13 15.37
• Por cada réplica hubo entre 500 y 550 observaciones
(entidades atendidas) Intervalo de confianza
[15.37±1.24]
Por cada réplica se obtuvo un valor promedio, es decir, en total se obtuvieron 20 valo-
res promedio. Luego se obtuvo el valor esperado de los valores promedio de las 20 re-
plicaciones, así como el intervalo de confianza para un nivel determinado de probabili-
dad, que en nuestro caso es el 95%. El valor esperado obtenido 15.37 es un valor
centrado que involucra a un universo de por lo menos 10.000 observaciones y la me-
dia verdadera μ caerá en el intervalo comprendido entre los valores 14.13 y 16.61,
con un 95% de probabilidad.
Ejemplo 5:
Se requiere diseñar la capacidad que debe tener la sala de espera del área de despa-
cho de una empresa, para ello se desea medir el indicador Longitud Máxima de Cola.
Veamos:
253
Experimento:
95%
• 80 réplicas
71 74 77
• Por cada réplica hubo un valor máximo de cola
(durante la simulación) Intervalo de confianza
[ 74 ± 3 ]
Por cada réplica se obtuvo un solo valor máximo, es decir, en total se obtuvieron 80
valores máximos. Luego se obtuvo el valor esperado de los valores máximos de las 80
replicaciones y el intervalo de confianza. En nuestro ejemplo existe un 95% de proba-
bilidad de que el valor de la media verdadera μ se encuentre entre 71 y 77, por lo
tanto, un criterio sería establecer una capacidad para la sala de espera de 77 entida-
des. Este valor cubre el 97.5% de todos los casos posibles, dejando un error de 2.5%
en la cola derecha para aquellos valores que sobrepasen dicha capacidad; tómese en
cuenta que el valor “máximo de los máximos” no coincide necesariamente con el lí-
mite superior del intervalo de confianza. Cualquier criterio que se adopte para diseñar
la capacidad de la sala de espera debe considerar, por lo menos, el límite inferior del
intervalo de confianza.
Ejemplo 6:
Se desea medir el indicador Deuda Máxima, representado por la variable Saldo, que
durante la simulación puede tomar distintos valores que fluctúan entre cero y valores
negativos, que representan diferentes niveles de deuda. El objetivo es conocer el
monto mínimo que debe contar la empresa que respalde un nivel máximo de deuda.
Experimento:
95%
• 100 réplicas,
-40000 -35000 -30000
• Por cada réplica hubo un valor mínimo de la
variable Saldo (deuda máxima) Intervalo de confianza
[-35000 ± 5000]
Por cada réplica se obtuvo un solo valor mínimo, en total se obtuvieron 100 valores
mínimos. Luego se obtuvo el valor esperado de los valores mínimos de las 100 repli-
caciones, así como el intervalo de confianza. Existe un 95% de probabilidad de que el
valor de la media verdadera μ se encuentre entre -40000 y -30000; por lo tanto, un
criterio sería establecer un respaldo mínimo de $40000. Este valor cubre el 97.5% de
todos los casos posibles, dejando un error de 2.5% en la cola izquierda para aquellos
niveles de deuda que sobrepasen los $40000, tomar en cuenta que el valor “mínimo
de los mínimos” no coincide necesariamente con el límite inferior del intervalo de con-
fianza. Cualquier criterio que se adopte para definir el monto del respaldo debe consi-
derar, por lo menos, el límite superior del intervalo de confianza.
254
4. TÉCNICAS DE REDUCCIÓN DE VARIANZA
La generación de números aleatorios es una parte importante de las técnicas de simu-

lación. El generador de números Random produce una secuencia cíclica de números
aleatorios, que serán utilizados por varias distribuciones, como la Uniforme, Normal,
Exponencial, etcétera, las cuales guiarán el proceso representado en el modelo de si-
mulación, tales como arribos, tiempos de proceso, tiempos entre fallas u otros.
0.24 0.88
0.02 Generador de
0.73
números
aleatorios
0.15 0.31
0.1
El generador de números aleatorios requiere de una semilla para comenzar a producir

dichos números; cada número aleatorio producido le sirve al generador para producir
el siguiente número aleatorio y así sucesivamente, hasta que se cumpla un ciclo (por
lo menos dos billones de números), luego el ciclo se repite a través de la misma se-
cuencia. Arena dispone de 99 secuencias de números aleatorios y por defecto utiliza la
secuencia 10.
El objetivo del proceso de secuencia común es reducir la varianza de los resultados

obtenidos al comparar escenarios. Desde que el uso de una secuencia determinada
implica que todos los números se generan en base a una misma semilla, esto crea
cierta dependencia entre los valores. En este sentido, este procedimiento intenta redu-
cir dicha varianza, mediante el uso de diferentes secuencias en las distribuciones de
probabilidad, lo cual genera un mayor factor aleatorio y disminuye dicha dependencia.
Este concepto podemos expresarlo en el siguiente esquema, veamos:
Secuencia 5 Secuencia 3 Secuencia 8

0.24 0.88
0.31 0.65 0.23 0.57
0.02 Generador de
0.84 Generador de 0.78 Generador de 0.73
0.33 0.91 números
números números
aleatorios
aleatorios aleatorios
0.15 0.31
0.13 0.74 0.28
0.21
0.1
0.4 0.5
Distribución de los Distribución de los

tiempos de servicio tiempos de servicio
255
Ejemplo:
El siguiente segmento de un modelo trabaja con la secuencia por defecto que es la 10,
veamos:
Delay
En el ejemplo anterior podemos observar que al iniciar la simulación se comenzarán a

generar valores aleatorios para los Arribos y para la Atención, de acuerdo con la se-
cuencia 10. Los valores que se generan de una misma secuencia no son completamen-
te aleatorios, desde que se crea siempre un nuevo valor en base al valor anterior, por
ello es que estos son llamados pseudoaleatorios. Así, el valor que se crea en la distri-
bución TRIA(2,4,6) del módulo Delay se hace a partir del último valor generado por la
distribución EXPO(5) en el módulo Create, con lo cual el concepto de “independencia”
entre un valor y otro no se cumple. Para incluir una secuencia de números aleatorios
en una distribución de probabilidad debemos utilizar la alternativa Expresión:
Equivalentes
La inserción de una secuencia adicional de números aleatorios quiebra o elimina la de-

pendencia que se genera cuando los valores creados por las distribuciones de probabi-
lidad pertenecen a una misma secuencia. Respecto al ejemplo anterior, para el arribo
de los clientes consideraremos la secuencia 4 y para el proceso de servicio la secuen-
cia 9. El modelo queda de la siguiente manera:
Delay
Este cambio de secuencias debe realizarse en cada uno de los modelos que se está
comparando. La secuencia 4 en los arribos asegura que el ritmo de llegadas sea simi-
lar en los escenarios. Con el cambio a la secuencia 9 en la Atención se rompe la de-
pendencia respecto a la secuencia 4. Todo esto redunda en la reducción de la variación
en los resultados y también se logra que la comparación de escenarios se realice en
condiciones similares.
256
Un generador de números aleatorios que comience con la misma semilla, generará

siempre la misma secuencia de números; diferentes semillas generarán diferentes
secuencias. Para obtener valores esperados de las variables aleatorias se ejecutan
varias réplicas al modelo. En cada una se utilizan diferentes secuencias de números e
independientes entre sí. El valor de la muestra se expresa mediante un intervalo de
confianza. Las técnicas de reducción de varianza son métodos que explotan nuestra
capacidad de control de los generadores de números aleatorios que conducen nuestra
simulación. Normalmente reutilizamos dichos números aleatorios para inducir correla-
ciones favorables que reduzcan el ruido en el output. A continuación mostraremos al-
gunas de las técnicas de reducción de varianza más utilizadas.
4.1 Técnica de secuencias comunes

Esta técnica utiliza las mismas series de números aleatorios en experimentos sucesi-
vos de comparación de escenarios. Se trata de obtener una reducción de varianza de
la diferencia a partir de la sincronización de las mismas series de números para distin-
tas configuraciones. A partir de una misma semilla original los sistemas serán compa-
rados en “las mismas circunstancias”.
Se debe caracterizar cada uno de los generadores de las variables aleatorias que va-
mos a utilizar en la simulación mediante la identificación de una serie específica para
cada tipo de fenómeno, a fin de obtener una máxima sincronización entre la carga de
trabajo generada en los escenarios alternativos. Se trata de introducir correlación po-
sitiva entre las réplicas. Si Z=X-Y, tenemos que:
Var(Z) = Var(X) + Var(Y) – 2Cov(X,Y)

En la expresión anterior observamos que si la Cov(X,Y) es grande, por haber introdu-
cido correlación positiva entre ambas series, entonces la varianza de la diferencia:
Var(Z), será mucho menor.
4.2 Técnica de secuencias antitéticas

A diferencia de la técnica de secuencia común, el método antitético intenta introducir
correlación negativa entre los elementos correspondientes a las cadenas de números
aleatorios utilizados en las distintas réplicas, como estrategia para obtener respuestas
estadísticamente más confiables que la generada con réplicas independientes. El mé-
todo consiste en ejecutar una primera réplica con la serie de números aleatorios ui
(i=1,2,…n). Luego, se ejecuta una segunda réplica con los valores antitéticos (1-ui)
(i=1,2,…n). Este muestreo complementario induce una correlación negativa entre las
respuestas de ambas simulaciones. En principio, ambas “se compensan” y se conjetu-
ra que las respuestas y(1) e y(2) estarán correlacionadas negativamente, por lo que la
varianza de sus promedios decrece. Tenemos n/2 promedios de parejas (y(i), y(i+1)),
lo que nos conduce a la expresión de la varianza de Y= Y(i) + Y(i+1):
Var(Y) = ¼[var(Y(i)) + var(Y(i+1)) + 2 Cov(Y(i), Y(i+1)]
Si las réplicas son independientes desaparecen los términos de covarianza. Sin em-
bargo, si hacemos negativa la suma de covarianzas, podemos producir una varianza
menor de la que ofrecen réplicas independientes.
257
5. COMPARACIÓN DE ESCENARIOS
Supongamos que se desea comparar dos escenarios: Esc.A versus Esc.B, siendo la va-
riable de interés el Tiempo de Ciclo. En cada escenario se ejecutaron 10 réplicas y se
obtuvieron los intervalos de confianza ICA e ICB. Así tenemos:
Caso 1: Los intervalos de confianza no se traslapan
ICA ICB
[+ , +] [+ , +]
Escala de tiempo +∞
Como se observa, existe un desfase, una clara separación en el tiempo, entre los in-
tervalos de confianza de cada escenario. Dado que la variable de interés es el Tiempo
de Ciclo, se puede afirmar que el EscA es mejor que el EscB, porque posee un interva-
lo con menores tiempos.
Caso 2: Los intervalos de confianza se traslapan
ICA
[+ , +]
[+ , +] +∞
ICB Escala de tiempo
En este caso se procede a realizar el análisis pareado.
5.1 Comparación de medias usando muestras relacionadas: prueba Paired-t

La comparación de medias usando muestras pareadas consiste en comparar dos mé-
todos o tratamientos y se requiere que las unidades experimentales donde se aplican
los tratamientos sean las mismas, para evitar influencia de otros factores en la com-
paración.
Ejemplo:
Supongamos que se brinda capacitación a los operarios del departamento de produc-
ción de una empresa y se desea evaluar la efectividad de dicha capacitación. El senti-
do común nos indica que algunos operarios entenderán mejor el material que otros
quizá, debido a la preparación que tienen de antemano. Entonces, para medir la efec-
tividad de la capacitación es más justo tomar un test antes y después del curso de
capacitación y comparar estos resultados individuo por individuo.
Ejemplo:
Supongamos que un médico desea investigar si un medicamento tiene el efecto de ba-
jar la presión sanguínea en los usuarios. En el experimento se eligió al azar 20 pacien-
tes y les tomó la presión, luego les recetó la medicina por un periodo de 3 meses, y al
final del mismo nuevamente les tomó la presión. Luego comparó resultados, paciente
por paciente.
258
Respecto al caso 2, si se realiza la comparación de medias usando muestras pareadas,

podría arrojar los siguientes posibles resultados:
A B A - B Intervalos de
confianza
SIGNOS
ICA-B = [- , -] A es mejor que B
ICA-B = [+ , +] B es mejor que A
ICA-B = [- , +] No se puede afirmar nada
donde:
A : Columna que posee los 10 valores (tiempos de ciclo) del Escenario A
B : Columna que posee los 10 valores (tiempos de ciclo) del Escenario B
A-B: Columna que posee la diferencia entre los valores del EscA – EscB
ICA-B : Intervalo de confianza de los valores obtenidos en la columna A – B
ICA-B
[- , -]
A ES MEJOR QUE B
-∞ 0 +∞
ICA-B
[+ , +]
B es mejor que A
-∞ 0 +∞
ICA-B Si el intervalo es [– , +]
[- , +] entonces no existe evidencia
suficiente para afirmar una
-∞ 0 +∞ diferencia significativa entre
los dos escenarios. Estadísti-
camente, asumimos igualdad.
Intervalo de confianza:
d: Promedio de las diferencias

Sn
[d ± t ( n −1,1−α / 2 )
n
] Sn: Desviación estándar de las diferencias
d=X–Y
Ejemplo: Método Pareado

Los siguientes datos representan los valores promedio de 25 réplicas de un modelo en
el que se desea comparar dos escenarios desde la óptica de tres indicadores de de-
sempeño diferentes: Tiempo de Ciclo, Utilidades y Costos. Para ello, se ha creado, pa-
ra cada indicador, una tercera columna que es la diferencia de las medias, veamos:
259
Intervalos: [1.151, 2.935] [-41.93, -32.27] [-3.653, 0.051]
Conclusiones:
• Al comparar ESC1-ESC2 el intervalo resultante es [+,+], el escenario 1 es mayor
que el 2. Entonces, el escenario 2 es mejor porque es menor el Tiempo de Ciclo.
• Al comparar ESCA-ESCB el intervalo resultante es [-,-], el escenario B es mayor

que el A. Entonces el escenario B es mejor porque es mayor la Utilidad.
• Al comparar ESCX-ESCY el intervalo resultante es [-,+], no existe diferencia signifi-

cativa. Se puede afirmar que estadísticamente son iguales en cuanto a los Costos.
5.2 Comparación de medias usando muestras independientes: prueba

Two Sample-t
Supongamos que se tiene dos poblaciones distribuidas normalmente con medias des-
conocidas μ y μ respectivamente. Se puede aplicar una prueba t de Student para
1 2,
comparar las medias de dichas poblaciones basándonos en dos muestras independien-

tes tomadas de ellas. La primera muestra es de tamaño m, con media x y varianza s12
y la segunda muestra es de tamaño n, tiene media y y varianza s22. Así tenemos que
el intervalo de confianza se determina mediante la expresión:
Ejemplos: Sp: Desviación estándar p ponderada (combinada).
• Se desea comparar si los estudiantes de escuelas privadas y públicas tienen igual

rendimiento en matemáticas.
• Se desea comparar el número de años de educación entre los oficiales de la policía
de la ciudad A y de la ciudad B. Para ello se toman muestras aleatorias de 38 poli-
cías (ciudad A) y 30 policías (ciudad B). Se desea saber si existe diferencia estadís-
ticamente significativa entre los niveles de educación de los policías de ambas ciu-
dades.
260
6. PRUEBA DE NORMALIDAD
Al diseñar un experimento de simulación se deben definir principalmente la longitud de

la simulación o la condición de fin, el período de calentamiento en caso de que sea de
estado estable, el número de réplicas que ejecutará el modelo, y sobre todo se esta-
blecerá el indicador o los indicadores que servirán para medir la variable de estudio
del proyecto. El conjunto de valores de cada indicador, que resulta de la ejecución del
experimento de simulación, sea de estado estable o transitorio, deberá ser sometido a
pruebas estadísticas de bondad de ajuste a la distribución Normal, es decir, básica-
mente a las pruebas de Chi-cuadrado, Kolmogorov-Smirnov y Anderson Darling.
El objetivo de estas pruebas es verificar que se aplica el Teorema del Límite Central
(TLC) para el indicador del estudio. Dado que el tamaño de la muestra m es el número
de observaciones que hay en una réplica y N es el número de réplicas que el modelo
necesita para alcanzar un nivel de confianza deseado, podemos afirmar en base al
Teorema del Límite Central que los N valores promedio que se logren producto de las
N réplicas, conforman un conjunto de valores que se ajustarán a una distribución
de probabilidad normal, siempre que m sea grande (m>30 observaciones) por cada
réplica.
Al pasar la prueba de normalidad se puede afirmar que el valor de nuestro indicador
no solo representa el promedio de las N replicaciones, sino también es uno de los pa-
rámetros de la distribución normal, la media. Por lo tanto, se podrá establecer un in-
tervalo para µ con un nivel de confianza deseado y será factible realizar inferencia es-
tadística al indicador. Si, por el contrario, el conjunto de valores no pasa la prueba de
normalidad, entonces no será posible aplicar inferencia estadística al indicador que se
está midiendo, ni establecer algún intervalo de confianza para µ, desde que el nivel de
fiabilidad con que se cuenta es muy pobre o de baja calidad y las conclusiones que se
obtendrían serán no válidas. Por ello, es fundamental que se aplique el TLC a los valo-
res de nuestro indicador y, obviamente, también es fundamental realizar la prueba.
La prueba de normalidad consiste en ejecutar el modelo de simulación y analizar los
resultados promedio de las réplicas. Para realizarla nos valemos, en primera instancia,
del Output Analyzer, para exportar los valores resultantes de cada réplica. Los datos
son exportados al software MS-Excel, desde allí se recuperan y se llevan al Block de
Notas (Windows-Note Pad), con el propósito de que se graben en formato texto
(*.Txt). A partir de esta instancia hacia adelante el procedimiento es conocido, ya que
con ayuda del Input Analyzer evaluaremos si los datos se ajustan a la distribución
Normal, analizaremos también la calidad del ajuste mediante el indicador Error cua-
drado.
Ejemplo:
Supóngase un experimento de simulación que consiste en la ejecución de 30 réplicas
al modelo. La variable en estudio que se mide es la utilidad diaria que genera una em-
presa. A continuación presentamos la secuencia de pasos:
1. Ejecutar el modelo en Arena, asegurarse de que está configurado para el número

de réplicas deseado y que el destino de los valores será un archivo de datos, como
se muestra a continuación:
261
2. Una vez ejecutado el modelo, abrir el Output Analyzer e ingresar a la opción: Fi-
le/Data File/Export. Ingresar el nombre del archivo a exportar, es decir UTILIDAD.dat,
en el segundo campo ingresar Lumped. Finalmente, ingresar el nombre del archivo
que recibirá los datos, con la extensión de MS-Excel: UTILIDAD.xls.
3. Una vez exportados, cargamos el software MS-Excel y procederemos a recuperar

nuestro archivo, buscándolo en la ruta que le dimos en el paso anterior, es decir en
C:\UTILIDAD.xls. Nos encontraremos con la siguiente pantalla:
1 4
262
4. El siguiente paso es darles el formato adecuado a los datos, llevarlos al Block de

Notas de Windows (Note Pad) y grabar el archivo: UTILIDAD.txt.
5. Finalmente, desde el Input Analyzer se recupera el archivo UTILIDAD.txt y se pro-

cede a realizar la prueba de normalidad de los datos. Veamos:
263
Veamos los siguientes reportes:
2
1
Conclusiones:
• Los datos obtenidos del experimento de simulación, producto de la ejecución del

modelo por 30 réplicas para el indicador que se está midiendo, no pasan la prueba
de normalidad. En primera instancia podemos observar en el indicador p de la
prueba Chi cuadrado es menor que 0.005. Es decir, es menor que el riesgo que
equivale al 5%.
• Como era de esperarse, el valor del error cuadrado 0.0659 de la distribución Nor-
mal no es el más bajo, comparando con otras distribuciones de la lista o ranking.
El error cuadrado es una medida de la calidad de ajuste, de la distribución a los
datos y se espera que sea mínimo. Según el reporte, la distribución Beta se ajusta
mejor a nuestros datos porque posee un menor error cuadrado.
• Sobre la base de lo anterior, se concluye que no es posible aplicar inferencia esta-

dística al indicador “utilidad diaria” que se está midiendo, por lo tanto, no será po-
sible establecer algún intervalo de confianza para µ, desde que el nivel de fiabili-
dad con que se cuenta es muy pobre o de baja calidad y las conclusiones que se
obtendrían serán no válidas.
• Tómese en cuenta que el hecho de que un indicador no pase la prueba de normali-

dad no invalida el modelo ni a otros potenciales indicadores. Si no pasa la prueba
el indicador es solo el promedio de los valores de las replicaciones, pero no repre-
senta ningún parámetro de la distribución normal, es decir no se ajusta a ella. En
este caso, lo que procede es desistir de utilizarlo en el estudio y buscar otro indi-
cador diferente.
264
7. EJECUCIÓN Y ANÁLISIS ESTADÍSTICO
7.1 Configuración del experimento de simulación en Arena
Antes de ejecutar el modelo de simulación se establecen las condiciones iniciales y pa-

rámetros o alcances que tendrá el modelo durante su ejecución. En este sentido, po-
demos establecer los siguientes elementos:
Si se activa, enton-
Número de ejecu- ces el sistema se ini-
ciones al modelo cia vacío, sin enti-
(réplicas). Cada Setup… dades y con recur-
réplica es una sos inactivos.
muestra.
Si se activa, enton-
ces borra estadísti-
cas al final de cada
Fecha y hora de réplica o ejecución
inicio de la simu- al modelo.
lación.
Período de calentamiento, Tiempo al cabo del

hasta que el sistema logra cual finaliza la si-
estabilidad. No se recolecta mulación.
estadísticas en este período.
Condición para
que finalice la
simulación.
7.2 Análisis de los resultados en Arena
Una vez ejecutado el modelo se procede a realizar un análisis estadístico y una inter-
pretación de los resultados obtenidos respecto a la variable de estudio.
Ejemplo:
Valor promedio 87.94 94.52 101.1

de 10 promedios
o muestras. Promedios mínimo Intervalo de confianza
y máximo, que Valores mínimo y [94.52 ± 6.58]
corresponden a al- máximo asociados al
gunas de las 10 universo de las 10
muestras. réplicas.
265
7.3 Output Analyzer3

Como se puede observar en el ejemplo anterior, si bien podemos obtener información
del reporte que genera Arena, este brinda estadísticas solo para un 95% de nivel de
confianza. En este sentido, se utilizará el módulo Output Analyzer de Arena para el
análisis e interpretación de los resultados de salida. Con él podemos establecer inter-
valos para μ, con diferentes niveles de confianza, también permite realizar el análisis
pareado (comparación de medias) para la comparación de escenarios, entre otros utili-
tarios y herramientas.
7.3.1 Determinación del intervalo de confianza para μ
1. Ordenar estadísticas de la variable en estudio: Ruta
C:\DATOS.dat
2. Ejecutar el modelo de simulación.
3. Ejecutar el software Output Analyzer:
Classical Confidence Interval on Mean
Nivel de
confianza
En el reporte podemos observar que el segmento azul

representa el intervalo de confianza para μ: [87.9, 101].
También se suministra, entre otros indicadores, la me-
87.9 94.5 101
dia y el HalfWith, que representa la mitad del intervalo.
Intervalo de con-
fianza
3
Software Arena®, Rockwell Software. Versión 10,0, 2005.
266
7.3.2 Comparación de escenarios: Muestras relacionadas
Análisis Pareado (Output Analyzer)

El software Arena soporta el análisis de los resultados de la simulación mediante el
Output Analyzer. A continuación se muestra el procedimiento para realizar la compa-
ración de escenarios mediante el Método Pareado:
1. Ordenar estadísticas en cada modelo:
C:\ESC1.dat
C:\ESC2.dat
2. Ejecutar cada escenario:

Nota: Tomar en cuenta que para poder realizar la comparación de medias (análisis pareado) los valores
de las replicaciones del indicador en ambos escenarios deben pasar la prueba de normalidad.
3. Ejecutar Output Analyzer:
ESC1 – ESC2
Interpretación: Dado que la variable de estudio es el tiempo de ciclo y analizando el

intervalo resultante vemos que es [+,+], es decir, el segmento azul está a la derecha
del valor cero de la escala. En todos los casos el ESC1 siempre es mayor que el ESC2,
lo que significa que el escenario 2 es mejor porque es menor.
267
7.3.3 Cálculo de probabilidades
¿Cuál es la probabilidad de que el tiempo promedio muestral alcance o sobrepase los

100 minutos?
Veamos:
Según el reporte tenemos:
Utilizando la fx DISTR.NORM de MS-EXCEL, tenemos:
P(X ≥ 100) = 1 - DISTR.NORM(100, 94.5, 9.2, 1) Æ 0.275
Existe una probabilidad del 27.5% de que el tiempo promedio muestral alcance o so-
brepase los 100 minutos.
7.3.4 Comparación de escenarios: Muestras independientes
Prueba Two Sample-t (Output Analyzer)

El procedimiento para realizar la comparación de medias utilizando muestras no rela-
cionadas es similar al análisis pareado (véase acápite 2.3.2), la diferencia está sólo en
la configuración de la prueba, tal como se muestra a continuación:
268
1
Caso de estudio
Comparación de escenarios
Objetivos:
o Análisis estadístico de los resultados de la simulación: Output Analyzer.
o Método Pareado para la comparación de escenarios.
o Uso de Secuencia Común. Análisis e interpretación de los resultados.
o Variable TAVG(Tally Name), en el módulo Statistic tipo Output.
Al departamento de servicios de una empresa industrial llegan unas piezas. Cada pieza
debe pasar por cada estación de trabajo; es decir, se deben ejecutar dos operaciones
en serie. Véase el siguiente esquema que describe el proceso:
Cola 1 Cola 2
Según data histórica, las piezas arriban al sistema de acuerdo con una distribución de
probabilidad EXPO (2) minutos. El tiempo de servicio en la estación 1 es una distribu-
ción NORM (5,0.5) minutos y para la estación 2 es una UNIF(2, 4) minutos. Las piezas
son transportadas en forma automática por cada una de las estaciones.
Dado que los operarios pueden procesar una pieza a la vez, frecuentemente se forman
colas antes de cada estación de trabajo. Considerar tres escenarios con las siguientes
características de capacidad en las estaciones:
Número de operarios
Estación 1 Estación 2
Escenario 1 1 1
Escenario 2 2 1
Escenario 3 1 2
Simular cada uno de los tres escenarios durante 300 minutos y 10 réplicas. La variable
en estudio por medir es el tiempo de ciclo de las piezas.
Se pide:
1. Con un nivel del 95% determinar el intervalo de confianza para el indicador tiempo
de ciclo, en cada escenario.
2. Comparar los escenarios 1, 2 y 3 para poder tomar una decisión respecto al número
de operarios que debe haber en cada estación.
269
Solución
Process Process
Seize Delay Release Seize Delay Release Time Interval

Random(Expo) Resources: Resources: Attribute Name:
2 Minutes Operario1, 01 Operario2, 01 Hora arribo
Delay Type: Delay Type: Uniform Tally Name:
Normal(5,0.5) Minutes Tiempo en sistema
Minutes Min.: 2 Max.: 4
ESC1 ESC2 ESC3
Seguidamente, ejecutamos cada uno de los tres escenarios y realizamos la inferencia

estadística mediante la aplicación Output Analyzer, veamos:
Intervalos de confianza:
ESC1
ESC2
ESC3
270
Con el propósito de neutralizar la dependencia que se crea entre los valores generados
por las distribuciones de probabilidad pertenecientes a una misma secuencia de nú-
meros aleatorios, una alternativa sería cambiar la secuencia del proceso de la estación
1 para interrumpir la secuencia 10. Otra alternativa es utilizar la secuencia 1 para los
arribos y las secuencias 2 y 3 para los procesos, respectivamente. Incluiremos esta
última alternativa en el modelo:
Esta inserción de secuencias se debe realizar en los tres escenarios. Si el objetivo es

hacer una comparación de escenarios es importante que se asigne la misma secuencia
para los arribos en todos los escenarios, esto asegura que el ritmo de las llegadas sea
homogéneo en los escenarios. En general, lo que se debe buscar es realizar las com-
paraciones en condiciones similares para todos los escenarios a comparar. A conti-
nuación se muestran los nuevos resultados:
ESC1
ESC2
ESC3
En el reporte anterior se puede observar que ha habido una reducción en la desviación

estándar de los escenarios, respecto al primer reporte, lo que se traduce en una re-
ducción del HalfWidth o mitad del intervalo. Esto implica un intervalo más pequeño y
con menor riesgo y, por lo tanto, con mayor precisión.
Con la ayuda del Output Analyzer realizaremos el método pareado o comparación de

medias, para comparar los tres escenarios:
271
La comparación se realizará por pares, por ejemplo el escenario 1 con el escenario 2.

Entonces la expresión se representa mediante la resta del escenario 1 menos el esce-
nario 2:
ESC1 – ESC2
El orden al restar puede ser cualquiera, por ejemplo el escenario 2 menos el escenario
1; sin embargo, debemos tener cuidado al interpretar los resultados. En forma análo-
ga se procede en la comparación de los escenarios 2 y 3 y de los escenarios 1 y 2. Así,
obtenemos los siguientes reportes (observe la ubicación del valor cero):
ESC1 – ESC2
Al comparar ESC1 – ESC2 el intervalo resultante es [+,+] es decir [30, 55.9]. El ESC2
es mejor porque es menor que el ESC1, ya que la diferencia es positiva.
ESC2 – ESC3
Al comparar ESC2 – ESC3 el intervalo resultante es [-,-] es decir [-55.9,-30]. El ESC2

es mejor porque es menor que el ESC1, ya que la diferencia es negativa.
ESC1 – ESC3
Al comparar ESC1 – ESC3 observe la ubicación del valor cero, el intervalo resultante
es [-,+] es decir [-0.00013,+0.000337]. No existe evidencia suficiente para afirmar
que uno es mejor que el otro, las diferencias entre el ESC1 y el ESC3 son insignifican-
tes. Estadísticamente se asume igualdad.
Interpretación: Al ejecutar los modelos y observar la animación se puede observar

que en el ESC1 la estación 1 se congestiona mucho más que la estación 2. En el ESC2
la situación mejora ya que se agrega un operario a la estación 1, con lo cual se des-
congestiona. En el ESC3 es irrelevante el cambio, no hay ninguna mejora al aumentar
un operario a la estación 2, pues la congestión está en la estación 1. El mejor escena-
rio es el ESC2; entre los ESC1 y ESC3 no existen diferencias significativas.
272
2
Caso de estudio
PERT versus simulación de duración de un proyecto4

Objetivos:
o Modelado de las actividades de un proyecto.
4
o Duración promedio del proyecto e intervalo de confianza.
o Análisis estadístico con Múltiples Réplicas: Output Analyzer.
o Uso del módulo Statistic tipo Output file.
El equipo técnico de una empresa se encuentra en la etapa de planeamiento de un

proyecto para el lanzamiento de un nuevo producto. En base a datos estadísticos de
proyectos anteriores se ha obtenido la duración optimista, más probable y pesimista
de las actividades involucradas; luego, mediante la técnica Pert se logra la duración
promedio de las actividades. Dado que estas son de naturaleza probabilística, la fecha
de finalización del proyecto se convierte en una variable aleatoria. A continuación se
muestra la información técnica del proyecto:
I Tarea Tiempo estimado Costo

Tarea a m b
d predecesora t = (a + 4m + b)/6 directo
A Diseño del producto - 1 3 5 3 $15000
B Diseño funcional - 3 6 9 6 20000
C Desarrollo del producto - 10 13 19 13.5 35000
D Documentos normativos A 3 9 12 8.5 4000
E Aspectos ambientales A 1 3 8 3.5 2500
F Prueba del producto B , E 8 9 16 10 10800
G Pase a producción B , E 4 7 13 7.5 2000
H Implementar aspectos operativos D 3 6 9 6 1500
I Implementar aspectos mercadeo C , G 1 3 8 3.5 3000
Duración estimada del proyecto: 17.5 días (utilizando la técnica Pert-CPM) $ 93800
04 nov '02 11 nov '02 18 nov '02 25 nov '02 02 dic '02 09 dic
Id Nombre de tarea Duración Predecesoras L M M J V S D L M M J V S D L M M J V S D L M M J V S D L M M J V S D L M
1 Diseño del Producto 3 días
2 Diseño Funcional 6 días
3 Desarrollo del producto 13.5 días
4 Documentos normativos 8.5 días 1
5 Aspectos ambientales 3.5 días 1
6 Prueba del producto 10 días 2;5
7 Pase a producción 7.5 días 2;5
8 Implementación de aspectos operativos 6 días 4
9 Implementación de aspectos de Mercadeo 3.5 días 3;7
Formular un modelo para simular los tiempos de actividad del proyecto y comparar la
duración promedio resultante con la obtenida mediante el Pert. Ejecutar 20 réplicas.
• Determinar el intervalo de duración del proyecto, con nivel de confianza del 95%.
• Determinar la probabilidad de que el proyecto se retrase 2 o más días.
Escenario 1
Supóngase que las actividades C, F y H requieren, para su ejecución, del uso de una
máquina. Si la empresa dispone solo de una, estimar la duración del proyecto.
Escenario 2
Respecto al escenario inicial, supóngase que se desea estimar el costo total asociado
al proyecto (costo directo + costo indirecto). Considerar que además de los costos di-
rectos (véase cuadro en la parte superior) también se incurre en un costo de licencia
municipal por ejecutar el proyecto, equivalente a $100 por día.
4
Enunciado tomado de PRITSKER, A. y J. O’REILLY. Simulation with visual SLAM and AweSim, 1999.
273
Solución
Tarea
Id Delay
predecesora
A - TRIA( 1, 3, 5 ) días
B - TRIA( 3, 6, 9 ) días
C - TRIA(10, 13, 19) días
D A TRIA( 3, 9, 12 ) días
E A TRIA( 1, 3, 8 ) días
F B,E TRIA( 8, 9, 16 ) días
G B,E TRIA( 4, 7, 13 ) días
H D TRIA( 3, 6, 9 ) días
I C,G TRIA( 1, 3, 8 ) días
Delay
A D H
B F
C I
Output Analyzer
19.9 21.1 22.4
[19.9 , 22.4]
Probabilidad de que el proyecto
se retrase 2 o más días:
Análisis: La duración promedio para el proyecto es de 21.1 días; esta difiere con los
17.5 días obtenidos con la técnica PERT-CPM. La simulación se basa en la generación
de tiempos aleatorios para las actividades y en el número de replicaciones, mientras
que la técnica PERT-CPM asigna los tiempos a las actividades como un promedio pon-
derado de valores previamente estimados.
274
Escenario 1
En el módulo Process de las actividades C, F y H cambiamos a un Seize-Delay-Release
y asignamos un recurso Máquina. Los nuevos resultados son los siguientes:
29.5 30.8 32.0
[29.5 , 32.0]
Con una sola máquina y tres actividades que
compitan por esta, era de esperarse que la
duración inicial del proyecto se prolongue
Comparación de escenarios: ESC0 vs ESC1 hasta 30.8 días.
Dado que ambos límites del intervalo son ne-

gativos, entonces el ESC0 es menor, por lo
tanto es mejor que el ESC1.
Escenario 2:
Análisis: El reporte nos proporciona el costo total promedio que demandará el proyecto: $95913.27; este
monto incluye los costos directos e indirectos. Además, nos proporciona el intervalo de confianza en que
podría oscilar el costo del proyecto, con un nivel de confianza del 95%.
275
3
Caso de estudio
Control de inventarios y venta con entrega diferida5
Objetivos:
o Modelado de sistemas de inventario con entregas diferidas.
5
o Variables MR y NR. Cálculo de la disponibilidad del recurso.
o Determinación e interpretación de principales indicadores de desempeño.
o Análisis estadístico con múltiples réplicas: Output Analyzer.
o Módulo Statistic (Output file).
Una empresa distribuidora de radios planea instalar un sistema de control de inventarios.

El tiempo entre demandas para su producto está exponencialmente distribuido con una
media de 0.2 semanas.
En el caso en el que los clientes demandan el producto pero este no está en stock el 80%
de estos cancela su pedido y se dirige al distribuidor más cercano, mientras que el otro
20% realizará siempre el pedido, y en todo caso acepta que la entrega sea diferida hasta
el arribo del próximo embarque.
La distribuidora emplea un sistema de revisión periódico para realizar un nuevo pedido,
de tal forma que el estado del inventario es revisado cada 4 semanas para decidir si se
debe emitir una orden de pedido. Esta solo se emite si la cantidad en stock es igual o
inferior a 18 unidades (punto de reorden).
Por política de la empresa, la magnitud de cada pedido es hasta completar el nivel máxi-
mo de stock de 72 radios, para cualquier nivel de inventario en que se encuentre. El
tiempo desde que se emite la orden de pedido hasta que llega la mercadería (Lead Time)
es constante y de 3 semanas.
Las condiciones iniciales para la simulación corresponden a un nivel de inventario de 72
radios y no existen entregas diferidas al inicio.
Simular el sistema de inventario por un período de 6 años (312 semanas). Obtener e

interpretar los principales indicadores asociados a un sistema de inventarios.
Escenario 1
Con el fin de reducir el sesgo en las estadísticas debido a las condiciones iniciales, to-
das las estadísticas del primer año deben ser eliminadas. Ejecutar 10 réplicas y deter-
minar los intervalos de confianza para el Inventario Promedio, Venta Total y la Rota-
ción del Inventario, para un nivel de confianza del 95%.
5
Enunciado tomado de PRITSKER, A. y J. O’REILLY. Simulation with Visual SLAM and AweSim, 1999.
276
Solución
Clientes: Seize
Control de inventario:
Delay
277
1. Se vendieron: 1457 radios (véase en el Reporte: Resource / Total Number Seized)

Alternativas:
Build Expression/Basic Process/Resource/Usage/Current Number Busy
2. Se perdieron: 142 clientes, aprox. 9%. (Intervalos entre salidas + 1)
Build Expression/Basic Process/Record/Tally/Number Of Observations
3. En promedio, cada 14.648 días se pierde un cliente, porque no hay stock y este no acepta la
entrega diferida o backorder (véase Reporte: User Specified / Intervalo entre salidas).
Alternativa:
Build Expression/Basic Process/Record/Tally/Average Value
4. En promedio, cada 93.33 días llega un pedido al almacén (véase Reporte: User Specified /
Tiempo entre pedidos)
Alternativa:
5. Número promedio de unidades por pedido: 63.3478 radios (véase Reporte: User Specified /
Cantidad Prom. por pedido)
Alternativa:
278
6. Rotación del inventario: 23 veces.
Build Expression/Basic Process/Record/Tally/ Number Of Observations
7. Máximo de tiempo que espera un cliente por la entrega diferida: 23.1599 días. (Véase Reporte en: Queue)
Build Expression/Basic process/Queue/Average Wait Time

(Luego cambiar TAVG por TMAX)
(Véase Reporte en: Queue)

Máximo número de clientes en espera por la entrega diferida: 8 clientes.
Build Expression/Basic process/Queue/Average Number In Queue

(Luego cambiar DAVG por DMAX)
8. Inventario promedio o disponibilidad promedio del producto: 29.0745 radios.
9. Utilización promedio: 91.86%. (Véase Reporte: Resource / Instantaneous Utilization)
Alternativas:
Build Expression/Basic Process/Resource/Usage/ Current Number Busy ÷ Current Number Scheduled
Build Expression/Basic Process/Resource/Usage/Current Utilization
10. Venta promedio: 711.54 unidades. (Véase Reporte: Resource / Number Busy)
Alternativas:
Build Expression/Basic Process/Resource/Usage/ Current Number Busy
Build Expression/Basic Process/Resource/Usage/Average Number Busy
279
11. ¿Cómo quedó el stock, al final de la simulación? 0 radios, sin existencias.
12. Total de revisiones periódicas realizadas: 78 veces.
Ingreso Directo respecto del Segundo CREATE.
13. Valor mínimo de la variable Invreal: -2 (Véase Reporte: User Specified / Variable)
Alternativas:
Build Expression/Basic Process/Variable/Minimum Value
Colocando en Type: “Time Persistent”, obtenemos el valor promedio y el valor mínimo.
Escenario 1
Venta
total
28.75 19.4
[28.33 , 29.17] [18.80,20.0 ]
Rotacion
Inventario
inventario
promedio
1458.6
[1431.82 , 1485.4]
280
Output Analyzer:
A continuación, se presenta los intervalos de confianza para un nivel del 95%,

para los indicadores pedidos:
Escenario 2
Suponga que se desea investigar si se produce una variación en la rotación pro-
medio del inventario si se reduce el intervalo para efectuar la revisión periódica,
de 4 a 3 semanas.
El resultado de la comparación de medias (abajo)

arroja que si existen diferencias significativas; la
rotación en el escenario dos es mayor:
281
4
Caso de estudio
Simulación del tráfico en una vía expresa2
Objetivos:
o Configuración del experimento de simulación: Determinación del número de
réplicas y del período de calentamiento. Selección de las variables de interés.
o Modelado de la vía expresa y de semáforos.
o Análisis estadístico del experimento de simulación: determinación de intervalos
de confianza. Comparación de medias para muestras relacionadas (Paired-t) y
para muestras independientes (Two Sample-t). Técnicas de reducción de va-
rianza: secuencias comunes y secuencias antitéticas. Prueba de normalidad.
RESUMEN: El creciente aumento de vehículos produce serios problemas de congestión

en centros urbanos, esta situación genera interrogantes sobre los métodos de control
de las variables de interés en esta problemática. El caso de estudio presentado es una
aproximación al tema y se basa en un escenario hipotético (vía expresa) que se mode-
la y simula con un enfoque microscópico, considerando el movimiento individual de los
vehículos. Se presenta una metodología para el análisis estadístico de los resultados
de la simulación.
Palabras clave: Simulación sistemas estocásticos / Ingeniería de tráfico / Análisis es-

tadístico resultados simulación / Proyectos de simulación.
1. Introducción
La variabilidad e incertidumbre son características inherentes en cualquier sistema que

involucre personas y maquinarias. La simulación de procesos estocásticos en produc-
ción, logística y servicios se utiliza cada vez más en la investigación de sistemas de
creciente complejidad y variabilidad, que no podrían ser estudiados y evaluados me-
diante técnicas analíticas convencionales.
El presente artículo muestra los principales aspectos en el modelado de un sistema

básico de control del tráfico para simularlo y observar su comportamiento en el ritmo
de arribos, tiempo de recorrido y velocidades, así como monitorear el tráfico, experi-
mentar congestionamientos y evaluar medidas para controlar el exceso de velocidad.
También se modela y evalúa el funcionamiento de semáforos en intersecciones.
Dado que las muestras aleatorias son realizaciones de variables aleatorias, entonces
las estimaciones podrían diferir significativamente de las respuestas verdaderas para
el modelo y haber una significativa probabilidad de obtener inferencias erróneas acer-
ca del sistema bajo estudio. En este sentido, se ilustra los aspectos más relevantes
que deben ser abordados en la configuración de un experimento de simulación, tales
como la determinación del tiempo de simulación adecuado, el número de réplicas, el
período de calentamiento, evaluación de indicadores para someterlos a la prueba nor-
malidad y aplicación de técnicas de reducción de varianza. Finalmente, se identifica y
2
Tomado de TORRES VEGA, P. J.; artículo de la “Revista Ingeniería Industrial” Universidad de Lima, 2012.
282
mide los principales indicadores de desempeño del sistema y se muestra una metodo-
logía para realizar el análisis estadístico de las respuestas del modelo respecto a las
variables de interés y la comparación de escenarios. Estos aspectos aseguran la vali-
dez estadística de los indicadores para realizar inferencia estadística con un determi-
nado nivel de confianza.
2. Descripción del caso hipotético
Se desea simular el funcionamiento de una vía expresa en sus dos direcciones y se

han establecido algunos supuestos que describiremos a continuación. La entrada de
los vehículos a la vía se produce sólo al inicio de cada dirección y no hay entradas la-
terales. La dirección uno tiene dos salidas laterales y una tercera salida al final de la
vía; la dirección dos tiene una salida lateral y una salida al final de la vía como se
muestra en la Figura 1.
Figura 1
Esquema de vía expresa hipotética
Los vehículos llegan a la vía con un tiempo entre arribos que se ajusta a una distribu-
ción exponencial con una media de 40 segundos para la dirección uno y una media de
45 segundos para la dirección dos. De los vehículos que viajan en la dirección uno, el
30% se desvían por la salida uno, de los que quedan y recorren el tramo dos, el 60%
toma la salida dos, el resto continúa hasta el final de la vía. En la dirección dos hay
solo una salida lateral, el 30% toma la salida uno y el resto de los vehículos llegan
hasta el final. En el cuadro 1 se muestran los tiempos de recorrido y las probabilidades
de arribo de los vehículos:
Cuadro 1
Tiempos de recorrido y probabilidades de arribo
Rangos de Dirección 1 Dirección 2

velocidades Probabilidad Tiempo de recorrido Probabilidad Tiempo de recorrido
(km./hora) de arribo (minutos) de arribo (minutos)
hasta 60 0.30 uniforme (25,30) 0.40 uniforme (22,26)

60 - 80 0.50 uniforme (18,20) 0.45 uniforme (16,19)
más de 80 0.20 uniforme (14,18) 0.15 uniforme (12,16)
283
En la dirección uno, los tiempos de recorrido para los tramos dos y tres corresponden
al 80% y 30% del tiempo de recorrido del tramo uno, respectivamente. En la dirección
dos, el tiempo de recorrido del segundo tramo es el 60% del tiempo de recorrido del
tramo uno. Al final de cada vía, existe un cruce o intersección en la que se ubica
un semáforo, los tiempos de funcionamiento de los semáforos se muestran en el
cuadro 2.
Cuadro 2
Tiempos de funcionamiento de los semáforos
Dirección 1 Dirección 2
Tiempo
Luz verde Luz roja Luz verde Luz roja
segundos 300 100 240 120
Las condiciones iniciales para el experimento establecen que el semáforo de la direc-

ción uno iniciará con luz verde y el de la dirección dos con luz roja, considerando des-
preciable los tiempos de arranque de los vehículos al inicio de la luz verde.
3. Modelado del sistema, por procesos
El modelo completo para el caso en estudio, se muestra en las Figuras 2 y 3.
284
Figura 2
Modelo dirección 1, software Arena, Rockwell software
285
Figura 3
Modelo dirección 2, software Arena, Rockwell software
286
4. Configuración del experimento de simulación

El sistema en estudio corresponde a un sistema de estado estable ya que el funciona-
miento de una vía expresa se centra en el largo plazo, o no tiene término. En cuanto
al tiempo de simulación, éste debe ser el adecuado, si la simulación es muy corta los
resultados pueden ser altamente variables; la simulación debe correr hasta que el in-
tervalo de confianza del indicador medido se aproxime a la amplitud deseada. En
nuestro experimento, consideraremos un período de ejecución igual a 60 horas de
funcionamiento como punto de partida, el cual podría incrementarse para asegurarnos
de que sea lo suficiente como para lograr los objetivos del estudio.
Como condiciones iniciales del experimento, se plantea la suposición de que el siste-

ma estará vacío al inicio de la simulación. Estas condiciones determinan un sesgo ini-
cial que influye en el tiempo que lleva alcanzar la estabilidad en los resultados y en las
estimaciones calculadas. El sistema alcanzará la estabilidad después de un cierto pe-
ríodo de calentamiento o “warm up” (ver Figura 4) que es necesario determinar y eli-
minar de las estadísticas generales ya que distorsionan los resultados de los indicado-
res y los inclinan hacia valores inferiores en los momentos iniciales de la simulación,
respecto a los que se obtendrían cuando se alcance la estabilidad.
Figura 4
Esquema período calentamiento
Al eliminar de las estadísticas este período de calentamiento, los indicadores tienden a

incrementar sus valores, ya que serán medidos a partir de haber alcanzado la estabili-
dad. Por lo tanto, se obtienen indicadores más precisos y cercanos con la realidad del
sistema estable. Otra manera de anular este sesgo inicial es simular durante un pe-
ríodo de tiempo muy largo.
En cuanto al número de réplicas, se determinará en función a una precisión de 0.1

minutos que se desea obtener en el tiempo de permanencia de los autos en la vía
expresa (indicador de referencia). Dicha precisión es la mitad del ancho del intervalo o
“Half Width”.
Los indicadores obtenidos de la simulación que son funciones lineales, bajo la suposi-
ción de que el muestreo (número de réplicas) es generada con probabilidades de se-
287
lección iguales (equiprobable) de la muestra aleatoria, deberán estar normalmente

distribuidos y se debe verificar que se cumpla la aplicación del teorema del límite cen-
tral y así generalizar los resultados de la muestra hacia la población de estudio. Una
referencia importante es la cantidad de observaciones por réplica, en todo caso, es
necesario comprobar el ajuste de las muestras hacia la distribución normal mediante
las pruebas Anderson-Darling, Kolmogorov-Smirnov y Chi Cuadrado.
4.1 Detección visual aproximada del Período de Calentamiento
Se ha considerado la evaluación de tres indicadores: el número promedio de autos de

inicio a fin de la vía en ambas direcciones, el tiempo de permanencia promedio para
los tres tramos de la dirección uno y el tiempo entre salidas para la dirección dos. El
procedimiento empleado fue realizar una detección visual aproximada (véase figura
5), revisando las gráficas en réplicas diferentes de los indicadores propuestos, obser-
vando y anotando los tiempos para alcanzar la estabilidad; finalmente se consideró de
manera aproximada, el tiempo límite superior de las réplicas observadas.
Figura 5
Gráficas representativas de los indicadores propuestos
Se considerará en el experimento un período de calentamiento de 12 horas.
288
4.2 Determinación del número de réplicas de la simulación

Si deseamos observar el comportamiento dinámico y general de los elementos del
sistema en estudio es suficiente con realizar una sola corrida. Sin embargo, si desea-
mos obtener valores o mediciones estadísticamente válidas, debemos realizar varias
réplicas independientes con distintos números aleatorios, que generarán distintos va-
lores de las distribuciones muestreadas. Mediante la ejecución de múltiples replicacio-
nes se obtienen respuestas independientes y valores medios de los resultados que se
muestrean, así como la varianza y la desviación estándar que miden la dispersión de
la variable aleatoria. El intervalo de confianza nos proporciona un grado de seguridad
que podemos tener de la estimación, es decir, de la media del conjunto de respuestas.
Para calcular el número de réplicas para nuestro experimento, tomaremos como refe-
rencia al tiempo promedio de permanencia en la dirección uno, desde el inicio hasta el
final de la vía y las consideraciones siguientes:
Figura 6
Factor de precisión

Error deseado: e = máximo 0.1 minutos
El error e es un factor de precisión; es la mitad del ancho del intervalo o “half-width”.

Es el error deseado entre la media estimada y la media teórica μ (figura 6). Existe una
relación inversa entre error o mitad del ancho del intervalo h y el tamaño de n:
2 2
Sn Sn
h = t ( n −1,1−α / 2 ) h = Z (1−α / 2 )
n n
A mayor número de réplicas es menor el riesgo y el ancho del intervalo. En general,

una manera de obtener intervalos más precisos, es aumentando el tamaño de la
muestra n. Consideremos arbitrariamente 20 muestras preliminares (figura 7).
n´: 20 réplicas.
Figura 7
Reporte de resultados
289
Ejecutando 20 réplicas al modelo, obtenemos un half-width preliminar: h0 = 0.14 mi-

nutos.
Cálculo del número de réplicas para el experimento:
Método 1:
2 2
⎛h ⎞ ⎛ 0.14 ⎞
n = n´⎜ 0 ⎟ n = 20⎜ ⎟ n = 39 Ö 40 réplicas
⎝ e⎠ ⎝ 0.1 ⎠
Método 2
2
⎡ t ( n´−1,1−α / 2 ) ∗ S ( n´) ⎤
n=⎢ ⎥
⎣ e ⎦
Al ejecutar 20 réplicas preliminares con un n.c. 95% obtenemos el reporte de la
figura 8.
Figura 8
t(n´-1, 1-α/2) = 2.093 (valor de tabla: distribución t-Student)

Sn´ = 0.289 (desviación estándar de la muestra preliminar n´)
2
Reemplazando valores tenemos: ⎡ 2.093 ∗ 0.289 ⎤ n = 37
n=⎢ ⎥⎦
⎣ 0 .1
La diferencia es mínima respecto al primer método. Para comprobar si se cumple con

el factor de precisión propuesto, ejecutaremos el modelo por 40 réplicas y mediremos
el indicador de referencia para un nivel de confianza de 95% (figura 9).
Figura 9
Se aprecia un error de 0.09 minutos menor a la precisión requerida de 0.1 para el in-
dicador.
290
Figura 10
Configuración del experimento
De acuerdo a la figura 10, en lo sucesivo

se considerará, como punto de partida,
la configuración siguiente:
• El sistema inicialmente está vacío

• 40 réplicas para medir los indicadores
de desempeño del sistema en estudio
• 12 horas de período de calentamiento
• 60 horas de tiempo total de simula-
ción
• 24 horas por día
• La base de tiempo está en minutos.
5. Análisis estadístico de los indicadores de desempeño
Durante la ejecución de la simulación se van registrando las mediciones individuales

de la variable en estudio, el conjunto de observaciones de una réplica de simulación es
una muestra perteneciente a alguna distribución de probabilidad. Cada muestra obte-
nida nos conduce a una “respuesta”; la estimación es el promedio muestral de un con-
junto de repuestas. Una estimación también puede representar un valor total resultan-
te de un conteo de observaciones, por ejemplo, el número de entidades en cola al final
de la simulación.
El intervalo de confianza nos proporciona el grado de seguridad con que estamos es-
timando el valor medio de la distribución poblacional; el intervalo está asociado a un
nivel de confianza que le podemos tener a esa estimación. Al ejecutar múltiples répli-
cas al modelo de simulación, el promedio de las respuestas está representado por x,
que es el valor estimado de la media de la distribución. La dispersión de la variable
aleatoria, respecto de su media, se mide mediante la desviación estándar s o la
varianza s2.
2
n n
1⎛ n ⎞
∑ ∑ ⎜ ∑ xi ⎟
n 2
∑x ( xi − X ) 2
xi −
i
i=1 n ⎝ i=1 ⎠
Χ= i =1
s =
2 i=1
=
n n −1 n −1
Xi: Es el valor o respuesta de la réplica i.
n: Es el número de réplicas del experimento de simulación.
291
El intervalo de confianza para la media poblacional, mediante las expresiones:
Sn Sn
[X ±t (n−1,1−α / 2) ] para n < 30 y [X ± z (1−α / 2 )
n
] para n > 30
n
• Comparación de medias para muestras relacionadas: prueba “Paired-t”.
Figura 11
Resultados posibles de la prueba Paired-t
Intervalo de confianza: d: Promedio de las diferencias

Sn
[d ± t ( n −1,1−α / 2 )
n
] Sn: Desviación estándar de las diferencias
d=X-Y
• Comparación de medias para muestras independientes: prueba “Two-sample-t”.
Sp: Desviación estándar Ponderada (combinada).
Indicador N° 1
En este experimento se desea realizar con 95% de confianza, la estimación del indica-
dor Tiempo Promedio de Permanencia de los vehículos, que van desde el inicio hasta
el final de cada vía.
En la figura 12 se muestran los cambios en el modelo, así como la configuración de la

variable de interés:
292
Figura 12
Medición del indicador N° 1: tiempo promedio de permanencia.
Figura 13
Intervalos de confianza para el indicador N° 1
Conclusiones:
Se ha estimado con 95% de confianza que el tiempo promedio de permanencia en la
dirección uno se encuentra en el intervalo: [44.1, 44.3] minutos. En la dirección 2 se
está en el intervalo: [31.5, 31.6] minutos. El resultado es comprensible porque la di-
rección uno está compuesta por 3 tramos, lo que implica un factor de 2.1 del tiempo
promedio para cruzar la dirección uno:
Tiempo Total = 100% tramo 1 + 80% tramo 1 + 30% tramo 1.
293
Para verificar la expresión anterior supongamos que el tiempo asignado a un vehículo

en el tramo 1 es de 28 minutos, entonces, el tiempo que le demandará cruzar la vía
completa será de 28+0.8*28+0.3*28=58.8 minutos. Esta cifra también representa el
producto de 28 por el factor 2.1. En cuanto a la dirección dos, al tener tiempos de re-
corrido cercanos a los de la dirección uno y al tener sólo 2 tramos, entonces posee un
factor de 1.6 del tiempo promedio para cruzar la dirección dos, menor al de la direc-
ción uno. Si se aplicara la prueba de comparación de medias con la prueba “two-
sample-t” para evaluar si existe significancia estadística, es evidente que se encontra-
rían diferencias significativas entre ambos promedios.
Indicador N° 2
Se desea realizar una comparación de medias” con 90% de confianza, entre el número
promedio de autos que transitaron por ambas vías y analizar si existe diferencia signi-
ficativa entre ambos indicadores.
Medición de la variable de interés: número promedio de autos ó “work in process”

(wip):
Método 1:
Figura 14
Medición del indicador N° 2: Método 1
Método 2:
En este caso utilizaremos una variable global “CUENTA” para contabilizar el número de
autos en cualquier instante de la simulación (figura 15), así tenemos que:
cuenta = cuenta + 1 cuando ingresa un auto al sistema
cuenta = cuenta - 1 cuando egresa un auto del sistema
294
Figura 15
Modelo para indicador N° 2: Método 2
Figura 16
Medición del indicador N° 2: Método 2
Figura 17
Comparación de medias del indicador N° 2, wip: Two sample-t
295
Conclusiones:
Existe significancia estadística para el número promedio de vehículos que transitaron

por ambas vías; la prueba arroja un intervalo: [14.25, 14.76] vehículos (figura 17).
Existen diferencias estadísticamente significativas para aceptar la hipótesis alternativa
H1, las medias son diferentes con 90% de confianza, la dirección uno presenta un ma-
yor promedio de vehículos. El resultado se explica por las diferencias en las tasas de
llegada de los autos:
Tiempo entre arribos (segundos/autos) Tasa (autos/hora)
autos 60 seg 60 min . autos

Dirección 1: Exponencial (40) * * = 90
40 seg . min . hora hora
autos 60 seg 60 min . autos

Dirección 2: Exponencial (45) * * = 80
45 seg . min . hora hora
El resultado también se explica por la diferencia entre el número de tramos que po-
seen ambas vías. La dirección 1 tiene un factor de 2.1 mientras que la dirección 2 po-
see un factor de 1.6.
Indicador N° 3
Se desea experimentar la adición de tres rangos de velocidades en ambas direcciones,
las cuales se ajustan a distribuciones de probabilidad uniforme (40,60), uniforme
(60,80) y uniforme (80,100) en kilómetros por hora, cada una se asocia a la duración
ya existente en el tramo uno. Se desea evaluar con un nivel de confianza de 90% si
existe diferencia estadísticamente significativa entre las velocidades promedio em-
pleadas en las dos direcciones.
En la figura 18 se muestran los cambios en el modelo, de acuerdo a la situación plan-

teada.
Figura 18
Cambios en el modelo y medición del indicador N° 3: velocidad promedio.
296
Figura 19

Comparación de medias del indicador N° 3: Two sample‐t

Conclusiones:
Existe significancia estadística entre las velocidades promedio que los vehículos em-
plean en ambas direcciones; la prueba arroja un intervalo: [2.96, 3.12] kph (figura
19). Con 90% de confianza las medias no son iguales, se rechaza la hipótesis nula H0,
la dirección uno presenta una velocidad promedio mayor. Si bien las vías son total-
mente independientes, la diferencia se explica principalmente por las distintas propor-
ciones de las probabilidades vinculadas a las velocidades en la dirección 1 (30%, 50%
y 20%) y en la dirección 2 (40%, 45%, 15%). En general, existe una relación inversa
entre velocidad promedio y tiempo de viaje, pero el factor determinante para esta
relación, son las proporciones de las probabilidades mencionadas. Para comprobar
esta afirmación, se colocó la misma proporción de las probabilidades para ambas di-
recciones: 30%, 50% y 20%. Planteado de esta manera, no existen diferencias signifi-
cativas entre las velocidades promedio: [-0.1290, +0.0803] km/h. También se conclu-
ye que el tiempo entre arribos de los autos no es un factor influyente.
Indicador N° 4
Se desea investigar la posibilidad de mejorar el tiempo promedio de espera de los au-

tos, en el semáforo de la dirección uno, reduciendo el tiempo de luz verde de 300 a
240 segundos.
Figura 20
Cambio en el modelo y medición del indicador N° 4, tiempo promedio de espera
297
Técnicas de reducción de varianza

En cada réplica del modelo se utiliza diferentes secuencias de números e independien-
tes entre sí. Las técnicas de reducción de varianza explotan la capacidad de control de
los generadores de números aleatorios que conducen la simulación. Normalmente re-
utilizamos dichos números aleatorios para inducir correlaciones favorables que reduz-
can el ruido en el output.
• Técnica de Secuencias Comunes
Esta técnica utiliza las mismas series de números aleatorios en experimentos sucesi-
vos de comparación de escenarios. Se trata de obtener una reducción de varianza de
la diferencia a partir de la sincronización de las mismas series de números para distin-
tas configuraciones. A partir de una semilla original los sistemas serán comparados en
las mismas circunstancias.
Si Z=X-Y Î Var (Z) = Var(X) + Var (Y) – 2Cov(X, Y)
Si la Cov (X, Y) es grande, por haber introducido correlación positiva entre ambas se-
ries, entonces la varianza de la diferencia: Var (Z), será mucho menor.
En la formulación del modelo original se utilizaron secuencias comunes, tal como se

indica en el cuadro 3.
Cuadro 3
Secuencias de números aleatorios utilizadas
SECUENCIAS DE NÚMEROS ALEATORIOS

Dirección 1 Dirección 2
Arribos secuencia 1 secuencia 2
Velocidades Tiempo de Recorrido Tiempo de Recorrido

tramo 1 tramo 1
Hasta 60 secuencia 3 secuencia 6

60 - 80 secuencia 4 secuencia 7

más de 80 secuencia 5 secuencia 8

Figura 21
Resultados del indicador N° 4: secuencias comunes
298
Figura 22
Comparación de medias con secuencias comunes: prueba Paired-t.
• Técnica de Secuencias Antitéticas
El método consiste en ejecutar una primera réplica con la serie de números aleatorios
ui (i=1,2,…n). Luego, se ejecuta una segunda réplica con los valores antitéticos (1-ui)
(i=1,2,…n). Este muestreo complementario induce una correlación negativa entre las
respuestas de ambas simulaciones. En principio, ambas “se compensan” y se conjetu-
ra que las respuestas y(1) e y(2) estarán correlacionadas negativamente, por lo que la
varianza de sus promedios decrece. Tenemos n/2 promedios de parejas (y(i), y(i+1)),
lo que nos conduce a la expresión de la varianza de Y= Y(i) + Y(i+1):
Var(Y) = ¼[var(Y(i)) + var(Y(i+1)) + 2 Cov(Y(i), Y(i+1)]
Si las réplicas son independientes desaparecen los términos de covarianza. Sin em-
bargo, si hacemos negativa la suma de covarianzas, podemos producir una varianza
menor de la que ofrecen réplicas independientes. En la figura 23 se realiza la aplica-
ción del método Antitético.
Figura 23
Inclusión del módulo Seeds: secuencias antitéticas

299
Figura 24
Intervalos individuales del indicador N° 4: secuencias antitéticas

Figura 25
Comparación de medias con secuencias antitéticas: prueba Paired-t.
Conclusiones:
Aplicando la comparación de medias utilizando la técnica de secuencias comunes se

obtuvo el intervalo: [-0.0114, +0.0132] minutos (figura 22) y con secuencias antitéti-
cas el intervalo: [-0.0100, +0.0176] minutos (figura 25). En ambos casos, no existe
evidencia estadística suficiente para aceptar la hipótesis alternativa H1 (es decir, para
rechazar la hipótesis nula H0), las medias del indicador son iguales, con un 95% de
confianza. La reducción en el tiempo de luz verde, en el semáforo, no genera ninguna
mejora en cuanto a disminuir el tiempo promedio de espera de los vehículos. Este re-
sultado es explicable, ya que la variable que tiene relación directa con el indicador
medido, es el tiempo de luz roja.
Se aplicaron técnicas de control de secuencias de números aleatorios para introducir

correlación entre las diferentes réplicas y así reducir la varianza de los resultados y
lograr mejores estimaciones e intervalos de confianza más precisos, sin tener que in-
crementar el tamaño de la muestra.
6. Evaluación de Escenarios
Escenario N° 1
Se desea investigar la posibilidad de implementar un servicio de asistencia vehicular,

que inicialmente funcionará solo en la dirección dos. Contará con una camioneta de
auxilio mecánico, cuya base será ubicada al inicio de la vía. Así, al ser requerida, ésta
300
se desplazará hasta el vehículo averiado, en un tiempo que se ajusta a una distribu-

ción uniforme(4,6) minutos. Asistir al auto averiado varía de acuerdo a una distribu-
ción uniforme(10,30) minutos; finalmente, la camioneta regresa a su base. El mayor
número de incidencias se produce después de los primeros 2/3 de recorrido del tramo
dos; cualquier vehículo tiene una probabilidad de 3% de quedar averiado, en ese caso,
el vehículo queda a un costado, a la espera del auxilio mecánico; una vez reparado el
auto, éste continúa con el último tercio que le resta de su recorrido en el tramo dos.
Se desea estimar con 95% de confianza el número promedio de autos atendidos por el
servicio de auxilio mecánico.
La Figura 26 presenta la sección del modelo en la que se implementa el servicio de

asistencia vehicular, véase además la configuración del indicador número de autos
atendidos.
Figura 26
Cambios en el modelo para incluir servicio de asistencia vehicular: Escenario 1
301
Figura 27
Medición del indicador: número de autos atendidos.

Figura 28
Intervalo de confianza para el número de autos atendidos
El intervalo de confianza para el indicador número de vehículos atendidos por el servi-

cio de auxilio mecánico es: [51.86, 56.74] autos. Existe el indicio de que el indicador
no pasaría el test de normalidad, por insuficiencia en el número de observaciones por
muestra o réplica. Lo cual hay que confirmarlo. Los valores de las observaciones del
indicador medido, deben ajustarse a una distribución de probabilidad normal para po-
der realizar inferencia estadística a dicho indicador, de lo contrario lo deshabilitaría
para tal propósito, pero no al modelo ni a otros indicadores. El teorema del límite cen-
tral nos asegura que es posible realizar inferencia estadística al indicador si n es sufi-
cientemente “grande”, es decir, si el tamaño de la muestra tiene un valor significativo
(en nuestro caso, mayor que 70 observaciones por réplica).
Prueba de Normalidad
El test consiste en someter las muestras obtenidas a pruebas estadísticas de bondad

de ajuste a la distribución normal. Se aplicará las pruebas de Chi-cuadrado y de Kol-
mogorov-Smirnov.
Figura 29
Prueba de Normalidad para el número de autos atendidos
302
Nuestro indicador no pasa la prueba de normalidad para el test de Chi Cuadrado, arro-
ja un valor p= 0.0177, menor que el valor del riesgo 0.05 (5%), sin embargo si pasa
el test de K-S. En todo caso, el ajuste es muy pobre y se puede apreciar la asimetría
respecto a la media. En estas condiciones no es posible establecer un intervalo de con-
fianza para µ (media teórica) y no será posible realizar inferencia estadística al indica-
dor en estudio. Lo ideal es que el indicador pase ambas pruebas: Chi Cuadrado y K-S.
Al simular durante 60 horas el número de observaciones por réplica es insuficiente;
aumentaremos progresivamente el tiempo de simulación de 10 en 10 horas hasta 100
y para cada caso repetiremos la prueba hasta obtener un tiempo adecuado con el que
se logre pasar el test de normalidad para ambas pruebas.
Figura 30
Prueba de Normalidad: aumento progresivo del tiempo de simulación
Conclusiones:
Al repetir el experimento y aumentar progresivamente el tiempo de simulación (figura

30), aumentó el número de autos atendidos por réplica. En el cuadro 4 se muestran
los resultados que arroja la prueba Chi-cuadrado.
Cuadro 4
Valores del indicador p, prueba Chi-cuadrado
Horas 60 70 80 90 100
p-value 0.0177 0.0557 0.0414 0.199 0.414
Excluimos a distribuciones con valores de p menores a 0.05 y aceptamos, como posi-

bles alternativas, a aquellas que tengan como mínimo un valor de 0.10. Dado lo insig-
nificante de la diferencia del tiempo de ejecución de la simulación entre 90 y 100 ho-
ras, se elige la distribución con 100 horas. No solo porque es mejor en términos de
303
simetría respecto a la media, sino también porque posee un mejor ajuste: 0.414 >
0.199. La distribución elegida está conformada por un conjunto de valores que se
ajustan a la distribución de probabilidad normal, se cumple el teorema del límite cen-
tral y será posible realizar inferencia estadística a nuestro indicador, para un intervalo
de [93.9, 100.6] autos atendidos por el auxilio mecánico con 95% de confianza.
Escenario N° 2
Se desea experimentar situaciones críticas del sistema, cuando presenta niveles altos
de estrés y realizar la medición de indicadores de desempeño. En este sentido, se
plantea simular la posibilidad de cerrar la “Salida N° 1” en la dirección dos, con la fina-
lidad de medir el nivel de congestionamiento en el tráfico, en el segundo tramo de
dicha vía.
Figura 31
Cambios en el modelo cuando se cierra la salida 1: Escenario 2

Figura 32
Medición de indicadores: Escenario 2

304
Figura 33
Intervalo de confianza para los indicadores medidos
Conclusiones:
Se simuló el sistema en una posible situación crítica, cerrando la única salida lateral en
la dirección dos. Se midieron variables de interés, tales como el número promedio de
autos (wip tramo dos) y el intervalo promedio entre salidas (time between). La salida
lateral en la dirección dos es relevante. Con un n.c. de 95% se obtienen los intervalos
siguientes:
Situación Normal Situación Crítica
Work in Process: [11.13, 11.30] autos [16.02, 16.18] autos
Time Between: [1.06, 1.08] minutos [0.75, 0.78] minutos
Al cerrar la salida lateral, el tráfico se incrementó de manera considerable; el número

promedio de autos en el tramo dos aumentó en 44%. En cuanto al segundo indicador,
se incrementó el ritmo de salida de los autos en la dirección dos; el tiempo promedio
entre la salida de un auto y otro, disminuyó en 30%. Se tomó como referencia en el
análisis, el tamaño promedio de cola (number waiting semáforo 2). Si bien hubo un
incremento, el valor promedio sigue siendo bajo, menor a 1: [0.31, 0.32] y [0.44,
0.45] autos.
Escenario N° 3
Dado un posible congestionamiento vehicular en la vía expresa, se desea experimen-

tar posibles medidas a adoptar, para evitar que sucedan los accidentes por exceso de
velocidad. Al cerrar la salida lateral en la dirección dos, se observó que se incrementó
305
el tráfico en el tramo dos. Se desea monitorear el tráfico para controlar y reasignar la

velocidad de un auto, en esta situación crítica, como se muestra en el cuadro 5.
Cuadro 5
Reasignación de velocidades
CONTROL DE VELOCIDAD
Velocidad de
Dirección 2 – Tramo 2
Ingreso Wip > 20 Wip > 15 Wip < 15
V. Baja Mantener velocidad Mantener velocidad Mantener velocidad
V. Media Reducir a v. baja Mantener velocidad Mantener velocidad
V. Alta Reducir a v. baja Reducir a v. media Mantener velocidad
De acuerdo a la situación descrita, es necesario observar el tráfico en la zona afectada

y monitorear la variable “work in process”, es decir el número de autos en dicha zona.
Dependiendo del nivel de congestionamiento del tráfico se controlará la velocidad de
los autos ingresantes en base a la tabla propuesta. Los cambios realizados al modelo y
las variables a medir se muestran en las figuras 34 y 35:
Figura 34
Cambios en el modelo cuando se reasignan velocidades: Escenario 3
306
Figura 35
Medición de indicadores: Escenario 3
Figura 36
Intervalos de confianza para los indicadores medidos
Conclusiones:
Se reformuló el modelo original, cerrando la salida lateral en la dirección dos y se mo-

deló la posibilidad de que, dependiendo del nivel de congestión en el tráfico en el tra-
mo 2, se pueda modificar el tiempo de viaje y controlar (o disminuir) la velocidad de
aquellos autos que excedan los límites propuestos. En el cuadro 6 se presenta la ma-
triz comparativa que se obtuvo midiendo diversos indicadores de desempeño, con un
nivel de confianza de 95%.
Cuadro 6
Matriz comparativa de resultados
DIRECCIÓN 2
INDICADOR
Situación Situación Situación crítica
normal crítica controlada
Velocidad promedio (tramo 1) [64.9, 65.1] [64.9, 65.1] [59.9, 60.2]
Número promedio autos (tramo 2) [11.18, 11.32] [15.98, 16.14] [17.10, 17.30]
Número máximo autos (tramo 2) [24.4, 25.3] [31.9, 33.2] [37.9, 11.32]
Intervalo entre salidas ((tramo 2) [1.06, 1.08] [0.75, 0.76] [0.75, 0.76]
Como se observa en el cuadro 6, la velocidad promedio en el tramo 1 en una situación

crítica se mantiene. Sin embargo, al monitorear el tráfico (controlando el indicador
wip) se logra el objetivo de reducir la velocidad promedio de los autos que llegan a la
307
zona de congestión, disminuyendo así, la posibilidad de accidentes. En una situación

controlada, los autos disminuyen la magnitud de la velocidad en un 8% (a 60 km/h).
En una situación crítica controlada, al haber congestión se disminuye la velocidad y se
incrementan los tiempos de viaje, entonces el wip tiende a subir. Ello explica las dife-
rencias significativas, tanto en el número promedio de autos (wip) como en el número
máximo de autos. Véase cuadro comparativo. Con un nivel de confianza de 95%, se
concluye que no existe diferencia estadísticamente significativa en el intervalo prome-
dio entre salidas, entre una situación crítica controlada y una no controlada. El inter-
valo obtenido en la comparación de medias fue: [-0.0012, +0.0086] minutos.
Finalmente, sería interesante analizar la posibilidad de agregar otros ingresos a la vía

expresa, así como evaluar la posibilidad de incluir y modelar semáforos en las salidas
laterales de la vía y medir el nivel de embotellamiento, y analizar la problemática des-
de el punto de vista macroscópico, es decir, considerando el flujo de los vehículos en
la vía expresa.
308
Final de capítulo
Casos propuestos
Caso 1: Control de inventarios con entrega diferida6

Una tienda de descuentos desea controlar el inventario de los productos de gran de-
manda. El tiempo entre demanda de un producto está exponencialmente distribuido,
con una media de tiempo que varía según el producto. En el caso de los clientes que
demanden un producto y este no existe en stock, el 80% irá a otra tienda, lo cual re-
presenta ventas perdidas. El otro 20% separará el producto y esperará por una futura
remesa.
El almacén emplea un sistema de control del nivel mínimo del inventario para ordenar
el pedido en forma periódica. El estado del inventario es revisado cada cierta cantidad
de semanas para decidir si se hará una orden (Pedido de compra).
La política de la compañía es ordenar una cantidad que permita alcanzar un nivel de

control de stock dado siempre que la posición de inventario, determinada por la canti-
dad de los productos en stock más la cantidad ordenada menos las separaciones de
producto sea menor o igual que el nivel del stock para reordenar.
El tiempo necesario desde que se pone una orden hasta que sea atendida (Lead Time)
es constante (Plazo de entrega) y varía según el producto. Los datos para los produc-
tos de gran demanda se muestran en la siguiente tabla:
Intervalo Intervalo Plazo de

Nivel de stock Nivel de stock
entre entre entrega
Producto demandas revisiones
máximo mínimo
Lead Time
(unidades) (unidades)
(semanas) (semanas) (semanas)
Radio 0.2 4 72 18 3
TV 0.1 2.5 144 36 2
Stereo 0.3 2 50 10 1
El objetivo es simular el sistema de inventario por un período de cinco años más un

año de calentamiento (312 semanas) para obtener estadísticas de los inventarios pro-
medios en stock, el número de productos en stock en el momento del abastecimiento
y la cantidad de ventas perdidas. Considerar 30 réplicas para el análisis.
Escenario
Para reducir el costo que demanda efectuar una gran cantidad de órdenes de compra
se quiere reducir esta cantidad. Se ha propuesto que los controles de inventarios se
ejecuten para todos los productos en el mismo momento. Como en el escenario origi-
nal cada producto tiene su propio número de semanas promedio entre revisiones de
inventario, se pide determinar cuál de estos números sería el recomendable usar para
lograr el objetivo propuesto, sin perjuicio de los indicadores pedidos originalmente.
6
309
Caso 2: Confección de “jeans” en Gamarra
En el emporio textil de Gamarra funciona una pequeña industria que atiende la de-
manda de diversos confeccionistas de prendas de vestir. La empresa cuenta con cuatro
líneas de producción; cada línea consiste en dos estaciones de trabajo distribuidas se-
cuencialmente. A cada estación se le ha asignado un operario y una máquina indus-
trial para coser, lo que hace un total de 8 trabajadores con experiencia similar, sin
embargo las velocidades de las líneas son variables, de acuerdo a la antigüedad de las
máquinas que la conforman. La jornada de trabajo comienza a las 7 a.m. y termina a
las 4 p.m. Se desea simular el funcionamiento de esta industria, para la confección de
“jeans” que es el producto que genera mayor estrés en la planta, sobre todo por el
soporte logístico a las líneas de producción.
Al inicio de la jornada, en cada línea existen cinco prendas disponibles, para la primera
operación de acabado. El espacio es limitado por ello existe un depósito temporal para
las prendas, desde la cual se dosifica el suministro hacia las líneas. Las prendas son
traídas a la planta después de 10 minutos del inicio de la jornada, con un tiempo cons-
tante entre arribos de un minuto, entre prenda y prenda, y se van colocando en el
depósito hasta que alguna línea se queda sin prendas en la cola de su primera esta-
ción. Entonces, inmediatamente se realiza el envío, a la línea respectiva, de un lote de
hasta 5 prendas, lo cual tarda un tiempo constante de 2 minutos, en llegar a dicha
línea; existe una prioridad de atención en la línea uno sobre la dos, en la dos sobre la
tres y en la tres sobre la cuatro. Los tiempos de operación en las líneas de operación
son los siguientes:
Tiempos de Operación (minutos)

OPERACIÓN 1 OPERACIÓN 2
LÍNEA 1 UNIF(3,3.5) UNIF(2,3.5)
LÍNEA 3 UNIF(3,3.5) UNIF(2.5,3)
A las 12 del medio día los trabajadores asignados a la operación 2 de sus respectivas
líneas, tienen un refrigerio que dura 45 minutos; luego, al terminar éstos, los opera-
rios restantes inician su refrigerio que finaliza a las 13:30 horas.
Se pide simular el modelo dado por 40 replicas, hasta que se haya concluido la pro-
ducción de las prendas que ingresaron a la planta en el horario establecido.
Preguntas Teóricas
1. Explique cómo se modela la distribución de las prendas entre las líneas.
2. Explique cómo se modela la programación del horario de refrigerio.
3. Explique cómo se modela el stock de prendas disponibles en cada línea, al inicio de

la jornada.
310
Mediciones
4. Determinar con validez estadística, el intervalo de confianza para la producción total

de jeans. Utilice un nivel de confianza del 95%.
5. Determinar con validez estadística, el intervalo de confianza para la producción total

de jeans, si el horario de refrigerio se programa para la línea 1 y línea 2 en el pri-
mer turno; y la línea 3 y línea 4 en el segundo turno. Utilice un nivel de confianza
del 95%.
6. Respecto a la pregunta 3. Sustente si existen diferencias estadísticamente significa-

tivas, entre el escenario original y el escenario propuesto en la pregunta dos. ¿Cuál
escenario recomendaría usted? Utilice la secuencia 1 para los tiempos entre arribos
de las prendas. N.c. 95%
7. Determinar con validez estadística, si existen diferencias significativas en los niveles

de producción de la línea 1 y la línea 3. Utilice un nivel de confianza del 95%. Em-
plee la secuencia uno para los tiempos entre arribos de las prendas.
8. Realice una “Comparación de Medias” entre el Número Promedio de Prendas para

las líneas 2 y 4. Diga si existe diferencia significativa entre ambos indicadores. Utili-
ce un nivel de confianza de 95%. Emplee la secuencia uno para los tiempos entre
arribos de las prendas.
Escenario
Suponga que después de 5 horas se debe ejecutar el mantenimiento preventivo en la

línea 2, el mismo que tardará un tiempo UNIF(1,3) horas, después del cual, la línea
nuevamente quedará operativa. En todo caso, esta operación de mantenimiento se
iniciará después de que cada máquina termine la prenda que estuviera procesando.
311
Capítulo 5
Modelado de sistemas
discretos por procesos
– Módulos avanzados
• Módulo Match
• Módulo Hold (retención de entidades en cola)
• Módulo Signal (emisión de señales)
• Módulo Search (búsqueda de entidades en cola)
• Módulo Remove (extracción de entidades de cola)
• Módulo Pickup (entidad grupo)
• Módulo Dropoff (entidad grupo
• Módulo Readwrite (interfase de lectura y escritura externa)
En este capítulo se desarrolla la segunda parte del tema de mo-
delado de sistemas discretos por procesos, complementándose
con nuevas herramientas que nos proporciona el software Are-
na, para representar situaciones diferentes que no podían ser
enfrentadas únicamente con los módulos básicos. Se presentan
casos de estudio que ilustran la aplicación práctica de estos mó-
dulos avanzados.
CAPÍTULO 5. MODELADO DE SISTEMAS DISCRETOS POR PROCESOS – MÓDULOS AVANZADOS
Capítulo 5
MODELADO DE SISTEMAS DISCRETOS POR

PROCESOS – MÓDULOS AVANZADOS
1. MÓDULO MATCH (CONTINUACIÓN DE ENSAMBLES)
Este módulo junta entidades que esperan en un determinado número de colas, es de-
cir que toma una entidad de cada cola y forma una nueva entidad; para ello, debe ha-
ber por lo menos una entidad en cada cola. Cuando se produce el match, las entidades
sacadas de cada cola salen del módulo por un camino diferente, pero en forma con-
junta y sincronizada.
El esquema representa la se-

cuencia del requerimiento de
materiales o componentes y
el proceso de ensamble del
producto final.
315
1.1 Juntar, con base en cualquier entidad: Any entities
Toma la primera entidad de cada cola, cualquiera que sea ella.
Ejemplo:
Por lo menos debe

Los arribos de haber una entidad
panetones y cajas en cada cola, para
no están sincroni- que se produzca el
zados, necesa- MATCH.
riamente.
El panetón ingresará
primero al BATCH,
pues está ubicado en
Atributos de la
la cola superior.
nueva entidad
• First: adopta los atri-

butos del panetón.
• Last: adopta los atri-

butos de la caja.
316
1.2 Juntar, con base en un atributo: Based on attribute
En este caso se toma una entidad de cada cola, pero ambos deben tener un atributo
en común; este atributo debe especificarse en el módulo Match.
MATCH
ATRIBUTO
COMÚN
Ejemplo:
La entidad ingresante se ubicará en

la cola superior, entonces se produ- El MATCH se producirá cuan-
cirá el MATCH, pues en la cola infe- do exista una entidad en ca-
rior se encuentra otra entidad (color da cola, pero con un atributo
negro) con el mismo atributo co- común entre ambas: NUM
mún: PEDIDO.
Alternativas de atributos comunes:
• Entity.SerialNumber
• Entity.CreateTime
317
1
Caso de estudio
Lavandería “Blanquita”
Objetivos:
o Modelado de Ensambles y Estado Transitorio.
o Aplicación del módulo Match para emparejar entidades, con un atributo único común
(Hora de Arribo, Entity.SerialNumber y Entity.CreateTime).
o Replicaciones múltiples e intervalos de confianza. Módulo de Datos Statistic y su cons-
tructor de expresiones Build Expression.
A una lavandería llegan clientes que dejan sus trajes con un intervalo entre llegadas
que corresponde a una distribución exponencial, con una media de 10 minutos. Los
trajes son traídos uno a la vez y constan de dos prendas: saco y pantalón, y son reci-
bidos y separados por tipo de prenda.
Lavandería
Cada prenda tiene una línea exclusiva de proceso: una para sacos y la otra para pan-
talones. Se dispone de un equipo de tres empleados para atender en forma cíclica, a
cualquiera de las líneas. El tiempo para lavar un saco se ajusta a una distribución UNIF
(20,25) minutos; el tiempo para lavar un pantalón se ajusta a una distribución UNIF
(15,20) minutos. Al final se deben juntar las prendas que correspondan al cliente.
1. Se desea determinar el tiempo de ciclo de los trajes y el número de prendas que

quedaron por lavar. Formule un modelo para simular el funcionamiento de la lavan-
dería durante una jornada de trabajo de 8 horas.
2. Considere como atributo común el número de serie de la entidad.

3. Considere como atributo común la hora de creación de la entidad.
Escenario
La administración ha decidido que no debe quedar ningún trabajo pendiente para el
día siguiente; se recibirán los trajes solo durante la jornada de trabajo (8 horas), pero
se terminarán de lavar todos los ingresados. Se desea determinar cuántas horas ex-
tras serán necesarias. Realice los cambios al modelo original, ejecute 20 réplicas y
considere un nivel de confianza del 95%.
318
Solución 1: usando Batch
Atributo común
Batch
Solución 2: usando Match
Irrelevante
Match Batch
Atributo común
319
2.
Match
3.
Match
Escenario
Respuesta: Con un 95% de nivel de confianza serán ne-

cesarias a lo más:
3.0145 + 0.64 = 3.66 horas extras
320
2
Caso de estudio
Manufactura de ropa a pedido1
Objetivos:
1 o Modelado de sistemas de producción continua y de operaciones de ensamble.
o Aplicación del módulo Match para emparejar entidades (atributo único común).
o Aplicación de las opciones First y Sum Attributes del módulo Batch.
o Uso de arreglos unidimensionales.
Una industria textil se dedica a la confección de camisas y pantalones. El tiempo entre

arribos de las órdenes de compra corresponde a una distribución EXPO(30) min. Cada
orden está constituida por un número de docenas de camisas y pantalones, cuyas can-
tidades se distribuyen aleatoriamente, tal como se muestra en el siguiente cuadro:
# docenas 1 2 3 4
Probabilidad de
0.6 0.2 0.15 0.05
demanda
La producción se realiza de manera continua, es decir, generando siempre un stock de

los productos. El tiempo para producir una docena de camisas es una TRIA (11,16,22)
minutos y se empaca en una caja de 8 pies3. Producir una docena de pantalones de-
manda un tiempo igual a una TRIA(11,19,22) minutos y se empaca en una caja de 12
pies3. Cuando una orden se completa, la mercadería se lleva al área de empaque;
este recorrido dura 7 minutos.
En el área de empaque se emparejan los pedidos de camisas y pantalones, de acuerdo
al número de la orden del cliente, luego se embala la orden completa y se introduce
en un contenedor, en donde se acumula junto a otras órdenes. El contenedor se con-
sidera lleno cuando alcanza o sobrepasa los 100 pies3, entonces se reemplaza de in-
mediato por un contenedor vacío. Se dispone de 50 contenedores.
1. Simular el sistema durante cinco días continuos y 30 réplicas (1 día = 8 horas). Deter-
mine el volumen promedio por contenedor.
2. Suponga que el costo de una docena de camisas es $60 y el de pantalones es $102.

Realice un estimado del costo promedio por contenedor.
1
321
322
Solución
DELAY
EXPRESSION:
TRIA (11,16,22)
Minutos BATCH
Entity Type:
Entity 1 (por defecto)
1
MATCH
SEPARATE
EXPRESSION: SEPARATE
EXPO (30) Minutos
Entity Type:
SEPARATE
MATCH
DELAY
EXPRESSION: 2
TRIA (11,19,22)
Minutos
BATCH
Entity Type:
BATCH
1
MATCH BATCH
BATCH
3
323
NUM
1 2 3 49 50
Containers:
• Solo se utilizaron 25 containers (50%).
• Volumen promedio: 120.91 pies3 por con-
tainer.
• Intervalo de confianza: [119.75 , 122.07]
pies3.
• El volumen actual del container debe incre-
mentarse en 22.07 pies3.
Pregunta 2
324
2. MÓDULO HOLD (retención de entidades en cola)

Este módulo retiene a una entidad en una cola, en espera de una señal, o en espera
de alguna condición que se vuelva verdadera o que se mantenga en forma indefinida
hasta que sea removida o extraída mediante el módulo Remove o el módulo Pickup.
Ejemplo:
Suponga una situación en la que se modela la circulación de vehículos en un determi-
nado cruce de avenidas congestionadas. La variable en estudio que se desea medir es
el tiempo promedio de espera de los vehículos cuando el semáforo se encuentra en luz
roja.
Cuando el semáforo cambie

a luz roja, los vehículos (en-
tidades), pueden ser reteni-
dos en el módulo Hold hasta
que se prenda la luz verde,
entonces estos salen y con-
tinúan su recorrido.
Veamos tres alternativas de utilización del módulo Hold:
Wait for Signal: Cuando se da la Scan for Condition: Cuando la Infinite Hold: Las entidades rete-
señal, entonces las entidades re- condición es VERDADERA, entonces nidas permanecen en el Hold en
tenidas salen, luego se cierra auto- las entidades retenidas salen una a forma indefinida, hasta que sea re-
máticamente. La señal se genera una. Antes de cada salida, se eva- movida o sacada por los módulos
en el módulo Signal. lúa si la condición continua es ver- REMOVE ó PICKUP.
dadera. El Hold quedará abierto
hasta que la condición se haga
FALSA.
325
Ilustración: Bloqueo de actividades
La siguiente secuencia ilustra cómo se origina un estado de Bloqueo en una actividad,

veamos:
1 2
Los clientes que terminan de ser atendidos en la La cola 2 tiene una capacidad para 4 clientes. Ac-
Estación 1 pasan a la Estación 2. tualmente está saturada.
3 4
En la Estación 1 se observa a un cliente que no En la Estación 2 se produce el retiro de un cliente,

puede pasar, pues no hay capacidad en la cola 2. que origina una vacante en la cola 2, que es ocu-
La Estación 1 queda bloqueada, ya que el servidor pada por el cliente que viene de la Estación 1. En-
queda inactivo, al no poder atender al siguiente tonces termina la situación de bloqueo para la Es-
cliente. La Estación 1 se paraliza. tación 1 y el servidor reanuda su actividad.
La situación de bloqueo de la Estación 1 se puede modelar de la siguiente manera:
326
3. MÓDULO SIGNAL (emisión de señales)
Este módulo envía una señal por medio de un valor a cada uno de los módulos Hold
que esperen por una señal (wait for signal), entonces libera el Límite especificado de
entidades. Si el Hold y el Signal tienen límites diferentes, entonces predomina el me-
nor.
Cuando una entidad ingresa al módulo Signal, la señal es evaluada y luego enviada.
En ese momento, las entidades retenidas en uno o más módulos Hold, que están es-
perando por la misma señal, son removidas de sus colas de espera.
Ejemplo 1:
Ejemplo 1:
1 2 En el ejemplo se puede obser-

var en la secuencia 1, el estado
inicial del Hold con 5 entidades
en cola, también se observa
abajo, que se producirá una
Señal 1 (módulo Signal) que
liberará a 3 entidades del Hold.
Cuando esto sucede en la se-
cuencia 2, el módulo Hold que-
da con solo 2 entidades en cola.
Ejemplo 2:
En el ejemplo, se emite una señal mediante el

atributo Numcolor de la entidad que ingresa al
módulo Signal, que producirá la salida del Hold
de todas las entidades que tengan en su atribu-
to Numcolor el valor de la señal emitida.
327
4. MÓDULO SEARCH (búsqueda de entidades en cola)
Este módulo busca en una cola, en un grupo (batch) o en una expresión, a una enti-
dad que satisfaga una condición de búsqueda. Cuando una entidad ingresa al módulo
Search la variable global del sistema “J” almacena el índice o posición de la entidad
con que se empieza la búsqueda, luego se evalúa la condición; si esta es falsa, la va-
riable “J” almacena el índice de la siguiente entidad y así sucesivamente hasta que la
condición es verdadera, entonces finaliza la búsqueda, pero retiene el índice de la en-
tidad encontrada en la variable “J”. Si la búsqueda tiene éxito la entidad sale del mó-
dulo Search por la salida superior (Found), de lo contrario sale por la salida inferior
(Not Found). Es decir, la entidad que ingresa al módulo Search saldrá por una de las
dos salidas disponibles, dependiendo del éxito o fracaso de la búsqueda.
SALA DE ESPERA.Queue
Salida en caso encuentre.
Salida en caso no encuentre.
POSICIÓN J
Nombre de la
cola en la que
realizará la bús-
queda.
El rango de
búsqueda será
desde la posi-
ción 1, hasta la
Condición de última posición
búsqueda. de la cola (NQ).
El módulo Search busca en el file SALA DE ESPE-

RA.Queue la posición de la entidad que cumple la
condición. Si la encuentra, entonces retiene el
índice en la variable “J” y termina la búsqueda.
El módulo Search no tiene la capacidad de remover a una entidad de una cola; sin em-
bargo, sí puede realizar la búsqueda y guardar el índice de la entidad a remover en la
variable “J”. El paso siguiente lo realizará el módulo Remove, que extraerá de la cola a
la entidad cuya posición fue encontrada por el módulo Search.
328
5. MÓDULO REMOVE (extracción de entidades de cola)
Este módulo extrae o remueve a una entidad de su posición en una determinada cola
y la envía a un módulo designado.
Elimina la entidad que ocupa el Elimina la entidad que Última posición en la

índice “J” en la cola. Mediante ocupa el índice 1 en la cola, que ocupa la en-
el módulo Search se ubicó el cola. tidad a ser removida.
índice de la entidad a remover.
Ejemplo:
1. El estado actual de la cola

(Hold) es de 4 entidades.
REMOVE
2. Una entidad ingresa al módulo
Remove.
REMOVE
3. Por la salida superior sale la en-
tidad que ingresó al módulo
Remove
Por la salida inferior sale la en-
tidad removida de la cola.
4. El estado actual de la cola es de

3 entidades.
329
3
Caso de estudio
Duración de una actividad dependiente de condición2
Objetivos:
o Aplicación de los módulos Hold (Wait for Signal/Infinite Hold/ Scan for Condition) y
2
Signal para modelar compuertas (retener y controlar el flujo de entidades a través del
sistema).
o Módulos Search y Remove para buscar entidad en cola y removerla.
o Uso del módulo de datos Statistic.
En una línea de acabado, luego de una operación de pintado, las piezas pasan a una
estación de secado que tiene un horno con capacidad para 2 unidades.
Recojo cada
Arribo de 10 minutos
piezas
Cola de espera
Estación de Salida
secado
Las piezas llegan con un tiempo entre arribos distribuido exponencialmente con una
media de 10 minutos. El transporte de las piezas hacia la estación de secado demora
un tiempo uniformemente distribuido entre 1 y 3 minutos. Si los dos espacios en el
horno estuvieran llenos, las piezas permanecerán en cola delante de la estación de
secado. En la estación de secado, las piezas permanecen en el horno hasta el mo-
mento en que un operario viene a recogerlas para iniciar el siguiente proceso.
Se ha planeado que el operario recoja constantemente, cada 10 minutos, las piezas

que hubiere en el horno. Al momento del recojo no debe importar el tiempo que las
piezas han permanecido en el horno de secado.
Simular el proceso partiendo del estado vacío y desocupado, llegando la primera uni-
dad en el minuto cero y hasta que se hayan llevado por lo menos 200 piezas en total.
Se pide:
Formule un modelo para simular el comportamiento del sistema y determine:

• El tiempo promedio que las piezas permanecen en la línea de acabado.
• El tiempo promedio que las piezas permanecen en el horno.
• El tiempo promedio de espera de las piezas, por el horno.
• Máximo número de piezas en la cola, por el horno.
Escenario
Suponga que se desean sacar del horno solo las piezas que han permanecido por lo
menos 3 minutos en el proceso de secado. Se desean contabilizar los intentos fallidos,
es decir, cuántas veces no hubo recojo porque las piezas en el horno estaban por de-
bajo de los 3 minutos.
2
Ibídem.
330
Solución 1: Hold - Signal
Hold Hold
Delay
Signal Delay
Nota: En el Hold “Espera por el Horno”, antes de que salga una entidad se
evalúa la condición, es decir, no salen todas a la vez sino una a una.
Solución 2: Hold - Remove

Hold
HOLD
DELAY
Remove
331
AGREGAR
Escenario:
HOLD HOLD
Search Remove
Intento
fallido
332
4
Caso de estudio
Análisis de tráfico por una sola vía3
Objetivo:
3 o Aplicación práctica del módulo avanzado Hold para el modelado de compuertas, para
retener y controlar el flujo de entidades a través del sistema.
El sistema a ser modelado corresponde al flujo de tráfico en dos direcciones a lo largo

de una autopista de doble vía. En esta, una vía ha sido cerrada por una longitud de
500 metros, con el propósito de realizar operaciones de mantenimiento (véase la fi-
gura). Con el propósito de controlar el tráfico en la vía adyacente a la sección que está
siendo reparada se ha colocado un semáforo en cada extremo de la vía cerrada. Las
luces permiten el flujo de vehículos solo desde una dirección por un determinado
tiempo, en forma alternada.
Cuando el semáforo cambia a luz verde, los vehículos de una determinada dirección,
que estaban en espera, arrancan y demoran 2 segundos hasta llegar a dicho semá-
foro, donde inician su paso hacia el otro extremo. Se debe controlar que el paso de
vehículos sea de uno en uno; es decir, atravesarán dicho tramo en fila, uno detrás de
otro.
Si un vehículo llega a la zona y no hay vehículos en cola y el semáforo está en luz ver-
de, entonces pasa directamente, sin detenerse y sin ninguna demora.
3
Ibídem.
333
El arribo de vehículos en la dirección 1 (Æ) está distribuido exponencialmente con una

media de 9 segundos, mientras que los vehículos que van en la dirección 2 (Å) arriban
conforme a una exponencial con media de 12 segundos.
Un ciclo de señalización consiste de luz verde en la dirección 1 durante 60 segundos,

luego de luz roja en ambas direcciones durante 55 segundos, para que terminen de pa-
sar los que quedaron a medio camino, en seguida de luz verde en la dirección 2 du-
rante 30 segundos, luego de luz roja en ambas direcciones durante 55 segundos, y luego
el ciclo se repite.
Considere que los vehículos que van en ambas direcciones arriban en el instante cero
y deben esperar ambos 55 segundos antes de que se prenda la luz verde del semáforo
en la dirección 1.
Simular la situación descrita durante 1 día (24 horas). Interprete los indicadores del
reporte.
Escenario
Suponga que el objetivo es determinar los valores del tiempo de luz verde en ambas
direcciones, de tal forma que los tiempos de espera, en ambos casos, sean lo más
uniformes.
334
Solución
Vehículos:
Seize Hold Release
EXPO (9)
Segundos
Entity Type:
DIRECCION 1
Nota: El recurso Turno, al tener

una capacidad de uno, impide Delay
que pasen todos a la vez, sino
uno a uno.
Seize Hold Release

EXPO (12)
Segundos
Entity Type:
DIRECCIÓN 2
Delay
Semáforos:
Delay Delay
Delay Delay
Escenario:
Cambiando los tiempos de luz verde en cada dirección a 45
segundos, por igual, se hacen más homogéneos los tiempos
de espera en ambas direcciones.
335
5
Caso de estudio
Transacciones en un cajero automático4

Objetivos:
o Uso de los módulos avanzados Search y Remove para ubicar la posición de una enti-
dad en cola y luego removerla.
4 o Aplicación práctica del módulo de datos Statistic.
Los usuarios del cajero automático de un Banco llegan a este en intervalos de tiempo
de 5 minutos en promedio, exponencialmente distribuidos. El tiempo que demora una
persona en realizar una transacción en el cajero es en promedio de 6 minutos, expo-
nencialmente distribuido.
Me voy de
la cola,
me aburrí.
Si un usuario espera en cola un cierto tiempo, que va mas allá de su tolerancia, en-
tonces se aburre y se retira. Como es natural, las personas tienen diferentes límites
para dicha tolerancia, sin embargo, se han investigado estos límites en este tipo de
transacciones y se ha concluido que los clientes tienen en promedio una tolerancia de
espera que se ajusta a una distribución uniforme entre 10 y 20 minutos, luego de di-
cho tiempo se impacientan y se van.
Se pide:
1. Simular la situación descrita durante 8 horas. Recolectar estadísticas sobre el nú-
mero de personas que usaron el cajero y cuántos se aburrieron de esperar y se retira-
ron.
2. Dado que un cliente que se retira de la cola es un cliente potencial que se pierde,
el administrador del Banco tiene especial interés en investigar sobre la proporción de
clientes que abandonan respecto del total que ingresó a la cola. Determine apropiada-
mente dicho indicador.
4
Ibídem.
336
Solución
SALIDA
ATENDIDOS
Separate Process
ORIGINAL DISPOSE
Remove
DUPLICATE
ORIGINAL
Delay Search
SALIDA
REMOVED ABURRIDOS
FOUND ENTITY
NOT
FOUND
Ya no esta
en cola
Solución alternativa
REMOVE
DELAY SEARCH
YA NO ESTA
EN COLA
En la cola “Operación Cajero.queue” se

busca aquella entidad cuyo atributo
NUM sea igual a la Variable Global.
Pregunta 2:
Cambios: En el módulo “Statistic” se incluyó la expre-

sión (Número Aburridos) / (Total Arribos)
337
6
Caso de estudio
Sala de reposo en una clínica5
5 Objetivos:
o Aplicación práctica de los módulos avanzados Seize, Delay, Release, Match, Hold,
Search y Remove.
En una clínica, los pacientes son atendidos en el área de emergencia y luego son de-
rivados a una sala de reposo, donde permanecerán hasta que un médico de ronda les
dé de alta.
Los pacientes llegan a la clínica acompañados de un familiar, de acuerdo a una expo-
nencial (15) minutos. El paciente es atendido inmediatamente (considere que siempre
existe disponibilidad de médicos para esta función), demorando una exponencial (10)
minutos. Terminado esto, el paciente debe ingresar a la sala de reposo, donde hay
dos camas disponibles (la asignación es cíclica y si no hubiera, debe esperar en emer-
gencia hasta que se desocupe una). Mientras tanto, su familiar se encuentra realizan-
do trámites administrativos con un empleado (solo hay uno). Esta operación demanda
un tiempo uniforme (10,30) minutos. Si hasta entonces el paciente no ha sido dado
de alta, el familiar pasa a una sala, en espera del aviso de que el paciente ha sido da-
do de alta.
Cuando el paciente ingresa a una de las dos camas de reposo, este ya tiene un pun-
taje asignado en el chequeo de emergencia, este corresponde a una uniforme (20,40)
puntos. Cada 30 minutos, un médico de ronda visita la sala de reposo (considere la
primera visita a los 30 minutos de iniciada la simulación) y evalúa a cada uno de los
pacientes en dicha sala. Esta evaluación demora una exponencial (5) minutos y como
resultado de esta evaluación, el médico obtiene una nueva valoración correspondiente
a una uniforme (20,40) puntos. Si el valor obtenido es mayor o igual que el puntaje
que tenía la paciente, entonces este será dado de alta; en caso contrario, el paciente
seguirá recuperándose y se someterá a una nueva evaluación en la siguiente ronda.
Se pide:
1. Simular la situación descrita durante un día (24 horas).
2. Presentar los siguientes indicadores:
• Tiempo promedio de los pacientes en la sala de reposo.
• Tiempo máximo de los pacientes en la sala de reposo.
• Tiempo promedio de los pacientes en la clínica.
• Número promedio de pacientes esperando cama.
• Número máximo de pacientes esperando cama.
• Tiempo promedio del familiar en sala de espera.
• Tiempo promedio del paciente dado de alta, esperando al familiar
3. Explicar la situación administrativa del proceso descrito. ¿Cree usted que las dos
camas de la sala de reposo son suficientes? (justifique). ¿Cuáles podrían ser sus
sugerencias para mejorar el proceso? (justifique).
5
Enunciado tomado de Universidad de Lima, Escuela de Ingeniería. “Examen parcial 2006-2”.
338
Solución
Separate Seize Hold

Delay
1
Match Batch
Record
Delay Remove
Search
3
Entity Type: Delay

MEDICO Release
Time 2
Between: 3
Type:
Search Remove
CONSTANT 2
Value: 30
Minutes Search
3
Delay Remove
First Creation: 30
2 3 Dispose
Módulos de datos: 3
Indicadores:
1. 45.48 minutos
2. 97.89 minutos
3. 245.72 minutos
4. 17.76 pacientes
5. 44 pacientes
6. 30.23 minutos
7. 3.81 min.
339
7
Caso de estudio
Almacenes “Mundo”6
Objetivos:
o Uso de los módulos avanzados Hold, Remove, Store y Unstore.
6
o Uso del Record (Expression).
o Función NSTO.
o Variable Process.WIP.
Como consecuencia del incremento del comercio exterior en el país, se desea analizar
el proceso de retiro de contenedores de los barcos en el puerto de descarga y su tras-
lado en camiones a los respectivos depósitos autorizados de almacenamiento.
Cuando un barco de carga llega al puerto, los camiones de transporte forman cola pa-
ra recibir un contenedor, luego lo trasladan al depósito autorizado. Descargar un con-
tenedor del barco y cargarlo en el camión demanda un tiempo distribuido en forma
exponencial con una media de 10 minutos. El traslado del camión cargado desde el
puerto hasta el depósito de almacenamiento y la descarga en dicho depósito tiene una
duración distribuida en forma uniforme entre 120 y 180 minutos. El regreso al puerto
del camión sin carga toma 10 minutos y solo regresa previo aviso por radio del agente
de aduana, quien le comunica si es que faltan contenedores por recoger, descontando
los contenedores que se cargarán en los camiones que ya se encuentran en camino
de regreso. En caso de que no hubiera contenedores por recoger, el camión se retira.
Se solicita modelar el trabajo de descarga, traslado y almacenamiento de un despa-

cho; se han contratado 5 camiones y se desea descargar 14 contenedores de un bar-
co. Considere que los camiones tardarán 10 minutos en llegar al muelle, para iniciar el
proceso de descarga y traslado de estos contenedores. Los contenedores empezarán
su tiempo de espera para ser trasladados desde el inicio de la simulación. Esta espera
tiene que ser medida.
Formule el modelo que represente el trabajo de descarga de contenedores y su trasla-

do al depósito autorizado. Presentar los siguientes resultados obtenidos al simular el
modelo:
• Tiempo promedio que un contenedor debe esperar para ser trasladado.

• Tiempo total que toma el traslado de todos los contenedores.
Escenario
Suponga que se desea generar estadísticas sobre el número de contenedores que
traslada un camión (mínimo, promedio, máximo) y el tiempo promedio que cualquier
camión tarda desde que recibe un contenedor hasta que regresa al muelle a recoger
otro contenedor. Realice los cambios necesarios en modelo original.
6
Enunciado tomado de Universidad de Lima, Escuela de Ingeniería. “Examen parcial 2006-2”.
340
Solución
Hold
Hold
Process Batch
Remove Delay Separate
Store Delay Unstore
Final de la simu-
lación
Escenario
341
8
Caso de estudio
Atención de clientes en un supermercado

Objetivos:
o Uso de los módulos avanzados Hold (Scan for Condition, utilizado como sensor) y
Remove.
o Procedimiento para cambio de cola.
o Indicadores de desempeño.
Un supermercado recibe clientes, quienes llegan en intervalos de tiempo que se ajus-

tan a una distribución EXPO(0.5) minutos en las horas de mayor congestión y realizan
diversas compras, luego pagan y se retiran. Existen dos cajas disponibles para la
atención al público, cada una posee su propia cola. El tiempo de servicio del cajero 1
sigue una distribución UNIF(2, 4) minutos, mientras que el cajero 2 tarda una distribu-
ción UNIF(2, 3) minutos. La administración del establecimiento desea focalizar su es-
tudio en investigar el desempeño de las cajas.
La cantidad de productos por llevar se ajusta a una distribución Poisson con una media
de 6 productos (considere que por lo menos lleva un producto); la selección de cada
producto demanda al cliente un tiempo equivalente a una UNIF(0.5,1) minutos. Final-
mente, el cliente se dirige a pagar sus productos y se ubica en la cola de alguna de las
cajas. Se sabe que aproximadamente el 65% de los clientes se dirigen a la caja 1 y el
resto a la caja 2. Durante la espera en cola, si observa que existe una diferencia de
dos clientes entre una cola y otra, entonces el cliente se cambia de cola.
Se desea simular el sistema durante la hora pico, que es entre las 11.00 y las 13.00
horas. Obtener los siguientes indicadores:
• El número de clientes que optaron por pagar en la caja 1 y en la caja 2.

• El tiempo que sus clientes permanecen en el supermercado. Discrimine por caja.
• El número de clientes que se cambiaron de la cola 1 a la cola 2 y viceversa.
342
• Solución
Hold
Remove
Process
Delay
Process
EXPO(0.5)
Hold
Remove
343
9
Caso de estudio
Venta de entradas en la Copa América 2007

Objetivos:
o Modelo de inventarios con Estado Transitorio, cambios dinámicos en la capacidad del
Recurso, variables MR y NR.
o Módulo avanzados Hold (Scan for Condition, como SENSOR).
o Selección de cola más corta: variable Process.WIP. Módulo Statistic.
Se desea poner a la venta las entradas para el partido final de la Copa América. Dada
la importancia del evento, los organizadores han encargado a los técnicos propuestas
sobre la mejora del sistema de venta de las entradas.
Se ha considerado como muestra uno de los locales de venta, allí existen dos ventani-
llas con colas separadas. Los aficionados que acceden a ellas se dirigen a la ventanilla
que tiene menos clientes en cola y si las dos tuvieran la misma cantidad van a la más
cercana, que es la ventanilla 1. El tiempo entre arribos de los aficionados corresponde
a una EXPO (0.55) minutos. Cada aficionado puede comprar un máximo de 3 entra-
das. Se estima que el 10% compre una, el 30% dos y el resto tres entradas.
El tiempo de atención en la ventanilla 1 se ajusta a una TRIA(0.65, 1.15, 1.65) minu-

tos, en la ventanilla 2 se atiende mas rápido, según una TRIA(0.5, 1, 1.5) minutos. Se
dispone de un stock por día de atención de 1000 entradas; en caso de que se acabe el
stock las ventanillas se cierran hasta el próximo día. Si al último cliente no se le pudie-
ra satisfacer su pedido se le venden las entradas que quedan. Se pide:
1. Analizar si la simulación del caso propuesto es de estado estable o de estado transi-

torio. Justifique su respuesta.
2. Formule un modelo adecuado al sistema descrito y determine los siguientes indica-
dores de desempeño:
• Permanencia promedio en el local.
• Tiempo total para culminar con la venta de las entradas del día.
Escenario:
Considerar que si la cantidad de personas en ambas colas es igual o mayor que 10 se
incrementa un empleado que apoye en la Ventanilla 1, con el mismo tiempo de aten-
ción. En dicha ventanilla se atenderían dos aficionados a la vez. Si el número en am-
bas colas disminuye a 5 o menos, entonces se restablece la capacidad original de la
Ventanilla 1, es decir 1. Realice los cambios necesarios al modelo original.
344
Solución
SEIZE
La simulación es de estado transitorio,

pues empieza vacío y termina vacío. La
variable Límite controlará que no in-
gresen más clientes en el instante en
que se agoten las entradas. Se atende-
rá a los que estén en cola hasta que
salga el último cliente.
PROCESS
PROCESS
Escenario:
HOLD HOLD
345
10
Caso de estudio
Partido de definición del campeón nacional

Objetivos:
o Módulos avanzados: Match, Batch y Delay.
o Obtención de indicadores con Record (expression) y el módulo Statistic.
o Aplicación práctica del concepto de Valor Esperado.
Universitario de Deportes y Alianza Lima jugarán una nueva edición del clásico del fút-
bol peruano, esta vez para disputar el título de Campeón Nacional 2008. Los “cremas”,
campeones del torneo Apertura, dirigidos por “El Tigre” Gareca, y Los Íntimos, cam-
peones del torneo Clausura, dirigidos por “quién sabe quién”, jugarán quizás el partido
más importante del año.
Se desea formular un modelo de simulación para estimar cuánto tiempo tomará el

partido y así presupuestar el costo de alumbrado de la cancha. El partido puede ter-
minar en tiempo regular o en tiempo suplementario, o en definición por penales; en
este último caso, el partido se definirá después de cinco penales por equipo. Se dispo-
ne de los siguientes datos:
Demora en salir al terreno de juego: UNIF (3, 6) min.
Sorteo de cancha y dejar listo a los equipos: UNIF (4, 6) min.
Períodos regulares de juego: 02
Duración primer tiempo: UNIF (45, 48) min.
Duración segundo tiempo: UNIF (46, 50) min.
Período de descanso entre tiempos: UNIF (15, 20) min.
Demora de suplementario: UNIF (30, 33) min.
Preparación de ronda de penales: UNIF (8, 10) min.
Cambio de arquero más disparo de penal: UNIF (1, 2) min. por penal
Árbitro: Réferi FIFA Silvia Reyes.
Se da aviso a ambos equipos para que salgan juntos a la cancha e inmediatamente
empieza el partido, y termina cuando el árbitro hace sonar su silbato señalando el
centro del campo.
1. Formule un modelo de simulación que permita determinar en cuántos minutos ter-
minaría el partido en tiempo regular, en tiempo suplementario y con penales.
2. Simule el modelo formulado y presente los siguientes indicadores de desempeño:
• Duración del encuentro en cada una de las tres situaciones.
• Determine el tiempo esperado del encuentro, si existe un 50% de probabilidad
de que el partido termine en tiempo regular, 20% en tiempo suplementario y
30% en ronda de penales.
Escenario
Suponga que al salir a la cancha ambos equipos tienen demoras independientes de
acuerdo a una UNIF(3,6) min. Si un equipo sale antes, tiene que esperar al otro. ¿Qué
equipo salió primero y cuánto tiempo esperó por el otro equipo?
346
Solución
Delay Delay Delay
Delay Delay
Escenario
Match Batch
Universitario se ubicó en la
Cola 1 del Match. Según el re-
porte, Alianza salió 0.2 min.
después que Universitario.
347
6. MÓDULO PICKUP (entidad grupo)

Este módulo extrae o remueve un número consecutivo de entidades de una determi-
nada cola, empezando desde una posición específica. Las entidades removidas son
agregadas al final de las entidades contenidas en la Entidad Grupo (aquella formada en
un módulo Batch o en un módulo Pickup) que ingresó al módulo Pickup.
Ejemplo:
2
1 3
SUBEN
La Entidad Grupo está representada por el Óm-

nibus; la cola está representada por el Paradero;
los miembros de la Entidad Grupo son los Pa-
sajeros. Recoge a todos (NQ).
Ejemplo:
En el ejemplo, la carretilla es la Entidad Grupo y al in-

gresar esta al módulo Pickup recoge de la cola “Almacén”
una sola entidad (producto), cuya ubicación en la cola se
guarda en la variable J, esta búsqueda la realizó pre-
viamente el módulo Search.
348
Mód 7. MÓDULO DROPOFF (entidad grupo)
Este módulo retira un determinado número de entidades “miembro” de una Entidad

Grupo (formada por un módulo Batch o un módulo Pickup). Si es Batch debe definirse
como Temporal; de lo contrario, el Dropoff no tendrá ningún efecto.
1 2
2
• Definir el número de entidades que

serán removidas del grupo.
• Definir a partir de qué posición se re-

tiran las entidades.
• Definir el criterio de asignación de los

atributos de las entidades salientes.
Mientras que el módulo Separate desagrega o separa a todas las entidades contenidas
en el grupo, el módulo Dropoff selecciona un número de miembros de la Entidad Gru-
po para que sean removidos o retirados de esta. Luego, la Entidad Grupo continúa su
recorrido en la red, con las entidades remanentes en el grupo. Posteriormente, la enti-
dad grupo será separada por el módulo Separate, porque se definió como temporal.
Ejemplo:
Dropoff
Suben Bajan
Pickup
En el ejemplo, por medio del módulo Pickup la entidad grupo que está representada
por el ómnibus, en primera instancia recoge a entidades o pasajeros que esperan en
un paradero (Hold). En segunda instancia, mediante el módulo Dropoff la entidad gru-
po deja pasajeros en otro paradero de la ruta.
349
Ejemplo:
Salen del
ascensor
El ejemplo ilustra la salida de todas las personas de un ascensor; la entidad grupo es

el ascensor. La variable NG evalúa el tamaño de la Entidad Grupo que ingresa al Dro-
poff; es decir, el efecto que se busca es retirar a “todos” los miembros del grupo. En
cada piso, el ingreso de las personas al ascensor lo realiza el módulo Pickup.
Ilustración:
Bultos de peso variable son traídos al terminal para que sean transportados por ca-
miones. Está programada la salida de un camión cada dos horas, el cual recogerá a
todos los bultos que hayan en ese momento. Se desea simular el sistema descrito du-
rante 24 horas continuas y medir la carga promedio por camión.
Nota: la función SAG suma los atributos de

Hold
las entidades dentro de una Entidad Grupo;
suma los valores del número del atributo que
nos interesa. Para identificar qué número le
corresponde a nuestro atributo de interés, se
utiliza previamente la función NSYM. Ejem-
plo: SAG ( NSYM ( peso ) )
1
Tomar en cuenta lo siguiente:

• Las entidades que se integraron o se agregaron a Entidades Grupo utilizando los
módulos Pickup o Batch pueden ser removidas e individualizadas nuevamente, uti-
lizando los módulos Dropoff o Separate.
• Si la entidad grupo fue definida en el módulo Batch como Temporal, entonces no
debe salir por un Dispose sin antes haber separado completamente a sus entidades
miembros.
350
11
Caso de estudio
El ascensor7
Objetivos:
7 o Aplicación práctica de los módulos avanzados: Pickup, DropOff, Store, Unstore y Hold
o Indicadores de desempeño del sistema.
En un edificio para oficinas de cuatro pisos, funciona un ascensor que transporta per-
sonas para subir o bajar; los usuarios del ascensor son el personal y los clientes de las
oficinas del edificio. Se ha realizado un estudio y se ha determinado que las personas
llegan a la zona de espera por el ascensor, con un intervalo de tiempo de una EXPO(1)
minuto.
Por cuestiones de costos operativos, para hacer uso del ascensor este debe estar lle-
no, es decir, debe haber 8 personas, que es su capacidad. Si a la llegada del ascensor
el grupo no está completo entonces el ascensor permanece en el primer piso hasta
que se complete. Se estima que en el segundo piso bajará 1 persona, en el tercer piso
bajarán 4 personas y en el cuarto piso bajarán 3 personas.
Se desea investigar sobre el desempeño del ascensor solo cuando sube llevando per-
sonas. El tiempo que el ascensor demora en subir a un piso y dejar personas es de 2
minutos; bajar del cuarto piso directamente al primero tarda 1 minuto.
Formule un modelo adecuado a la situación descrita y simúlelo durante una jornada de

8 horas. Se pide:
1. ¿Cuál fue el máximo número de personas que estuvo en el área de espera?

¿Cuántos minutos de tolerancia se deberían considerar, antes de que una persona
opte por subir por las escaleras.
2. ¿Cuánto tiempo en promedio demora una persona en viajar en el ascensor?

3. Se desea medir el número promedio de personas, desde que ingresaron hasta que
salieron del ascensor, en su piso.
4. Realice una comparación entre los indicadores WIP (Work in Process) del reporte y
los obtenidos mediante el Storage. Saque sus conclusiones.
5. Si se tuviera la posibilidad de incrementar el número de ascensores, sobre todo pa-

ra satisfacer la demanda en las horas de mayor congestión, ¿cuántos más reco-
mendaría? Sustente su respuesta en base a los indicadores y a su criterio.
7
Enunciado tomado de VENEROS MANRIQUE, H.
351
Solución
Delay Dropoff Delay
Hold
Delay Dropoff
Delay Dropoff
Hold
Pickup
.NQ (AREA
1 DE ESPERA.Queue)>=8
1. Tamaño máximo de cola:

Tolerancia máxima de espera en cola:
2. Tiempo promedio en transporte:
3. Número promedio de personas:

Storage Unstorage
Storage Work in process Se llega al mismo resultado. El

4. concepto es el mismo para
ambos; el Storage mide en
cualquier segmento de la red.
El WIP es automático y mide

en la red principal.
5. Adicionar un Ascensor más. El indicador utilizado fue el Valor Máximo del Storage: 17/8 = 2
352
12
Caso de estudio
Atención en consultorio médico8

Objetivos:
8 o Uso de los módulos avanzados Pickup, Dropoff, Hold, Remove, Signal.
o Uso de la variable MR(Resource).
o Uso del módulo de datos Statistic.
Los pacientes llegan a la sala de espera de un consultorio e inmediatamente deben re-

gistrarse con la asistente, quien llamará al paciente por orden de llegada (FIFO) para
que sea atendido por el doctor. Una vez atendido el paciente, este se retira del con-
sultorio y el doctor termina de llenar la historia clínica del paciente; luego, por medio
de un intercomunicador, solicita a su asistente que haga pasar al siguiente paciente.
Si no hay pacientes el doctor debe esperar hasta que llegue un nuevo paciente.
Sala de espera
Registro
Consulta
Los pacientes llegan con un intervalo de una distribución Exponencial con una media
de 15 minutos. El tiempo de registro se estima en una distribución Uniforme entre 3 y
5 minutos y el tiempo de la consulta con el doctor se estima en una distribución Nor-
mal con una media igual a 10 minutos y una desviación estándar de 2 minutos. Cuan-
do el paciente se retira, el doctor tarda un tiempo uniformemente distribuido entre 1 y
3 minutos en concluir la historia clínica. La atención del doctor empieza después de 30
minutos de la llegada del primer paciente.
Se pide:
1. Formular un modelo adecuado a la situación planteada. Simular por 8 horas.
2. Tiempo de permanencia en el consultorio y cuántos pacientes se atendieron.
3. Tiempo promedio de espera del paciente para ser atendido.
4. ¿Cuál es el máximo número de entidades en proceso y cuál fue el máximo número

de pacientes esperando por su consulta?
8
Ibídem.
353
Solución 1: Seize – Delay - Release
Seize Delay
Process
Delay Release
Solución 2: Hold - Signal

Hold Process
Hold
Delay Signal
Signal
354
Solución 3: Hold - Remove
Process Hold
Hold
Remove
Delay Delay
Solución 4: Pickup - Dropoff
Process Hold
Hold
Pickup Delay Dropoff Delay
355
13
Caso de estudio
Operaciones en una manufacturera9

Objetivos:
o Manejo Avanzado de Conjuntos Advanced Set (Queue Type: Set).
9
o Aplicación práctica de los Módulos de Datos: Expression (Matriz).
El sistema a ser modelado consiste en el mantenimiento de equipos de regular tama-

ño. Cuando llega un equipo, se le aplica un primer proceso que consiste en la división
de este en tres partes y cada parte debe ser procesada de acuerdo a una secuencia de
operaciones, donde cada operación se realiza en un área de trabajo.
Existen 4 áreas y en cada área se dispone de 2 máquinas. En las tablas siguientes se

muestra la secuencia de operaciones y los tiempos de actividad en cada una de las
áreas, y que corresponden a una distribución de probabilidad triangular:
Secuencia de operaciones
Parte 1 Área 1 Æ Área 2 Æ Área 3 Æ Área 4
Parte 2 Área 1 Æ Área 2 Æ Área 4 Æ Área 3
Parte 3 Área 2 Æ Área 1 Æ Área 3
Tiempos de operación (minutos)

Parte 1 4,6,8 6 , 9 , 12 12 , 15 , 20 10 , 14 , 19
Parte 2 9 , 13 , 18 3 , 7 10 20 , 25 , 28 12 , 18 , 22
Parte 3 5 , 10 , 14 6 , 8 , 12 14 , 19 , 25
Al final de la secuencia las partes se ensamblan para armar nuevamente el equipo.

Tenga presente que el equipo debe ensamblarse con sus partes originales correspon-
dientes.
Los intervalos de llegada de los equipos siguen una distribución exponencial con una
media de 30 minutos. La operación para separar en partes el equipo o para ensamblar
las partes del equipo la realiza cualquiera de los 2 operarios auxiliares de que se dis-
pone; individualmente, cada auxiliar tarda un tiempo que se ajusta a una normal con
una media de 20 minutos y una desviación estándar de 5 minutos por operación. El
tiempo que se demora cada parte separada, para ser enviada al área de manteni-
miento, es una uniforme entre 3 y 5 minutos.
1. Formule un modelo de simulación adecuado a la situación descrita y simúlelo du-
rante 6 días (24 hrs/día).
2. Obtenga estadísticas sobre Tiempo de Ciclo General (Plazo promedio de entrega).
3. Obtenga estadísticas sobre Tiempo Promedio de Mantenimiento por cada una de las
partes.
9
Enunciado tomado de Universidad de Lima, Escuela de Ingeniería. “Examen parcial de rezagados
2008-1”.
356
Solución
xxxxxxx
Desarmar equipo:
Process Separate Separate
Delay
Mantenimiento de partes
Seize Delay Release
1 1
Armar equipo
Match
Batch Process
357
14
Caso de estudio
Uso de recurso en secuencia de operaciones10
Objetivos:
Uso del módulo de datos (avanzado) Statistic para generar Estados de uso de un Recurso,
10
definidos por el mismo usuario y que están asociados a los Estados del sistema (por defecto:
Busy/Idle). Es decir, desagregar o subdividir los estados Busy y/o Idle en nuevos estados.
Una empresa produce muebles de madera para oficina. Uno de sus procesos consiste
en producir una pieza base, que representa la columna vertebral del mueble, para ello
se requiere de bloques de madera de ciertas dimensiones y de la participación de un
operario. El proceso consiste en tres operaciones: SetupÆTrabajoÆInspección, que
requieren de la participación del operario asignado al proceso, es decir que el mismo
operario realiza cada una de las tres operaciones.
El tiempo entre arribos de los bloques de madera es una EXPO(7) minutos y automáti-
camente son ingresadas a una cámara de secado, con capacidad suficiente para aten-
der la demanda y deben permanecer exactamente 80 minutos, tiempo suficiente para
que el bloque salga con los límites de humedad permisibles. Luego el bloque seguirá
la siguiente secuencia de operaciones:
Operación Duración (minutos)
Setup Expo(2)
Trabajo Norm(10, 4)
Inspección Unif(2, 5)
Finalmente, el bloque es llevado a la siguiente sección de la planta de producción.
Se pide:
1. Modele el sistema descrito durante 1440 minutos y obtenga estadísticas sobre la

utilización del recurso operario; discrimine según la categoría: Busy/Idle (report
frecuency).
2. Determine en forma detallada la composición porcentual del estado ocupado (Busy)

del operario, respecto a su utilización en cada operación del proceso.
10
Enunciado tomado de VENEROS MANRIQUE, H. Op. cit.
358
Solución
1. Modelo:
359
2. Creación de un Conjunto de Estados del Operario, asociados a su estado Busy:
En total salieron 66 entidades del sistema. La eficiencia del operario fue del 94.44% (véase detalle abajo
en BUSY) y fue asignado 284 veces en total (véase detalle arriba), la operación de inspección fue el “cuello
de botella”.
BUSY
360
15
Caso de estudio
Simulación de fallas en las máquinas11

Objetivos:
11 o Modelado de fallas o DownTimes en las máquinas mediante el módulo Failure.

o Uso del módulo Statistic, para obtener resultados sobre los estados Busy-Idle-Failed
de las máquinas.
o Aplicación del módulo Expression como estructura de datos.
Una empresa metalmecánica produce 3 tipos de piezas de acero, para lo cual dispone de dos máquinas de
banco; las órdenes de trabajo llegan a la planta de producción de acuerdo a una EXPO(15) minutos; la
composición de estas órdenes corresponde a un 40% del tipo 1, un 40% del tipo 2 y un 20% del tipo 3.
Cada tipo requiere de un bloque diferente, de acero en bruto, el cual será maquinado. Existe inventario su-
ficiente de los tres tipos de bloque.
Operación 1
Bloque 1
Bloque 2
Operación 2
Bloque 3
El proceso de producción utiliza una distribución en serie de las máquinas, es decir, cada orden requiere de la
operación de las dos máquinas en forma consecutiva. El tiempo para desplazar el producto en proceso, desde la
máquina 1 hasta la máquina 2, es de 2 minutos. El tiempo de proceso depende del tipo producto y del tipo de
máquina, tal como se muestra en la tabla siguiente, cuyos valores se expresan en minutos:
Tipo Máquina 1 Máquina 2

1 EXPO(15) NORM(10,1)
2 UNIF(8,10) EXPO(10)
3 EXPO(10) UNIF(6,10)
En base a estadísticas sobre frecuencia de fallas de las máquinas y a sus manuales de operación, se ha es-
timado que las fallas en la máquina 1 se ajustan a una EXPO(5) horas y el tiempo de falla se ajusta a una
distribución UNIF(0.5,1.5) horas.
Las fallas en la máquina 2 se producen de acuerdo a un número de unidades procesadas, que se ajusta a
una UNIF(100, 150) unidades. El tiempo de falla para esta máquina corresponde a una distribución UNIF
(0.5, 1) horas. Simule el sistema durante 4800 minutos y determine el tiempo en sistema por tipo de pieza.
Escenario:
Estado transitorio de la simulación. Las órdenes ingresarán al sistema solo hasta que se cumplan 4800 mi-
nutos. Pero la simulación continuará hasta que hayan salido todas las órdenes que ingresaron.
11
Ibídem.
361
Solución
Process Process
Delay
Escenario: Estado transitorio
Delay
362
8. MÓDULO READWRITE (interfase de lectura y

escritura externa)
Entre las funciones principales de este módulo está el leer uno o más valores de un ar-
chivo externo, para utilizarlos durante la ejecución del modelo. Otra de sus funciones
es escribir datos a un archivo externo, durante la ejecución del modelo. Cuando una
entidad ingresa a este módulo, entonces lee o escribe un solo registro (fila); cada
registro posee uno o más campos (por ejemplo: hora de arribo, hora de salida,
etcétera).
Escritura de datos:
Archivo de Datos.XLS
HORA HORA
ARRIBO SALIDA PERMANENCIA
3’ 13’ 10’
4’ 18’ 14’
5’ 20’ 15’
. . .
. . .
. . .
ARCHIVO EXTERNO
Módulo
ReadWrite
363
Lectura de datos:
FILE LECTURA.XLS
ARCHIVO
EXTERNO
Módulo
ReadWrite
364
16
Caso de estudio
Escritura de datos en archivo externo
Objetivos:
o Uso del módulo avanzado Readwrite para escritura de datos datos en un archivo
externo, durante la ejecución del modelo.
Una agencia bancaria recibe a clientes, quienes realizan diversas transacciones en dos
cajeros y una cola común. El tiempo de servicio de cada cajero con un cliente sigue
una distribución uniforme entre 6 y 12 minutos. Los clientes llegan a la agencia con un
tiempo entre arribos distribuido exponencialmente con una media de 10 minutos, a las
horas de mayor congestión. Deseamos simular el comportamiento del sistema para
esas horas. Considerar también que el primer cliente llega al minuto 5 del experimen-
to de simulación.
Se pide:
• Simular el sistema hasta que 100 clientes hayan sido atendidos.

• Obtener estadísticas individuales (por cliente) de la hora de arribo, hora de salida y
permanencia en el sistema.
• Determine el tiempo promedio de permanencia en sistema de los clientes, mediante

la media aritmética del punto anterior.
• Compare el tiempo promedio en sistema obtenido en el punto anterior con el gene-

rado con el módulo Record (Tally).
365
Solución
Creamos un archivo “vacío” y definimos un Rango de celdas, al que le damos un nom-
bre (Área), para que el modelo escriba los datos en dicho rango. Grabar y cerrar.
Botón
Derecho
Process
ESCRITURA DE DATOS.XLS
Readwrite
Área
ReadWrite
Nombre del Rango en
la Hoja de cálculo,
donde se escribirá o de
donde se leerá.
Run Setup
366
17
Caso de estudio
Lectura de datos de un archivo externo
Objetivos:
o Uso del módulo avanzado Readwrite para lectura de datos de un archivo externo o
escribir datos en un archivo externo, durante la ejecución del modelo.
o Obtención de indicadores de desempeño del sistema.
Considere un sistema simple, de una cola y un servidor (véase esquema adjunto). En

este, existen tres diferentes elementos: Clientes (entidades) que arriban al sistema,
una cola FIFO y un servidor para la atención de los clientes.
El tiempo entre arribos de clientes a la cola cambia en forma aleatoria. Los clientes
son atendidos individualmente en el servidor. Se asume que los tiempos entre arribos
y la duración del servicio se ajustan a funciones estadísticas de distribución de proba-
bilidad, cuyos valores se muestran a continuación:
A= 1.2 2.4 3.1 1.7 2.4 1.6 3.7 2.9 3.3 1.6 2.3
S= 3.2 2.7 4.5 3.8 2.2 4.3 3.1 2.4 4.2 3.3 2.9
A = Tiempo entre arribos (minutos)

S = Tiempo de servicio (minutos)
Se pide:
a) Formular un modelo adecuado a la situación descrita, en el cual se lean, desde un

archivo externo, los datos correspondientes al tiempo entre arribos y el tiempo de
servicio de las entidades. El final de la simulación se da en el instante en que el
quinto cliente sale del sistema.
b) Estimar los indicadores de desempeño que considere importantes en el estudio del

sistema.
367
Solución
FILE LECTURA.XLS
Delay Separate
Readwrite
Process
Botón
Derecho
Indicadores:
• Duración de la simulación: 17.6 minutos
• Tiempo promedio en el sistema: 5.08 minutos
• Número promedio de clientes en el Sistema: 1.82 clts.
• Tiempo promedio en cola: 2.24 minutos
• Longitud promedio de cola: 0.89 clientes
• Utilización del servidor: 93.2%
• Velocidad promedio del servidor: 0.28 clts./min.
368
Final de capítulo
Casos propuestos
Caso 1: Almacén de distribución

Office Depot es una empresa distribuidora de artículos de oficina. Los pedidos llegan a
su almacén vía correo electrónico solo durante su horario de atención: de 8:00 a
19:00 horas, de acuerdo a una EXPO(7) minutos. Las etapas del proceso de atención
son las siguientes:
Área de despacho
Los pedidos llegan a esta primera estación de servicio, en la cual hay dos empleados dis-
ponibles para la atención de estos. El tiempo que emplea cada empleado en atender un
pedido es una NORM(10, 2) minutos; luego, el pedido pasa a la estación de control.
Estación de control
En la estación se realiza una revisión o control de calidad en la cual existen dos emplea-
dos revisores. Cada revisor tarda una UNIF(3, 6) minutos en revisar el pedido y se obtie-
ne como resultado que el 70% de los pedidos salen sin problemas de la estación de revi-
sión hacia el almacén de salida. El resto de los pedidos están incompletos o equivocados,
por lo cual el “mismo revisor” lleva el pedido a un almacén auxiliar.
Almacén auxiliar
A este lugar llega el revisor de la estación de control trayendo el pedido. Aquí trabaja un
almacenero; el revisor, junto con el almacenero, rectifica el pedido; el tiempo que demo-
ra dicha tarea es una EXPO(10) minutos. Finalmente, el pedido es enviado al almacén de
salida. Se pide:
1. Formule el modelo RED para el caso descrito.

2. Simule la situación descrita por un tiempo equivalente a una jornada de trabajo
(11*60 minutos) y obtenga estadísticas del tiempo en el sistema de los pedidos que
requirieron ser rectificados, de los pedidos que salieron sin problemas y de todos los
pedidos en general. Interprete la capacidad ociosa de mano de obra.
3. Suponga que con la finalidad de captar más pedidos vía correo electrónico se ha
decidido dejar que estos ingresen durante todo el día, incluso durante horas fuera
de atención. En este último caso, estos se acumulan y serán procesados apenas
se inicie la atención. Considere que el nuevo horario de trabajo de la empresa es
de lunes a viernes de 8:00 a 13:00 horas y de 15:00 a 19:00 horas.
4. Simule la situación descrita en la pregunta anterior durante 5 días continuos
(5*24*60 minutos). Obtenga los mismos indicadores de la pregunta dos.
5. Respecto al escenario original, suponga que debido a la gran demanda, el horario
de atención se amplía a 24 horas, desde las 8:00 horas del día lunes hasta las 13
horas del sábado, luego la empresa se cierra y no recibe ni acumula ningún pedido
hasta el lunes a las 8:00 horas. Considere que se desea simular el modelo durante
15 días (15*24*60 min.). Obtenga los mismos indicadores de la pregunta dos.
369
Caso 2: Proceso de acondicionado de componentes y ensamble
Una empresa industrial fabrica un producto mediante el ensamble de tres componen-

tes A, B y C. El componente A llega al sistema cada NORM(15,4) minutos, el compo-
nente B llega cada UNIF(15,30) minutos y el componente C llega cada EXPO(10) mi-
nutos. Véase el esquema siguiente:
Área de acondicionado
Tres son los procesos previos al proceso de ensamble para acondicionar los compo-
nentes. En el Proceso 1 existen 2 estaciones disponibles, en el Proceso 2 hay 3 es-
taciones y en el Proceso 3 se dispone de 2 estaciones.
• El componente A requiere de una estación del proceso 1, este demora

UNIF(10,16) minutos.
• El componente B requiere de dos estaciones del proceso 2, demorando EXPO(20)

minutos.
• El componente C requiere de una estación del proceso 3 y una estación del proce-
so 1, cuando ambas estaciones están disponibles la actividad demora NORM(12,
2) minutos.
Dado que el proceso 1 se requiere para los componentes A y C, entonces el compo-

nente A tendrá la prioridad. Al Terminar pasan al área de ensamble.
Área de ensamble
En el área de ensamble, se forma una cola por cada componente. Dado que los com-
ponentes poseen dimensiones exactas, estos deben ser ensamblados en forma preci-
370
sa. El proceso de ensamble consiste en tomar una unidad de cada componente y unir-
los perfectamente. Para este proceso se puede utilizar cualquiera de las 2 estaciones
disponibles en esta área. Cada ensamble tarda 40 minutos. Luego, el producto termi-
nado es llevado al almacén. Se pide:
1. Formule un modelo adecuado al sistema descrito y simúlelo durante 480 minutos.
2. Obtenga estadísticas sobre el tiempo que demora la operación de ensamble y el

tiempo de ciclo de cada producto terminado.
Escenario 1
Suponga que el componente B arriba al sistema en lotes de 10 unidades. Además,
para ensamblar un producto se requiere de 1 unidad de A, 2 de B y 1 de C. Compare
el nuevo tiempo de ensamble con el del escenario original.
Caso 3: Variabilidad en los tiempos entre arribos de las entidades
Considere una situación en la cual el tiempo entre arribos de piezas metálicas a la zo-
na de operación de Torneado es variable y se va ajustando y reajustando, de acuerdo
al número de entidades en espera, para ser procesadas.
Inicialmente, el tiempo entre arribos de las piezas a la máquina se ha configurado de

acuerdo a una distribución UNIF(6,12) minutos. Sin embargo si la cola que forman las
piezas para ser procesadas llega a un número de 10 unidades o más, entonces el
tiempo entre llegadas debe alargarse (espaciarse) a una distribución UNIF(16,22) mi-
nutos.
Posteriormente, si la cola en algún instante disminuye a 5 unidades, entonces los

tiempos entre arribos se acortan y se restablecen como en el inicio. El tiempo para
procesar la pieza se ajusta a una distribución NORM(25,1) minutos. Se pide:
1. Formule un modelo adecuado al sistema descrito y simúlelo por una jornada de 8

horas.
• Tiempo de ciclo de las piezas y la producción total.

• Número de veces que la cola subió a 10 piezas y las veces que bajó a 5 piezas.
• Tamaño promedio de cola y tiempo promedio de espera.
371
Caso 4: Proceso de embalaje de monitores (Promodel Corp.)
Se tiene un sistema de producción compuesto por las siguientes locaciones:
Ensamble
Cola de
monitores
Faja de
tarimas
Cola de
Cola de salida
cajas
Faja de
embarque
Desembarque
Los monitores ingresan al sistema en lotes de 3 unidades de acuerdo a una distribu-

ción exponencial con media de 2 minutos, y avanzan por la faja hasta la zona de en-
samble. Las cajas vacías arriban en lotes de 5 unidades, de acuerdo a una distribución
exponencial con media de 10 minutos, y avanzan por la faja hasta la zona de ensam-
ble. En la operación de ensamble se juntan 2 monitores y luego se embalan en una
caja; esta actividad tiene una duración correspondiente a una distribución normal con
media 4 y desviación de 1 minuto.
Existe una faja transportadora que va surtiendo las tarimas a la zona de carga, hay
solo 3 tarimas que circulan. Las cajas llenas se juntan en una tarima y cuando se tie-
nen 4 cajas entonces se transportan por la faja de embarque. El tiempo de transporte
hasta la zona de desembarque corresponde a una distribución uniforme de entre 2 y 4
minutos.
La operación de desembarque consiste en desmontar o descargar la tarima llena en

unidades independientes. Realizada esta operación, la tarima vacía es trasladada a la
banda de tarimas para que reingrese al circuito; mientras tanto, las cajas que contie-
nen los monitores salen del sistema.
Simule el proceso descrito durante 100 minutos y considere que la variable en estudio
es el tiempo de ciclo promedio por cada unidad embalada.
372
Caso 5: Proceso de maquinado de piezas
Maffeppe es una empresa metalmecánica que procesa dos tipos de piezas: 1 y 2; el

intervalo de llegadas de las piezas corresponde a una EXPO(3) minutos, el 40% co-
rresponden al tipo 1 y el 60% al tipo 2. La empresa dispone de dos máquinas de igua-
les características técnicas; los tiempos de maquinado dependen del tipo de pieza, así,
la duración para el tipo 1 es una UNIF(2,3), mientras que para el tipo 2 es una
UNIF(3,4) minutos.
Al término del maquinado, la pieza es colocada en una zona de almacenamiento tem-

poral, común para ambas piezas. En forma sistemática, las piezas tipo 1 son recogidas
de esta zona temporal cada 30 minutos (se recogen todas las que hubieren de ese
tipo), mientras que las piezas tipo 2, cada 45 minutos. Luego, estas piezas salen de la
planta hacia el almacén.
Es política de la gerencia de producción, que al final de la jornada diaria se deben re-

coger todas las piezas que queden en la zona temporal, es decir, esta zona debe que-
dar vacía, para iniciar una nueva jornada al día siguiente.
Simule el comportamiento del sistema durante un día de 8 horas de trabajo y obtenga

la cantidad total de cada tipo recogido durante el día.
Caso 6: Servicio de préstamo de libros en biblioteca
Una biblioteca universitaria realiza préstamos de libros a estudiantes, quienes llegan

según una EXPO(2) minutos. El 30% de los estudiantes ya tienen ficha, el resto debe
realizar la operación de búsqueda en la computadora (existen 10 disponibles), el tiem-
po que demanda esta operación se ajusta a una UNIF(3,5) minutos, si todas están
ocupadas entonces el estudiante espera. El 60% de los estudiantes solicita un libro y
el 40% solicita 2 libros; se considera que todo estudiante sale de la biblioteca por lo
menos con un libro.
La biblioteca tiene 4 pisos, el 30% de los estudiantes visita el piso 1, el 20% el piso 2,
el 25% el piso 3 y el 25% el piso 4; el tiempo estimado para subir cada piso es una
NORM(1,0.5) minutos. Una vez en el piso, el estudiante hace una cola en la ventanilla
de atención, donde hay dos empleados que reciben las fichas de los alumnos y buscan
en los estantes los libros solicitados; esta operación demanda una UNIF(2,3) minutos.
El estudiante que solicitó un libro, lo lleva siempre. El que solicitó 2 libros los revisa y
tarda una UNIF(1,3) minutos por libro; después de la revisión, el 60% decide llevar un
solo libro.
Una vez atendido en los pisos, el estudiante baja empleando un tiempo equivalente al
de subida y espera en el primer piso hasta que llegue su pedido. En los pisos del 2 al
4, los libros son bajados en un pequeño ascensor y se deben juntar 5 libros para que
este baje directo al primer piso; el tiempo en bajar los 5 libros es una UNIF(1,2) miun-
tos. Finalmente, el empleado del primer piso entrega los libros que corresponden a ca-
da estudiante, luego este se retira.
Determine el tiempo promedio que los estudiantes permanecen en la biblioteca; dis-

crimine por número de libros prestados.
373
Caso 7: Sistema de operación de una agencia bancaria
La Gerencia de Operaciones de un conocido Banco ha iniciado un proyecto de evalua-

ción de todos sus procesos. El objetivo principal es simular el funcionamiento del Área
de Servicio al Cliente, para analizar la complejidad de sus relaciones y los eventos
aleatorios que ocurren.
En la agencia seleccionada para el “plan piloto”, los clientes han sido clasificados por el
banco como Clientes y No Clientes. Los primeros tienen un tiempo entre llegadas que
se ajusta a una EXPO(4) minutos, y los segundos, de acuerdo a una EXPO(3) minutos.
Luego de ingresar al banco, estos buscan alguna ubicación en la zona de espera, para
tomar asiento, hasta que se desocupe un cajero y les corresponda su turno de aten-
ción, según el orden de llegada.
La capacidad instalada del banco, sin considerar cajeros automáticos, es de tres ven-
tanillas de atención, en las que se atiende a ambos tipos de clientes. Cuando algún ca-
jero se desocupa, un sistema electrónico genera en forma aleatoria un tipo de cliente;
la política del Banco es dar preferencia a sus clientes, de tal forma que la probabilidad
de que el sistema lo seleccione es del 65%, mientras que para los No Clientes es solo
del 35%. El cliente seleccionado debe ser atendido por el cajero que se desocupó; los
tiempos de atención de los tres cajeros, se ajustan, respectivamente, a las siguientes
distribuciones de probabilidad: NORM(2, 0.5), UNIF(3, 4) y NORM(3, 0.5) minutos.
Realizada la transacción, el cliente se retira.
El horario de atención al público es de 9:00 a 18:00 horas, de corrido. Actualmente, el

banco posee un sistema en línea que se alimenta de las tarjetas de los clientes y pro-
porciona información sobre los arribos, tiempos de espera, tiempos de atención, tipos
de cliente, etcétera. Se espera que en el futuro toda esta información en línea sea la
interfase que soporte un sistema de simulación que permita procesarla constante-
mente y monitorear si se cumplen los estándares establecidos.
Se pide:
Simular el comportamiento del sistema durante un día de trabajo y obtener los tiem-
pos de permanencia de los clientes en la agencia.
Caso 8: Aventura Culinaria
Un restaurante ofrece comida de “cocina gourmet” solo para llevar. Los clientes llegan en
auto según una distribución EXPO(15) minutos y forman cola en una ventanilla, donde or-
denan su pedido y pagan, todo ello sin necesidad de bajarse del auto.
Un pedido consiste en 1, 2 ó 3 platos con probabilidades de demanda igual a 0.2, 0.3, y 0.5
respectivamente. El cajero toma el pedido y realiza el cobro respectivo, todo ello tarda una
duración que se ajusta a una distribución NORM(2,0.2) minutos; el cajero envía un mensaje
a la cocina mediante un micrófono y ordena la preparación; el cliente se estaciona en la
zona de parqueo y espera por su pedido.
374
Cada cliente selecciona los platos de su pedido, de acuerdo a las siguientes probabilidades:
0.25 para el plato 1, 0.35 para el plato 2 y 0.40 para el plato 3. Se dispone de tres cocine-
ros, a quienes se les asigna en forma alternada la preparación de un plato, en caso estén
disponibles, e inmediatamente empiezan la preparación del plato. Es decir, para completar
un pedido se puede requerir de uno o más cocineros. El tiempo (en minutos) que se requie-
re, para la preparación de un determinado plato, es variable y depende de la experiencia del
cocinero, tal como se muestra en el cuadro siguiente:
SANDRA GASTÓN TOSHIRO
PLATO 1 UNIF(3,4) UNIF(2,3) UNIF(3,5)
Se dispone de tres mozos para la atención de los clientes. Así, una vez listo el pedido,
se requiere de un mozo para que lo empaque y lo lleve al cliente correspondiente que
se encuentra en la zona de parqueo en espera de su pedido. El empaque y la entrega
demanda un tiempo equivalente a una distribución UNIF(1.5, 2) minutos, por cada
pedido. Finalmente, el cliente sale con su pedido de la zona de espera y se retira. Se
desea simular el sistema descrito durante una jornada de 8 horas.
Caso 9: Supermercados IncaMarket
INCAMARKET es un supermercado que se caracteriza por tener productos siempre fres-

cos, contar con expertos en tienda, tener un layout innovador y ofrecerle al cliente una
experiencia de compra gratificante. Atiende a sus clientes desde las 7 a.m., quienes arri-
ban al establecimiento de acuerdo a una distribución exponencial con una media variable,
dependiendo la hora en que se produce el arribo; véase el siguiente cuadro:
Intervalo Tiempo entre arribos

07 – 09 a.m. 2 min.
09 – 16 p.m. 1 min.
16 – 22 p.m. 1.5 min.
Al llegar el cliente, éste toma una canastilla o una carretilla y luego comienza su recorrido
por el establecimiento. La cantidad a comprar de cada cliente está uniformemente distri-
buida entre 1 y 12 artículos y le demanda un tiempo de selección de cada artículo que se
ajusta a una UNIF(0.5,1.5) minutos, además de un tiempo total de desplazamientos y
traslados que corresponde a una UNIF(5,10) minutos. Finalmente, sí el número de pro-
ductos comprados es igual o menor a 5, el cliente se dirige a cualquiera de las dos cajas
rápidas existentes, de lo contrario va a cualquiera de las dos cajas normales existentes.
Los clientes forman una sola cola frente a las cajas rápidas y una sola cola frente a las
cajas normales para ser atendidos en orden de llegada. Considere que el tiempo en caja
375
se ajusta a una NORM(0.5,0.05) minutos. La simulación terminará cuando salga el último

cliente del supermercado. Suponga que la selección de cada artículo a cada cliente le to-
ma el mismo tiempo.
Se pide:
1. Determinar el tiempo promedio de permanencia en el sistema para los clientes atendidos
por las “cajas rápidas”.
2. ¿Cuál es el aforo que usted consideraría para el establecimiento?
3. Suponga que el establecimiento abre una nueva sección. Los nuevos clientes arriban a
esta nueva sección, de acuerdo a una EXPO(6) minutos y compran 4, 5, 6 y 7 unidades
con probabilidades de 55%, 30%, 10% y 5%, respectivamente. Los tiempos de despla-
zamiento, selección del artículo y pago en caja se mantienen.
376
Capítulo 6
Modelado de sistemas
continuos y combinados
• Conceptos fundamentales
• Modelado de procesos de flujo
• Módulo Tank
• Módulos Seize Regulador y Release Regulador
• Módulo Flow
• Módulo Sensor
• Módulo Regulate
En la simulación discreta, las variables de estado del sistema
cambian de valor con la ocurrencia de eventos en el sistema;
mientras no ocurra un evento los valores de las variables per-
manecen constantes. En la simulación continua, el estado del
sistema está representado por variables dependientes que cam-
bian continuamente con el simple avance del tiempo; por ello,
el valor de estas variables se rige por una ecuación diferencial
en función del tiempo. En este capítulo se presentan las herra-
mientas de procesos de flujo del software Arena que nos permi-
tirán modelar este tipo de situaciones, así como la convergencia
de sistemas continuos con eventos discretos.
CAPÍTULO 6. MODELADO DE SISTEMAS CONTINUOS Y COMBINADOS
Capítulo 6
MODELADO DE SISTEMAS CONTINUOS Y

COMBINADOS
Consideremos una industria en la que el proceso de producción consiste en el ingreso

de diversos líquidos o ingredientes a un tanque, en donde se mezclan. Luego, el líqui-
do resultante es calentado y finalmente bombeado hacia un tanque de almacenamien-
to. En la situación descrita, lo que se desplaza a través del sistema no son las entida-
des discretas, sino más bien diversos flujos continuos que se envían de un lugar a otro
o se almacenan en tanques. Esto es un ejemplo de los llamados sistemas continuos.
1. CONCEPTOS FUNDAMENTALES
En un modelo de simulación discreta, las variables de estado del sistema cambian de

valor con la ocurrencia de eventos en el sistema; mientras no ocurra un evento los va-
lores de las variables permanecen constantes. En un modelo de simulación continua,
el estado del sistema está representado por variables dependientes que cambian con-
tinuamente con el simple avance del tiempo, por ello, el valor de estas variables se ri-
ge por una ecuación diferencial en función del tiempo.
Para simular el funcionamiento de un sistema continuo, podemos valernos de la ecua-

ción de Euler o también del método de Runge Kutta, que se basan en funciones de re-
currencia, en donde se estima un nuevo valor, con base en un valor anterior, encon-
trándose inicialmente el sistema en un estado con parámetros conocidos. A continua-
ción desarrollaremos la ecuación de Euler para el cálculo de la derivada de una función
y= F(x).
Dada la siguiente función:
Definimos dos puntos cualesquiera P1 y P2:
379
Trazamos un segmento de recta que pase por P1 y P2:
Aplicando el cálculo Infinitesimal:
Simplificando:
Aplicamos límite a m para obtener la función derivada:
Despejando f(x+Δx), obtenemos la ecuación de EULER:
donde:
f(x + Δx) = Función de Estado (evaluada en el punto actual)
f(x) = Función de Estado (evaluada en el punto anterior)
Δx = Incremento
f´(x) = Función Derivada (evaluada en el punto anterior)
380
Ejemplo 1: Simulación de una función matemática
Dada la función derivada f´(t) = 2t + 3, obtener su función primitiva. La variable inde-

pendiente es el tiempo y varía continuamente. Se sabe que f(t=0)=0.
Simular durante 50 minutos la función primitiva f(t), utilizando el método de Euler.

Considere incrementos de 1 minuto (Δt = 1).
Solución
Función derivada: f´(t) = 2t + 3
Obtenemos su función primitiva: ∫ (2t + 3)dt

f(t) = t2 + 3t + C
como f(0)= 0 ∴ C = 0 f(t) = t2 + 3t (Función teórica)
Ecuación de Euler: (Función simulada)
f(t) f´(t) f(t)

T Función simulada Función derivada Función teórica
f(t) + Δt*f´(t) 2t + 3 t2 + 3to
0 0** 2(0) + 3 = 3 0
Δt = 1
1 0 + 1(3) = 3 2(1) + 3 = 5 12 + 3(1) = 4o
2 3 + 1(5) = 8 2(2) + 3 = 7 22 + 3(2) = 10o
3 8 + 1(7) = 15 2(3) + 3 = 9 32 + 3(3) = 18o
Valores simulados versus Valores teóricos

** Dato del problema f(0)=0
Tomando para t = 0...50 y un incremento Δt = 1, tenemos:
381
Ejemplo 2: Simulación del funcionamiento de un tanque
Se tiene un tanque de 100 litros de capacidad, que posee una entrada por la que in-
gresa un líquido en forma continua, a razón de 10 lts/hr.; posee además una salida
por la que sale el líquido continuamente, a razón de 5 lts/hr.
10 Lts/hr.
Razón de entrada
5 Lts/hr.
Nivel inicial
50 Lts.
Razón de salida
A las 8:00 horas, el nivel inicial del tanque es de 50 litros. Modele en Arena el sistema
descrito, para determinar el volumen que tendrá el tanque a las 16:00 hrs.
Solución analítica:
Podemos monitorear paso a paso el cambio del volumen del tanque en el tiempo, por
ejemplo cada hora, ∴ Δt=1. Sin embargo, podemos estimar de manera analítica el vo-
lumen final del tanque después de 8 horas de funcionamiento.
En base a la ecuación de Euler:
formulamos la siguiente expresión:
Volumen final = Volumen inicial + (Δt) * (Razón de entrada – Razón de salida)
Razón de cambio
8:00 hrs: Volumen = 50 lts.
9:00 hrs: Volumen = 50 + (9hrs – 8hrs) * (10 - 5) = 55 lts.

. . .
. . .
. . .
16:00 hrs: VOLUMEN = 85 + (16hrs – 15hrs) * (10 - 5) = 90 lts.
Tiempo Estado
Respuesta: Al término de la simulación, después de 8 horas continuas de funciona-

miento del tanque, el volumen final será de 90 litros.
382
2. MODELADO DE PROCESOS DE FLUJO
El software Arena provee una plantilla denominada “Flow Process”, la cual utilizaremos
para modelar sistemas continuos y combinados.
2.1 Módulo TANK

Define una ubicación donde el material es depositado o retenido.
Tanque
Ejemplo:
Capacidad: 150 litros
10 lts/hr.
Nivel inicial
50 Lts. 5 lts/hr
Reguladores
Representación en Arena:
Reguladores
Son dispositivos o mecanismos que permiten el in-
greso de flujo al tanque o la salida de flujo del tan-
que; así, toda operación de ingreso/salida de flujo
debe realizarse a través de un regulador. Los regula-
dores de un tanque se declaran en el módulo TANK,
con sus correspondientes tasas de flujo asociadas.
383
2.2 Módulos: SEIZE REGULATOR Æ FLOW Æ y RELEASE REGULATOR

Cuando se crea un tanque, Arena crea un Recurso Regulador que permite definir una
entrada o salida del tanque y puede ser usado por solo una operación de flujo, en
un mismo tiempo. Al término de la operación, ingresar o extraer flujo, el recurso se
libera.
Ejemplo:
En la figura, el Regulador está representado por la manguera del surtidor de combusti-
ble, que podrá ser utilizado por un auto a la vez.
Cada auto solicita la manguera (Seize), luego se realiza el llenado (Flow) y, al termi-
nar, se libera el recurso regulador (Release).
2.3 Módulo FLOW

Este módulo es usado junto con el módulo Tank, para ejecutar operaciones de flujo,
ya sea ingresando flujo a un tanque (Add), extrayendo flujo de un tanque (Remove) o
transfiriendo flujo de tanque a tanque (Transfer).
384
Ejemplo:
Flow
Ingresa flujo al
tanque durante 8
horas continuas.
Tanque
Add / Remove / Transfer
Regulador a utilizar
asociado a la tasa de
entrada del flujo (es-
pecificado en el mó-
dulo Tank).
La entidad que ingresa al
módulo Flow permanecerá en
este hasta que se cumpla al-
guno de los siguientes indica-
dores:
• Cantidad especificada
• Tiempo especificado
• Señal especificada
Ejemplo:
Flow
Tanque
Extrae Flujo a la
tasa que está
vigente durante
la descarga.
Descargar un volumen
igual a UNIF(20,24).
385
Ejemplo:
Origen
Destino
FlowW
Tanque 1
Tanque 2
El tanque 2 recibirá un flujo del tanque 1

hasta que se produzca la señal 1. La
transferencia de flujo termina cuando se
detecta (mediante un sensor) que el
Tanque 1 quedó vacío. Este sensor es el
que envía la señal al módulo Flow.
2.4 Módulo SENSOR

Este módulo monitorea continuamente en el tiempo el nivel o volumen del elemento
contenido en un tanque; por lo tanto, puede detectar el cruce de algún nivel o volu-
men especificado, ya sea en una dirección de ascenso (positivo) o de descenso (nega-
tivo).
Ejemplo:
Nivel del tanque
que se desea de-
tectar.
El sensor puede habilitarse o

deshabilitarse aquí o durante
la simulación (por asignación
1/0) mediante la variable:
SENSORSTATE(sensorID)
Dirección de cruce
positivo. Detectará
cuando el tanque al-
cance un volumen de
850 en subida. Acción por realizar si se detecta la si-
tuación planteada. En el ejemplo, si de-
tecta que el nivel subió a 850 (tanque
lleno), entonces anula el flujo de ingre-
so al tanque.
386
Ejemplo:
A
A y B SON EQUIVALENTES
REGULATE
2.5 Módulo REGULATE

Este módulo puede ser usado para alterar la tasa de un regulador, también puede ser
usado para simular una acción que permita abrir una válvula o cerrar una válvula. Pro-
vee un control discreto para asignar el máximo ratio o tasa del regulador o regulado-
res definidos en los tanques. Existen tres formas de asignar valores o cambiar las ta-
sas de los reguladores:
• Mediante el módulo Tank, para asignarle un valor inicial a la tasa del regulador.
• Mediante el módulo Sensor, si se detecta determinado nivel, entonces se puede

tomar como acción, modificar la tasa del regulador.
• Mediante el módulo Regulate se puede cambiar la tasa, en forma dinámica en

el modelo, durante la simulación.
387
Ejemplo:
Ejemplo:
Ejemplo:
ReadWrite Regulate
El sensor detecta el instante en que el almacén queda vacío (0.5%), entonces escribe
la hora en un archivo externo “hora de detección”, esto sucede a las 360 horas. Segui-
damente, se reinicia el abastecimiento al almacén a razón de 500 kg/h.
388
1
Caso de estudio
Simulación de la variación del nivel del tanque

Objetivos:
o Modelado de sistemas continuos.
o Aplicación práctica de la plantilla Flow process (Tank, Seize Regulator, Flow, Release
Regulator, Sensor y Regulate) en el software Arena.
Se tiene un tanque de 100 litros de capacidad que posee una entrada por la que ingre-
sa un líquido en forma continua, a razón de 10 lts/hr.; posee, además, una salida por
la que sale el líquido continuamente, a razón de 5 lts/hr.
10 Lts/hr.
Razón de entrada
5 Lts/hr.
Nivel inicial
Razón de salida
50 Lts.
A las 8:00 horas, el nivel inicial del tanque es de 50 litros. Modele en Arena el sistema
descrito, para determinar el volumen que tendrá el tanque a las 16:00 horas.
Solución analítica
Podemos monitorear, paso a paso, el cambio en el tiempo, el volumen del tanque, por ejemplo cada hora, ∴
Δt=1. Sin embargo, podemos estimar de manera analítica el volumen final:
VOLUMEN FINAL = Volumen inicial + (Δt) * (Razón de Entrada – Razón de Salida)
Razón de cambio
8:00 hrs: Volumen = 50 lts.
.
. .
. . .
. . .
Tiempo
Respuesta: Después de 8 horas continuas, el volumen final del tanque será de 90 litros.
Escenario 1
Se desea simular el sistema durante 100 horas continuas y considerar lo siguiente: Si
el tanque se llena, entonces cerrar el ingreso del líquido; si el tanque queda vacío,
reanudar el ingreso del líquido. Se considera que el tanque está lleno cuando alcanza
los 95 litros, y está vacío cuando desciende a 5 litros.
Escenario 2
Respecto al Escenario 1, se desea regular el flujo de salida de la siguiente manera: a las 12
horas se aumenta el ratio de 5 a 7.5 lts/hr. y permanece con este durante 12 horas, luego
se restablece al flujo normal de salida (5 lts/hr.), finalmente el ciclo se repite. Simular du-
rante 100 horas continuas.
389
Solución
Flow
Flow
Interpretación del Reporte:
• Se cargaron 80 litros durante la

simulación.
• Se descargaron 40 litros du-
rante la simulación.
• Los niveles mínimo y máximo
del tanque se mantuvieron en-
tre 50 y 90 litros
• El nivel promedio del tanque fue
de 70 litros.
390
Escenario 1
Sensor Sensor
Flow Hold
Flow
La señal 99 del Flow es ficticia, es

decir nunca llegará. El efecto es
que la entidad se quedará siempre
en el módulo FLOW, extrayendo
flujo del tanque.
Interpretación del Reporte:

• Se cargaron 460 Lts. durante la simulación.
• Se descargaron 500 Lts. durante la Simulación.
• Los niveles mínimo y máximo del Tanque, se mantuvieron entre 5 y 95 Lts.
• El nivel promedio del tanque fue 51.6 Lts.
• La descarga fue mayor que la carga del tanque debido a que el flujo de entrada
fue intermitente.
391
Escenario 1 – Solución 2
Flow
Flow
Escenario 2
Delay Regulate Delay Regulate
Conclusiones:
• En este escenario se afecta al Flujo de

Salida, mientras que en el escenario an-
terior se afecta al Flujo de Entrada.
• Se cargaron 580 litros y se descargaron

620 litros durante la Simulación.
• La descarga fue mayor que la carga del

tanque debido a que el flujo de entrada
fue intermitente y el flujo de Salida au-
mentó en algunos intervalos, de 5 a 7.5
litros por hora.
392
2
Caso de estudio
Venta de un líquido a granel

Objetivos:
o Forma de sistemas combinados. Convergencia de sistemas continuos con eventos
discretos.
o Aplicación práctica de la plantilla Flow Process (Tank, Seize Regulator, Flow, Release
Regulator, Sensor y Regulate) del software Arena.
Una empresa abastece de un líquido para limpieza de muebles a sus clientes. Para ello
cuenta con un tanque para almacenar su producto, que tiene una capacidad de 100 li-
tros y una tasa de salida de 10 litros por minuto. Los clientes llegan a la empresa de
acuerdo a una distribución EXPO(5) minutos, para comprar una cantidad correspon-
diente a una TRIA(4, 6, 8) litros.
Tanque
Cap. 100 lts.

20 lts/min
Arribo de
clientes
10 lts/min
Despacho
Proceso de llenado del tanque

Es un proceso intermitente. El tanque se reabastece cuando el nivel desciende a 8 li-
tros o menos, entonces se abastece el tanque de líquido a una tasa de entrada de 20
litros por minuto; durante el proceso de llenado, cuando el nivel del tanque alcanza el
50% de su capacidad, entonces se disminuye la tasa de entrada a 15 litros por minu-
to. El abastecimiento se detiene cuando se llene el tanque.
Condiciones iniciales
Considere que al inicio el tanque está lleno, por lo tanto, el ratio de ingreso vigente es
la tasa normal, que corresponde a 20 lts/min.
Se pide:
1. Formular un modelo para simular el sistema descrito. Simule el sistema descrito du-
rante 120 horas continuas y obtenga estadísticas sobre los siguientes indicadores de
desempeño:
• Tiempo promedio de permanencia de los clientes en el sistema.

• Volumen mínimo, promedio y máximo del tanque durante la simulación.
• Volumen total del líquido que ingresó durante la simulación.
• Volumen total del líquido que se vendió durante la simulación.
• ¿Cuántas veces se llenó el tanque?
• Consumo promedio por cliente.
2. Intente resolver el caso por un método alternativo al modelo original.
393
Sensor Sensor
Solución
1.
REGULADORES
Seize
Regulator Flow Release
Regulator
Random(Expo)
5 Minutes
Proporciona
la tasa de
salida.
Sensor Flow
Proporciona
la tasa de
entrada. 2. Realizar los siguientes cambios:
• Eliminar Sensor: “Detecta tanque lleno”
• Cambiar la señal 1: del Flow “Llenar tanque”
por:
394
3
Caso de estudio
Funcionamiento de una moledora de maíz1

1 Objetivos:
Modelado de sistemas continuos. Aplicación práctica de la plantilla Flow Process (Tank,
Seizer Regulator, Flow, Release Regulator, Sensor y Regulate) del software Arena.
Considere una moledora de maíz conformada por una tolva (donde se pone el maíz en
grano), por una trituradora que muele el maíz y por una rampa que se usa para llenar
los costales con el maíz molido.
La tolva tiene una capacidad de 1.200 kilos. Se considera vacía cuando el nivel dismi-
nuye a 12 kilos o menos. El maíz ingresa a la trituradora con una velocidad de 20 ki-
los/minuto. La velocidad de la trituradora es de 20 kilos/minuto y es la velocidad con
que el maíz molido sale por la rampa.
El maíz molido es depositado en costales, que tienen una capacidad de 52 kilos/costal;

se considera que el costal está lleno cuando alcanza o sobrepasa los 50 kilos. Una vez
lleno el costal, se detiene la descarga de la tolva y se realiza el cambio de costales, es-
to demora un tiempo uniformemente distribuido entre 0.1 y 0.3 minutos.
Al inicio del proceso, la tolva está completamente llena y ya no se vuelve a recargar.
1. Formule un modelo adecuado a la situación descrita.
2. Simular el sistema hasta que la tolva quede vacía. Obtenga los siguientes indica-
dores de desempeño:
• El instante en que la tolva queda vacía.

• El número de costales completados.
• Nivel final de la tolva.
Escenario 1
Se investiga la posibilidad de que durante el cambio de costal no se detenga la descar-
ga de la tolva y el maíz molido caiga al suelo. Existe interés en saber si la cantidad de
maíz molido que cae al piso es significativo y cómo afecta a la cantidad de costales
completados. Realice los cambios necesarios al modelo original y dé sus conclusiones.
Escenario 2
Considere que la trituradora se traba en intervalos de tiempo uniformemente distri-
buidos entre 18 y 20 minutos, la operación para destrabarla tarda 15 minutos en pro-
medio. Durante el tiempo que la trituradora está trabada, no le ingresan granos de
maíz ni sale maíz molido. Simular hasta que la tolva quede vacía.
1
395
Solución
Flow
Delay
Método
alternativo
(2 tanques)
Flow
Delay Assign
396
Escenario 1
Crear un nuevo tanque, que

represente al piso.
Flow Flow
CONCLUSIONES:
• Caen 87.23 kilos de maíz molido al
suelo (7%).
• Como era de esperarse, el número
de costales llenos disminuye, pero
solo en una unidad.
Escenario 2
Regulate Delay Regulate Delay
DISPARA
FALLA
397
4
Caso de estudio
Venta de combustible en grifo2

Objetivos:
2 o Modelado de sistemas combinados.
o Aplicación práctica de los módulos Tank, Seiza Regulator, Flow, Release Regulator,
Sensor, Regulate, Módulo de datos Regulator Set.
Un grifo tiene un solo surtidor frente al cual esperan los vehículos para comprar com-
bustible; los autos son atendidos según orden de llegada, uno a la vez. El arribo de los
vehículos al grifo se produce en intervalos de tiempo de acuerdo a una distribución
EXPO(10) minutos. Cada vehículo compra una cantidad variable de combustible, se-
gún una distribución UNIF(10,20) galones, a un precio de S/.10/galón. Abrir el tanque
del auto toma un tiempo despreciable; cobrar y cerrar el tanque de combustible toma
un tiempo UNIF(1,3) minutos. El surtidor tiene un sistema que permite la salida del
combustible a una tasa de 5 galones/minuto.
El tanque del cual se abastece el surtidor tiene capacidad para 500 galones y al inicio
el tanque tiene combustible hasta la mitad. Cuando el tanque llega a tener 50 galones
o menos, se activa una señal que indica al encargado que debe detener la atención de
los vehículos y accionar una válvula que permite el ingreso de combustible al tanque
del surtidor, a razón de 25 galones/minuto, hasta completar su capacidad; se debe
realizar este procedimiento todas las veces que resulte necesario. Si la señal se activa
cuando un vehículo se encuentra recibiendo combustible, el abastecimiento al vehículo
se detiene momentáneamente y se reanudará cuando el tanque del surtidor alcance el
25% de su capacidad, mientras tanto el vehículo espera y no se retira.
Se desea simular el sistema durante 7 días; considere que el grifo atiende las 24 horas
continuamente. Determine los siguientes indicadores de desempeño:
• Tiempo promedio de los vehículos en el grifo.
• Cantidad total de galones vendidos y facturación semanal.
• Consumo promedio por vehículo.
• Número de veces que el tanque del surtidor tuvo que ser llenado.
• Tiempo promedio de espera de los vehículos y tamaño promedio de cola.
• Volumen del tanque del surtidor, al final de la simulación.
Escenario
Suponga que se desea simular el comportamiento del sistema considerando que se
pueden atender dos autos simultáneamente. Es decir, existen dos mangueras que se
utilizan en forma alternada. Considere la misma tasa de salida para ambos surtidores.
2
Enunciado tomado de Universidad de Lima, Escuela de Ingeniería. “Examen final 2005-0”.
398
Solución
Sensor Sensor
Seize
Release
Regulator Flow Delay Regulator
Sensor
Flow
Indicador Consumo Promedio

Alternativas para obtenerlo:
• Mediante un RECORD.
• A través de STATISTIC.
399
Solución alternativa: 2 tanques
Seize Regula- Release

tor Flow Delay Assign Regulator
400
Sensor
Escenario
Seize Regulator
Flow Release Regu-
Delay
lator
Antes Ahora
Conclusiones:
• Hubo mejoras significativas, sobre todo en la ges-

tión administrativa. Se mejoraron los indicadores
relativos a la calidad de atención al cliente.
• El tiempo que permanecen los clientes en el grifo
bajó en un 40%.
• Ahora el tiempo de espera en cola es 15 veces
menor.
401
5
Caso de estudio
Operación de un tanque alimentador de una refinería3
Objetivos:
3
o Simulación combinada. Convergencia de sistemas continuos con eventos discretos.
o Aplicación práctica de la plantilla Flow Process (Tank, Seize Regulator, Flow, Release
Regulator, Sensor y Regulate) del software Arena.
o Llenado de un tanque como “Discreto”, mediante la variable Tanklevel.
Una flota de 15 barcos petroleros transportan crudo desde un puerto venezolano has-
ta la refinería de La Pampilla. Dado el caso, los barcos podrían ser cargados simultá-
neamente en el puerto venezolano, si fuera necesario.
En La Pampilla existe solo un muelle de descarga, de tal forma que si coinciden en la

llegada dos o más barcos, estos deben esperar hasta que les corresponda su turno. El
barco que arribó al muelle debe descargar el crudo en un tanque de almacenamiento
a una velocidad constante de 300 mil barriles por día (mb/día). El muelle de descarga
está abierto desde las 6 a.m. hasta las 12 m. Consideraciones de seguridad exigen
detener la descarga del crudo cuando el muelle está cerrado.
• Flota: 15 barcos
• Capacidad nominal del barco: 150 mb.
• Nivel mínimo del barco: 5 mb. (vacío)
• Operación de carga: UNIF(2.9, 3.1) días
• Viaje con carga: NORM(5, 1.5) días
• Viaje sin carga: NORM(4, 1) días
3
402
El tanque de almacenamiento suministra el crudo a la refinería continuamente a través

de un oleoducto, a una tasa constante de 150 mb/día. El tanque de almacenamiento
tiene una capacidad de 2.000 mb, cuando se llena, la descarga del barco se detiene
hasta que la cantidad en el tanque disminuye al 80% de su capacidad. Cuando el tan-
que de almacenamiento está muy cerca de quedar vacío (menos de 5 mb), el suminis-
tro a la refinería se detiene hasta que se alcanza un nivel de 50 mb, con la finalidad de
evitar paradas y arranques frecuentes de la refinería.
Condiciones iniciales: El tanque está lleno en un 50% de su capacidad. Los barcos arriban
al puerto venezolano en intervalos de medio día, empezando a las 00:00 horas.
Simular el sistema descrito por 365 días y obtener los siguientes indicadores:
1. Duración promedio del viaje, ida y vuelta, de los petroleros (tiempo de ciclo).
2. Utilización de los muelles de carga y descarga.
3. Tiempo de espera de los petroleros, en el muelle, para realizar la descarga; can-
tidad de barcos esperando para descargar el crudo.
4. Duración promedio del proceso de carga.
5. Niveles medio, mínimo, máximo y final; flujo total que ingresó/salió en ambos
tanques.
6. Número de veces que quedó vacío el tanque de La Pampilla.
7. Duración promedio de la interrupción del abastecimiento a la refinería.
8. Modele los cambios para medir el tiempo total que no se abasteció a la refinería.
403
Refinería
S
O Petrolero Tanque
L
U 300 mb/día 150 mb/día
C Cap.: 2000 mb
I
Ó Cap.: 150 mb
N La Pampilla
Reguladores
Tank Tank
Sensores
Horario de trabajo: La Pampilla
404
Process
Proceso de carga: Venezuela Delay
PROCESO DE DESCARGA: La Pampilla
Seize Flow
Release Delay
Alimentación a refinería:
Flow Hold
Módulos de datos:
405
Indicadores de desempeño: 2. Utilización de los muelles:

1. Tiempo promedio
por viaje, ida y
vuelta de los barcos:
3. Tiempo de espera de los petroleros: 1.33 días barcos

Tamaño de cola para descargar crudo: 1.39 barcos.
4. Duración promedio del proceso de carga: 3 días.
5. Niveles de crudo en el tanque de almacenamiento:
6. Veces que quedó vacío el tanque:
7. Duración promedio de la interrupción del flujo a la refinería:
8. Tiempo sin abastecimiento del tanque a la refinería:

Flow Hold
406
6
Caso de estudio
Plan de aguas para vivienda4

Objetivos:
4
Seize Regulator, Flow, Release Regulator, Sensor y Regulate) del software Arena.
El sistema de agua de una vivienda consiste en una cisterna ubicada debajo del nivel del suelo de
la edificación, y un tanque elevado que alimenta a diferentes pisos. La cisterna tiene una capaci-
dad de 1.500 litros y el tanque elevado tiene una capacidad de 1.000 litros. Inicialmente la cister-
na tiene 1.000 litros y el tanque elevado 500 litros.
Tanque elevado
Vivienda
Tanque
El ingreso de agua a la cisterna se realiza mediante un flujo de 80 litros por hora y ocurre
cuando la cantidad de agua contenida en la cisterna disminuye a 80% de su capacidad; cuan-
do la cisterna se llena, el ingreso de agua cesa.
Una bomba hidroneumática se activa en el primer piso, enviando agua desde la cisterna hacia
el tanque elevado, a razón de 100 litros por hora cuando el tanque elevado disminuye a un
50% de su capacidad; cuando el tanque elevado se llena este acceso es cerrado.
El consumo de agua dentro de la vivienda ocurre en intervalos de tiempo distribuidos uni-

formemente entre 1.5 y 2 horas. Cada consumo dura un tiempo que está distribuido normal-
mente con media y desviación 0.2 y 0.01 horas, respectivamente. El flujo del consumo es de
60 litros por hora.
Formule un modelo para observar el comportamiento de este diseño. Ejecute el modelo para
30 días, iniciando la simulación un día lunes a las cero horas y determine:
• La cantidad de agua usada durante el período estudiado
• El número de veces que se activó la bomba hidroneumática.
Escenario
Por razones de seguridad, se debe evitar que la cisterna bombee agua al tanque elevado si su
contenido baja al 10% de su capacidad; el bombeo se restituirá cuando el nivel retome el
40% de su capacidad.
Considere que Sedapal, por razones de racionamiento, ha programado cortes de agua para el
próximo mes. La programación es: 2 días con agua y 4 días sin agua. La programación em-
pieza el lunes a las cero horas con agua. Realice los cambios al modelo original y determine:
• Las capacidades mínimas de la cisterna y del tanque elevado para que el sistema no sea
interrumpido por los cortes de agua.
4
407
Solución
Flow
Llenar cisterna
Flow
Abastecimiento de
cisterna a tanque
408
Flow Delay
Consumo de
vivienda
Run Setup
Solución alternativa:
Flow
Flow
Flow
409
Escenario:
Respecto a la solución alternativa anterior, efectuar los siguientes cambios:
Seize Release
Regulator Flow Regulator
stop
Flow
Seize Release
Regulator Regulator
Delay Signal Delay
Capacidad Mínima de la Cisterna y del Tanque: 4456.40 / 30 * 4 = 594 litros.
410
7
Caso de estudio
Llenado de una piscina5

Objetivos:
o Simulación continua. Aplicación práctica de la plantilla Flow Process (Tank, Flow,
5
Sensor y Regulate).
o Uso de la variable Tanklevel.
o Determinación de indicadores mediante el módulo Statistic.
El llenado de una pequeña piscina temperada en un condominio cerrado se realiza de

la manera siguiente. Existen una llave de alimentación de agua corriente y una llave
de alimentación de agua temperada proveniente de un sistema de tanque de calenta-
miento que utiliza carbón como combustible. La entrada de agua al tanque de calenta-
miento se produce a razón de 25 l/min y la salida hacia la piscina a razón de 30 l/min.
Mientras el tanque mantenga su contenido entre los 100 y 50 litros es seguro que la
temperatura del agua caliente que proporciona a la piscina es de 50 grados centigra-
dos. La salida del tanque de calentamiento se cierra cuando el nivel desciende a 50 li-
tros, en ese momento se abre la entrada de agua a este tanque, hasta completar los
100 litros. Cuando el tanque se llena, se cierra la llave de entrada y se abre nueva-
mente la de salida, y así sucesivamente. Se debe considerar que este tanque se inicia
lleno.
El agua corriente ingresa a razón de 10 l/min a la temperatura de 20 grados centigra-

dos, sin detenerse, hasta que el volumen del agua de la piscina alcance su capacidad,
correspondiente a 25.000 litros en total (tomando en cuenta tanto el agua fría como el
agua caliente). Es posible estimar la temperatura final calculándola como la tempera-
tura promedio del agua ingresada.
Se pide:
• Formular un modelo adecuado a la situación descrita.
• Determinar los siguientes indicadores. Justifique su respuesta.
1. Tiempo para el llenado de la piscina.
2. Temperatura final de la piscina.
3. Litros que ingresan por la línea de agua caliente desde el calentador a la pisci-
na.
4. Veces que se interrumpió la salida de agua del calentador hacia la piscina
Escenario
El carbón alimentado produce calor suficiente durante una hora 30 minutos, luego de
lo cual debe detenerse la entrada y la salida del agua del calentador durante un tiem-
po que se ajusta a una distribución uniforme entre 5 y 7 minutos, para recargar el car-
bón. Inmediatamente después se reanuda el proceso. Presente los cambios necesarios
a realizar en el modelo original. Presente el valor de los mismos indicadores de la pre-
gunta 2.
5
411
Solución 1
Piscina Calentador
Flow
Flow
La Señal 99 es ficticia,
nunca llegará.
Flow
412
Solución 2
Piscina Calentador
Flow
Calentador Calentador
100 FLOW 100
50 50
FLOW
Flow Flow
Escenario
Delay Regulate
413 Delay Regulate
8
Caso de estudio
Sistema de abastecimiento a planta industrial6

Objetivos:
6
Seize Regulator, Flow, Release Regulator, Sensor y Regulate) del software Arena.
Dos tanques están puestos de tal manera que aseguran el abastecimiento de un lí-
quido a una planta, véase figura:
El tanque A, cuya capacidad es de 6.000 galones, está más elevado y se abastece de

un líquido por una bomba, a razón de 1.000 gal/h. La bomba empieza a funcionar solo
si es necesario, es decir, si el tanque A tiene menos de 300 galones. Cuando el tanque
A se llena la bomba deja de funcionar.
El tanque B tiene una capacidad de 5.000 galones y se abastece del tanque A solo por
gravedad, a razón de 500 gal/h. Cuando se llena el tanque B se detiene el ingreso del
líquido y se reanuda al bajar a 3.500 galones, o menos, de su capacidad. Si el tanque
B llega al nivel mínimo de 250 galones, o menos, se deja de abastecer a la planta. Se
reanuda el abastecimiento cuando el tanque B está totalmente lleno.
La planta recibe continuamente desde el inicio, el líquido del tanque B, a razón de 550
gal/hr, salvo que esté vacío. Al inicio, ambos tanques tienen 4.000 galones. Se pide:
• Simular el sistema descrito durante 3.000 horas.

• ¿Cuál fue el volumen promedio y final de los tanques? ¿Cuál fue la cantidad total que
ingresó y salió de cada tanque?
• Determine el tiempo promedio que se requiere para llenar el tanque A.
Escenario
Suponga que el tanque B también recibe un líquido 2, desde el inicio, por medio de
una bomba, a razón de 800 gal/h de una fuente de abastecimiento infinita. Se debe
controlar que el tanque B no esté lleno para que la bomba pueda abastecerlo del líqui-
do 2. Cuando este se llena, se debe esperar hasta que baje a 3.500 galones y recién
reanudar el bombeo del líquido 2.
Realice los cambios necesarios al modelo original y determine los mismos indicadores
del escenario original.
6
Enunciado tomado de Universidad de Lima, Escuela de Ingeniería. “Examen Final 2003-2”.
414
Solución
Flow
Flow
Flow Hold
Escenario
Flow Hold
415
9
Caso de estudio
Campaña de Navidad7
Objetivos:
o Modelado de sistemas combinados, convergencia de sistemas continuos con eventos
7
discretos.
o Aplicación las herramientas Flow Process del software Arena (Tank, Seize Regulator,
Flow, Release Regulator, Sensor y Regulate).
o Llenado de un tanque en forma discreta, mediante la variable Tank Level.
Una empresa produce artículos de perfumería; diariamente se empacan 580 docenas

de un producto. El proceso se inicia con la llegada de “kits”, cada uno con los compo-
nentes de un producto, que serán empacados en un estuche. Los estuches se trans-
portan en una faja hacia la zona de embalaje, donde son colocados en un contenedor.
Cada minuto, los kits llegan a la zona de empaque en grupos de 12. Para lograr un es-
tuche un operario tarda un tiempo que se ajusta a una UNIF(0.75, 1) minutos; se dis-
pone de 12 operarios. Luego, el estuche se envía a la zona de embalaje, mediante una
faja transportadora cuya capacidad es de 200 estuches. Cuando la faja se llena el ope-
rario queda inactivo y debe esperar hasta que exista espacio.
En el otro extremo de la faja se realiza la operación de embalaje. Un operario recibe

cada estuche y lo coloca en un contenedor. Se dispone de dos operarios, que trabajan
uno a la vez en forma alternada, el primero trabaja durante una hora a razón de 12
estuches/minuto, luego lo reemplaza el otro operario que realiza el trabajo a razón de
13 estuches/minuto, durante una hora, luego el ciclo se repite; el tiempo de cambio
de operario se estima en 2 minutos.
El proceso de embalaje empieza a los 10 minutos de iniciada la producción. Despreciar

el tiempo que la faja tarda en llevar un estuche, desde empaque hasta embalaje. La
producción concluye cuando se haya terminado con la cantidad fija establecida para el
día.
Se pide:
Formular un modelo de simulación y obtener los siguientes indicadores de desempeño:
1. El tiempo que duró la jornada para cumplir con el lote de producción.
2. El número promedio de estuches en proceso durante el día simulado.
3. El número de veces que los operarios tuvieron que esperar porque la faja sa-
turó su capacidad.
4. Los niveles mínimo, máximo y promedio de estuches que contiene la faja du-
rante el día simulado.
5. Sobre la base de los resultados obtenidos sugiera qué capacidad debe tener la
faja. Justifique su respuesta.
7
416
Solución
Unidades
Faja terminadas
Cargar faja:
Process Hold
Release
Name Type Expression

1 NIVEL FINAL FAJA Output TankLevel(FAJA)
2 FINAL DE LA SIMULACIÓN Output TNOW
3 NIVEL PROMEDIO DE FAJA Output CAVG(FAJA. Level )
Descargar faja: 4 NIVEL MINIMO FAJA Output CMIN(FAJA. Level )
5 NIVEL MAXIMO FAJA Output CMAX(FAJA.Level)
–
Flow Flow
Delay Delay
417
10
Caso de estudio
Sistema de suministro de agua en edificio8

Objetivos:
o Modelado de sistemas combinados, convergencia de sistemas continuos con eventos
8
discretos. Modelado de sistemas combinados, convergencia de sistemas continuos con
eventos discretos.
o Conjunto de reguladores: Regulator set.
o Llenado de un tanque en forma discreta, mediante la variable Tanklevel.
El tanque elevado de un edificio para vivienda multifamiliar distribuye agua para todos
los departamentos, desde un tanque ubicado en el último piso. El tanque elevado de
2.500 litros recibe agua de una cisterna subterránea de 5.000 litros, que recibe el sumi-
nistro de agua de la red pública. El edificio tiene 4 pisos y en cada uno habita una fami-
lia. Los consumos de agua ocurren en intervalos de tiempo distribuidos exponencialmen-
te con media de 15 minutos.
Tanque
TANQUE
elevado
ELEVADO
Flujos de consumo de agua
Flujo
Piso
litros/minuto
1 15
2 12
3 8
4 5
Å Suministro público
Bomba
Cisterna
Cada consumo proviene en forma aleatoria de cualquiera de los cuatro pisos y pueden
coincidir consumos simultáneos.
El tiempo estimado de cada consumo se distribuye en forma normal con una media de
10 y una desviación de 2 minutos. El agua de la red pública ingresa a la cisterna con un
flujo de 15 litros/minuto. La cisterna tiene una bomba que alimenta al tanque de agua
con un flujo de 30 l/min. La bomba se activa cuando el nivel de tanque de agua dismi-
nuye al 40% de su capacidad; se desactiva cuando el tanque elevado queda lleno. El in-
greso de agua a la cisterna se activa cuando el nivel de la cisterna disminuye al 50% de
su capacidad; se desactiva cuando la cisterna se llena. Considerar arbitrariamente que
el nivel inicial de la cisterna es de 1.000 litros y el del tanque de 1.500 litros.
Se pide:
Formular un modelo y simular el funcionamiento del sistema descrito por 30 días. Obte-
ner los siguientes indicadores de desempeño:
1. Determine la cantidad de solicitudes de agua por piso.

2. Determine el consumo promedio de agua por piso.
8
418
Solución 1: CON SET REGULATORS
Seize Release
Flow
Regulator Regulator
Nota:
La expresión Disc
(módulo Assign), ge-
nera números aleato-
rios discretos entre 1 SENSOR
y 4, que representan
el PISO que solicita el
consumo. Así, la pro-
babilidad que tiene ca-
da piso es de 0.25.
Flow Hold
Sensor
Hold Flow
419
Estadísticas:
1. Número de solicitudes por piso:
2. Consumo promedio por piso:
420
Solución 2: Sin Set Regulators
Piso?
Flow Hold
Hold Flow
421
11
Caso de estudio
Control de calidad en línea de producción9

Objetivos:
9 o Modelado de sistemas continuos.
o Disminución del nivel de un Tanque en forma Discreta, mediante la variable Tanklevel.
o Aplicación práctica del módulo de datos (avanzado) Expression.
Una línea de producción coloca su producto terminado a una velocidad de 10 unid./min.,

en una faja circular. En la banda derecha de la faja circular están ubicados 5 operarios
para realizar el control de calidad de cada producto terminado. El contenido de la faja cir-
cular permite siempre que cada operario pueda retirar una unidad y hacerle el control de
calidad, para luego ubicarla en una zona de empaque (véase gráfico). El tiempo de este
control dependerá de la experiencia de la persona, tal como lo muestra la siguiente tabla.
Velocidad línea de producción Capacidad faja circular: 100 unidades

10 unid./min.
Tiempo
Trabajador
Minuto/unidad
1 Expo(0.5)
2 Expo(0.6)
3 Expo(0.7)
4 Expo(0.8)
5 Expo(0.9)
La velocidad de la faja circular permite despreciar el tiempo que tarda una unidad de pro-
ducto terminado para llegar a la ubicación del trabajador. Si la unidad no es tomada por
ninguno de los 5 trabajadores, seguirá circulando en la faja.
La capacidad de la faja circular es para 100 unidades; si la faja circular se llena, se debe
parar la línea de producción. Cuando baje al 70% de su capacidad, la producción de la lí-
nea se reanuda. Inicialmente la faja circular está llena.
Se pide:
Simular el sistema descrito durante 1.200 minutos y determinar los siguientes indicadores
de desempeño:
• Cuántas unidades han pasado el control de calidad.
• Nivel mínimo, promedio y máximo de unidades en la faja circular.
• Número de veces que paró la línea de producción y cuántos minutos en promedio
tuvo que esperar para reanudar su producción.
Escenario
Por mantenimiento de la línea de producción esta tiene que parar cada 400 minutos de
operación por un tiempo que oscila uniformemente entre 12 y 16 minutos. La considera-
ción de que la faja nunca se queda vacía ya no es más valida. Simular por 1.200 minutos.
9
Enunciado tomado de Universidad de Lima. Escuela de Ingeniería. “Práctica integrada 2007-2”.
422
Solución
Nota: En la solución siguiente, se modela la faja circular (FAJA)
como un tanque, cuyo contenido siempre estará disponible para
cualquiera de los trabajadores.
10
unid./min.
Máx: 100 unid.
Delay
Hold Flow
Escenario:
Durante los 1200 minutos simulados hubo dos paradas de la Línea de Producción por mantenimiento (cada 400 minutos). La cantidad de
productos inspeccionados bajó a 8959 unid., no bajó mucho porque 423 si bien paró la línea, los operarios continuaron inspeccionando mien-
tras hubo unidades en faja. En este escenario, al colocar un sensor (FAJA VACÍA) se supo que solo una vez quedó la faja vacía.
12
Caso de estudio
Empresa envasadora de GLP10

Objetivos:
10 o Modelado de sistemas continuos. Alterar nivel de un tanque en forma discreta me-
diante la variable Tanklevel.
o Aplicación del módulo de datos avanzado Expression.
o Módulo de datos avanzado Statistic.
Una empresa envasadora de balones de gas doméstico desea analizar el manejo de sus
inventarios y el nivel de servicio que ofrece. La empresa tiene un tanque de almacena-
miento de 5.000 galones de GLP. La demanda de balones de gas para distribuidores mino-
ristas, al inicio del día, varía con un comportamiento distribuido uniformemente entre 50 y
70 balones domésticos de 10 galones cada uno.
En la planta trabajan tres operarios dedicados exclusivamente a cumplir una tarea específica.
El primero inspecciona balones, el segundo los llena y ubica en una zona de espera y el ter-
cero los acomoda en un camión distribuidor. El primer operario toma un tiempo distribuido
triangularmente con valores 0.2, 0.5 y 1 minuto por cada balón de gas. El balón pasa poste-
riormente a una línea de llenado que trabaja con el segundo operario utilizando una válvula
que alimenta al balón vacío con un ratio de 20 gal/min. Cambiar un balón lleno por uno vacío
y colocarlo en la zona de espera demora un tiempo distribuido en forma uniforme entre 10 y
15 segundos. Cuando el pedido está completo, el tercer operario coloca en el camión distri-
buidor los balones, demorándose un tiempo distribuido en forma triangular con valores 20, 25
y 30 minutos para colocar todo el pedido en el camión distribuidor. El camión puede trasladar
hasta 80 balones domésticos. Un camión distribuye los balones llenos una vez que el camión
esté cargado. El tiempo de recorrido es proporcional a la cantidad de balones que se van a
distribuir, tomando como referencia que distribuir un camión totalmente cargado de balones
(80 balones) demora un tiempo distribuido en forma uniforme entre 6 y 8 horas. La distri-
bución se inicia cuando el pedido se completa y hay un camión disponible. Considere que el
tanque de almacenamiento está inicialmente lleno.
1. Dado que no existe restricción en la disponibilidad de envases, modele el trabajo de la

envasadora de gas hasta completar seis días continuos de trabajo.
2. ¿Cuántos balones de gas se llenaron durante los seis días de trabajo?
3. Presente el volumen promedio de descarga diaria del tanque de almacenamiento.
4. Presente el tiempo promedio de trabajo para un pedido diario.
5. Determine en cuántos días se descargaría el tanque en la empresa.
Escenario
Considere que un camión cisterna que transporta GLP, con capacidad uniforme entre
2.800 y 3.200 galones, reabastece al tanque de almacenamiento. La política es efectuar
una solicitud de reabastecimiento cuando el nivel del tanque está a la mitad de contenido.
Cada reabastecimiento se completa cuando el volumen del tanque se llena o cuando el ca-
mión se descargue totalmente, lo que ocurra primero. El tiempo para atender una solicitud
de reabastecimiento es entre 1 y 2 días con distribución uniforme. El ratio de llenado del
tanque de almacenamiento es de 40 gal/min. La empresa mantiene su política de reparto
con un solo camión de 80 balones. Simule este escenario para 30 días de trabajo.
10
424
Solución
Generar demanda
Separate
Inspección y llenado
Process Seize Flow
1 2
Cambio de balón
Batch
Delay Release
2 3
425
Cargar camión
Process
Delay
NOTA: El colchón de seguridad

(8 días) se determinó cambiando
el Max Arrivals del Create por
“Infinite” y en RUN/SetUp la
condición:
TankLevel(TANQUE) <= 0
Escenario
FLOW
DELAY
Estadísticas
426
13
Caso de estudio
Estación de llenado de bidones de agua11

Objetivos:
o Modelado de sistemas combinados.
11
o Aplicación práctica de los módulos: Tank, Seize Regulator, Flow, Release Regulator y
Regulate del software Arena.
o Determinación de indicadores con el módulo Statistic.
Una empresa embotelladora tiene una línea de agua de mesa con una presentación de bi-
dones de 25 litros. El responsable de producción desea analizar el trabajo en la estación
de llenado. Los bidones vacíos vienen de un proceso previo de etiquetado con un tiempo
entre arribos distribuido exponencialmente con media 0.75 minutos.
Los bidones llegan uno detrás de otro a una máquina automática que llena el bidón entre
24 y 25 litros (uniforme) con una válvula que hace ingresar el agua a 40 litros por minuto.
Luego de ser llenado, el bidón se envía a un almacén.
Se pide:
Modelar el trabajo de la estación de llenado considerando que todos los bidones que in-
gresan a la estación, dentro del tiempo de un turno de 7.5 horas efectivas, deben salir de
la estación llenos. Simular solo un turno de trabajo.
1. Presente el volumen promedio por bidón.

2. Presente la cantidad de bidones llenados.
3. Presente el cálculo de la cantidad de minutos adicionales al término del turno que tra-
bajó la estación.
Escenario
Respecto al escenario original, suponga que la máquina de llenado de bidones requiere el
ajuste de una pieza luego de haber llenado una cantidad de bidones distribuida uniforme-
mente entre 30 y 40 bidones. El tiempo de ajuste de la pieza en la máquina demora un
tiempo distribuido triangularmente con valores 1, 2 y 3 minutos. Luego de ese tiempo de
ajuste, la estación de llenado reanuda su labor.
4. Realice los cambios al modelo original y presente la cantidad de veces que se realiza el
ajuste de la máquina y la cantidad de minutos adicionales al término del turno que tra-
bajó la estación.
11
427
Solución 1
Seize
Regulator
Nota: No es recomendable modelar

el tanque de la máquina automática
como un TANQUE con capacidad in-
finita, ya que se tendrá problemas
debido a la cantidad de entidades
en sistema, que soporta la versión
estudiantil.
Solución 2: Sin utilizar tanques

Process
428
Escenario: Solución 1
Respecto a la
Solución 1 Original
Seize
Regulator
Agregar contador de
bidones llenados
Agregar el siguiente Seize Release

segmento: Hold Regulator Delay Regulator
Escenario: Solución 2 Respecto a la

Solución 2 original
PROCESS
Delay
429
Escenario: Solución 3
Respecto a la
Solución 1 Original
Seize
Flow Release
Regulator
Regulator
Batch
Regulate Delay Regulate
Agregar este
segmento
430
Final de capítulo
Casos propuestos
Caso 1: La bebida del sabor
Una pequeña empresa embotelladora produce y embotella una bebida de gran deman-
da en la zona sur. En su planta de producción posee un tanque de 1.000 litros de ca-
pacidad.
La empresa emplea dos saborizantes: X e Y, que en diferentes cantidades se diluyen

en agua tratada, generando un ritmo constante de ingreso al tanque de 300 litros por
hora. Este ingreso es constante durante 2 horas, luego se hace una pausa de 30 minu-
tos para preparar la mezcla, después el flujo se reanuda y el ciclo se repite.
El tanque alimenta a la embotelladora a un ritmo de 350 litros por hora. Por cuestio-
nes técnicas se deben controlar los niveles máximo (1.000 litros) y mínimo (0 litros).
Considere que se reanuda el proceso de alimentación al embotellado, cuando el nivel
sube a 250 litros y se reanuda el ingreso de los saborizantes cuando el nivel baja a
750 litros.
La capacidad de cada botella es de 3.5 litros, estas se embotellan y se tapan una por
una. El tiempo para cambio de botella es una distribución normal con una media de
0.01 horas y una desviación estándar de 0.001 horas, después la botella se pone en
una caja con capacidad para 6 botellas y luego se almacena. Despreciar el tiempo de
colocar una botella en la caja y llevarla al almacén.
Condiciones iniciales:
El volumen actual del tanque es de 500 litros y existe una cantidad suficiente de bote-
llas para soportar todo el proceso.
Se pide:
Simular el sistema descrito durante 24 horas continuas.
431
Caso 2: Producción de vidrio plano12
La compañía VPP produce vidrio plano y transparente en hojas rectangulares; el uso

principal es para ventanas de viviendas. La fábrica trabaja a tres turnos diarios, de lu-
nes a domingo.
La materia prima principal del vidrio es la sílice (o arena cuarzosa); sin embargo, la
mezcla que ingresa al horno para fundirse tiene otros componentes que entran en me-
nores proporciones. La planta de producción posee un horno de fusión, el cual funcio-
na en forma continua durante todo el año y por cinco años consecutivos. Al cabo de
dicho tiempo, el horno se apaga por un mínimo de dos meses, para cambiar refracta-
rios y realizar mantenimiento. Luego de este corto período, el horno se prende nueva-
mente y permanecerá así por cinco años más.
Recepción de materias primas

Las materias primas provienen de diversos lugares, por ejemplo, de Llocllapampa en
Junín, otras, como el carbonato de sodio y el sulfato sódico, son importadas, aunque
la mayoría son nacionales.
En la recepción se controla sobre todo el peso de la materia prima. Por ejemplo, en el

caso de la arena, se pesa primero el camión con carga y luego sin carga; lo que se re-
gistra es la diferencia. Las materias primas se reciben en los almacenes externos, y en
el caso de la arena esta es apilada en un terreno, a la intemperie.
Materias primas
El balance de materia nos indica la relación entre las materias primas que ingresan al
horno y el vidrio que se produce. En este sentido, para producir 100 kilos de vidrio, los
pesos y porcentajes de las materias primas son los siguientes:
Componentes Peso (kg) (%) Aporte

1 Arena cuarzosa 68.08 55.3 Vitrificante, contiene la sílice: SiO2
2 Carbonato de sodio 22.57 18.3 Fundente: Na2CO3
3 Feldespato 7.22 5.9 Estabilizador, contiene la alúmina: Al2O3
4 Carbonato de calcio 2.43 1.9 Estabilizador, contiene la caliza: CO3Ca
5 Dolomita 19.40 15.8 Estabilizador, CO3Ca y CO3Mg
6 Sulfato sódico 3.40 2.8 Afinante Na2SO4
Total 123.10 100
A esta mezcla pura o batch se debe incluir un 30% de cullet (vidrio reciclado y chanca-
do), cuya fusión no tiene pérdida de materia. Así, cada batch que ingresa al horno
de fusión contiene 175.86 kilos de mezcla, de los cuales, 52.76 kilos corresponden al
cullet.
12
TORRES VEGA, P. J. “Estudio de factibilidad del mercado e ingeniería del proyecto para la implementa-
ción de una fábrica de vidrios planos Sistema Pitsburg”. Tesis para optar el título de ingeniero industrial.
Universidad de Lima, 1983.
432
Componentes Frecuencia de entregas Inventarios iniciales

(horas) (ton)
1 Arena cuarzosa UNFRM(2,3) 1000
2 Carbonato de sodio UNFRM(4,5) 2910
3 Feldespato UNFRM(11,13) 400
4 Carbonato de calcio UNFRM(22,26) 102
5 Dolomita UNFRM(4,5) 800
6 Sulfato sódico UNFRM(22,26) 600
7 Cullet Cuando baja a 96 t se repone a 168 168
Cada camión que llega a la planta descarga en promedio de acuerdo a una UNIF(3.5,
4.5) toneladas para cualquier materia prima.
Acondicionado de las materias primas
Todas las materias primas deben ser acondicionadas antes de enviarse a sus silos de
almacenamiento. La arena, por lo general, llega con una humedad promedio de 7% y
debe pasar por una secadora en la que se logra una humedad máxima del 3%, que es
lo permisible. Considere que la arena es transportada por una faja en su trayecto ha-
cia el silo de almacenamiento y que es en un tramo de este en que se realiza la ope-
ración de secado. Luego ingresa al silo 1 a razón de 3 ton/hora.
En el caso del cullet, este debe ser triturado antes de ser almacenado en el silo co-
rrespondiente. En un turno de 8 horas se pueden triturar hasta 72 toneladas de cullet.
Luego mediante una faja ingresa al silo 7 a razón de 4 ton/hora.
Al igual que en los casos de la arena y el cullet el resto de materias primas también se
acondicionan durante el trayecto hacia los silos (2…6), a los cuales ingresarán a razón
de 1 ton/hora.
Almacenaje de las materias primas
Una vez acondicionadas las materias primas estas se trasladan a los silos de almace-
namiento. Cada una de las siete materias primas, incluyendo el cullet, posee un silo
exclusivo, cuya capacidad es de 23 toneladas. Dado que la producción de vidrio es
continua, se debe asegurar la alimentación al horno de fusión; no debe existir la posi-
bilidad de que en algún instante queden vacíos. Considere un stock mínimo en cada si-
lo de m.p., correspondiente a 18 toneladas.
Efectuar todas las mediciones, con una tolerancia de 100 kilos. Cuando un silo de ma-
teria prima completa su capacidad, se debe detener el abastecimiento a este, es decir
que todo el proceso anterior se detiene.
Pesado de las materias primas
Para formar la mezcla o el batch los silos llenan recipientes de volúmenes variables. El
volumen de cada recipiente ha sido diseñado tomando como base el porcentaje en pe-
so con que entra en el batch. Llenos estos recipientes, se ingresan a la mezcladora.
Para llenar los recipientes, se abren los 7 silos simultáneamente y dado que son de di-
433
ferente tamaño, se llenan en diferentes tiempos, pero al cabo de un minuto todos es-
tán llenos y listos. Inmediatamente se depositan en la mezcladora, donde se juntan y
mezclan durante 2 minutos.
Terminado este proceso, el batch es depositado en el elevador de cangilones para su

almacenaje en la tolva de alimentación del horno de fusión; el elevador descarga la
mezcla en la tolva, a razón de 5 ton/hr.
Tolva de alimentación al horno de fusión
Esta tolva está ubicada justo en la entrada del horno y tiene una capacidad de 23 to-
neladas. Por razones técnicas, nunca baja a menos de 18 toneladas; en todo caso, si
quedase vacía, se reanudará el abastecimiento al horno al alcanzar una tonelada. La
tolva descarga la mezcla al horno a razón de 4 ton/hr.
Horno de fusión
Trabaja con una serie de quemadores ubicados en los pórticos en los costados del hor-
no, que se prenden en forma alternada. El horno tiene una capacidad de 40 toneladas
y nunca debe bajar a menos de 36 toneladas.
La mezcla se funde en el horno a 1.800°F; la lámina de vidrio es estirada verticalmen-

te y guiada por un labio refractario (sumergido 15 cm); este determina su espesor.
Jalado de la hoja de vidrio
El ascenso de la lámina lo soportan 32 pares de rodillos en un recorrido de 15 metros

en el que atraviesan diversas estaciones, donde se regulan las temperaturas de tem-
plado. En el último piso, la hoja es cortada y apilada en soportes móviles, que luego
se bajan por ascensor hacia el almacén. La producción de vidrio es a razón de 3.3
ton/hr.
Condiciones iniciales:
• El sistema ya está produciendo vidrio y se encuentra estable.

• Los camiones comienzan a llegar con las materias primas desde el primer instante,
excepto el cullet.
• Todos los silos de materia prima contienen 12 toneladas cada uno, incluso el cullet.
• Se inicia la descarga de los silos de materia prima a los recipientes.
• Se inicia el mezclado de un batch.
• El elevador que alimenta a la tolva contiene media tonelada.
• La tolva que alimenta el horno de fusión contiene 20 toneladas.
• El horno de fusión contiene 38 toneladas.
434
Se pide:
1. Simular el sistema descrito durante 7 días; se desea llevar a cabo un experimento
de simulación para evaluar el riesgo operativo generado por:
• Incumplimiento en el abastecimiento de materias primas.
• Falla de la mezcladora o del elevador.
2. Determine los siguientes indicadores:

• La cantidad de veces que la mezcladora detiene su producción.
• ¿Cuántas horas estuvo detenida la mezcladora durante la semana simulada?
Escenario 113
Se desea incorporar al modelo la verdadera forma como el proceso productivo genera
el cullet. En el momento de cortar las planchas de vidrio producidas, se genera un 5%
de chatarra de vidrio o desperdicios, esto se denomina cullet. Esta chatarra se va
acumulando para abastecer a la chancadora en el momento en que tiene que preparar
un lote de 72 toneladas de cullet. Si no alcanzara la cantidad de chatarra acumulada,
la diferencia tiene que abastecerse del producto terminado, es decir, se procede a
romper cierta cantidad de hojas de vidrio, hasta completar el requerimiento.
• Modele los cambios a su modelo original.

• Determine la cantidad de veces que se tuvo que recurrir al producto terminado,
para completar el abastecimiento de chatarra.
• Determine el inventario promedio y el inventario máximo de chatarra, durante la
semana simulada.
Escenario 2
Se recibe un aviso sobre la existencia de un problema grave en el abastecimiento de
carbonato de calcio. La gerencia ordena usar el modelo para determinar cuanto tiempo
pasaría produciendo el vidrio, sin recibir este componente. El proceso de producción se
tiene que detener obligatoriamente si el contenido del horno baja a 24 toneladas. Este
límite se usa en caso de emergencias como la actual. El proceso normal del horno si-
gue siendo entre 36 y 40 toneladas. La idea de consumir todo lo existente de este
componente, detener la mezcladora cuando se quede vacío el silo correspondiente,
dejar de llenar la tolva cuando el elevador se quede vacío y determinar en qué mo-
mento el horno baja su contenido a 24 toneladas, deteniendo la producción de vidrio.
• Incorpore a su modelo original las modificaciones que requiere su modelo para

efectuar la medición solicitada
• Efectuar una corrida al modelo y contestar las siguientes preguntas:
1. ¿Cuántas horas transcurrirían hasta que tenga que detenerse la producción?

2. Observando el resultado obtenido, los inventarios iniciales de los seis componen
tes y los consumos respectivos, ¿cree usted que el proceso productivo está prote-
gido equilibradamente entre los seis componentes, en cuanto al riesgo operacional
por abastecimiento?
13
Los escenarios 1 y 2 han sido tomados de Universidad de Lima, Escuela de Ingeniería. “Examen final
2005-2”.
435
F
PRODUCCIÓN DE
L
U
J
O
VIDRIO PLANO
C
O
N
T
I
N
U
O
XX[1]
FLUJO CONTINUO
377
Caso 3: Simulación del tráfico, enfoque macroscópico.
En el cruce de dos avenidas existe un semáforo para controlar el tráfico; se desea si-
mular como un flujo, la dinámica de los vehículos que van en la dirección A y los que
van en la dirección B. El semáforo se inicia con luz verde para los vehículos de la di-
rección A y con luz roja para los de la dirección B; luego de tres minutos cambia a luz
roja para los de A y ahora la luz verde la tienen los de B, luego el ciclo se repite en
forma alternada. Los tiempos entre arribos de los vehículos se ajusta a una distribu-
ción EXPO(15) segundos y una EXPO(10) segundos para los vehículos de A y B, res-
pectivamente.
Suponga que al inicio hay 20 vehículos en la dirección A, mientras que en B no hay

ninguno. Se ha determinado que durante la luz verde el tráfico en la dirección A fluye
a razón de 600 vehículos por hora, mientras que en B la tasa es de 800 vehículos por
hora.
1. Formule un modelo para simular la situación descrita y ejecútelo durante 24 horas.
2. Determine la cantidad máxima de vehículos en A y en B, que se encuentran frente

al semáforo en un determinado instante.
3. ¿Cuántos vehículos circularon por cada dirección durante la simulación?
4. Determine el tiempo promedio de espera de los vehículos, en cada dirección.
Escenario
Suponga que durante la luz roja para los vehículos de la dirección B, una cantidad de
entre 1 y 5 vehículos, uniformemente distribuidos, optan por interrumpir la espera y
se desvían por una calle alterna.
5. Determine si esta situación afecta al número promedio de vehículos en espera.
437
Anexos
1. Modelo teórico de colas
2. Funciones y variables
en Arena
3. Tablas estadísticas
4. Redes de Petri
ANEXO 1. MODELO TEÓRICO DE COLAS
Anexo 1
MODELO TEÓRICO DE COLAS

(Aspectos básicos)
Un problema de colas o líneas de espera se produce cuando la demanda de un servicio

supera la capacidad de proporcionar dicho servicio. En este modelo, el sistema está
compuesto por servidores que realizan el servicio y por las entidades que arriban al
sistema para obtener dicho servicio. Dependiendo del sistema que se trate, las entida-
des pueden ser clientes, piezas, autos, barcos, etcétera. Mientras que los servidores
pueden ser cajeros, máquinas, semáforos, grúas, operarios, etcétera.
Tanto los arribos de las entidades al sistema como el tiempo de servicio son fenóme-
nos que generalmente tienen asociadas fuentes de variación que se encuentran fuera
de control del tomador de decisiones, de tal manera que se requiere de la utilización
de modelos estocásticos que permiten el estudio de este tipo de sistemas.
Ejemplos:
• Los clientes de un Banco que esperan en cola por un servicio.
• El arribo de lotes de productos a una estación de trabajo para ser procesados.
• Las llamadas telefónicas que ingresan a una oficina para ser atendidas.
• Órdenes de compra generadas por el departamento de ventas que arriban a la

planta para su producción.
• Reportes de equipos descompuestos que ingresan a la oficina para ser atendidos.
441
Clasificaciones:
Finita
• Tamaño de la población
Infinita
1 cola
• Cantidad de colas
Varias colas
1 servidor
• Cantidad de servidores
Varios servidores
Modelo básico: 1 cola con 1 servidor (población infinita)
Posee los siguientes elementos:
1. Cantidad de entidades en el sistema

La cantidad de entidades que están recibiendo el servicio actualmente, así como las
que están esperando.
2. Número de entidades en cola

La cantidad de entidades que están esperando por el servicio
3. Tiempo de espera
Lapso que media entre el momento en que una entidad ingresa al sistema y el mo-
mento en que sale.
4. Tiempo de espera en la cola

Tiempo que media entre el momento que la entidad ingresa al sistema y el co-
mienzo del servicio.
442
Tasa promedio de llegadas (λ)
En adelante, a cada llegada la llamaremos tarea. Dado que no se conoce con certeza
el lapso entre dos llegadas, necesitamos especificar para él una distribución de proba-
bilidad. La distribución exponencial (llamada también exponencial negativa) proporcio-
na una representación razonable del proceso de llegada en gran número de situacio-
nes en los campos de producción y servicios.
La distribución exponencial queda especificada mediante un parámetro. Este paráme-

tro λ es la tasa media de llegadas que se presenta en un período dado.
Ejemplo:
λ = 0.05 tareas/minuto, un promedio de cinco céntimos de tarea llega cada minuto.
1/λ = 1/0.05 = 20 minutos, en promedio llega una tarea cada 20 minutos.
Otra distribución utilizada es la Poisson, debido a la relación que existe entre ambas.
Si el lapso de llegadas tiene una distribución exponencial, entonces el número de lle-
gadas en un intervalo de tiempo específico tiene una distribución de Poisson.
Tiempo promedio de Servicio (μ)
Es el tiempo medio que dura la terminación de una tarea; se maneja también median-
te la distribución exponencial, cuyo parámetro en este caso llamaremos μ, que repre-
senta la tasa promedio de servicio expresado en tareas/minuto.
Ejemplos:
μ = 0.10 tareas/minuto, en promedio se atiende un décimo de tarea cada minuto.
1/μ = 1/0.10 = 10 minutos, el tiempo promedio de servicio de una tarea es de 10
minutos.
Suposiciones del modelo básico
• Las fórmulas que se utilizarán para este modelo básico se basan en que λ < μ.
Si no se cumple esta condición el número de personas en la cola aumentaría sin lí-
mite.
Suponga que λ = 0.25 y μ = 0.10 entonces en promedio llegarán personas a la cola cada 4 mi-
nutos y, en promedio, se atenderá una tarea cada 10 minutos. Entonces la operación de servicio
quedaría rezagada conforme avance el tiempo y la línea de espera seguirá creciendo.
443
• Para el modelo se considera un estado estacionario, es decir que la probabilidad de

que se observe una cierta cantidad de personas (digamos 4) en el sistema no de-
pende del momento en el que se cuenten. Cuando se ha alcanzado un estado esta-
cionario la probabilidad de que haya, por ejemplo, cuatro personas en el sistema
será la misma a las 8.00 a.m. que a las 2.00 p.m.
• Tamaño de la línea de espera

No hay límite para el número de tareas que pueden esperar en la línea, es decir
que la capacidad de la cola es infinita.
• Criterios de atención por el servidor

Las tareas son atendidas sobre la base de que el primero en llegar es el primero en
ser atendido (FIFO). Es decir, se atenderá en el mismo orden en el que las tareas
lleguen a la cola.
• Horizonte de tiempo
El sistema funciona en forma continua y tiende al infinito.
Características de operación
λ L: Número promedio de tareas que se encuentran en el

L= sistema (los que están siendo atendidos más los que
μ −λ
están esperando).
λ ⎛λ⎞ Lq: Número promedio de tareas en la cola o línea de

Lq = ⎜ ⎟
μ − λ ⎜⎝ μ ⎟⎠ espera (tamaño de cola).
1 W: Tiempo promedio de permanencia total de una ta-

W= rea en el sistema, incluye la duración del servicio
μ −λ (expresado en minutos).
1 ⎛λ⎞ Wq: Tiempo promedio de demora o espera de una tarea

Wq = ⎜ ⎟
μ − λ ⎜⎝ μ ⎟⎠
en la cola, antes de ser atendida (expresado en mi-
nutos).
⎛λ⎞ P0: Probabilidad de que el sistema esté vacío.

P0 = 1 − ⎜⎜ ⎟⎟
⎝μ⎠
444
De las ecuaciones anteriores se obtiene:
1
L = λW Lq = λWq L = Wq +
μ
Ejemplo:
En la oficina administrativa de una empresa se dispone de una máquina fotocopiadora,
a esta oficina los usuarios llegan de acuerdo a una distribución exponencial y se ubi-
can junto a la máquina formando una cola. Cada uno usa la máquina para realizar una
tarea específica al llegar su turno. Estos trabajos varían desde obtener una copia de
una página hasta sacar 100 copias de un informe de 25 páginas.
La empresa labora durante 8 horas diaria y los estudios realizados indican que el tiem-
po promedio de llegada entre las tareas es de 20 minutos. El tiempo promedio en el
que se termina una tarea se ajusta a una distribución exponencial y es de 10 minutos.
Determinemos algunos indicadores:
a) Tasa promedio de llegadas:
1/λ = 20 ∴ λ = 0.05 tareas/minuto
b) Tasa promedio de servicio:
1/μ = 10 ∴ μ = 0.10 tareas/minuto
c) ¿El caso corresponde al modelo λ < μ o al modelo λ > μ ?
Corresponde al modelo λ < μ ya que 0.05 < 0.10
d) Cantidad esperada de clientes en el sistema:
λ 0.05
L= = = 1 persona o tarea
μ −λ 0.10 − 0.05
e) Cantidad esperada en la cola:
λ2 0.0025
Lq = = = 0.5 personas
μ ( μ − λ ) 0.10(0.10 − 0.05)
445
f) Tiempo promedio de permanencia en el sistema (desde que llega hasta que sa-
le del sistema)
1 1
W= = = 20 minutos
μ − λ 0.10 − 0.05
g) Demora promedio en la línea de espera:
λ 0.05
Wq = = = 10 minutos
μ ( μ − λ ) 0.10(0.10 − 0.05)
h) ¿Cuál es la probabilidad de que el sistema esté vacío?
λ 0.05
P0 = 1 − =1− = 0.5
μ 0.10
La probabilidad de que el sistema esté vacío es del 50%.
i) ¿Cuál es la probabilidad de que el servidor esté ocupado?
λ 0.05
P0 = = = 0.5
μ 0.10
La probabilidad de que el servidor esté ocupado es del 50%.
j) Promedio total de llegadas al día:
(0.05) (8) (60) = 24 tareas/día en promedio.
k) ¿Cuántas horas en total se consumen por este servicio?
⎛ llegadas ⎞ ⎛ llegadas ⎞⎛ min ⎞

Total = ⎜ 24 ⎟W = ⎜ 24 ⎟⎜⎜ 20 ⎟ = 480. min = 8.horas
⎝ día ⎠ ⎝ día ⎠⎝ llegada ⎟⎠
l) ¿Cuál es la probabilidad de que haya un cliente en el sistema?
⎛ λ ⎞⎛ λ ⎞
P1 = ⎜⎜1 − ⎟⎟⎜⎜ ⎟⎟ = (0.5)(0.5) = 0.25
⎝ μ ⎠⎝ μ ⎠
446
m) ¿Cuál es la probabilidad de que haya 2 clientes en el sistema?
2
⎛ λ ⎞⎛ λ ⎞
P2 = ⎜⎜1 − ⎟⎟⎜⎜ ⎟⎟ = (0.5)(0.5) 2 = 0.125
⎝ μ ⎠⎝ μ ⎠
n) ¿Cuál es la probabilidad de que haya n clientes en el sistema?
n
⎛ λ ⎞⎛ λ ⎞
Pn = ⎜⎜1 − ⎟⎟⎜⎜ ⎟⎟
⎝ μ ⎠⎝ μ ⎠
o) ¿Cuál es la probabilidad de que haya un cliente en cola?
La probabilidad de que haya un cliente en cola es igual a la probabilidad de que

haya 2 en el sistema:
2
⎛ λ ⎞⎛ λ ⎞
P2 = ⎜⎜1 − ⎟⎟⎜⎜ ⎟⎟ = (0.5)(0.5) 2 = 0.125
⎝ μ ⎠⎝ μ ⎠
p) ¿Cuál es la probabilidad de que haya n clientes en cola?
n +1
⎛ λ ⎞⎛ λ ⎞
P(n) = Pn +1 = ⎜⎜1 − ⎟⎟⎜⎜ ⎟⎟
⎝ μ ⎠⎝ μ ⎠
q) ¿Cuál es la probabilidad de tener n o más clientes en el sistema?
P( x >= n) = Pn + Pn +1 + Pn + 2 + Pn +3 + ...........
= 1 − [P0 + P1 + P2 + P3 + ............. + Pn +1 ]
⎡⎛ λ ⎞ ⎛ λ ⎞⎛ λ ⎞1 ⎛ λ ⎞⎛ λ ⎞ 2 ⎛ λ ⎞⎛ λ ⎞ ⎤
n +1
= 1 − ⎢⎜⎜1 − ⎟⎟ + ⎜⎜1 − ⎟⎟⎜⎜ ⎟⎟ + ⎜⎜1 − ⎟⎟⎜⎜ ⎟⎟ + ........... + ⎜⎜1 − ⎟⎟⎜⎜ ⎟⎟ ⎥

⎢⎣⎝ μ ⎠ ⎝ μ ⎠⎝ μ ⎠ ⎝ μ ⎠⎝ μ ⎠ ⎝ μ ⎠⎝ μ ⎠ ⎥⎦
n
⎛λ⎞
= ⎜⎜ ⎟⎟
⎝μ⎠
447
Variante del modelo básico: 2 colas, 2 servidores en serie y población infinita
Arribos
Fin
Cola 2
Cola 1
Servidor 2
Servidor 1
Analicemos los componentes de este modelo:
Servidor 1 Servidor 2
Cola 1 μ1 Cola 2 μ2
λ
λ λ ⎛λ⎞
L= Lq = ⎜ ⎟
μ −λ μ − λ ⎜⎝ μ ⎟⎠
1
W= 1 ⎛λ⎞
μ −λ Wq = ⎜ ⎟
μ − λ ⎜⎝ μ ⎟⎠
448
ANEXO 2. FUNCIONES Y VARIABLES EN ARENA
Anexo 2
FUNCIONES Y VARIABLES EN ARENA

(Resumen)
Principales funciones matemáticas
• ABS(val)
Retorno el valor absoluto del argumento.
• MX (val 1, val 2,…, val i)
Retorna el valor máximo de una lista. Ejemplo: MX(UNIF(2,5), NORM(4,0.5))
• MN (val 1, val 2,…, val i)

Retorna el valor mínimo de una lista.
• AINT(Expresión)
Trunca la parte decimal de un número real. Ejemplo: AINT (UNIF(15,25))
La expresión UNIF(15,25) es una distribución uniforme continua y genera números
reales, con intervalo abierto en el extremo derecho, tal que: 15.0 ≤ X < 25.0, al an-
teponer la función AINT esta trunca la parte decimal de dicho número real, quedan-
do este como un valor entero, tal que: 15 ≤ X < 25, es decir la variable toma va-
lores enteros entre 15 y 24.
• ANINT(Expresión)
Aproxima un número real al entero superior. Ejemplo: ANINT (UNIF(15,25))
La expresión UNIF(15,25) es una distribución uniforme continua con intervalo
abierto en el extremo derecho, que genera números reales, tal que: 15.0≤X<25.0.
Al anteponer la función ANINT se aproxima dicho número real al próximo valor en-
tero superior tal que: 15≤ X ≤25, es decir la variable toma valores enteros entre 15
y 25.
• AMOD(val1, val2)
Retorna el resto real de: (val1 - AINT (val1/val2)*val2)
• MOD(val1, val2)
Retorna el resto entero, similar al AMOD, excepto que los argumentos primero son
truncados a valores enteros.
• DISC (PROB1, TIPO1, PROB1+PROB2, TIPO2,………, PROB. ACUMULADA, TIPOi)

La función “DISC” asigna, en forma aleatoria, un valor a un atributo de acuerdo a la
probabilidad especificada. Para el ejemplo, se asigna el valor 1 o 2 al atributo TIPO,
proporcionalmente según un 85% y 15%, respectivamente. Ejemplo:
En este ejemplo se representa la lle-

gada de clientes al cine. El 20% llega
solo, el 50% llega en pareja y el 30%
llega en grupo de 4 personas.
449
Principales atributos de Arena
• Entity Type
Ejemplo: Módulo Assign: Entity Type, PIEZA A
Cada entidad que pase por el módulo Assign guardará en el atributo Entity Type el
tipo que diferencia a esa entidad de las otras.
• Entity.SerialNumber
Ejemplo: Módulo Assign: Attribute, NUM SERIE, Entity.SerialNumber
Cada vez que se crea una entidad por el módulo Create se genera un atributo Enti-
ty.SerialNumber, cuyo valor es único. En el ejemplo, este valor único se guarda en
un atributo NUM SERIE, para poder identificarlo posteriormente.
• Entity.CreateTime
Ejemplo: Módulo Assign: Attribute, HORA ARRIBO, Entity.CreateTime
Cada vez que se crea una entidad por el módulo Create se genera un atributo Enti-
ty.CreateTime, cuyo valor corresponde a la hora en que fue creada. En el ejemplo,
este valor único se guarda en un atributo llamado hora de arribo, posteriormente
este atributo será utilizado en el módulo Record para calcular el tiempo de perma-
nencia en sistema.
• Entity.WaitTime
Ejemplo: Módulo Record: Type: Count; Value: Entity.WaitTime == 0
El módulo Record contará aquellas entidades cuyo tiempo de espera es cero.
• Entity Picture
Ejemplo: Módulo Assign: Entity Picture, Picture.Red Ball
Cada entidad que pase por el módulo Assign, cambiará el icono que tiene por el
asignado, es decir por la bola roja (red ball).
Principales variables de Arena
Variables de control de tiempo:

• TNOW
Retorna el tiempo transcurrido de simulación, se actualiza cada vez que se produce
un evento.
• TFIN
Representa la hora final programada de la ejecución de la simulación.
Variable de cola de espera:

• NQ (Queue ID)
Retorna el número de entidades en cola. Ejemplo: NQ (CAJERO1.Queue) <= 3
Suponga que esta expresión se evalúa en el módulo Decide. Si esta es verdadera la
entidad ingresa a la cola del cajero 1, de lo contrario se dirige al cajero 2.
Variable de Miembros de Entidad Grupo:

• NG: Evalúa el tamaño de la Entidad Grupo que ingresa al módulo Dropoff.
450
• NSYM(Nombre del símbolo)

La variable NSYM retorna un valor entero que corresponde al símbolo del argu-
mento.
• SAG(Número del atributo)
La variable SAG suma los atributos de las entidades dentro de una Entidad Grupo;
suma los valores del número del atributo que nos interesa. Para identificar qué nú-
mero le corresponde a nuestro atributo de interés, se utiliza previamente la función
NSYM. Ejemplo: SAG ( NSYM (peso))
Variables de recursos:
• MR(Recurso)
Retorna la capacidad actual del recurso. Ejemplo: MR(CAJEROS).
• NR(Recurso)
Retorna el número de recursos ocupados. Ejemplo: NR (CAJEROS)
La disponibilidad de recursos se obtiene mediante la expresión:
MR(CAJEROS)- NR (CAJEROS)
• ResUtil(Recurso)
Retorna la utilización del recurso, es decir, la relación MR(recurso)/NR(Recurso)
Ejemplo: ResSeizes(CAJEROS)
• ResSeizes(Recurso)
Retorna el número de recursos que vienen siendo utilizados en ese momento.
Ejemplo: ResSeizes(CAJEROS)
• ResourceState(Número del recurso)

Retorna el estado actual del recurso:
1: Idle_Res (ocioso), cuando todas las unidades del recurso están desocupadas y
no se encuentra en estado “Failed” (falla) o en estado “Inactive” (inactivo).
-2: Busy_Res (ocupado), cuando una o más unidades del recurso están ocupadas.
-3: Inactive_Res (inactivo), cuando el recurso tiene capacidad cero y no está en
estado “Failed” (falla).
-4: Failed_Res (falla), cuando el recurso tiene una falla que imposibilita su utiliza-
ción.
Variables de estadística de conteo:

• NC(counter ID): valor de conteo. Cada vez que ocurre un conteo el valor de la va-
riable NC es cambiado por el valor específico.
Variables persistentes en el tiempo (Dstat)

• DAVG(Dstat ID):
Valor promedio de los valores registrados en la replicación de la expresión definida
• DMAX(Dstat ID): Valor máximo.
• DMIN(Dstat ID): Valor mínimo
• DSTD(Dstat ID): Desviación estándar.
451
Variables de estadísticas por observaciones (Tally)

• TAVG(Tally ID): Valor promedio
• TMAX(Tally ID): Valor máximo
• TMIN(Tally ID): Valor mínimo
• TNUM(Tally ID): Número de observaciones
• TSTD(Tally ID): Desviación estándar
• THALF(Tally ID): Half-Width al 95% de nivel de confianza alrededor del valor de la
media.
Variable índice
• Variable J
Se utiliza en el módulo Search, para guardar el índice de la entidad buscada. Luego
este índice será utilizado por el módulo remove.
Variables persistentes en el tiempo (Cstat)

CAVG(Cstat ID): Valor promedio de la expresión Cstat
CMAX(Cstat ID): Valor máximo de la expresión durante la replicación
CMIN(Cstat ID): Valor mínimo de la expresión durante la replicación
CSTD(Cstat ID): Desviación estándar de los valores registrados de la expresión
Variables de procesos de flujo
• TankCapacity(Tank ID)
Capacidad del tanque. Es asignable
• TankLevel(Tank ID)
Retorna el nivel actual del tanque del material en el tanque. Es asignable
• TankNetRate(Tank ID)
Retorna el ratio neto del tanque. Es positivo si el nivel del tanque es incrementado,
en caso contrario es negativo.
• TankQtyAdded(Tank ID)
Retorna la cantidad total del material adicionada en el tanque.
• TankQtyRemoved(Tank ID)
Retorna la cantidad total del material que es removida en el tanque.
• RegulatorMaxRate(Regulador ID)
Retorna el máximo ratio de flujo permitido a través del regulador. Es asignable.
• RegulatorState(Regulador ID).
Retorna el estado del regulador:
1: adicionando
-1: removiendo
0: no en uso
• RegulatorRate(Regulador ID)
Retorna el ratio actual de flujo a través del regulador
• RegulatorQtyAdded(Regulador ID)
Retorna la cantidad total de material adicionada usando el regulador
452
• RegulatorQtyRemoved(Regulador ID)
Retorna la cantidad total de material removido usando el regulador
• RegulatorTank(Regulador ID)
Retorna el número del tanque con que el regulador está asociado
• FlowRate(Source Regulador ID, Destination Regulador ID)
Ratio del flujo entre reguladores:
> 0 , si existe flujo del regulador fuente al regulador destino
= 0 , no existe flujo entre reguladores
< 0 , si existe flujo del regulador destino al regulador fuente
• SensorState(Sensor ID)
Retorna el estado del sensor (1=no disponible, 0=disponible)
• SensorTank(Sensor ID)
Retorna el número del tanque con que el sensor está asociado.
Variables de módulos básicos
Existen otros tipos de variables que son creadas en forma automática por los iconos
del panel de módulos básicos. Estas variables toman el mismo nombre del módulo que
las crea más una extensión que las distingue.
Módulo Variables
Create Nombre.NumberOut
Process Nombre.NumberIn
Nombre.NumberOut
Nombre.WIP
Nombre.WaitTime
Nombre.NVATime
Nombre.VATime
Nombre.TranTime
Nombre.OtherTime
Nombre.WaitCost
Nombre.NVACost
Nombre.VACost
Nombre.TranCost
Nombre.OtherCost
Decide Nombre.NumberOutTrue
Nombre.NumberOutFalse
Assign Nombre.NumberOut
Batch Nombre.NumberOut
Separate Nombre.NumberOutOrig
Nombre.NumberOutDup
Record Nombre.NumberOut
Dispose Nombre.NumberOut
453
Anexo 3
TABLAS ESTADÍSTICAS
454
ANEXO 3. TABLAS ESTADÍSTICAS
455
Anexo 4
REDES DE PETRI
Las redes de Petri* representan una teoría matemática, una herramienta gráfica apli-
cada en el diseño de sistemas distribuidos discretos. La formulación de esta teoría fue
presentada por el científico alemán Carl Adam Petri.
Los modelos de eventos discretos se basan fundamentalmente en los conceptos de

evento y actividad. Un evento genera un cambio en las variables de estado y una ac-
tividad encapsula lo que sucede entre dos eventos. Las redes de Petri permiten repre-
sentar de forma natural un modelo de eventos discretos; los eventos están asociados
a transiciones y las actividades a lugares. Aunque no es el único formalismo que ma-
neja eventos y actividades, es el único que representa formalmente el paralelismo y
la sincronización.
Matemáticamente, una red de Petri puede definirse a partir de la siguiente tupla (se-
cuencia ordenada de objetos) de cinco elementos:
RdP = (P, T, F, W, M0)

donde:
P = {P1, P2, …,Pnp} es un conjunto finito no vacío de lugares

T = {T1, T2, …,Tnt} es un conjunto finito no vacío de transiciones
A= {A1, A2,…,Ana} es un conjunto de arcos. Es subconjunto del producto de todos
los nodos P y T.
W: Ai Æ {1, 2, 3,…} ∀ Ai: peso asociado a cada arco.
Mi:Pi Æ {1, 2, 3,…} ∀ Pi: número de marcas iniciales en cada nodo tipo lugar.
(marcado inicial)
Elementos de un modelo de Petri:
1. Entidades
• Entidades temporales, son las que describen los objetos que fluyen y se proce-
san en el sistema; estos se crean y se destruyen durante la simulación. Ejemplo
las piezas que fluyen por una planta de producción, o los clientes que hacen cola
para recibir un servicio.
• Entidades permanentes, representan a los recursos, son los medios con los que
se pueden ejecutar las actividades. Ejemplo las máquinas, o los operarios en
una industria.
2. Atributos
Son los elementos que caracterizan a las entidades (ejemplo: tipo, hora de arribo,
tiempo de ejecución de la operación, etc.). En el formalismo de las Redes de Petri,
estos se representan por medio de los colores.
* Basado en GUASCH, A.; Modelado y simulación. Aplicación a procesos logísticos de fabricación y servi-
cios, 2003.
456
3. Actividades
Representan a las tareas, operaciones o, en general, acciones que se deben reali-
zar en el sistema. Su duración (proceso estocástico) es un aspecto importante y
debe conocerse. Una actividad se inicia cuando una entidad temporal está disponi-
ble para ser procesada y una entidad permanente (recursos) está libre.
4. Eventos
Las variables de estado, en un modelo de eventos discretos, cambian de valor en
instantes de tiempo asociados a la aparición de un evento; así, un evento define
una acción instantánea (que no consume tiempo) y cambia el valor de una variable
de estado del sistema.
• Eventos condicionados, para que se activen es necesario que se cumplan una o

más condiciones. Son los ligados a transiciones con más de un arco de entrada.
• Eventos no condicionados, son los que están programados para su ejecución y
que no dependen de condiciones.
Los eventos también se clasifican en endógenos y exógenos. Los primeros son cau-
sados por condiciones en el modelo, por ejemplo el término de una tarea. Los exó-
genos son eventos externos al modelo, por ejemplo la llegada al sistema de una
pieza.
El estado del sistema, así como el estado de cada una de las entidades (atributos)
cambian sus valores con la presencia de los eventos. Esta característica es la que
permite a los simuladores avanzar el tiempo de simulación y gestionar los eventos
de tal modo que la evolución de los valores de las variables de estado describan el
comportamiento del sistema en estudio.
5. Colas
Son las estructuras que están conformadas por entidades temporales, ordenadas
en forma lógica. Ejemplo clientes en espera por un servicio de atención, ubicados
de acuerdo al orden de llegada. Las entidades en cola sufren un retardo de dura-
ción indeterminada. En las Redes de Petri no aparecen las colas de forma explícita,
sin embargo aquellos lugares (Pi) ocupados por entidades temporales podrían re-
presentar las colas de espera.
Transición sensibilizada:
Una transición está sensibilizada cuando sus lugares de origen están marcados; las
transiciones disparan inmediatamente después de la sensibilización. Veamos la si-
guiente figura:
P1
T1
P2
457
Ejemplo:
Considere la llegada de piezas a una planta para realizar un proceso simple mediante
una operación de maquinado en una estación de trabajo compuesta por tres máqui-
nas. En caso las máquinas estén ocupadas, las piezas esperarán su turno en una cola
FIFO (First in First out). Una vez procesadas, las piezas son llevadas al almacén.
Consideremos:
Ti: Conjunto de nodos tipo Transición
Pj: Conjunto de nodos tipo lugar (Place)
Mk: Conjunto de marcas en un instante dado (Estado del sistema). Las marcas
que representan a las entidades temporales (piezas) fluyen a través de los recur-
sos del sistema, y desaparecen cuando salen de este. En cambio, las marcas que
representan las entidades permanentes (máquinas) siempre están en la red.
La red de Petri para nuestro ejemplo se muestra a continuación:
Actividad
T2 T3
T1 P3 P4
P1
Recursos P2
T1: Arribos de piezas (Evento no condicionado y externo)

El evento asociado a esta transición provoca la llagada de piezas al modelo.
P1: Piezas en cola (Entidades temporales)

T2: Inicio de la actividad maquinado (Evento condicionado e interno)
El evento asociado a esta transición provoca el inicio de la actividad. Este evento
no está condicionado, ya que cuando se inicia la actividad se planifica el tiempo
de finalización.
P2: Máquinas libres, son los recursos disponibles. Si hay una pieza lista para ser pro-
cesada y hay una máquina libre, entonces se inicia la actividad.
P3: Pieza(s) en proceso.

T3: Fin de la actividad maquinado (Evento no condicionado)
P4: piezas procesadas
En la red anterior, después de la transición T1 o después e la transición T3, se evalua-

rá si se puede ejecutar el evento condicionado T2
458
Las variables de estado permanecen constantes entre eventos (el estado del sistema
permanece constante entre los instantes), y su valor tan solo puede cambiarse como
efecto de la aparición de un evento.
Principales estructuras de la RdP:
1. Secuencia:
Refleja la dependencia causal
éntrelos eventos. La transición
T2 solo puede ser disparada
P1 P2 P3 después de activarse la transi-
T1 T2
ción T1.
2. Decisión:
P1
Las transiciones T1, T2 y T3 es-
tán todas habilitadas para su
disparo. No obstante, el disparo
de una de ellas supone la des-
habilitación del resto.
T1 T2 T3
3. Concurrencia: P3
T3 Las transiciones T1, T2 y T3 son
concurrentes. La concurrencia
P2 es uno de los conceptos más
T4 T2 importantes que encontramos
en los procesos dinámicos de
P1 interés.
T1
4. Sincronización:
P3 La transición T1 no se pude
disparar hasta que no se tenga
T1 una marca en el lugar P1.
P2 P4 Ejemplo cuando se está a la
espera de un recurso; también
en procesos de ensamble en los
que se requiere de todos los
P1
componentes para ejecutar la
operación.
459
5. Agrupación:
Las marcas que llegan por dife-

T1
rentes caminos (transiciones T1,
T2 y T3) se agrupan en el lugar
P1. Por ejemplo cuando produc-
T2
T4 tos procedentes de diferentes
líneas, son inspeccionados por
P1
el mismo ingeniero.
T3
6. Inhibición
P2 Se observa un caso especial de arco, con un
circulito como terminal, denominado de
T1
inhibición. Este no permite la transición de
T1 cuando P1 tiene una o más marcas (en
función del peso del arco. Así, su efecto es
P4 el contrario al de los arcos anteriores. Por
ejemplo, se utiliza para priorizar unas tran-
P1 siciones frente a otras.
Ejemplo:
Observe el modelo siguiente de recursos compartidos:
T4 T4
P3 P3
P1 P1
P2 T3 P2
T3 T3
En la figura se observa que si P2 y P3 En la figura se observa cómo se re-

tienen más de una entidad (marca), suelve el conflicto anterior incluyendo
entonces ambas compiten para capturar el arco inhibidor (P2, T4) que indica
el recurso P1 cuando esté libre. En este que la transición T4 está inhibida
caso no hay prioridades. siempre que se tengan marcas en P2.
460
Ilustraciones*
1. Construya una red de Petri para especificar el funcionamiento de una máquina ex-
pendedora de bebidas. La misma tiene un depósito de bebidas con una cierta carga
inicial, y un depósito de monedas el cual inicialmente se encuentra vacío.
Cuando se le ingresa una moneda y hay bebidas, la máquina entrega una bebida y
almacena la moneda en el depósito correspondiente. ¿Cómo modelaría la situación de
que cuando no hay más bebidas la máquina retorne la moneda?
Salida de
Solución: monedas
P3
Ingresa Depósito
moneda provisorio Depósito de
T2
monedas
T1 P1
P4
T3 Salida de
bebidas bebidas
P2 P5
2. Existen pequeñas diferencias entre los sistemas de luces de tránsito en diferentes

países. Por ejemplo, el sistema de luces alemán tiene una fase extra en su ciclo. Las
luces no cambian repentinamente de rojo a verde sino que antes de pasar al verde
enciende la luz verde junto con la luz ambar.
Construya una red de Petri que se comporte como el sistema de luces de tránsito
alemán. Asegúrese que la red no permita transiciones que no son posibles.
Solución: Luz Verde
Luz Roja T1 P2 T2 Luz Verde
P4
P1
Luz Ambar
P3
Luz Ambar T3
T4 P5
* Ilustraciones tomadas de Salvati C., Cofre L. y Suárez F. Teoría de Redes de Petri, 2006
461
3. Construya una red de Petri para especificar el funcionamiento de un sistema de

control de barreras de un paso a nivel. Cuando un tren se acerca, éste es detectado
por un sensor que ocasiona que se baje la barrera del paso a nivel. Cuando se aleja el
tren, es detectado por otro sensor que ocasiona que se eleve la barrera. Si la barrera
está elevada, los vehículos que lleguen al paso a nivel pueden pasar a través de él, en
caso contrario deben esperar hasta que la barrera sea levantada.
Verifique que el modelo construido no permita la situación en la que la barrera se en-
cuentre alta, arribe un tren y un vehículo, y se le dé el paso al vehículo antes de bajar
la barrera. Construya una red de Petri para especificar el funcionamiento de un siste-
ma de control de barreras de un paso a nivel.
Solución:
T5
Autos
por cruzar
Autos que
T6 cruzaron
P7
Barrera alta P8
P3
Barrera
T2 baja T3 Sensor
B
P5
P4
Tren Sensor
acercándose A Tren
alejándose T4
P1 T1 P2
P6
4. Un proceso despachador de mensajes recibe mensajes provenientes de dos canales

diferentes. Verifica la paridad de cada mensaje. Si la paridad es incorrecta, envía un
aviso de no-reconocimiento del mensaje a través de un canal de respuesta (existe un
canal de respuesta por cada canal de entrada); si la paridad es correcta, coloca el
mensaje recibido en un buffer. El buffer puede contener hasta diez mensajes. Cuando
el buffer está lleno, el despachador envía todo el contenido del buffer a una unidad de
procesamiento a través de otro canal. No se pueden colocar mensajes en un buffer
lleno.
462
Solución:
T9
T8
P2 T2
Calcular Mensajes P8
paridad T5 con errores
Canal A Canal A de error
P3 Canal B de error
Canal B P6
T1 Buffer Unidad de P7
P1
K= 10 procesamientoT6
T3 P4 T4 P5
T7
Nota: observe las marcas en colores para representa atributos, en los canales A y B.
463

Torres Vega Simulacion Sistemas

Cargado por

Copyright:

Formatos disponibles

Torres Vega Simulacion Sistemas

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Torres Vega Simulacion Sistemas

Cargado por

Copyright:

Formatos disponibles

Pedro J.

UNIVERSIDAD DE LIMA FONDO EDITORIAL

Pedro J. Torres Vega

Edición, diseño y carátula: Fondo Editorial de la Universidad de Lima

Versión ebook 2016

ISBN versión electrónica: 978-9972-45-321-2

Presentación a la segunda edición 13

CAPÍTULO 1: CONCEPTOS FUNDAMENTALES DE LA SIMULACIÓN DE SISTEMAS 19

3. MODELOS ANALÍTICOS VERSUS MODELOS DE SIMULACIÓN 33

4. FASES DE UN PROYECTO DE SIMULACIÓN 34

5. GENERACIÓN DE NÚMEROS ALEATORIOS 41

8. SIMULACIÓN DE SISTEMAS POR EVENTOS Y POR PROCESOS 46

10. VARIABLES DEL SISTEMA 49

11. ELEMENTOS ABSTRACTOS DEL SISTEMA 50

CAPÍTULO 2: MODELADO DE SISTEMAS DISCRETOS POR

5. PARÁMETROS PARA EJECUTAR EL MODELO 88

8. MÓDULO DE DATOS: CONJUNTO DE RECURSOS 118

9. MÓDULO DE DATOS EXPRESSION (ESTRUCTURA DE DATOS) 131

10. REASIGNACIÓN DE LA CAPACIDAD DE UN RECURSO 140

11. MODELADO DE ENSAMBLES 148

12. FUNCIONES INDIVIDUALIZADAS DE UN PROCESO 164

13. ACUMULADORES AUTOMÁTICOS 173

14. MODELO BÁSICO DE INVENTARIOS 179

CAPÍTULO 3: OBTENCIÓN Y ANÁLISIS ESTADÍSTICO DE LOS

1. ASPECTOS IMPORTANTES EN LA ETAPA DE RECOLECCIÓN DE DATOS 209

1.6 Convertir los datos en una forma utilizable en el modelo 212

2. AJUSTE DE LOS DATOS MUESTRALES A DISTRIBUCIONES DE

3. PROCESO DE AJUSTE DE DATOS A UNA DISTRIBUCIÓN 220

4. ANÁLISIS DE DATOS EN ARENA: INPUT ANALYZER 223

5. ESCENARIO DE INCERTIDUMBRE TOTAL 228

CAPÍTULO 4: DISEÑO DEL EXPERIMENTO DE SIMULACIÓN Y ANÁLISIS

1. CONDICIONES DE INICIO Y FIN DE LA SIMULACIÓN 238

2. ESPECIFICACIÓN DE ESTADÍSTICAS 243

3. DETERMINACIÓN DEL NÚMERO DE RÉPLICAS 245

4. TÉCNICAS DE REDUCCIÓN DE VARIANZA 255

5. COMPARACIÓN DE ESCENARIOS 258

6. PRUEBA DE NORMALIDAD 261

7. EJECUCIÓN Y ANÁLISIS ESTADÍSTICO 265

Caso de estudio 1: Comparación de escenarios 269

CAPÍTULO 5: MODELADO DE SISTEMAS DISCRETOS POR PROCESOS -

1. MÓDULO MATCH (continuación de ensambles) 315

2. MÓDULO HOLD (retención de entidades en cola) 325

3. MÓDULO SIGNAL (emisión de señales) 327

4. MÓDULO SEARCH (búsqueda de entidades en cola) 328

5. MÓDULO REMOVE (extracción de entidades de cola) 329

6. MÓDULO PICKUP (entidad grupo) 348

7. MÓDULO DROPOFF (entidad grupo) 349

Caso de estudio 13: Operaciones en una manufacturera 356

8. MÓDULO READWRITE (interfase de lectura y escritura externa) 363

CAPÍTULO 6: MODELADO DE SISTEMAS CONTINUOS Y COMBINADOS 377

1. CONCEPTOS FUNDAMENTALES 379

2. MODELADO DE PROCESOS DE FLUJO 383

Anexo 1: Modelo teórico de colas 441

Al incluir algunos temas y profundizar otros, se ha procurado enriquecer el contenido

Pedro J. Torres Vega

Los profesionales conocedores de simulación encuentran inconcebible que, en nuestros

Estas ventajas se logran gracias a que con la simulación se puede replicar el

Debido a la popularización de computadoras de gran potencia la simulación está cada

Se ha elegido Arena (Rockwell Automation, Inc.) como el lenguaje de simulación, por