P. 1
Trabajo Final Simulacion

Trabajo Final Simulacion

5.0

|Views: 3.760|Likes:
Publicado porJuan M Cardenas R

More info:

Published by: Juan M Cardenas R on Nov 22, 2010
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

08/14/2013

pdf

text

original

Instituto Tecnológico de Orizaba

INGENIERíA INDUSTRIAL

REPORTE FINAL DE RESIDENCIAS PROFESIONALES INTERNAS
TEMA: ³DESARROLLO DE UN MODELO DE SIMULACIÓN EN FLEXSIM DEL SISTEMA DE RECOLECCIÓN ACTUAL DEL MERCADO ZAPATA´ LUGAR DE REALIZACIÓN: ³INSTITUTO TECNOLÓGICO DE ORIZABA´ ASESOR INTERNO: Fernando Ortiz Flores. PRESENTA: Juan Manuel Cárdenas Rovira

No. DE CONTROL: 05010365

ORIZABA, VER.

OCT / 2010

Índice
Índice de figuras.................................................................................................................. iv Introducción ......................................................................................................................... 1 Planteamiento del problema. ............................................................................................... 1 Justificación. ........................................................................................................................ 2 Objetivo general. .................................................................................................................. 2 Objetivos específicos. ........................................................................................................... 2 Capítulo 1. Generalidades ................................................................................................... 4 1.1 Antecedentes de la empresa.............................................................................................. 4 1.2 Instituto Tecnológico de Orizaba. ..................................................................................... 5 1.2.1 Escudo del ITO .......................................................................................................... 7 1.2.2 Política de calidad. ..................................................................................................... 8 1.2.3 Objetivo general de calidad del sistema de gestión de calidad (SGC). ......................... 8 1.2.4 Valores de la organización.......................................................................................... 8 1.2.5 Ubicación y teléfonos del plantel ................................................................................ 9 1.3 Área en la que se participó .............................................................................................. 9 1.4 Actividades realizadas .....................................................................................................10 1.5 Alcances y limitaciones. ..................................................................................................10 1.5.1 Alcances .................................................................................................................. 10 1.5.2 Limitaciones............................................................................................................. 11 Capítulo 2. Recolección y análisis de datos ........................................................................12 2.1 Introducción ....................................................................................................................12 2.2 Indicaciones para la recolección de datos .......................................................................13 2.3 Procedimiento para la recolección de datos ....................................................................15 2.4 Determinar los datos necesarios ......................................................................................15 2.5 Usar un cuestionario .......................................................................................................16 2.6 Identificar fuentes de datos..............................................................................................17 2.7 Recolección de datos.......................................................................................................19 i

2.7.1 Definir todo el flujo de la entidad ............................................................................. 20 2.7.2 Desarrollando una descripción de la operación ......................................................... 21 2.7.3 Definir detalles circunstanciales y confirmar los valores de los datos........................ 22 2.8 Hacer suposiciones..........................................................................................................23 2.9 Análisis estadístico de los datos numéricos .....................................................................25 2.9.1 Pruebas de independencia ......................................................................................... 27 2.9.2 Pruebas para datos distribuidos idénticamente .......................................................... 33 2.10 Ajuste de distribución ...................................................................................................36 2.10.1 Distribución de frecuencias .................................................................................... 38 2.10.2 Distribuciones teóricas ........................................................................................... 41 2.10.2 Ajustando distribuciones teóricas a los datos .......................................................... 47 2.11 Documentación y aprobación de datos....................................................................... 51 Capítulo 3. Conceptos generales de simulación .................................................................53 3.1 Introducción ....................................................................................................................53 3.2 La técnica de Simulación ................................................................................................53 3.2.1 Definiciones de simulación....................................................................................... 54 3.2.2 Propósitos de la simulación ...................................................................................... 55 3.2.3 Clasificación de la simulación .................................................................................. 56 3.2.4 Pasos de un estudio de simulación ............................................................................ 57 3.2.5 Factores a considerar en el desarrollo del modelo de simulación............................... 62 3.2.6 Errores comunes al realizar un estudio de simulación ............................................... 64 3.2.7 Ventajas y desventajas de un estudio de simulación .................................................. 65 Capitulo 4. Conceptos generales del software Flexsim® ...................................................67 4.1 Introducción ....................................................................................................................67 4.2 Aprendiendo conceptos del Software de Simulación Flexsim ..........................................68 4.2.1 Terminología de Flexsim .......................................................................................... 68 4.3 Vistas del Modelo ...........................................................................................................70 4.4 Navegación con el mouse ...............................................................................................70 4.5 Tecla F7 .........................................................................................................................71 ii

4.6 Librería de Objetos de Flexsim .......................................................................................71 Capítulo 5.Aplicación de la metodología de simulación al sistema de recolección de residuos sólidos ...................................................................................................................78 5.1 Introducción ....................................................................................................................78 5.2 Metodología para la construcción del modelo de simulación de la situación actual del sistema de recolección de basura del mercado Zapata ...........................................................79 5.3 Detección de las necesidades del sistema logístico del mercado Zapata ..........................80 5.3.1 Obtención un panorama general de sistema de recolección de residuos sólidos ......... 80 5.3.2 Determinación del área de oportunidad..................................................................... 83 5.3.3 Descripción de la situación problemática .................................................................. 84 5.4 Selección de las herramientas de Ingeniería Industrial a ser utilizadas .............................84 5.5 Apoyo por parte de la empresa en la obtención de la información requerida ....................85 5.6 Desarrollo del modelo de simulación de la situación actual .............................................85 5.6.1 Formulación del problema ........................................................................................ 86 5.6.2 Planeación del estudio del desarrollo del modelo de simulación ............................... 86 5.6.3 Recolección de datos del sistema de recolección de basura del mercado Zapata........ 88 5.6.3.1 Definición de los tipos de datos necesarios para el modelo ............................. 89 5.6.3.2 Recolección de datos ..................................................................................... 90 5.6.3.3 Análisis estadístico de los datos ..................................................................... 91 5.6.4 Construcción y verificación del modelo en Flexsim .................................................. 93 5.6.4.1 Definición del sistema de recolección de basura del mercado Zapata ............. 93 5.6.4.2 Definición de los supuestos del modelo ......................................................... 95 5.6.4.3 Verificación del modelo conceptual ............................................................... 96 5.6.4.4 Construcción del layout y objetos 3D involucrados en el sistema logístico de recolección de residuos sólidos.................................................................................. 96 5.6.4.5 Construcción del modelo de simulación ......................................................... 98 5.6.4.5.1 Importar el layout del plano del mercado a Flexsim .................................... 98 5.6.4.5.2 Definir los tipos de Flexsim objetcs a ser incluidos en el modelo. ............. 104 5.6.4.5.3 Definir las características de los Flexsim objects en el modelo .................. 105 5.6.4.5.3.1 Crear los Flexsim objects dentro del modelo de simulación ................ 105 iii

5.6.4.5.3.2 Cambiar la apariencia de los Flexsim objects por los dibujos en 3D propios del sistema de recolección de residuos sólidos......................................... 106 5.6.4.5.3.3 Definir las dimensiones y posición de los Flexsim objects .................. 109 5.6.4.5.4 Realizar las conexiones del flujo del proceso entre los flexsim objects ..... 111 5.6.4.5.6 Realizar la programación del modelo de simulación .................................. 112 5.6.4.6 Verificación del modelo de simulación ........................................................ 115 5.6.4.7 Validación del modelo de simulación........................................................... 116 5.6.4.7.1 Definición de corridas piloto del modelo de simulación ............................ 116 5.6.4.7.2 Validación del modelo de simulación ........................................................ 117 Concluciones«««««««««««««««««««««««««««««««130 Referencias bibliográficas ................................................................................................132 Anexo 1.Formato para la toma de tiempos de los camiones ............................................134 Anexo 2. Formato para la toma de tiempos de los trabajadores .....................................135 Anexo 3. Análisis estadístico de la muestras de datos......................................................136

Índice de figuras
Fig. 1.1 Instituto Tecnológico de Orizaba 1957 ....................................................................... 4 Fig. 1.2 Escudo de la Institución«. ........................................................................................ 8 Figura 1.3 Mapa de la ciudad de Orizaba. ............................................................................. 10 Figura 2.1 Diagrama de flujo de una entidad. ........................................................................ 20 Figura 2.2 Diagrama de dispersión de datos independientes. ................................................. 29 Figura 2.3 Diagrama de dispersión de datos dependientes. .................................................... 29 Figura 2.4 Diagrama de auto correlación con poca o nada de correlación. ............................. 31 Figura 2.5 Diagrama de auto correlación con alto nivel de correlación. ................................. 32 Figura 2.6 Distribución bimodal«.. ...................................................................................... 35 Figura 2.7 Cambio en las llegadas de los clientes entre 10 A.M. y las 6 P.M««««««.. 35 Figura 2.8 Histograma de los datos de los clientes mostrados en la tabla 2.2. ....................... 39 iv

Figura 2.9 Histograma de frecuencias continuas con 6 intervalos, que se muestran en la tabla 2.3«««««««««««« ...................................................................................... 40 Figura 2.10 Función de probabilidad de una distribución binomial (n=10, p=0.1).............. 43 Figura 2.11 Función de densidad de una distribución uniforme. ............................................ 44 Figura 2.12 Función de densidad de probabilidad de una distribución triangular. ................. 45 Figura 2.13 Distribución normal«. ...................................................................................... 47 Figura 2.14 Distribución exponencial. ................................................................................... 47 Figura 2.15 Lista relativa de ajuste de distribución a los datos en la tabla 2.3. ....................... 48 Figura 2.16 Comparación visual entre la distribución beta y el histograma de la muestra de 100 datos de los valores de tiempo de la Tabla 2.3. .................................................................. 49 Figura 3.1 Pasos de un estudio de simulación. Fuente (Law y Kelton, 2007). ..................... 59 Figura 5.1 Rutas de los recolectores del mercado Zapata. ...................................................... 82 Figura 5.2 Diagrama de flujo de la entidad (basura). ............................................................. 94 Figura 5.3 plano del mercado Zapata, en amarillo se muestra el tiradero de basura................ 95 Figura 5.4 Vista lateral izquierda externa del layout del plano del mercado Zapata. .............. 97 Figura 5.5 Equipo del sistema de recolección de residuos sólidos del mercado Zapata en 3D. 97 Figura 5.6 Visual Tool colocado en el origen. ....................................................................... 99 Figura 5.7 Seleccionando la opción ³imported Shape´ dentro del campo visual Display. .... 100 Figura 5.8 Importando el gráfico 3D en el Visual Tool........................................................ 101 Figura 5.9 Ventana Select 3D shapes file. ........................................................................... 101 Figura 5.10 vista del dibujo importado en el visual tool aún sin configurar su posición, rotación y tamaño«««««««« ............................................................................. 102 Figura 5.11 Ventana de propiedades del Visual Tool en la pestaña General. ........................ 103 Figura 5.12 Ventana de propiedades del Visual Tool en la pestaña Display seleccionando el recuadro No select««««««.. ................................................................................. 103 Figura 5.13 Layout del plano del mercado importado dentro del modelo de Flexsim. ........ 104 Figura 5.14 Flexsim objects ocupados en el modelo de simulación. .................................... 105 Figura 5.15 Processor object de Flexsim colocado en la vista ortogonal, al cual se le puede a cambiar la apariencia (3D shape). ................................................................................... 107 Figura 5.16 Vista de la pestaña ³General´ dentro de la ventana de propiedades del Flexsim object para cambiarle la apariencia. ................................................................................. 108 v

Figura 5.17 Vista de la ventana Select 3D shapes file seleccionando un dibujo en 3D. ....... 108 Figura 5.18 Vista del processor object de Flexsim con su nueva apariencia 3D. .................. 109 Figura 5.19 Processor object sin editar mostrando las flechas de los ejes X, Y y Z. ............ 110 Figura 5.20 Ventana de propiedades del Processor object.................................................... 111 Figura 5.21 Ventana de propiedades del processor object. ................................................... 111 Figura 5.22 Conexiones del modelo de simulación. ............................................................. 113 Figura 5.23 Horarios de los recolectores y los camiones recolectores. a) horario de los camiones, b) horario de los trabajadores 1, 2, 3, 4, c) horario de los trabajadores 5, 6, 7. 114 Figura 5.24 triggers de los operadores. ................................................................................ 114 Figura 5.25 secuencia de tareas para los recolectores. ......................................................... 115 Figura A3.1 Histograma de los datos de los recorridos de los .............................................. 137 Figura A3.3 Diagrama de correlación de los datos. ............................................................. 138 Figura A3.4 Histograma de densidad de ajuste de la distribución Weibull. ............. 139 Figura A3.5 Histograma de los datos de descarga del carrito. .............................................. 140 Figura A3.6 Diagrama de dispersión de los datos. ............................................................... 141 Figura A3.7 Diagrama de correlación de los datos. ............................................................. 141 Figura A3.8 Histograma de densidad de ajuste de la distribución ........................................ 142 Figura A3.9 Histograma de la muestra de datos del tiempo de entrada de los camiones. ...... 143 Figura A3.10 Diagrama de dispersión de los datos del tiempo del tiempo de entrada de los camiones«««««««««« .................................................................................. 144 Figura A3.11 Diagrama de correlación de los datos del tiempo de entrada de los camiones.144 Figura A3.12 Histograma de densidad del ajuste de la Figura A3.13 Histograma de los datos de la salida de los Figura A3.14 Diagrama de dispersión de los datos de la salida Figura A3.15 Diagrama de correlación de los datos de la distribución Weibull. ................ 145 camiones. ............................ 146 de los camiones. .............. 147 salida de los camiones. ......... 147

Figura A3.16 Histograma de densidad de ajuste de la .......................................................... 148 Figura A3.17 Histograma de los datos del tiempo de llenado. ............................................. 149 Figura A3.18 Diagrama de correlación de los datos de llenado del camión. ......................... 151 Figura A3.19 Diagrama de aleatoriedad de los datos de llenado del camión. ................ 150 Figura A3.2 Diagrama de dispersión de los datos. ............................................................... 138 Figura A3.20 Histograma de densidad del ajuste de la distribución Gamma. ....................... 151 vi

Figura A3.21 histograma de los datos de las paleadas del trascabo. ..................................... 153 Figura A3.23 Diagrama de correlación de los datos de las paleadas del trascabo. ............ 154 Figura A3.24 histograma de densidad del ajuste de la distribución Weibull. ........................ 155

vii

Introducción
La simulación es una técnica que imita el comportamiento de un sistema mediante un modelo computarizado, en el cual se expresan las características des sistema mediante relaciones lógico-matemáticas. Gracias al avance tecnológico de la computación la simulación se ha convertido en una poderosa herramienta de análisis de diversos sistemas, ya que provee una manera de solucionar problemas que de otra manera seria difícil o imposible de hacer, dada la complejidad de los mismos. En este caso en particular el sistema de recolección de residuos sólidos del mercado Zapata ubicado en la colonia Emiliano Zapata del municipio de Orizaba.

La recolección de residuos sólidos urbanos es una parte esencial en cualquier ciudad ya sea grande o pequeña y además, es una de las actividades que más tiempo y recursos consume. Debido a la creciente urbanización y el aumento de la población han generado un incremento considerable en los desechos sólidos urbanos tal como lo es en la ciudad de Orizaba Veracruz, por este motivo la recolección debe ser lo más eficiente posible utilizando los recursos disponibles. En este caso el propósito de este proyecto de residencias profesionales es modelar el sistema de recolección de residuos sólidos actual del mercado Zapata ubicado en la colonia Emiliano Zapata en la ciudad de Orizaba Veracruz por medio de la herramienta de ingeniería industrial simulación. Y de esta manera llevar a cabo un análisis del estado actual por medio de mediciones y muestreos a los camiones recolectores de residuos sólidos y las personas que laboran en el interior del mercado recolectando la basura, generando así un modelo de simulación con el software Flexsim del sistema actual de recolección.

Planteamiento del problema.
La creciente urbanización y crecimiento de la población han generado un gran incremento en la proliferación de residuos sólidos la cual trae como consecuencia la contaminación del medio ambiente y la proliferación de enfermedades, este problema no es sólo de las grandes ciudades, sino también de comunidades rurales.

1

En este caso se planea analizar la situación presente en el centro de recolección de residuos sólidos en el mercado de la colonia zapata de la ciudad de Orizaba Veracruz ya que en este mercado se han observado situaciones que pudieran ser resueltas con herramientas de ingeniería industrial como la simulación de eventos discretos, programación lineal, medición del trabajo por mencionar algunas.

Justificación.
El se ha demostrado que el problema de la basura es un problema que no sólo enfrentan las ciudades con alto nivel de desarrollo sino también en ciudades en desarrollo o comunidades. Para SEMARNAT, la basura es una constante que se encuentra en zonas urbanas y rurales, regiones con distintos niveles socio económicos, en arroyos y ríos, a lo largo de caminos y carreteras. Asimismo, son alarmante los niveles de residuos sólidos que generan los países desarrollo como estados unidos: 2.2 Kg/habitante; y que los pronósticos para el 2010, en México, es acercarse a esa cifra. El promedio de generación de residuos sólidos per cápita en 1997 en la zona centro del país era de 0.78Kg diarios y en el año 2008, alcanzó un promedio de 1.1Kg diarios per cápita en base en el compendio de estadísticas ambientales 2009 de la SEMARNAT (secretaria de medio ambiente y recursos naturales). Por lo cual es importante realizar de manera eficiente la recolección de residuos sólidos y mejorar la manera en que ésta es llevada a cabo.

Objetivo general.
Realizar un modelo de simulación en el software de simulación flexism que represente la situación actual de recolección de sólidos urbanos del mercado Zapata.

Objetivos específicos.
1. Obtener datos relacionados con los procedimientos de recolección de basura. y y Número de personas que laboran. Tiempos de recorridos. 2

y

Rutas de recolección.

2. Determinar las distribuciones de probabilidad de servicio de los trabajadores. 3. Plantear mejoras que permitan mejorar la eficiencia de la recolección de basura. y y y Programación de las personas. Posibles mejoras en las rutas de recolección. Minimizar tiempos de recorridos.

3

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

Fig. 1.1 Instituto Tecnológico de Orizaba 1957

4

El Centro Tecnológico Orizabeño fue proyectado originalmente para impartir las enseñanzas destinadas a la preparación de los técnicos demandados en la industria textil, en todos sus grados; pero al crearse la escuela Superior de Ingeniería Textil en la Unidad Central del Instituto Politécnico Nacional, se determinó reconsiderar el proyecto original para evitar la duplicidad de centros de Educación Superior. Considerando el hecho de evitar la duplicidad de centros de educación superior, se hizo una revisión de los antecedentes de este centro escolar de acuerdo a los lineamientos generales para la integración al Sistema Nacional de Educación Técnica, llegando a la conclusión de que dicho centro escolar atendería, en sustitución de la ya mencionada rama textil, lo relativo a la rama azucarera, conservando las disciplinas educativas no profesionales de la industria textil. Esta situación se generó a la par del decreto Presidencial del 10 de julio de 1952, mediante la cual fue creada la Comisión Nacional de la Caña de azúcar, donde se considera el establecimiento de un Instituto Tecnológico de Orizaba. Originalmente el Instituto fue una de las veintiocho escuelas de educación técnica del país que dependían del Instituto Politécnico Nacional, y a partir de 1958 paso a ser el sexto Instituto Tecnológico de la República al establecerse la Dirección General de Institutos Tecnológicos Foráneos.

1.2 Instituto Tecnológico de Orizaba.
El Instituto Tecnológico de Orizaba, es una institución educativa que tiene como: y Misión: ³Contribuir a la conformación de una sociedad más justa, humana y con amplia cultura científico - tecnológica, mediante un sistema integrado de educación superior tecnológica, equitativo en su cobertura y de alta calidad´. y Visión: ³Consolidarse como un sistema de educación superior tecnológica de vanguardia, así como uno de los soportes fundamentales del desarrollo sostenido, sustentable y equitativo de la nación y del fortalecimiento de su diversidad cultural, así ambas 5

se conjugan para formar profesionales de calidad, con amplio conocimiento y poder enfrentarse a las actuales exigencias laborales´. El Instituto Tecnológico de Orizaba es una institución pública dependiente de la Secretaria de Educación Pública. Imparte 7 licenciaturas, las cuales son las siguientes:
y y y y y y y

Ingeniería Eléctrica (En proceso de certificación CACEI). Ingeniería Electrónica (Certificada por CACEI). Ingeniería Mecánica (Certificada por CACEI). Ingeniería Industrial (Certificada por CACEI). Ingeniería Química (Certificada por CACEI). Ingeniería en Sistemas Computacionales. Licenciatura en Gestión Empresarial

El Instituto Tecnológico desde su creación se ha caracterizado por ser uno de los pilares fundamentales de la educación tecnológica en nuestro país y fundamentalmente en el estado de Veracruz. Cada una de las licenciaturas que se imparten en el Instituto Tecnológico de Orizaba han contribuido socialmente en el crecimiento de la región, ya que sus egresados son contratados en los diferentes sectores productivos de la región y del país. Su desempeño se desarrolla tanto en el sector productivo como el educativo. Las necesidades de actualización, en las áreas que oferta el Instituto Tecnológico de Orizaba, han dado origen a los posgrados que actualmente ofrece, ya que su entorno social y productivo así lo demanda. Los programas de posgrado que se imparten en el Instituto Tecnológico de Orizaba, a través de la División de Estudios de Posgrado e Investigación, son las siguientes:
y y y y y

Ingeniería Industrial. Ingeniería Química. Ingeniería Electrónica. Ciencias Computacionales. Ingeniería Administrativa. 6

Y el Doctorado en: y Ciencias en Ingeniería Industrial.

1.2.1 Escudo del ITO
El escudo del Instituto Tecnológico de Orizaba (Figura 1.2) se conforma por cuatro unidades de engranes unidos por sus extremos, se inspiró en una curva llamada lemniscata de Bernulli, sólo que en este caso, dos lemniscatas están siendo unidas idealmente en forma de Cruz de San Andrés de brazos iguales, que delimitan cuatro cuadrantes interiores; los que a continuación se describen: y Primer cuadrante. Aparece una torre de la cual arrancan dos cables de alta tensión representando la electricidad; que es una Ingeniería que se imparte en el Instituto. y Segundo cuadrante. Aparece la configuración estilizada de un átomo con dos electrones en movimiento, con lo que se representa la electrónica y/o la parte físicomatemática de la química; en este cuadrante aparecen seis esferas sobre fondo negro, que significa rodamientos, como elementos representativos de la mecánica. y Tercer cuadrante. Aparece en primer plano un matraz y en segundo plano una balanza analítica estilizada, lo cual es representativo de la Ingeniería Química y a la exactitud con que debe trabajarse en ésta. y Cuarto cuadrante. Aparece un compás de puntas, que representa la exactitud de las matemáticas y de la física, así como el cuidado que debe tenerse en estas ciencias, al igual que en el segundo cuadrante aparecen también seis esferas sobre fondo negro. Al centro del escudo están algunos signos que representan el año de la fundación del Instituto Tecnológico de Orizaba (1957), los cuales están expresados con los signos que empleaban los astrónomos del nuevo imperio Maya. El lema del escudo es "Ciencia, Técnica y Cultura".

7

Fig. 1.2 Escudo de la Institución.

El escudo fue obra de los estudiantes Josué García Robles y Jesús Trujillo Murillo, en tanto que el lema, fue de la alumna Noemí Ángel Martínez.

1.2.2 Política de calidad.
El sistema nacional de educación superior tecnológica (SNEST) establece el compromiso de implementar todos sus procesos, orientándolos hacia la satisfacción de sus clientes sustentada en la calidad del proceso educativo, para cumplir con sus requerimientos, mediante la eficacia de un sistema de la calidad y de mejora continua, conforme a la norma: ISO 9001:2000/NMX-CC-9001-IMNC-2000.

1.2.3 Objetivo general de calidad del sistema de gestión de calidad (SGC).
Proporcionar el servicio educativo de calidad, orientado hacia el aprendizaje significativo en el alumno.

1.2.4 Valores de la organización.
El Instituto Tecnológico de Orizaba, es una institución educativa que tiene como valores: ‡ El ser humano. ‡ El espíritu de servicio. ‡ El liderazgo. ‡ El trabajo en equipo. ‡ La calidad. ‡ El alto desempeño. 8

1.2.5 Ubicación y teléfonos del plantel
El Instituto Tecnológico de Orizaba, que se encuentra ubicado en la Av. Oriente 9 o Av. Instituto Tecnológico Nº. 852, Col. Emiliano Zapata, Orizaba, Ver. 94320, cuenta con los teléfonos (Conmutador): (2) 7 24 40 96, 7 24 45 50 y 7 24 45 79. Fax: (2) 7 25 17 28, y la siguiente página de internet: www.itorizaba.edu.mx. La ciudad de Orizaba se encuentra ubicada en la zona centro montañosa del Estado de Veracruz, sobre el valle del pico de Orizaba, en las coordenadas 18º 51´ latitud norte y 97º 06´ longitud oeste, a una altura de 1,230 metros sobre el nivel del mar. Limita al norte con Mariano Escobedo e Ixhuatlancillo, al este con Ixtaczoquitlán, al sur con Rafael Delgado, al oeste con Río Blanco. La distancia aproximada al suroeste de la capital del Estado, por carretera es de 190 km. En la Figura 1.3 se muestra un mapa para una mejor ubicación. El Instituto Tecnológico de Orizaba está distribuido en una superficie de aproximadamente de ocho hectáreas; en esta institución se cuenta con todo lo necesario para tener una vida estudiantil tranquila, ya que cuenta con las siguientes instalaciones: aulas, laboratorios, talleres, bibliotecas, centro de cómputo y además de espacios deportivos y culturales para que la formación sea íntegra y acorde a las necesidades de este México moderno. En lo que refiere a la institución ésta cuenta con personal capacitado e instalaciones en buen estado.

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

9

Figura 1.3 Mapa de la ciudad de Orizaba.

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

1.5 Alcances y limitaciones.
En este apartado se mencionan los alcances logrados en el proyecto, así como las limitaciones con las que cuenta dicho proyecto.

1.5.1 Alcances
Los alcances logrados a lo largo de este proyecto de residencias profesionales se mencionan a continuación: y y Información actualizada referente al tema de simulación. Recolección de datos necesarios para la elaboración del modelo de simulación. 10

y

El análisis estadístico de los datos con el software Expertfit incluido en el paquete de flexsim para ajustarlos a la distribución teórica correcta. Un modelo de simulación que representa el sistema actual de recolección de residuos sólidos del mercado Zapata.

y

1.5.2 Limitaciones
Las limitaciones presentadas para la aplicación se mencionan a continuación: y El modelo de simulación no muestra todos los detalles dado que no eran representativos para la situación actual del sistema. y Solo muestra el sistema de recolección de residuos sólidos dentro del mercado pero no muestra la distribución de ellos. y Debido a la técnica de muestreo utilizada no se tiene toda la información de los turnos dentro del sistema de recolección de residuos sólidos.

11

Capítulo 2 Recolección y análisis de datos
2.1 Introducción
La recolección de datos es la tarea más desafiante, y a la vez, la que más tiempo consume en la simulación, porque: y y En sistemas nuevos, la información es comúnmente incompleta y toscamente estimada. En sistemas existentes, puede haber años de datos desorganizados listos para clasificarse. En general, la información está raramente disponible en la forma necesaria para construir un modelo de simulación, por lo que siempre es necesario filtrarla y manipularla para tenerla en el formato correcto, de tal forma que refleje las condiciones proyectadas bajo las cuales el sistema va a ser analizado. Gran parte del esfuerzo en la recolección de datos termina con una gran cantidad de datos, pero con poca información útil. Los datos deberán ser recolectados con el propósito de evitar no sólo la pérdida de tiempo del modelador, sino también del tiempo de las personas que proporcionan los datos. El resultado del esfuerzo de la recolección de datos es un modelo conceptual o mental de cómo el sistema está configurado y de cómo opera éste. Este modelo conceptual puede tomar la forma de una descripción escrita, un diagrama de flujo, o incluso un simple bosquejo en la parte trasera de un sobre. Esto se convierte en las bases del modelo de simulación que será creado. En este capítulo se presentaran unas indicaciones para la recolección de datos, técnicas estadísticas para análisis de éstos y ajuste de datos a distribuciones de probabilidad, de tal forma que al finalizar se puedan contestar las siguientes preguntas: 1. ¿Cuál es el mejor procedimiento a seguir cuando se está recolectando información? 2. ¿Qué tipos de datos deben ser recolectados? 3. ¿Qué fuentes deben ser usadas cuando se está recolectando información? 12

4. ¿Qué tipos de análisis deben ser ejecutados a los datos? 5. ¿Cómo seleccionar la correcta distribución de probabilidad que represente los datos? 6. ¿Cómo deben ser los datos documentados?

2.2 Indicaciones para la recolección de datos
La recolección de datos no debe ser realizada sin orden con la idea de que se podrá ordenar toda la información una vez colectada. Los datos deben ser colectados sistemáticamente, buscando datos específicos de información que son necesitados para la construcción del modelo. Las siguientes indicaciones, que deben tenerse presentes, ayudan a tener un determinado propósito cuando se hace una recolección de datos: y Identificar los eventos activadores. Cuando se definen las actividades que ocurren en el sistema a ser modelado, es importante identificar las causas o condiciones que activan dichas actividades, por ejemplo, algunas causas de inactividad o paro (downtime) pueden ser la no disponibilidad del almacén, por falla o porque fueron planeadas o programadas. y Enfocarse sólo en los factores de impacto clave. La segregación debe ser usada cuando se recolectan datos para evitar la pérdida de tiempo localizando información que tiene poco o nada de impacto en el funcionamiento del sistema. Por ejemplo, actividades de mantenimiento fuera de turno que no retardan el flujo del proceso, paros extremadamente raros, inspecciones sobre la marcha, entre otras. y Aislar los tiempos actuales de la actividad. En la determinación de los tiempos de la actividad, es importante aislar únicamente el tiempo que se toma en hacer la actividad en sí, excluyendo cualquier tiempo extraño de espera por material y recursos para que la actividad pueda ser realizada. Por ejemplo, el tiempo de espera por artículos o partes no debe ser incluido en el tiempo para hacer un ensamble. y Buscar agrupaciones comunes. Cuando se trata con mucha variedad en una simulación tal como cientos de tipos de partes o perfiles de clientes, es útil buscar patrones o grupos comunes. Por ejemplo, si se está modelando un proceso que tiene 300 tipos de partes, puede ser difícil obtener información de la mezcla exacta y de todas las rutas variadas que pueden ocurrir. La solución es reducir los datos a patrones y comportamientos comunes. Una forma para agrupar los datos es: 13

o Identificar categorías generales dentro de las cuales todos los datos

puedan ser asignados.
o Calcular o estimar el porcentaje de casos que caen dentro de cada categoría. El secreto para identificar grupos comunes es ³pensar probabilísticamente´. y Enfocarse en la esencia más que en la substancia. Una definición de sistema para propósitos de modelación debe capturar las relaciones causa-efecto e ignorar los detalles insignificantes (para simulación). Esto, que es llamado sistema de abstracción, busca definir la esencia del comportamiento del sistema más que la sustancia. Un sistema debe ser abstracto al más alto nivel posible mientras se preserva la esencia de la operación del sistema. Para lograr esto se puede usar el enfoque de la caja negra ³black box´, es decir, no se estará interesado en la naturaleza de la actividad que está siendo ejecutada, tal como fresado o inspección, en cambio se estará interesado en el impacto que la actividad tiene en el uso de los recursos y el retardo del flujo de la entidad. y Separar variables de entrada de variables de respuesta. Los modeladores novatos comúnmente confunden las variables de entrada que definen la operación del sistema con las variables de respuesta que reportan el rendimiento del sistema. o Las variables de entrada, que definen como el sistema trabaja (tiempos de la actividad, secuencias de envío, etc.), debe ser el objetivo de la recolección de datos. o Las variables de respuesta describen como el sistema responde a un conjunto dado de variables de entrada dada (cantidad de trabajo en proceso, utilización del recurso, tiempos de producción total, etc.). Las variables de respuesta no ³manejan´ el comportamiento del modelo. Los datos de rendimiento o respuesta deben ser de interés sólo si se está construyendo un modelo y quiere validar la simulación comparando la salida de simulación con el actual rendimiento.

14

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

2.4 Determinar los datos necesarios
El primer paso en la recolección de datos es determinar los datos necesarios para construir el modelo. Éstos deben ser dictados por el alcance del modelo y el nivel de detalle requerido para conseguir los objetivos de la simulación. Los datos del sistema pueden ser categorizados como:

y Datos estructurales, los cuales envuelven todos los objetos del sistema a ser
modelado. Esto incluye tales elementos como entidades (productos, clientes), recursos (operadores, máquinas) y ubicaciones (áreas de trabajo, estaciones de trabajo). La información estructural describe la configuración del croquis del sistema así como identifica los artículos que se procesan.

y Datos operacionales, los cuales explican cómo opera el sistema, esto es, dónde,
cuándo y cómo los eventos y actividades toman lugar. Los datos operacionales consisten de toda la información lógica o situacional acerca del sistema tal como rutas, programación, tiempos de paro y asignación de recursos. Si el proceso está estructurado y bien controlado, la información operacional es fácil de definir. Por otro lado, si el proceso está envuelto en una operación informal, sin reglas, ésta puede ser muy difícil de definir. Para un sistema a ser simulado las políticas operacionales, que están indefinidas o ambiguas, deben ser codificadas en procedimientos definidos y 15

reglas. Si las decisiones y salidas varían, es importante al menos definir esta variabilidad estadística usando expresiones o distribuciones de probabilidad. y

Datos numéricos, los cuales provienen de la información cuantitativa del sistema.
Ejemplos de datos numéricos incluyen capacidades, tasas de llegada, tiempos de actividad, y tiempo entre fallas. Algunos valores numéricos son fáciles de determinar, como las horas de trabajo o capacidades de recursos. Otros valores son más difíciles de evaluar, como el tiempo entre fallas y la probabilidad de las rutas. Esto es especialmente verdadero si el sistema a ser modelado es nuevo y los datos no están disponibles.

2.5 Usar un cuestionario
Para ayudar a enfocar el esfuerzo de recolección de datos en la información correcta y para asegurar reuniones productivas con aquellos en quienes se depende para obtener información del modelo, puede ser útil preparar un cuestionario para su uso en entrevistas. Es mucho más fácil para las personas responder a preguntas específicas que adivinar qué información es necesaria. Cuando se conduce una entrevista, en algunas ocasiones, dar una lista específica de preguntas anticipadas a la persona de contacto reduce la longitud de la entrevista y el número de visitas de seguimiento que de otra manera serían necesarias. Una lista de preguntas que podrían ser incluidas en un cuestionario, es: 1. ¿Qué tipo de entidades son procesadas en el sistema? 2. ¿Cuál es la secuencia de recorrido (cada paro o punto de decisión) para cada tipo de entidad? 3. ¿Dónde, cuándo, y en qué cantidades las entidades entran en el sistema? 4. ¿Cuáles son los tiempos y requerimientos de recursos para cada operación y cada movimiento? 5. ¿En qué cantidades son las entidades movidas y procesadas? (Definir para cada lugar) 6. ¿Qué provoca el movimiento de las entidades de locación a locación? a. Terminación de la operación b. Acumulación de un lote c. Una señal de un proceso posterior, etc. 16

7. ¿Cómo las locaciones y recursos determinan que trabajo hacer después (la espera más larga, la prioridad más alta, etc.)? 8. ¿Cómo son hechas las secuencia de recorrido y las decisiones de operación? 9. ¿Qué tan seguido ocurren las interrupciones (ajustes, descomposturas, etc.) y que recursos y tiempo son requeridos cuando éstos pasan? 10. ¿Cuál es el horario de disponibilidad para locaciones y recursos (definir en términos de turnos, descansos, intervalos de mantenimiento programados, etc.)? Para cualquiera de las preguntas que pueda requerir información numérica que pudiera tomar la forma de una variable aleatoria, es más conveniente obtener: y Una buena muestra de datos. Si la muestra de datos no está disponible, es útil obtener al menos estimaciones del mínimo, el más probable, y valores máximos hasta que datos más precisos puedan ser obtenidos. Valores promedio deberían ser usados sólo como estimados preliminares. y O, la definición de la distribución actual de probabilidad.

Responder las preguntas deberá proporcionar la mayoría, sino toda la información necesaria para construir el modelo. Dependiendo la naturaleza del sistema y nivel de detalle requerido, preguntas adicionales pueden ser agregadas.

2.6 Identificar fuentes de datos
Raramente está disponible toda la información necesaria para construir un modelo de una sola fuente. Ésta es comúnmente el resultado de: y y y y Revisar reportes. Conducir entrevistas personales. Hacer observaciones personales y Hacer muchas suposiciones.

El modelador debe estar dispuesto a fungir como detective para descubrir el conocimiento necesario. ³Ha sido mi experiencia,´ apunta Carson (1986), ³que para sistemas reales a gran escala, rara vez existe algún individuo que entiende cómo funciona todo el sistema con un 17

detalle suficiente para construir un modelo de simulación preciso. El modelador deberá estar dispuesto a hacerla un poco de detective para obtener el conocimiento necesario´. Por esta razón, aquí es donde la persistencia, observación cuidadosa, y buenas habilidades de comunicación son de gran ayuda. Los tipos de fuentes dependen en sí se está simulando un sistema existente o uno nuevo: y Para sistemas existentes habrá un rango amplio de fuentes de las cuales extraer datos, dado que hay registros e individuos con conocimientos de primera mano del sistema. Como el sistema existe, entonces el modelador puede, adicionalmente, observar personalmente el sistema y por lo tanto ser menos dependiente de las entradas de otros. y Para sistemas nuevos las fuentes de información están usualmente limitadas a aquellos individuos directamente involucrados en el diseño del sistema. La mayoría de la información es obtenida de las especificaciones del sistema y entrevistas con el equipo de diseño. Dependiendo de las circunstancias, algunas buenas fuentes de datos incluyen: y Datos históricos: producción, ventas, tasas de desperdicio, fiabilidad del equipamiento. y Documentación del sistema: planes del proceso, distribución de la planta, procedimientos de trabajo. y Observación personal: recorridos de la facilidad, estudios de tiempo, muestreo del trabajo y Entrevistas al personal: Operadores (métodos de trabajo), personal de mantenimiento (procedimiento de reparación), ingenieros (rutas), gerentes (secuenciación y pronósticos). y Comparación con sistemas similares: dentro de la compañía, con la misma industria; con cualquier industria. y y Reclamos de vendedores: tiempos de proceso, confiabilidad de nuevas máquinas. Estimados de diseño: tiempos de proceso, tiempos de movimientos, y lo necesario para un nuevo sistema. 18

y

Investigación de literatura: investigaciones publicadas de curvas de aprendizaje, estudios de tiempos predeterminados.

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

2.7 Recolección de datos
Cuando se recolectan datos, lo mejor es ir de lo general a lo específico. Consecuentemente con este enfoque, los datos deberán ser recolectados en la secuencia siguiente: 1. Definir todo el flujo de la entidad. 2. Desarrollar una descripción de la operación. 3. Definir detalles circunstanciales y confirmar los valores de los datos. Esto no significa, necesariamente, que los datos estarán disponibles en esta secuencia. Por ejemplo: y Algunas suposiciones necesitan ser hechas inicialmente para que surjan con una definición completa del flujo de la entidad. y Otra Información circunstancial, obtenida previamente, tal como tiempos de paro, necesita ser segregada hasta que ésta sea necesitada en un estado posterior de construcción del modelo. En la práctica, la recolección de información continúa por el final del proyecto de simulación, por ejemplo: 19

y y

Ver si no hay cambios de objetivos. Si la información no disponible al inicio del proyecto empieza a materializarse.

2.7.1 Definir todo el flujo de la entidad
La primera área de enfoque en la recolección de datos debe estar en la definición del flujo básico de la entidad a través del sistema. Esto establece una estructura en la cual datos adicionales pueden ser anexados. El flujo de la entidad está definido por el seguimiento del movimiento de la entidad a través del sistema, tomando la perspectiva de la entidad misma. El flujo total de la entidad se describe mejor usando un diagrama de flujo de la entidad (Figura 2.1), o quizá superponiendo el flujo de la entidad en el croquis actual del sistema. El diagrama de flujo de la entidad es ligeramente diferente del diagrama de flujo de proceso:

Estación 1

Estación 2

Estación 3A

Estación 3B

Figura 2.1 Diagrama de flujo de una entidad.

y

Un diagrama de flujo de proceso muestra la secuencia lógica de las actividades a través de la cual las entidades van y definen que pasa con la entidad, no donde sucede. El diagrama de flujo de la entidad, por el otro lado, no es más de un diagrama de ruta que muestra el movimiento físico de las entidades a través del sistema de ubicación a ubicación. Este diagrama debe delinear cualquier bifurcación que pueda ocurrir en el flujo tal como rutas a centros de trabajo alternativos o lazos de reproceso. El propósito del diagrama de flujo es documentar el flujo total de entidades en el sistema y proveer una ayuda visual para comunicar el flujo de la entidad a otros.

y

20

2.7.2 Desarrollando una descripción de la operación
Una vez que el diagrama de flujo de la entidad ha sido creado, una descripción de la operación debe ser desarrollada para explicar cómo las entidades son procesadas a través del sistema. Una descripción de la operación puede ser escrita paso a paso, de una forma resumida, o puede ser representada de forma tabular (Tabla 2.1). Para sistemas sencillos en el diagrama de flujo de la entidad puede ser anotada información operacional. De cualquier forma, la descripción debe identificar para cada tipo de entidad en cada ubicación del sistema:
Tabla 2.1 Descripción del flujo de la entidad de la figura 2.1 Locación
Estación. 1 Estaciona. 2 Estación.3A Estación.3B

T.de actividad
N (1,0.2) min. N (5,0.7) min. N (15,0.4) min. N (3,0.5) min.

Recurso de la actividad
Operador 1 Operador 2 Operador 3 Operador 4

Locación siguiente
Estación 2 Estación 3A Estación 3B Salida Salida

Tiempo de Activador movimiento.
Pieza Pieza Pieza Pieza Pieza 0.2 min. 0.9 min. 0.8 min. Nada Nada

Recurso p/ mover
AGV AGV AGV Nada Nada

y y y

Los requerimientos de tiempo y recursos de la actividad u operación. Dónde, cuándo, y en qué cantidad las entidades son enviadas a la siguiente ubicación. Los requerimientos de tiempo y recursos para moverlas a la siguiente ubicación.

Se debe percatar que la descripción de la operación (Tabla 2.1) realmente provee los detalles del diagrama de flujo de la entidad (Figura 2.1). Este detalle es necesario para definir el modelo de simulación. Los tiempos asociados con actividades y movimientos pueden ser sólo estimados en esta etapa. Lo importante a lograr en este punto es describir como las entidades son procesadas a través del sistema. El diagrama de flujo de la entidad, junto con la descripción de la operación, provee un buen documento con datos que puede ser ampliado a medida que avance el proyecto. En este punto, es buena idea realizar una caminata a través de la operación usando el diagrama de flujo de la entidad como punto de enfoque. Los individuos deben estar involucrados en esta revisión ya

21

que ellos son los que están familiarizados con la operación para asegurar que la descripción de la operación es precisa y completa. Basado en esta descripción de la operación, un primer corte en la construcción del modelo puede comenzar. Obtener un modelo básico y correrlo en un proyecto de simulación ayuda a mantener el interés de los involucrados. Esto también ayuda a identificar información faltante y motiva a los miembros del equipo a tratar de llenar los huecos de información. Preguntas adicionales sobre la operación del sistema son usualmente construidas una vez que el modelo básico está corriendo, tales como: y y ¿Han sido tomadas en cuenta todas las rutas? ¿Ha sido alguna entidad omitida?

En esencia, modelar el sistema actualmente ayuda a definir y validar los datos del sistema.

2.7.3 Definir detalles circunstanciales y confirmar los valores de los datos
Una vez que un modelo ha sido construido y probado, detalles adicionales del proceso tales como tiempos muertos, ajustes y prioridades de trabajo pueden ser agregados. Esta información no es esencial para tener el modelo corriendo, pero es necesaria para un modelo completo y preciso. En ocasiones la decisión de incluir un elemento particular del sistema tal como un tiempo muerto es más fácil de hacer una vez que el modelo básico está corriendo. El impacto potencial del elemento y el tiempo disponible para implementarlo en el modelo están mucho más claros que al comienzo del proyecto. En este punto, cualquier valor numérico como tiempos de actividad, tasas de llegadas, y otros deben también ser confirmados. Tener un modelo corriendo permite que los estimados y otras suposiciones sean probados para ver si es necesario gastar un tiempo adicional para obtener información más precisa. En sistemas existentes para obtener datos más precisos es común realizar un estudio de tiempos de la actividad o evento bajo investigación: y Una muestra es recolectada para representar todas las condiciones bajo la cual la actividad o evento sucede. y Cualquier sesgo que no represente condiciones de operación normal es eliminado. 22

y

El tamaño de la muestra debe ser suficientemente grande para proporcionar una imagen precisa, pero no tan grande que esta se convierta en costosa sin que realmente añada información adicional.

2.8 Hacer suposiciones
Un modelo de simulación puede correr con datos incorrectos, pero no puede correr con datos incompletos. Esta es una de las razones de porque la simulación es tan benéfica. La simulación: y Consigue que se pongan los detalles operacionales que actualmente definen como corre el sistema. y Muestra que cierta información no está disponible o quizá es poco confiable después de que la recolección de datos ha comenzado. y Muestra que información completa, segura y actualizada es raramente obtenible, especialmente cuando se modela un sistema nuevo del cual se conoce poco. Incluso para sistemas ya existentes, puede ser poco práctico obtener cierto tipo de datos, por ejemplo los largos intervalos de tiempo entre fallas de máquinas. Debido a que la confiabilidad de la información en nuevos sistemas es a menudo cuestionable, entonces la validación del modelo en sí mismo puede ser sospechosa. La información precisa va a ser escaza en al menos una o más aéreas de casi cualquier modelo, incluso en modelos de sistemas existentes, por lo tanto debido a que la simulación casi siempre se corre por alguna situación futura anticipada, siempre habrá suposiciones hechas con respecto a cualquier condición futura desconocida. A pesar de todas estas consideraciones se debe tener presente que en simulación se debe estar dispuesto a comenzar con suposiciones y estar agradecido en cualquier momento que se puedan hacer aseveraciones. Entonces, de esto, surge la pregunta siguiente: ¿qué tan buena es una simulación que está basada en suposiciones? Para dar respuesta, hay que recordar que rutinariamente se toman decisiones en la vida basadas en suposiciones y por consiguiente nunca se puede estar seguro de las consecuencias. Cualquier predicción acerca de cómo operara el sistema en el futuro está basado en suposiciones del futuro. No hay nada malo en hacer suposiciones al hacer 23

simulación siempre y cuando la confianza en los resultados nunca exceda la confianza en los supuestos que subyacen. La razón para efectuar una simulación es ser capaz de predecir el funcionamiento del sistema basado en determinadas suposiciones. Es mejor hacer decisiones conociendo las implicaciones de las decisiones que calcular el error por tomar inferencias erróneas de estas suposiciones. Incorporar las suposiciones en el modelo puede actualmente ayudar a validar las suposiciones por ver si ellas tienen sentido en la operación total del modelo. Ver comportamientos absurdos del modelo sólo dice que ciertas suposiciones no tienen sentido. Para estudios comparativos en la cual dos alternativas son evaluadas, el hecho de hacer suposiciones es menos significativo porque se está evaluando el rendimiento relativo, no el rendimiento absoluto. Por ejemplo: y Si se está tratando de determinar si los retardos en el tiempo pueden ser mejorados por asignar tareas a un recurso por fecha de compromiso en lugar de primero entra± primero sale, una simulación puede proporcionar información útil para hacer esta decisión sin necesariamente tener completamente seguros los datos. Debido a que ambos modelos usan las mismas suposiciones es posible comparar el rendimiento relativo. y Se puede no conocer cuál es el rendimiento absoluto de la mejor opción, pero se debiera de ser capaz de evaluar claramente la seguridad de que tan buena es una opción comparada con la otra. Algunas suposiciones naturalmente tendrán una mayor influencia en la validez del modelo que otras, por ejemplo: y En un sistema con tiempos largos de procesamiento comparado a los tiempos de movimiento, un tiempo de movimiento que está abajo por 20% puede hacer poca o no diferencia en la salida del sistema. y Por el otro lado, si un tiempo de la actividad que está por abajo del 20% puede hacer un 20% de diferencia en la salida del sistema

24

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

Estas corridas ayudaran a determinar la magnitud en la cual la suposición influencia el comportamiento del modelo. También ayudara a asegurar el riesgo de fiarse en la particular suposición.

2.9 Análisis estadístico de los datos numéricos
Para el análisis de los datos, considerar: y Que datos en bruto deben ser analizados e interpretados para que sirvan en un modelo de simulación, de manera que la operación del sistema sea representada correctamente en el modelo. y y Que eventos activadores y otras relaciones de causa-efecto necesitan ser identificadas. Que datos irrelevantes e insignificantes deben ser descartados.

25

y

Que tiempos de la actividad actual necesitan ser aislados de las demoras causadas por el sistema. Que numerosas eventualidades de una actividad en particular necesitan ser generalizadas en unos cuantos patrones de definición. Que descripciones complejas de la operación necesitan ser convertidas en abstracciones simplificadas. Que entradas o variables que definen el sistema necesitan ser separadas de las salidas o variables de respuesta y, finalmente. Que datos históricos resumidos deberán ser proyectados hacia el periodo de tiempo a ser estudiado por la simulación. La información que ayuda a ajustar los datos para el futuro pueden ser obtenidos de pronósticos de ventas, tendencias de mercado, o planes de negocios.

y

y

y

y

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

Utilizando un programa de análisis de datos como el Stat Fit, de Promodel o Expert Fit de Flexsim las características de los datos pueden ser analizadas automáticamente, probadas para su uso en la simulación, y comparadas para obtener el mejor ajuste a una distribución. Algunos de los parámetros que dan un análisis descriptivo de toda la muestra recopilada son: y y Media: es el valor promedio de los datos. Mediana: es el valor de la observación que está a la mitad, cuando los datos son puestos en orden ascendente. y y y Moda: es el valor que se repite con mayor frecuencia. Desviación estándar: Una medida de la desviación promedio desde la media. Varianza: es el cuadrado de la desviación estándar. 26

y

Coeficiente de variación: es la desviación estándar dividida por la media. Este valor representa una medida relativa de la desviación estándar a la media. Sesgo: Una medida de simetría. o Si el máximo valor está más lejos de la media que el mínimo valor, el dato estará sesgado a la derecha, o positivamente sesgado. o De otra manera, estará sesgado a la izquierda o negativamente sesgado Kurtosis: es una medida de la uniformidad o la altura de la distribución. Rango: la diferencia entre los valores máximos y mínimos.

y

y y

Un análisis descriptivo dice las características clave acerca del conjunto de datos, pero no dice que tan adecuados son los datos para su uso en el modelo de simulación. Lo que interesa poder hacer es ajustar los datos de la muestra a una distribución teórica, como la normal o la distribución beta. Esto requiere que los datos sean: y y Independientes, es decir totalmente aleatorios, y Idénticamente distribuidos, es decir que todos los datos pertenecen a la misma distribución. Cuando se recolectan datos de un sistema dinámico y posiblemente un sistema con variación con tiempos variantes, se debe estar sensible a las tendencias, patrones y ciclos que puedan ocurrir con el tiempo. Pruebas específicas pueden realizarse para determinar si los datos son independientes e idénticamente distribuidos tales como: y y Pruebas de independencia Pruebas para datos distribuidos idénticamente

2.9.1 Pruebas de independencia
En esta sección se describirán 3 pruebas para probar la independencia de los datos: y y y Diagrama de dispersión. Diagrama de correlación. Prueba de corridas.

27

Cada prueba es específica a escalas diferentes de aleatoriedad, por tal razón, las tres deben ser usadas para concluir la independencia de datos (Harrel, 2004). El diagrama de dispersión y el diagrama de correlación son pruebas estadísticas paramétricas en la cual la naturaleza de las graficas dependen del tipo de distribución de los datos. La prueba de corridas es una prueba no paramétricas y distribución de los datos. Los datos son independientes si el valor de una observación no es influenciada por el valor de otra observación. y La dependencia es común en el muestreo de una población finita cuando el muestreo es realizado sin remplazo. Por ejemplo, en el muestreo de un mazo de cartas para encontrar la probabilidad de sacar un as, la probabilidad de que la siguiente carta sea as aumenta con cada carta que no sea un as. y Para poblaciones muy grandes o infinitas tal como actividades continuas o eventos repetitivos, la dependencia de datos se manifiesta comúnmente en si misma cuando el valor de una observación es influenciada por el valor de una observación anterior. En el muestreo la probabilidad de que un objeto se defectuoso, por ejemplo, en ocasiones es mucho mayor si el artículo anterior fue defectuoso (los defectos ocurren generalmente en ondas). Cuando el valor de una observación es dependiente del valor de la observación anterior, se dice que los datos están correlacionados. Varias técnicas son usadas para determinar la dependencia de datos o correlación, entre ellas se encuentra: y Diagrama de dispersión, el cual es un diagrama de puntos adyacentes en la secuencia de valores observados graficados contra cada otro. De esta manera cada punto graficado representa un par de observaciones consecutivas (Xi, Xi+1) para i=1,2,«, n-1. o Si las Xi¶s son independientes, los puntos estarán graficados aleatoriamente (Figura 2.2). o Si las Xi¶s son dependientes una de la otra, una línea de tendencia será aparente (Figura 2.3). no hace suposición acerca de la

28 

Si las Xi¶s están correlacionados positivamente, una línea de tendencia positiva hacia arriba aparecerá. Si las Xi¶s están correlacionados negativamente una línea de tendencia negativa aparecerá. 

Figura 2.2 Diagrama de dispersión de datos independientes.

Figura 2.3 Diagrama de dispersión de datos dependientes.

29

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

V !§
i !1

( xi  x )( xi  j  x ) W 2 (n  j )
....««««««««. Ecuación 2.1

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

W = La desviación estándar de la población, aproximada por la desviación
estándar de la muestra; y

x = La media de la muestra.
El cálculo es efectuado para 1/5 de la longitud del conjunto de datos, donde los pares decrecientes comienzan a hacer el cálculo poco confiable. Este cálculo de auto correlación asume que los datos son tomados de un proceso estacionario; es decir, los datos parecerían venir de la misma distribución sin importar cuando fueron muestreados (esto es, los datos no cambian con el tiempo). o En el caso de una serie de tiempos, esto implica que el origen del tiempo puede ser cambiado sin afectar las características estadísticas de las series de datos. De esta manera la varianza para toda la muestra puede ser usada para representar la varianza de cualquier subconjunto. o Si el proceso a ser estudiado no es estacionario, el cálculo de auto correlación es más complejo. El valor de auto correlación varía entre 1 y -1 (es decir, entre correlación positiva y negativa). Si la correlación está cerca de cualquiera de los extremos, los datos son auto correlacionado. En la Figura 2.4, que muestra un diagrama de auto correlación, hay que notar que los valores son cercanos a 0, indicando muy poca o nada de correlación, 30

y en la Figura 2.5 se muestra un diagrama de auto correlación con un gran nivel de correlación. y Prueba de Corridas. La prueba de corridas busca por corridas en los datos que puedan indicar correlación de datos. Una corrida en una serie de observaciones es la ocurrencia de una secuencia continua de números mostrando la misma tendencia. Por ejemplo, un conjunto consecutivo de números crecientes o decrecientes se dice que proporcionan corridas hacia arriba y abajo, respectivamente. Existen 2 tipos de pruebas de corridas: o La prueba de la mediana que mide el número de corridas, es decir, secuencias de números por arriba y debajo de la mediana. La corrida puede ser un solo número por debajo o arriba de la mediana si los números adyacentes a este están en la dirección opuesta.

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

31

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

Si hay muchas o pocas corridas, la aleatoriedad de la serie es rechazada. Esta prueba de corridas de la mediana usa una aproximación normal para la aceptación o el rechazo que requiere que el número datos por arriba o por debajo de la media sean mayores que 10. o La prueba de punto de cambio que mide el número de veces que las series cambian de dirección (Kontz, 1992). De nuevo, si existen muchos o pocos puntos de cambio, la aleatoriedad de la serie es rechazada. La prueba de las corridas de puntos de cambio usan una aproximación normal para la aceptación o rechazo que requiere más de 12 puntos de datos. El resultado de cualquiera de estas dos pruebas es: o No rechazar la hipótesis de que la serie es aleatoria, o o Rechazar la hipótesis con el nivel de significancia dado.

32

El nivel de significancia es la probabilidad de que una hipótesis rechazada sea cierta, es decir, que la prueba rechace la aleatoriedad de las series cuando las series son aleatorias. Existen muchas otras pruebas para la aleatoriedad, algunas de las más sensibles requieren grandes conjuntos de datos, por encima de 4,000 datos. El número de corridas en una serie de observaciones indica la aleatoriedad de aquellas observaciones. o Pocas corridas indican una fuerte correlación, punto a punto. o Varias corridas indican un comportamiento cíclico.

2.9.2 Pruebas para datos distribuidos idénticamente
Cuando se muestrean datos, a menudo es necesario determinar: y Si los datos de un solo conjunto de datos provienen de la misma población (ellos están idénticamente distribuidos) o si éstos representan múltiples poblaciones. y Si dos o más conjuntos de datos pueden ser tratados como si provinieran de la misma población o si es necesario mantenerlos como poblaciones separadas. Existen varias maneras para determinar si los datos provienen de la misma población; éstas son llamadas, algunas veces, pruebas de homogeneidad. Para determinar si los datos de un conjunto de datos están distribuidos idénticamente, pueden usarse dos casos. Caso 1. El primer caso se da cuando en la recolección de datos, al definir un tiempo de una actividad particular o intervalo del evento, se asume que ellos están distribuidos idénticamente. Sobre un análisis más cercano, sin embargo, en algunas ocasiones se descubre que realmente son datos no homogéneos. Ejemplos de conjunto de datos que tienden a ser no homogéneos incluyen: y Tiempos de actividad que son más grandes o más pequeños dependiendo del tipo de entidad a ser procesada.

33

y

Tiempos de llegada que fluctúan en longitud dependiendo de la hora del día o el día de la semana. Tiempo entre fallas y tiempo para reparar donde la falla puede resultar de un número de causas diferentes.

y

En cada una de estos casos, los datos recolectados pueden representar múltiples poblaciones. Probar para ver si los datos están distribuidos idénticamente puede ser hecho de varias maneras. Un enfoque es la inspección visual de la distribución para ver si ésta tiene más de una moda. y Se puede encontrar, por ejemplo, que una grafica de valores de paros observados es bimodal (Figura 2.6). El hecho de que hay dos agrupaciones de datos indica que al menos hay dos causas diferentes de paros, cada una definiendo diferentes distribuciones para el tiempo de reparación. Es probable que después de examinar la causa de los paros, se descubra que algunas fueron debidas a partes atoradas que fueron rápidamente corregidas, mientras que otras fueron debidas a fallas mecánicas que les tomo más tiempo repararlas. y Un tipo de dato no homogéneo ocurre cuando la distribución cambia con el tiempo. Esto es diferente de dos o más distribuciones que se manifiestan sobre el mismo periodo de tiempo como la que es causada por la mezcla de tipos paros. o Un ejemplo de una distribución que cambia con el tiempo puede resultar de un operador que trabaja 20% más rápido en la segunda hora de su turno con respecto a su primera hora. Sobre periodos largos de tiempo, el fenómeno de la curva de aprendizaje ocurre cuando los trabajadores trabajan a un rango más rápido cuando ellos logran experiencia en el trabajo. Tales distribuciones son llamadas no estacionarias o con variante de tiempo debido a su naturaleza de cambio con el tiempo. o Otro ejemplo común de una distribución que cambia con el tiempo, es la tasa de llegadas de los clientes a una instalación de servicio. Las llegadas de los clientes a un banco o una tienda, fluctúan a través del día. Las distribuciones no estacionarias pueden ser detectadas graficando subgrupos de datos que ocurren dentro de un intervalo sucesivo de tiempo. Por ejemplo, llegadas muestreadas cada 34

media hora a un almacén, entre las 10 A.M. y 6 P.M. pueden ser graficadas separadas de las llegadas entre las 9 y 10 A.M., y así sucesivamente (Figura 2.7). Note en esta figura que mientras el tipo de distribución (Poisson) es la misma para cada periodo de tiempo, la tasa (y de aquí el tiempo medio entre llegadas) cambia cada media hora. Si la distribución es de un tipo diferente o pertenece a la misma distribución pero con un valor mayor o menor de la media sobre el tiempo, la distribución es no estacionaria. Este factor deberá ser tomado en cuenta para definir el comportamiento del modelo.

Figura 2.6 Distribución bimodal.

Figura 2.7 Cambio en las llegadas de los clientes entre las 10 A.M. y las 6 P.M.

35

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

2.10 Ajuste de distribución
Una vez que los datos numéricos han sido probados por independencia y correlación, ellos pueden ser convertidos a una forma adecuada para su uso en la simulación. Tomar muestras de datos numéricos que han sido obtenidos de tiempos de actividad, intervalos de llegadas, cantidades en lotes, etc., pueden ser representados en un modelo de simulación de tres maneras. 1. Los datos pueden ser usados exactamente en la manera en que fueron tomados. 36

Utilizar los datos tal y como fueron tomados es relativamente directo pero problemático. Durante la simulación, los valores de los datos son leídos directamente del archivo de datos de la muestra en el orden en que fueron recolectados. El problema con esta técnica es que el conjunto de datos no es lo suficientemente grande para representar la población. Esto también representa un problema a la hora de correr múltiples replicas de un experimento de simulación debido a los grupos separados de datos, los cuales comúnmente no están disponibles, son necesarios para cada replica. Los conjuntos de datos de la muestra tienden a ser usados directamente en una simulación cuando ellos son datos muestreados de otro modelo de simulación relacionado, desde el cual éste recibe su entrada. Esta técnica de modelo particionado en ocasiones es usada en la simulación de grandes sistemas. Los tiempos de salida para entidades en una simulación se convierten en el flujo de llegadas usado para el modelo al que va a alimentar. 2. Una distribución empírica que caracterice los datos puede ser usada. Utilizar una distribución empírica requiere que los datos sean convertidos a una distribución de frecuencia continua o discreta. y Una distribución de frecuencia continua resume el porcentaje de valores que caen dentro de intervalos dados. En este caso de distribución continua los intervalos necesitan no ser iguales en amplitud y En el caso de una distribución de frecuencia discreta es el porcentaje de veces en que ocurre un valor en particular. y Durante la simulación, variables aleatorias son generadas usando una función de distribución continua empírica basada en datos agrupados (Law and Kelton, 2000). Los inconvenientes de utilizar una distribución empírica como entrada para la simulación son dobles. y Un tamaño de muestra insuficiente puede crear un sesgo inclinación artificial o ³encrespamiento´ en la distribución que no represente la verdadera distribución. y Distribuciones empíricas basadas en un tamaño de muestra limitada comúnmente fallan en capturar valores extremos raros que pueden existir en la población de la cual fueron muestreados. 37

o Como regla general, las distribuciones empíricas deberán ser usadas sola para modelar cortes-ásperos o cuando la forma es muy irregular y no permite un buen ajuste a una distribución. 3. El método preferido es seleccionar una distribución teórica que se ajuste de la mejor manera a los datos. Representar los datos usando una distribución teórica involucra el ajuste de los datos a una distribución teórica. Durante la simulación, variables aleatorias son generadas de la distribución de probabilidad para proveer los valores aleatorios simulados. Ajustar una distribución teórica a la muestra de datos suaviza las irregularidades artificiales en los datos y asegura que los valores extremos sean incluidos. Por esta razón, es mejor usar una distribución teórica si un buen ajuste razonable existe. Los programas más populares de simulación proveen utilidades para ajustar una distribución a datos numéricos, de esta manera se libera al modelador de este complicado procedimiento. Un modelador deberá ser precavido cuando utilice una distribución teórica ser generados sean realistas. para asegurar que si una distribución no acotada es usada, los valores extremos que puedan

2.10.1 Distribución de frecuencias
Independientemente de si una distribución empírica o teórica es usada, es una buena idea construir una distribución de frecuencias para obtener una vista resumida de los datos. Entonces una prueba de ajuste puede ser realizada para evaluar si una distribución teórica estándar, como la normal, se ajusta a los datos. Una distribución de frecuencias agrupa o deposita los datos en intervalos o celdas de acuerdo a la frecuencia de ocurrencia. Mostrar la frecuencia con la cual los valores ocurren dentro de cada celda da una clara idea de cómo las observaciones están distribuidas a través del rango de los datos. Las distribuciones de frecuencias pueden ser discretas o continuas. y Distribución de frecuencia discreta Una distribución de frecuencia discreta está limitada a valores específicos. Es decir, sólo frecuencias de un grupo finito de valores específicos son mostrados. Para ilustrar una distribución de frecuencias discreta, suponer que una muestra es tomada sobre el número de entradas de clientes en un restaurante de comida rápida por intervalo de 38

cinco minutos. La Tabla 2.2 resume observaciones hechas durante la hora del almuerzo (entre 11 A.M y 1 P.M.) por cinco días laborales sobre un período de 20 semanas. Las distribuciones de frecuencias pueden ser gráficamente mostradas usando un histograma. Un histograma de una distribución de frecuencias discreta se muestra en la Figura 2.8 con los datos de la Tabla 2.2. Esta grafica fue obtenida usando el software Minitab.
Tabla 2.2 Datos de los clientes Llegadas por intervalo de 5 minutos 0 1 2 3 4 5 Llegadas por intervalo de 5 minutos 6 7 8 9 10 11

Frecuencia 15 11 19 16 8 8

Frecuencia 7 4 5 3 3 1

Histograma de Llegada de clientes
20

15 Frecuencia

10

5

0 0 2 4 6 Llegada de clientes 8 10

Figura 2.8 Histograma de los datos de los clientes mostrados en la tabla 2.2.

39

y

Distribución de Frecuencia continua Una distribución de frecuencias continua define rangos de valores dentro de los cuales los valores de la muestra caen. Se puede construir una distribución continua para la muestra de 100 observaciones de tiempos de inspección (Tabla 2.3) debido a que los valores pueden tomar cualquier valor dentro del intervalo especificado. Un histograma basado en esta distribución de frecuencias se muestra en la Figura 2.9. Ésta figura con 6 intervalos fue creada con el software Stat Fit.
Tabla 2.3 100 observaciones de tiempos de inspección.

0.99 1.3 1.2 0.67 0.67 0.79 1.2 0.6 0.43 1

0.41 0.67 0.98 1.7 0.51 0.78 0.49 1.3 1.6 0.65

0.89 0.64 0.89 1.4 0.72 0.49 0.92 1.3 1.2 0.82

0.59 0.88 0.62 1 0.76 1.1 1.5 1.4 0.49 0.52

0.98 0.57 0.97 1 0.61 0.74 1.1 1.3 0.35 0.52

0.47 0.87 1.3 0.88 0.37 0.97 0.64 0.96 0.41 0.8

0.7 0.43 1.2 0.52 0.66 0.93 0.96 0.95 0.54 0.72

0.94 0.97 1.1 1.3 0.75 0.76 0.87 1.6 0.83 1.2

0.39 1.2 1 0.59 1.1 0.66 1.1 0.58 1.2 0.59

0.92 1.5 0.44 0.35 0.76 0.57 0.5 1.1 0.99 1.6

Figura 2.9 Histograma de frecuencias continuas con 6 intervalos, que se muestran en la tabla 2.3.

40

Note que la distribución de frecuencia y el histograma para la muestra de tiempos de inspección está basada en dividir los datos en 6 intervalos o celdas. Mientras exista una guía para determinar el mejor tamaño de intervalo o tamaño de celda, la cosa más importante es asegurar que las celdas sean suficientes para mostrar una transición gradual en los valores, pero no muchas celdas que haga que la agrupación se convierta en oscura. El número de intervalos debe ser basado en el número total de observaciones y la varianza en los datos. Una regla del pulgar para determinar el número de intervalos es la raíz cubica del doble producto del número de muestras, esto es
3

( 2 N ) . Éste es el método utilizado por default en el

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

2.10.2 Distribuciones teóricas
Como se menciono previamente, puede ser apropiado utilizar una distribución de frecuencias en un modelo de simulación como esta es; como una distribución empírica. Cada vez que sea posible, sin embargo, la distribución subyacente de la cual los datos provienen deberá ser determinada. De esta manera la distribución actual de la población puede ser usada para generar variables aleatorias en la simulación en lugar de confiar sólo en un muestreo de observaciones de la población. Definir la distribución teórica que mejor se ajuste a la muestra de datos es llamado ajuste de la distribución. y Las distribuciones teóricas pueden ser definidas por un simple conjunto de parámetros que comúnmente definen dispersión y densidad. La distribución normal por ejemplo, es definida por un valor medio y un valor de desviación estándar. y Las distribuciones teóricas son continuas o discretas, dependiendo en si un conjunto finito de valores dentro del rango o continuo infinito de posibles valores dentro de un rango puede ocurrir. y Las distribuciones discretas son raramente usadas en sistemas simulados de manufactura y servicio debido a que estas pueden ser definidas por expresiones simples de probabilidad. 41

Antes de discutir como las distribuciones teóricas se ajustan a los datos, es útil tener un entendimiento básico de cuando menos las distribuciones teóricas más comunes. Banks and Gibson (1997) mencionan que existen cerca de 12 distribuciones estadísticas que son comúnmente usadas en la simulación. En este capítulo sólo se hará mención a las siguientes distribuciones, debido a su familiaridad y fácil comprensión: y y y y y Distribución binomial Distribución uniforme Distribución triangular Distribución normal Distribución exponencial

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

Una aplicación común de la distribución binomial en la simulación es para: y y Probar el número de piezas defectuosas en un lote Probar el número de clientes de un tipo particular dentro de un grupo de clientes. 42

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

(b  a) 2 La varianza está expresada por . 12

La función de densidad de probabilidad para la distribución uniforme se muestra en la Figura 2.11.

Figura 2.10 Función de probabilidad de una distribución binomial (n=10, p=0.1).

43

Figura 2.11 Función de densidad de una distribución uniforme.

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

(a 2  m 2  b 2  am  ab  mb) . La varianza está definida por 18

La función de densidad de probabilidad para la distribución triangular se muestra en la Figura 2.12.

44

Figura 2.12 Función de densidad de probabilidad de una distribución triangular.

La debilidad de la distribución triangular es que los valores reales de los tiempos de la actividad raramente son linealmente piramidales, lo que significa que la distribución triangular creará más variación que la distribución verdadera. También, los valores extremos, que pueden ser raros, no son capturados por una distribución triangular. Esto significa que el rango total de valores de la distribución verdadera de la población puede no ser representada por la distribución triangular. Distribución normal La distribución normal (en ocasiones llamada distribución Gaussiana) describe el fenómeno que varia simétricamente por encima y por debajo de la media (de aquí la curva con forma de campana). Mientras que la distribución normal es seleccionada a menudo para definir tiempos de actividad, en la práctica los tiempos de actividad manual son raramente distribuidos normalmente. Ellos están siempre sesgados a la derecha (al final de la cola de la distribución es más largo que el comienzo de la cola). Esto se debe a que los humanos pueden en ocasiones tomar un tiempo significativamente más grande que el de la media, pero comúnmente no mucho menor que el tiempo medio. Ejemplos de una distribución normal pueden ser: y y Mediciones físicas como el peso, altura, diámetro, ancho. Actividades que involucran múltiples tareas (como cargar un camión o llenar una orden de un cliente. 45

La media de una distribución normal está designada por la letra griega mu (µ). La varianza es
W 2 donde W (sigma) es la desviación estándar. La función de densidad de probabilidad se

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

46

Para una distribución exponencial, la varianza es la misma que la media. La función de densidad de probabilidad de una distribución exponencial se muestra en la Figura 2.14.

2.10.2 Ajustando distribuciones teóricas a los datos
Ajustar una distribución teórica a los datos es esencialmente un intento para identificar la distribución subyacente desde cual los datos fueron generados. Encontrar la mejor distribución que se ajuste a la muestra de datos puede ser un poco complicado y no es una ciencia exacta. Afortunadamente, programas como stat fit de promodel o Expertfit de flexsim están disponibles para ajustar automáticamente las distribuciones. La Figura 2.15 muestra una lista relativa obtenida con el software Expert Fit de que tan bien se ajustan las distribuciones a las inspecciones observadas en la Tabla 2.3.

Figura 2.13 Distribución normal.

Figura 2.14 Distribución exponencial.

47

Figura 2.15 Lista relativa de ajuste de distribución a los datos en la tabla 2.3.

Ajustar la distribución es un proceso largo de prueba y error. El procedimiento básico consiste de 3 pasos: 1. Una o más distribuciones son seleccionadas como candidatos para ser un buen ajuste a la muestra de datos. Escoger la distribución que aparenta ajustarse bien a la muestra de datos requiere un conocimiento básico de los tipos de distribuciones disponibles y sus propiedades. También es útil tener una intuición sobre la variable cuyos datos están siendo ajustados. En ocasiones crear un histograma de los datos puede revelar características importantes sobre la distribución de datos. Si, por ejemplo, un

48

histograma de una muestra de tiempos de ensamble parece simétrico en cada lado de la media, una distribución normal puede ser inferida. Mirando el histograma de la figura 2.9, y conociendo las formas básicas de diferentes distribuciones teóricas, se puede decir suponer que los datos vienen de una distribución beta, log normal, o quizá incluso a una distribución triangular. La Figura 2.16 ilustra una comparación visual entre la distribución beta y el histograma de la muestra de 100 datos de los valores de tiempo de inspección. 2. La estimación de parámetros para cada distribución deben ser calculada. Después que un tipo en particular de distribución ha sido seleccionado, se deben estimar los parámetros de la distribución basados en la muestra de datos. En el caso una distribución normal, los parámetros a ser estimados son la media y la desviación estándar, los cuales se pueden obtener calculando el promedio y la desviación estándar de la muestra de datos. Los parámetros son estimados generalmente usando la ecuación de momentos o la ecuación del máxima verosimilitud (Law y Kelton, 2000).

Figura 2.16 Comparación visual entre la distribución beta y el histograma de la muestra de 100 datos de los valores de tiempo de la Tabla 2.3.

49

3. Pruebas de bondad y ajuste son realizadas para asegurarse que tan bien cada distribución se ajusta a los datos. Una vez que una distribución candidata ha sido asociada con sus parámetros, una prueba de bondad de ajuste puede ser realizada para evaluar que tan cerca la distribución se ajusta a los datos. Una prueba de bondad y ajuste mide la desviación de distribución de la muestra de la distribución teórica inferida. Tres pruebas de bondad y ajuste, comúnmente usadas son (Breiman (1973); Banks et al. 2001; Law and Kelton 2000; Stuart and Ord 1991): y y y La prueba chi cuadrada ( x 2 ). La prueba Kolmogorov-Smirnov. La prueba Anderson-Darling.

Cada una de las tres pruebas de bondad de ajuste comienza con la hipótesis nula de que el ajuste es bueno y calcula una prueba estadística para comparación a un estándar. Para probar la hipótesis nula, se selecciona un nivel de significancia, el cual es la probabilidad de hacer un error tipo 1, es decir rechazar la hipótesis nula cuando esta es cierta. Enunciado de una manera diferente, es la probabilidad de que se pueda cometer el error de rechazar una distribución que está bien ajustada. Por consiguiente, entre más pequeño sea este valor, es menos probable que se rechacé cuando se debe aceptar. La prueba estadística más común de bondad de ajuste es la prueba de la chi-cuadrada. La prueba de bondad de ajuste chi-cuadrada, es una prueba versátil que puede ser usada para realizar una prueba de hipótesis para distribuciones tanto discretas como continuas. Es también útil para determinar independencia de datos. La prueba chi-cuadrada básicamente compara la distribución de frecuencia de la muestra de datos de manera que el mismo número de puntos de datos sería distribuido si los datos vinieran de la distribución inferida. La prueba chi-cuadrada de bondad de ajuste, puede ser resumida en nueve pasos: 1. Analizar los datos e inferir una distribución adyacente. 2. Crear una distribución de frecuencias de los datos con celdas equiprobables basadas en la distribución inferida. 3. Calcular la frecuencia esperada ( ei ) para cada celda. 50

4. Ajustar las celdas si es necesario tal que todas las frecuencias esperadas sean cuando menos 5. 5. Calcular el estadístico de prueba chi-cuadrada. 6. Determinar el número de grados de libertad (k-1). 7. Escoger el nivel de significancia deseado ( ). 8. Encontrar el valor crítico de la chi-cuadrada de una tabla de chi-cuadrada. 9. Rechazar la distribución si el estadístico chi-cuadrada excede el valor crítico. Debido a la naturaleza del proyecto los pasos de la prueba chi-cuadrada no serán explicados, pero pueden ser encontrados en el capítulo 6 del libro de Harrell (2004).

2.11 Documentación y aprobación de datos
Cuando crea que todos los datos relevantes han sido recolectados, analizados y convertidos a una forma usable, es recomendable documentar los datos usando tablas, diagramas relacionales, y listas de suposiciones. La fuente de datos deberá también ser anotada. Esta documentación se deberá revisar por aquellos en posición de evaluar la validación de los datos y aprobar las suposiciones hechas. Si se requiere documentación formal entonces es necesario crear un documento separado. Este documento será de ayuda si después es necesario hacer modificaciones al modelo o analizar porque el sistema actual trabaja diferente a la simulación. Además de identificar los datos usados para construir el modelo, el documento debe especificar también los factores que fueron excluidos deliberadamente del modelo y porque eran insignificantes o irrelevantes. Por ejemplo, si los tiempos de paro no son incluidos en la descripción del sistema debido a que se perciben insignificantes, el documento deberá declarar esto. La justificación por omisión también deberá ser incluida si es necesario. Declarar por que ciertos factores son excluidos de la descripción del sistema ayudara a resolver más tarde preguntas que tal vez surjan, relativo a las premisas del modelo. Revisar y aprobar los datos de entrada puede ser una tarea que consuma tiempo y difícil, especialmente si se hicieron muchas suposiciones. En la práctica, la validación de los datos termina siendo más un proceso de construcción-consenso donde se busca un acuerdo tal que los datos sean suficientemente buenos para los propósitos de la simulación. El documento de 51

los datos no es un documento estático, más bien es uno dinámico que cambia frecuentemente con la construcción del modelo y con experimentación posterior. La mayoría de los programas proveen la capacidad de escribir comentarios en el modelo.

52

Capítulo 3 Conceptos generales de simulación
3.1 Introducción
En la realización de un proyecto de residencias es necesario conocer y comprender las técnicas o herramientas de Ingeniería Industrial que van a ser utilizadas, con el objetivo de que el alumno aplique de una forma correcta las técnicas o herramientas que se determinaron utilizar para poder resolver el problema central del proyecto.

3.2 La técnica de Simulación
La simulación es una técnica de modelación y análisis usada para evaluar y mejorar los sistemas dinámicos de todos los tipos (Harrell, 2004). Ésta ha crecido desde ser una relativamente oscura tecnología usada por unos cuantos especialistas, a una ampliamente aceptada herramienta, usada por los responsables de toma de decisiones en todos los niveles de una organización. Cuando las relaciones que componen el modelo que representa el sistema real son simples, es posible usar métodos matemáticos (tales como álgebra, cálculo, teoría de la probabilidad, modelos de teoría de colas, etc.) para obtener la información exacta de las cuestiones de interés; esto es llamado una solución analítica. Sin embargo, la mayoría de los sistemas de la vida real son tan complejos para permitir que los modelos realistas sean evaluados analíticamente; estos modelos deben ser estudiados por medio de la simulación. En una simulación se usa una computadora para evaluar un modelo numérico, y los datos son colectados para estimar las características reales deseadas del modelo. El uso moderno de la palabra simulación data de 1940, cuando los científicos Von Neuman y Ulam trabajaban en el proyecto Monte Carlo, durante la segunda guerra mundial. Ellos resolvieron problemas de reacciones nucleares mediante la simulación, ya que una solución experimental sería muy cara y el análisis matemático demasiado complicado. Con la invención de la computadora y su utilización en los experimentos de simulación, surgieron incontables 53

aplicaciones y por consiguiente el uso de la simulación se ha incrementado enormemente.

3.2.1 Definiciones de simulación
Existen muchas definiciones que varios autores manejan sobre el concepto de simulación. Las siguientes definiciones, ayudarán a la comprensión de los alcances de esta técnica empleada para la solución de problemas: y Christopher A. Chung, la define como: ³El análisis y modelado por simulación es el proceso de creación y experimentación con un modelo matemático computarizado de un sistema físico´. (Chung, 2004:2). y H. Maisel y G. Gnignol la definen como: ³Simulación es una técnica numérica para realizar experimentos en una computadora digital. Estos experimentos involucran ciertos tipos de modelos matemáticos y lógicos que describen el comportamiento de sistemas de negocios, económicos, sociales, biológicos, físicos o químicos a través de largos periodos de tiempo." (Coss Bu, 2005:12). y Jerry Banks la define como: "La Simulación es la imitación de la operación de un proceso o sistema de la vida real a través del tiempo´. (Banks, 1998:3). y Robert E. Shannon la define como: "Simulación es el proceso de diseñar un modelo de un sistema real y realizar experimentos con él para entender el comportamiento o evaluar varias estrategias (dentro de los límites impuestos por un criterio o por un conjunto de criterios) para la operación del sistema´. (Shannon, 1988:11). La simulación involucra la generación de una historia artificial del sistema y él análisis de esta historia para establecer inferencias concernientes a las características de operación del sistema real bajo estudio. La simulación es usada para describir y analizar el comportamiento de un sistema; responde a la pregunta ¿qué pasa si? sobre el sistema real, además, ayuda en el diseño de sistemas reales, de esta manera pueden ser modelados tanto sistemas existentes como conceptuales mediante la simulación. 54

3.2.2 Propósitos de la simulación
El modelado de simulación y análisis de diferentes tipos de sistemas, son conducidos con los objetivos de (Chung, 2004): y Comprender mejor la operación de un sistema. Algunos sistemas son tan complejos que es difícil entender la operación e interacciones dentro del sistema sin un modelo dinámico. En otras palabras, puede ser imposible estudiar el sistema deteniéndolo o examinando los componentes individuales por separado. Un ejemplo típico de esto podría ser el tratar de intentar entender como los cuellos de botella de procesos industriales ocurren. y Desarrollar políticas de operación y recursos. Se puede tener un sistema existente que es entendible pero que se desea mejorar. Dos formas fundamentales de hacer esto son cambiar las políticas de recursos o de operación. Los cambios de políticas de operación podrían incluir prioridades de programación diferentes para órdenes de trabajo. Los cambios de políticas de recursos podrían incluir personal necesario o programación por intervalos. y Probar nuevos conceptos. Si un sistema todavía no existe, o se considera la compra de nuevos sistemas, un modelo de simulación puede ayudar a tener una idea de que tan bien el sistema propuesto funcionará. El costo de modelar un nuevo sistema puede ser muy pequeño en comparación con la inversión de capital implicada en la instalación de cualquier proceso significativo de fabricación. Los efectos de diferentes niveles y costos de equipo pueden ser evaluados. Además, el uso de un modelo de simulación antes de la realización puede ayudar a refinar la configuración del equipo elegido. Actualmente, varias compañías requieren que los vendedores de equipo de manejo de materiales desarrollen una simulación de sus sistemas propuestos antes de la compra. El modelo de simulación es usado para evaluar las afirmaciones de los vendedores. Incluso después de la instalación, el modelo de simulación puede ser útil. La compañía puede usar el modelo de simulación para ayudar a identificar problemas cuando el sistema instalado no funciona como lo prometido. y Obtener información sin interrumpir el sistema actual. 55

Los modelos de simulación son posiblemente el único método disponible para la experimentación con sistemas que no pueden ser alterados. Algunos sistemas son tan críticos o sensibles que no es posible hacer algún tipo de cambio en las políticas de operación o recursos del sistema a analizar. El ejemplo clásico de este tipo de sistema sería el punto de control de seguridad en un aeropuerto comercial. La experimentación física del sistema tendría un serio impacto en la capacidad operacional o la eficacia de seguridad del sistema.

3.2.3 Clasificación de la simulación
La siguiente clasificación de la simulación se basa en los tipos de modelos de simulación, clasificándolos en tres diferentes dimensiones (Law y Kelton, 2007): y Modelos de simulación estáticos y dinámicos. o Modelo estático. Es aquel en el que las variables del modelo no cambian con el tiempo. Un modelo de simulación estático es una representación de un sistema en un tiempo particular, o uno que puede ser usado para representar un sistema en el cual el tiempo simplemente no juega un papel. Ejemplo: La distribución de planta de una fábrica. o Modelo dinámico. Es aquel en el que las variables del modelo si cambian con el tiempo. Representa un sistema que evoluciona con el tiempo. Ejemplo: Los modelos de colas. y Modelos de simulación probabilísticos y determinísticos. o Modelo probabilístico. Es aquel que contiene variables aleatorias que son definidas por una función de probabilidad. Ejemplo: Simulación de un banco. o Modelo determinístico. Es aquel que contiene variables matemáticas que se conocen con certeza. Ejemplo: Simulación de una línea de ensamble controlada por robots. Modelos de simulación discretos y continuos. o Modelo discreto. Es aquel en que el estado de las variables cambia en determinados puntos separados en el tiempo, que pueden ser contados. Ejemplo: Simulación de un banco. 56

y

o Modelo continuo. Es aquel en que el estado de las variables cambia continuamente con respecto al tiempo. Ejemplo: Proceso químico en el cual la temperatura y la presión cambian continuamente a través del tiempo.

3.2.4 Pasos de un estudio de simulación
Se han escrito por varios autores competentes en simulación los pasos necesarios para realizar un estudio de simulación, por lo que no hay una regla estricta de cómo realizarlo. Un estudio de simulación no es un simple proceso secuencial. Cuando se empieza con un estudio de simulación, puede ser necesario regresar a un paso previo. En la Figura 2.1 se muestran los pasos de un estudio de simulación propuestos por Law y Kelton (2007), y en los párrafos siguientes se brinda una descripción detallada de cada éstos: 1. Formular el problema y planear el estudio. Cada estudio de simulación empieza con una definición del problema a resolver. Para poder realizar una correcta formulación del problema y posteriormente realizar la planeación del estudio de simulación, se debe seguir lo siguiente: a. El problema de interés es seleccionado por el director o gerente de la empresa. b. Una o más reuniones iníciales para el estudio son conducidas, con asistencia del responsable del proyecto, el analista de simulación y el experto en el tema. En éstas reuniones los siguientes puntos son discutidos: o Los objetivos globales del estudio. o Preguntas específicas que deben ser contestadas por el estudio. o Medidas de desempeño que serán usadas para evaluar le eficacia de las diferentes configuraciones del sistema. o Alcance o propósito del modelo. o Configuraciones del sistema a ser modeladas. o Software a ser usado. o Marco de tiempo para el estudio y los recursos requeridos. 2. Colectar datos y definir un modelo. Una vez que el problema y la planeación del estudio han sido aceptadas, se procederá a empezar la recolección de datos y definir el modelo de simulación, para ello se deben seguir los siguientes pasos: 57

Colectar información sobre la distribución de planta del sistema y procedimientos de operación. a. Realizar un diagrama de flujo del sistema a modelar. b. Colectar datos (si es posible) para especificar los parámetros del modelo y las distribuciones de probabilidad de los datos. c. Delinear la información y datos mencionados arriba en un documento apropiado, el cual es el modelo conceptual. d. Colectar datos (si es posible) sobre el desempeño del sistema existente (para la validación de objetivos indicados en el paso 6). e. Definir por escrito en un documento los supuestos del modelo, con el objeto de establecer cuáles son las condiciones o aspectos del sistema que van a ser tomadas en cuenta en la definición del modelo de simulación. f. Definir el nivel del detalle del modelo, el cual dependerá de lo siguiente: o Objetivos del proyecto. o Medidas de desempeño. o Disponibilidad de datos. o Restricciones de la computadora. o Opiniones de los expertos en la materia. o Restricciones de tiempos y dinero. o Evitar el forzar una correspondencia uno a uno entre cada elemento del modelo y el correspondiente elemento del sistema. o Interactuar con el gerente (y otro personal clave del proyecto) de un modo regular. 3. Verificar que el modelo conceptual es válido. La verificación consiste en checar si la operación del modelo es una representación compatible del sistema que se está modelando. La verificación del modelo con el objeto de validarlo se puede realizar con los siguientes pasos:

58

Figura 3.1 Pasos de un estudio de simulación. Fuente (Law y Kelton, 2007).

59

a. Desarrollar una explicación estructurada del modelo conceptual usando el documento de los supuestos expertos en el tema. b. Ayudar a asegurar que los supuestos del modelo son correctos y completos. c. Fomentar la pertenencia del modelo. d. Entender el diagrama de flujo del modelo antes del inicio de la programación para evitar reprogramaciones significativas mas tarde. 4. Construir un programa de cómputo y verificar. Validado el modelo conceptual se procede a la construcción de éste a una forma computarizada. Para ello se siguen los siguientes pasos: a. Programar el modelo en un lenguaje de programación (ejemplo, C o Fortran) o en un software de simulación (ejemplo: Flexsim, Promodel, Arena, Automod, etc.). Los beneficios de usar un lenguaje de programación es que tienen un bajo costo de compra, además, se obtiene un modelo con un tiempo de ejecución más pequeño. El uso de un software de simulación, por otro lado, reduce los tiempos de programación y se obtiene un proyecto con un costo menor. b. Verificar (depurar) el programa computacional de simulación. 5. Hacer corridas piloto. Hacer corridas piloto para los intereses de validación del paso 6. Con estas corridas se incrementa la experiencia del modelador en el uso del modelo de simulación y por consiguiente se empieza a tener expectativas respecto a las salidas del modelo en términos cuantitativos y cualitativos, además de proveer resultados que puedan ser usados para planear varios aspectos de corridas posteriores, así como proporcionar ayuda para validar el modelo de un sistema existente. 6. Probar si el modelo programado es válido. Una de las principales etapas de un estudio de simulación es la validación del modelo programado. A través de esta etapa es posible detallar deficiencias en la formulación del modelo o en los datos alimentados del modelo, con el objetivo de que el modelo de simulación sea una representación exacta del sistema real. Esta validación puede ser realizada a través de alguno de los siguientes pasos: ante una audiencia de gerentes, analistas y

60

a. Si hay un sistema existente, entonces comparar las medidas de desempeño del modelo y el sistema existente. b. Independientemente de que si hay un modelo existente, el analista de simulación y el experto en el tema deben revisar los resultados del modelo para su corrección. c. Usar el análisis de sensibilidad para determinar que los factores del modelo tienen un impacto significativo sobre las medidas de desempeño y, por consiguiente, debe ser cuidadosamente modelado. 7. Diseño de experimentos. La realización de la experimentación con el modelo de simulación se realiza después de que éste ha sido validado. Con esta experimentación se logra obtener el número de corridas de simulación que deben ser ejecutadas para cada alternativa para obtener el grado de precisión deseado de las medidas de desempeño elegidas. Para la experimentación del modelo de simulación se debe especificar lo siguiente para cada configuración del sistema de interés: a. Margen de error máximo aceptado de cada medida de desempeño. b. Longitud de cada corrida. c. Longitud del periodo de precalentamiento, si este es apropiado. d. Número de corridas independientes de simulación usando diferentes números aleatorios, esto facilita la construcción de intervalos de confianza. 8. Hacer corridas del programa. Este paso involucra la realización de paso 9. 9. Analizar los datos de salida. Los resultados obtenidos de las corridas del modelo de simulación, con base en las medidas de desempeño tienen dos objetivos principales: a. Determinar el desempeño absoluto de configuraciones del sistema definitivas. b. Comparar las configuraciones alternativas del sistema en un sentido relativo. 10. Documentar, presentar y usar resultados. las corridas de simulación del modelo determinadas en el paso 7. Las corridas de producción son realizadas para usarlas en el

61

La documentación, presentación y uso de resultados del estudio de simulación involucra preparar y escribir un reporte que describa todos los aspectos importantes del estudio, entre los cuales están: a. Documentar los supuestos (paso 2), programa de computadora, y resultados del estudio para usar en el proyecto actual y en futuros proyectos. b. Presentar los resultados del estudio. o Usar animación para comunicar los resultados del modelo a los directivos y a otras personas que no están familiarizadas con todos los detalles del modelo. o Discutir la construcción del modelo y el proceso de validación para promover la credibilidad. c. Usar los resultados obtenidos en el proceso de toma de decisiones, si ellos han sido válidos y creíbles.

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

62

estado i existe la probabilidad de no retornar, a diferencia de los estados recurrentes, que retornarán con certeza) los cuales no son típicos del estado estable. Por consiguiente es necesario establecer claramente las alternativas o cursos de acción que existen para resolver este problema. La forma de atacar este problema sería a través de: o Usar un tiempo de corrida lo suficientemente grande de modo que los periodos transientes sean relativamente insignificantes con respecto a la condición de estado estable. o Excluir una parte apropiada de la parte inicial de la corrida. o Utilizar simulación regenerativa. Las dos primeras alternativas presentan las desventajas de ser prohibitivamente excesivas en costo. Tamaño de la muestra. El tamaño de la muestra es el número de corridas en la computadora. Es uno de los factores principales a considerar en un estudio de simulación. La selección de un tamaño de muestra apropiado que asegure un nivel deseado de precisión y a la vez minimice el costo de operación del modelo, es un problema algo difícil pero muy importante. Es necesario que un análisis estadístico sea realizado para determinar el tamaño de muestra requerido. El tamaño de la muestra puede ser obtenido de dos maneras: 1. Previa e independientemente de la operación del modelo. 2. Durante la operación del modelo y basado en los resultados arrojados por el modelo. Para esta alternativa se utiliza la técnica estadística de intervalos de confianza. y Lenguajes de programación. Las primeras dos etapas de un estudio de simulación se refieren a la definición del sistema a ser modelado y a la descripción del sistema en términos de relaciones lógicas de sus variables y diagramas de flujo. La siguiente etapa consiste en describir el

y

63

modelo en un lenguaje que sea aceptado por la computadora que se va a usar, para ello se tienen dos opciones a seguir sino se tiene un software de simulación: 1. Desarrollar el software requerido para estudios de simulación, 2. Comprar software (lenguajes de programación de propósito especial). Para esta alternativa es necesario analizar y evaluar varios paquetes de simulación, antes de tomar la decisión final. y Diseño de experimentos. Es un tema cuya relevancia en experimento de simulación ha sido reconocida pero raramente aplicado. El diseño de experimentos en los estudios de simulación puede ser de varios tipos, dependiendo de los propósitos específicos que se hayan planteado. Los tipos de análisis requeridos más comunes son los siguientes: o Comparación de las medias y varianzas de las alternativas analizadas. o Determinación de la importancia y el efecto de diferentes variables en los resultados de la simulación. o Búsqueda de los valores óptimos de un conjunto de variables.

3.2.6 Errores comunes al realizar un estudio de simulación
Al realizar un estudio de simulación se puede caer en ciertos errores, lo que ocasiona deficiencias en los resultados obtenidos, los errores más comunes son (Law y Kelton, 2007): y y y y y No se definen claramente los objetivos del estudio de simulación. No se detalla adecuadamente el modelo del sistema real que se está simulando. Aplicar simulación sin tener conocimientos de estadística. Creer que la simulación es demasiado compleja. Falta de comunicación con el gerente y gente involucrada en el estudio que se está llevando a cabo. y Demasiada confianza en simuladores que hacen accesible la simulación a todo el mundo. y Usar distribuciones de probabilidad arbitrarias (por ejemplo la distribución normal) como entradas del programa, ya que se asigna lo que se desea, más no lo que realmente debe ser. y Usar medidas de desempeño erróneas por no definir el objetivo. 64

y

Mal uso de la animación, ya que se debe usar para convencer al gerente haciendo a la simulación una técnica entendible.

3.2.7 Ventajas y desventajas de un estudio de simulación
La competencia en la industria de la informática ha producido grandes adelantos tecnológicos que permite a las compañías de hardware producir mejores productos continuamente. Una industria en particular que ha venido presentando esta tendencia ha sido la industria del software de simulación. A la par de que las computadoras han llegado a ser más poderosas, exactas, rápidas y fáciles de usar, el software de simulación también. El número de empresas que usan la simulación se ha incrementando rápidamente. Muchos directivos se han dado cuenta de los beneficios de utilizar la simulación en sus procesos. Además, debido a los avances en software, los directivos de empresas están incorporando la simulación en sus operaciones diarias cada vez más regularmente. El uso de la simulación presenta ventajas y desventajas, a continuación se mencionan algunas de ellas. y Ventajas. o La mayoría de los sistemas reales más complejos son elementos estocásticos y no pueden ser descritos por un modelo matemático; la simulación es el único medio posible para analizar estos sistemas. o A través de un estudio de simulación, se puede estudiar el efecto de cambios internos y externos del sistema, al hacer alteraciones en el modelo del sistema y observando los efectos de esas alteraciones en el comportamiento del sistema. o El tiempo puede comprimirse o expandirse en los modelos de simulación, un proceso puede ser simulado en segundos, minutos u horas en una computadora, de acuerdo a las necesidades del proceso, esto permite que un gran número de alternativas simuladas puedan ser investigadas y los resultados pueden estar disponibles pronto. o La observación detallada del sistema simulado puede conducir a un mejor entendimiento del sistema y, por consiguiente, a sugerir estrategias que mejoren la operación y eficiencia del sistema.

65

o La simulación de sistemas complejos puede ayudar a entender mejor la operación del sistema, a detectar las variables más importantes que interactúan en el mismo, y a entender mejor las interrelaciones entre estas variables. o El concepto de simulación es más fácil e intuitivo de entender, por tanto los clientes son más receptivos de usar la simulación que el modelo matemático. Como resultado, los clientes se inclinan a implementar recomendaciones basadas en simulación, en vez de resultados de los modelos basados en matemáticas, que ellos no pueden entender y cuyos resultados no pueden confiar. o Cuando nuevos elementos son introducidos en un sistema, la simulación puede ser usada para anticipar cuellos de botella o algún otro problema que puede surgir en el comportamiento del sistema. y Desventajas o La construcción del modelo requiere entrenamiento especial. La simulación es un arte que es aprendido con el tiempo y a través de la experiencia. Adicionalmente, si dos modelos del mismo sistema son construidos por dos individuos competentes, ellos deben tener similaridades, pero es altamente improbable que los modelos serán lo mismo. o Los resultados de la simulación pueden ser difíciles de interpretar. Puesto que la mayoría de las salidas de la simulación son variables esencialmente aleatorias (ellas son usualmente basadas en entradas aleatorias), puede ser difícil determinar si una observación es un resultado de las interrelaciones del sistema o de la aleatoriedad. o El modelado y análisis de simulación puede consumir demasiado tiempo y ser costoso. Escatimar en recursos para el modelado y análisis puede resultar en un modelo y análisis de simulación que no es suficiente y adecuado al objetivo de estudio.

66

Capitulo 4 Conceptos generales del software Flexsim®
4.1 Introducción
Flexsim es un poderoso programa de simulación que permite visualizar y probar cambios en las operaciones y los procesos de logística, manejo de materiales, y manufactura de la manera más rápida y sencilla evitando los altos costos, riesgos y extensos tiempos que conllevan el experimentar con cambios en el mundo real y su análisis por prueba y error. Flexsim es un software de simulación verdaderamente orientado a objetos que sirve para construir modelos que te ayudan a visualizar el flujo de los procesos, optimizarlos y generar ahorros. Permite analizar diferentes escenarios y condiciones, encontrando la solución más conveniente, todo esto en un ambiente gráfico en tres dimensiones (3D), con los últimos avances en tecnología que facilita la comunicación y comprensión de las ideas para una acertada toma de decisiones. Adicionalmente un profundo análisis estadístico del desempeño del proceso, cuellos de botella y de troughput (flujo) está disponible. Gráficas, reportes y estadísticas presentan los resultados del modelo de simulación de una manera clara y precisa. Flexsim representa la mayor innovación en software de simulación de los últimos 10 años, al ofrecer todo el poder, flexibilidad y conectividad. Es la más avanzada tecnología de simulación. Flexsim presenta una extraordinaria facilidad de uso. Permite construir modelos simples y complejos de la forma más rápida y sencilla posible, sin necesidad de conocimientos de programación. La simulación permite manejar valores promedio en los modelos en datos referentes a tiempos de producción, número de productos a surtir por orden, camiones por día a recibir, tiempos de mantenimiento o cualquiera que se desee.

67

La desventaja de utilizar promedios es que no contemplan un efecto muy importante, el de la aleatoriedad y variabilidad. Sabemos que el tiempo de una operación no siempre es exactamente el mismo, así como el tiempo de preparación de una máquina o el que se lleva el revisar la documentación de cierto camión o bien la cantidad de productos que este lleva, por mencionar un ejemplo. Mediante distribuciones de probabilidad se puede representar con gran precisión las variaciones en cantidades y tiempos de los procesos y omitir los errores en la determinación de capacidades, programas de producción, fechas de entrega, balanceo de líneas, identificación de cuellos de botella o diseños de layout (mapa o croquis) debido al uso de valores promedio, lo que permite que el modelo de simulación represente fielmente la realidad.

4.2 Aprendiendo conceptos del Software de Simulación Flexsim
4.2.1 Terminología de Flexsim
Objetos de Flexsim Los objetos de Flexsim se encuentran la biblioteca de objetos (Object Library) que es un panel cuadriculado. Incluyen: Source (fuente), Queu (fila o buffer de acumulación), Processor (máquina), Sink (salida), SplineConveyor, Conveyor (transportador o banda transportadora), NetworkNode (nodo de red de caminos), Crane (grúa viajera), ASRSvehicle (Automated Storage and Retrieval System (ASRS) es un vehículo robotizado que traslada y posiciona tarimas), VisualObject (objeto visual), VisualText (texto visual). Los objetos de Flexsim se pueden simplemente arrastrar y soltar. Flowitems Son los objetos que se mueven a través de tu modelo. Los flowitem pueden ser partes, tarimas, ensambles, papel, contenedores o cualquier cosa que fluya a través del modelo. La mayoría de los Flowitems pasan por operaciones del proceso o son trasladados por el modelo mediante recursos de manejo de materiales. Se definen globalmente en Flexsim y son generados por el objeto source. 68

Itemtype Es una especie de ³etiqueta´ que tiene el flowitem que contiene cierta información como puede ser el número del código de barras, tipo de producto, peso, destino, SKU, costo, precio o un número de parte por nombrar algunos ejemplos. Flexsim está preparado para tomar decisiones en base al Itemtype como puede ser definir la ruta según el valor del Itemtype. El flowitem define en general el producto o parte, mientras que el itemtype define la característica individual. Ports Cada objeto de Flexsim tiene un número ilimitado de puertos a través de los cuales se comunican con otros objetos. Existen tres tipos de puertos: de entrada (input), de salida (output) y central (central). Los puertos de input y output se usan en el ruteo de los flowitems o bien para crear redes de caminos de tránsito (network paths) para que los sigan los recursos móviles usando los nodos de la red (NetworkNodes). Los puertos centrales son usados para crear referencias de un objeto a otro. Un uso común de los puertos centrales es para referenciar a los objetos móviles (operators, transporters, cranes y ASRSvehicles) en lugar de a los recursos fijos (processor, queues, o conveyors). Los puertos son creados y conectados haciendo click en un objeto y arrastrando el puntero del mouse hasta el segundo objeto, mientras se presiona alguna letra del teclado. Si la letra ³A´ se presiona mientras se hace el arrastre del mouse, se creará un puerto de salida (output port) en el primer objeto y un puerto de entrada (output port) en el segundo objeto. Estos dos puertos quedarán conectados automáticamente. Estos son puertos que indican el flujo del producto o flowitem. Las conexiones de flujo creadas presionando la letra ³A´, que son los puertos de flujo de entrada y salida, se pueden romper y los puertos borrar si se arrastra el puntero al seleccionar el primer objeto y se dirige al segundo objeto mientras se presiona la letra ³Q´. Manteniendo presionada la letra ³S´ mientras se arrastra el puntero de un objeto a otro se crea un puerto central (central port) en ambos objetos que conecta a los dos nuevos puertos. 69

Los puertos centrales son utilizados generalmente para conectar a los objetos que harán operaciones o los transportes de los flowitems. Las conexiones de los puertos centrales se pueden romper y los puertos borrar si se arrastra el puntero al seleccionar el primer objeto y se dirige al segundo objeto mientras se presiona la letra ³W´ (que es la letra que se ubica arriba de la letra ³S´ en el teclado).

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

4.4 Navegación con el mouse
Botón izquierdo del mouse Si se selecciona el layout se mueve el modelo en el plano X-Y. Si se selecciona un objeto este se moverá en el plano X-Y. Botón derecho del mouse Si se selecciona el layout se rota en X-Y-Z. Si selecciona un objeto se rotará en las mismas coordenadas. Botones izquierdo y derecho del mouse simultáneos Si se presionan ambos botones simultáneamente sobre el layout hacen un zoom de acercamiento o alejamiento, según se mueva el mouse hacia el frente o hacia atrás (lo mismo

70

sucede si se presiona el botón tipo rueda del mouse). Si se selecciona un objeto y se presionan ambos botones se puede cambiar la altura en eje Z del objeto.

4.5 Tecla F7
Presionar la tecla F7 activa el modo de vuelo en el modelo. Cuando se está en ese modo se puede mover el mouse hacia arriba para ir hacia delante, hacia abajo para ir hacia atrás, a la izquierda para ir en esa dirección o a la derecha para ir en la dirección contraria. Estando en este modo también se puedan utilizar todas las funciones anteriores de movimiento, rotación y zoom. Para salir del modo de vuelo se presiona de nuevo la tecla F7.

4.6 Librería de Objetos de Flexsim
Source Descripción: Source (fuente) es utilizado para crear flowitems o productos que viajan por el modelo. Cada source crea un tipo de flowitem y le puede asignar propiedades tales como el color o el número de itemtype. El modelo debe tener por lo menos un Source. Puede crear flowitems definidos por una tasa ínter arribos, según una lista de programación de arribos o simplemente por una secuencia de arribos o llegadas.

Sink Descripción El sink es utilizado para destruir los flowitems o productos que finalicen el proceso en el modelo. Una vez que el flowitem se introduce al sink, no puede ser recuperado. Cualquier recolección de datos de los flowitems que van a salir del modelo debe ser antes de que el flowitem ingrese al sink o en el disparador de lógica de entrada del sink, llamado OnEntry trigger.

71

Queue Descripción El queue (fila) sirve para almacenar flowitems cuando el siguiente objecto no los puede recibir todavía. La opción predeterminada del queue permite que los Objetos operen bajo una regla de primeras entradas primeras salidas (fifo, first- in first- out), es decir que el flowitem que ha esperado más tiempo por llegar al siguiente objecto será el primer en continuar su camino hacia el objeto. Estos criterios se pueden modificar. Adicionalmente el queue tiene la opción para acumular los ítems en un lote o batch antes de liberarlos hacia los objetos siguientes. Conveyor Descripción Este conveyor (transportador) también transporta flowitems a través de él, su forma se define creando diferentes secciones y definiendo para cada sección su longitud, altura, si es recta o curva. Si esa sección es curva se le define el ángulo y radio. Esto permite definir la forma numéricamente a diferencia del SplineConveyor, que se hace según los spline points y los movimientos del mouse. Puede ser acumulativo o no acumulativo. Processor Descripción El processor (procesador) simula un lugar de operación o una máquina. Cualquier proceso es simplemente modelado al forzar a los flowitems a un tiempo de espera determinado, que es el tiempo de la operación. Puede contener más de un flowitem al mismo. Se pueden definir tiempos de preparación o setups, tiempos de operación y de paro o mantenimientos. Pueden llamarse a uno o varios operadores para hacer estas funciones. Cuando el processor tiene un paro por descompostura, todos los flowitems que esté procesando en ese momento serán demorados hasta que sea reparada.

MultiProcessor Descripción El MultiProcessor (multiprocesador) permite definir varios procesos subsecuentes que se llevan a cabo en ese mismo lugar. A cada proceso se le puede definir su nombre y su duración. 72

Así mismo se puede especificar para cada proceso si se requiere o no de uno o varios operadores. Combiner Descripción El combiner (combinador) es utilizado para agrupar y juntar múltiples flowitems. Puede tanto ensamblar o juntar (join) los flowitems definitivamente o bien agruparlos o empacarlos (pack) con la posibilidad de volverlos a separar más adelante en el proceso. El combiner primero debe aceptar un solo flowitem a través del puerto de entrada 1 antes de aceptar los subsecuentes flowitems que se deseen a través de los puertos 2 o puertos superiores. Únicamente después de recibir a todos los subsecuentes flowitems que se desean empiezan los tiempos de Setup y de proceso que se hayan requerido. Se le puede pedir al combiner que llame a ciertos operadores durante los tiempos de preparación, proceso y reparación.

Separator Descripción El separator (separador) es usado para separar o cortar un flowitem en múltiples partes. Esto puede ser realizado al desempacar un flowitem anteriormente empacado por un combiner (unpack) o bien al crear múltiples copias del flowitem original (split), que también podrían simular un corte del flowitem original que se convertirá en varias piezas. Tanto el proceso de desempaque como el de corte serán efectuados hasta que el tiempo de proceso definido haya sido completado. El separator puede llamar a operadores para preparación, proceso y reparación. Rack Descripción El rack sirve para almacenar flowitems tal como se hace en los racks de un almacén o bodega. El número y tamaño de las bahías y los niveles de los racks pueden ser definidos por el usuario. También se puede especificar en qué bahía y nivel del rack acomodar los flowitems. Si se utiliza un transporte para acomodar o recoger el producto del rack, este transporte irá hasta la posición correcta automáticamente. 73

Reservoir Descripción Un reservoir (depósito) se usa para almacenar flowitems tal como si estuvieran en un tanque. Tanto la tasa de flujo de entrada al reservoir como la de salida del mismo pueden ser especificadas por el usuario. Se pueden definir varios eventos que ocurran en ciertas condiciones, por ejemplo cuando el nivel del tanque sobrepase, llegue o baje a ciertos niveles definidos por el usuario. Dispatcher Descripción Un dispatcher (despachador) controla un grupo de transportes u operadores. Las solicitudes de actividades o tareas (task request) son enviadas al dispatcher por un objeto y el dispatcher las delega a los operadores o transportes que controla. Las tareas serán desempeñadas por el operador o transporte que finalmente reciba la solicitud. Operator Descripción Un operador (operador) o varios pueden ser llamados para ser utilizados durante los tiempos de preparación, proceso o reparación. Permanecerán con el objeto que los llamó hasta que sean liberados al terminar su actividad. Una vez liberados pueden ir a trabajar con otros objetos si son llamados o solicitados. También pueden ser usados para transportar flowitems entre objetos. Los operadores buscarán el camino más corto para llegar a los objetos o bien se les puede definir caminos mediante una red o network si se necesita que sigan ciertos trayectorias al trasladarse. Transporter Descripción El transporter (transporte) es usado principalmente para trasladar flowitems desde un objeto a otro. Puede llevar uno o varios al mismo tiempo. Un solo transporte puede recibir una o varias solicitudes de tareas (task request) de los diferentes objetos del modelo. Estas tareas son almacenadas en una fila imaginaria para que el transporter las atienda. Cuando el transporte 74

finaliza una tarea puede comenzar inmediatamente la siguiente tarea que esté en la fila o bien esperar a recibir una tarea nueva si no tiene pendiente ninguna. En algunos casos requeriremos que un despachador o dispatcher maneje las solicitudes de tareas y en otros dejaremos que el mismo transporte lo haga directamente sin la ayuda del dispatcher. Los transportes buscan el camino más corto al trasladarse, pero también se les puede especificar el camino a seguir definiendo una red y sus nodos (network node). Crane Descripción Un crane (grúa viajera) tiene funcionalidades similares a un transporte. La grúa trabaja en un espacio definido con movimientos en los ejes x, y, z. Simula cualquier grúa guiada por rieles. Por default, el crane picker o dispositivo de agarre de la grúa se eleva hasta la altura de la grúa después de recoger o de dejar un flowitem antes de trasladarse a la siguiente locación. Para mayor control sobre los movimientos del crane picker, se pueden utilizar los networknodes. ASRSvehicle Descripción El Automated Storage and Retrieval System (ASRS) es un tipo especial de transporte especialmente diseñado para trabajar con racks llamado ASRSvehicle en Flexsim. El ASRSvehicle se moverá a lo largo de un pasillo entre dos racks recogiendo y almacenando flowitems en ellos. Los movimientos de alcance, levantamiento y viaje se ven totalmente animados. Los movimientos de levantamiento y traslado ocurren simultáneamente, pero el de alcance solo será ejecutado cuando después de que el ASRSvehicle está totalmente detenido en la posición requerida. Se puede conectar el ASRSvehicle, los objetos y racks a los que sirve a un solo y exclusivo networknode para definir la posición a partir de la cual se puede mover. Elevator Descripción El elevator (elevador) es otro tipo especial de transporte que transporta flowitems hacia arriba y hacia abajo. Automáticamente viaje al nivel desde donde los flowitems necesitan ser recogidos o dejados. Los flowitems se ven animados al entrar o salir del elevador, lo que 75

permite apreciar mejor el tiempo de carga y descarga de los flowitems una vez que el elevador llega al nivel deseado. Robot Descripción Un robot es un transporte especial que traslada los flowitems desde su locación inicial y los coloca en su locación destino. Generalmente la base del robot no se mueve. En su lugar el brazo del robot rota mientras transporta los objetos. El brazo del robot está compuesto por dos segmentos que se mueven ya sea para alcanzar el flowitem que se quiera transportar o para llegar al destino. La longitud de los brazos puede ser definida por el usuario, así como la velocidad a la cual el robot rota y extiende el brazo. NetworkNode Descripción Los NetworkNodes (nodos de red) son utilizados para definir una red de caminos o rutas que los transportes y los operadores pueden seguir. Los caminos pueden ser modificados usando los spline points para hacer las rectas, curvas y elevaciones que se necesiten. Por default los objetos que viajan en la red seguirán el camino más corto entre el origen y el destino, en el caso que tengan varios caminos de la misma red para llegar. El camino entre dos nodos puede ser en un solo sentido o en ambos. En un nodo se le puede definir el número de transportes inactivos que puede tener, tipos de conexión y el espacio entre los transportes en esas conexiones. Visual Tool Descripción El VisualObject (objeto visual) no son objetos de modelaje, sino simplemente son gráficos utilizados para decorar el escenario del modelo para efectos de brindar una apariencia más real. Pueden ser utilizados como paredes, pisos, máquinas, gente, carros, árboles o lo que se desee. Pueden ser tan simples como un cubo con cierto color o bien un gráfico importado en tercera dimensión (archivos .3DS, WRL, .DXF o .STL). Puede modificarse la forma, tamaño, color, luminosidad, textura, rotación o el gráfico importado. Al crear un modelo puede ser 76

conveniente seleccionar una propiedad que no permite mover el objeto visual y lo deja fijo. También permite mostrar texto en el layout del modelo. Este texto tridimensional puede ser rotado y su tamaño modificado como cualquier otro objeto. El usuario puede escoger entre mostrar un texto simple o bien una cadena de texto muy elaborada que incluya una o más variables del modelo que cambien dinámicamente, mostrando información actualizada. El texto visual contiene una larga lista de opciones predefinidas para mostrar la mayoría de las variables del modelo, pero siempre permite modificarlas según las necesidades del usuario. Se puede cambiar el tipo de texto, tamaño, color, y la distancia a la que se ve.

77

Capítulo 5 Aplicación de la metodología de simulación al sistema de recolección de residuos sólidos
5.1 Introducción
Gracias al avance tecnológico de la computación, la simulación se ha convertido en una poderosa herramienta de análisis de diversos sistemas, ya que provee una manera de solucionar problemas que de otra manera seria difícil o imposible de hacer, dada la complejidad de los mismos. Entre los sistemas complejos, los cuales están formados de elementos (conjuntos) dinámicamente relacionados con la finalidad de lograr un objetivo, se encuentran los: y y y y Sistemas logísticos. Sistemas políticos. Sistemas empresariales, y desde luego, Sistemas de recolección de residuos sólidos.

El sistema de recolección de residuos sólidos es un sistema complejo, dado que cuenta con una gran cantidad de variables que en la realidad sería muy difícil o casi imposible de analizar y consumiría una gran cantidad de tiempo, si no se hace el análisis por medio de la simulación. La recolección de residuos sólidos urbanos, que es una parte esencial en cualquier ciudad, ya sea grande o pequeña, es una de las actividades que más tiempo y recursos consume del gobierno, además de que es uno de los servicios que tiene un gran impacto en una ciudad, tanto social como económicamente, debido a que las estadísticas mencionan que una persona genera aproximadamente 2.2 Kg de residuos cada día (SEMARNAT, 2010) y que esto puede agravarse debido a la creciente urbanización por el incremento de la población. Este capítulo mostrara como se aplicó la metodología de simulación para desarrollar un modelo de simulación que muestra la situación actual del sistema logístico de recolección de 78

residuos sólidos del mercado Zapata. Este capítulo concluye con los resultados obtenidos de la metodología de simulación, los beneficios alcanzados y los obstáculos encontrados.

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

79

iii. Construcción del layout y objetos 3D involucrados en el sistema logístico de recolección de residuos sólidos iv. Exportación del layout y objetos 3D a Flexsim v. Construcción del modelo de simulación vi. Verificación del modelo de simulación e. Validación del modelo de simulación i. ii. iii. Aplicación de diseño de experimentos. Realización de corridas del modelo de simulación. Realización del análisis.

f. Correr el modelo de simulación. 5. Análisis y documentación de resultados.

5.3 Detección de las necesidades del sistema logístico del mercado Zapata
Con la finalidad de conocer la situación actual del sistema de recolección de residuos sólidos del mercado Zapata, se realizó un diagnóstico durante el mes de Enero de 2010. El procedimiento utilizado para obtener este diagnóstico fue: 1. Obtención de un panorama general del mercado zapata. 2. Determinación del área de oportunidad. 3. Descripción de la situación problemática.

5.3.1 Obtención un panorama general de sistema de recolección de residuos sólidos
Para obtener un panorama general del sistema de recolección de residuos sólidos del mercado Zapata, se sostuvieron pláticas con algunos trabajadores del mercado Zapata, con lo cual se determinó:
y

El objetivo de estudio. Realizar un modelo de simulación del sistema actual de recolección de residuos sólidos del mercado zapata, y así, con base en éste buscar soluciones que permitan controlar el sistema, tales como la definición y programación de las rutas de recolección de basura de los recolectores, horarios de recolección específicos. 80

y

Las variables del sistema. Las variables definidas para la construcción del modelo de simulación, fueron clasificadas en los rubros siguientes
o o o

Días de la semana Recolectores Camiones recolectores

Días de la semana o Identificación de los días de la semana. En todos los días de la semana existe recolección de residuos sólidos, sin embargo, debido a ciertas características, éstos se dividen en:  Días normales. Los días martes, viernes, y domingo son considerados normales, porque en éstos no existe un incremento de comerciantes.  Días pico o de plaza. Los días miércoles y sábado son considerados como pico o de plaza debido a que en éstos existe un incremento en el número de comerciantes en el mercado.  Días de vaciado del tiradero. Los días lunes y jueves son considerados de vaciado del tiradero ya que en estos días 3 camiones municipales se llevan lo que se recolecto en los días normales y/o en los días pico. Recolectores o Número de recolectores en el mercado Zapata. En el mercado existen un total de 7 trabajadores que son los encargados de realizar la recolección en los alrededores del mercado. o Rutas de recolección. Cada uno de los 7 recolectores tiene una ruta (Figura 5.1) que recorre 4 veces al día para recolectar los residuos sólidos las cuales son mostradas en el modelo de simulación. o Los horarios de trabajo de los recolectores son:   En un día normal o en un día de vaciado es de 9:00 am a 5:00 pm En un día de plaza es de 3:00 am a 11:00 pm para los trabajadores asignados.

81

Ruta 2 Ruta 1

Ruta 3

Ruta 4

Ruta 6 Ruta 7 Ruta 5

Figura 5.1 Rutas de los recolectores del mercado Zapata.

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

82

o Tiempos promedio de entrada y salida de los camiones. El tiempo promedio que tarda en entrar y salir de la zona de recolección es de 5.28 minutos. o Cantidad promedio de basura recolectada por los camiones recolectores. La cantidad promedio de basura recolectada por cada camión es de 16 m 3 . o Tiempo entre llegadas de los camiones. El tiempo promedio que tardan los camiones en ir y regresar del basurero es de 18.36 minutos1.

5.3.2 Determinación del área de oportunidad
La determinación del área de oportunidad nace de las observaciones realizadas por el Dr. Alejandro Alvarado Lassman, durante el desarrollo de su proyecto para el aprovechamiento de residuos sólidos urbanos del mercado Zapata para la creación de biocombustible. Las observaciones detectadas, al ser analizadas por el Dr. Fernando Ortiz Flores, responsable del área de Manufactura de la Maestría en Ingeniería Industrial, eran factibles de solucionar con la aplicación de herramientas de ingeniería industrial. Una de las posibles herramientas, que sirve para analizar si las posibles alternativas de solución pueden dar resultados satisfactorios, o no, es la aplicación de la técnica de simulación. De esta manera, para empezar a ver si era factible aplicar está técnica, se realizaron recorridos al Mercado Zapata y entrevistas con algunos recolectores de los residuos sólidos. Las respuestas y observaciones dieron la pauta para determinar que el área de oportunidad es la simulación del sistema de recolección de residuos sólidos del mercado Zapata para ver cómo se comportarían las soluciones propuestas para mejorar las observaciones detectadas por el Dr. Lassmann, debido a que éstas no pueden ser puestas en práctica, debido a políticas sindicales. Es necesario mencionar que la mejora del sistema de recolección de residuos sólidos es de vital importancia para el funcionamiento de dicho mercado ya que sin éste la suciedad y enfermedades serian predominantes en el mercado y sus alrededores.

En el archivo de Excel, que se encuentra en la siguiente ubicación del cd que se anexa: E:\CD residencias\Informe Técnico\Datos del Mercado segundos y minutos (final).xls, se encuentran las mediciones individuales -en minutos y en segundos- de cada uno de los tiempos a los que se hizo referencia de la variable del sistema ³camiones recolectores´.

1

83

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

5.4 Selección de las herramientas de Ingeniería Industrial a ser utilizadas
En un proyecto de ingeniería industrial, como en cualquier proyecto, es esencial tener claramente definidas las herramientas de ingeniería industrial que van a ser utilizadas, de esta manera, se ha decidido utilizar las siguientes herramientas, para dar solución al área de oportunidad detectada: y La metodología de simulación de Law y Kelton (2007) para desarrollar conceptualmente un modelo de simulación de la situación actual, evaluar y validar estadísticamente los resultados del modelo y, asegurar que éste represente la situación real del área bajo estudio.

84

y

El software de simulación Flexsim para la construcción del modelo de simulación, debido a que su característica de modelación en tres dimensiones permite lograr una mejor visualización del área bajo estudio.

5.5 Apoyo por parte de la empresa en la obtención de la información requerida
Para el apoyo y aprobación de la obtención de toda la información, necesaria para el uso de las herramientas seleccionadas, se tuvo una reunión con los trabajadores del mercado, en la cual se les brindó un panorama de lo que es la técnica de simulación, sus beneficios, además de sus ventajas y desventajas. Adicionalmente se les hizo ver que esta técnica es adecuada para poder evaluar propuestas de mejora del sistema de recolección de residuos sólidos sin requerir que ellos las apliquen realmente. Después de presentarles este panorama general de lo que es la técnica de simulación, se les presentó una programación de actividades propuestas para la realización del presente proyecto. Los apoyos obtenidos, después de las actividades realizadas, fueron los siguientes: y Involucramiento: Se obtuvo el permiso para realizar la toma de datos de los trabajadores que recolectan la basura y de los camiones recolectores de basura. y Apoyo personal: Los trabajadores facilitaron la toma de datos y permitieron que se les pudiera acompañar durante sus viajes en sus rutas de recolección.

5.6 Desarrollo del modelo de simulación de la situación actual
Obtenido el apoyo por parte de la empresa, se empezó a trabajar con la construcción del modelo de simulación de la situación actual sistema de recolección de residuos sólidos. Para la realización de la construcción del modelo se utilizaron como base los 10 pasos de un estudio de simulación propuestos por Law y Kelton (2007), adecuándolos a las necesidades propias del proyecto de residencias profesionales. La metodología utilizada para la construcción del modelo de simulación es la siguiente: a. Formulación del problema 85

b. Planeación del estudio del desarrollo del modelo de simulación c. Colección de datos para el modelo d. Construcción del modelo en Flexsim e. Validación del modelo de simulación y y y Aplicación de diseño de experimentos. Realización de corridas del modelo de simulación. Realización del análisis y documentación de resultados.

5.6.1 Formulación del problema
La formulación del problema, que es el primer paso de la metodología para un estudio de simulación propuesta por Law y Kelton (2007), se puede expresar de la siguiente manera: La creciente urbanización y crecimiento de la población han generado un gran incremento en la proliferación de residuos sólidos la cual trae como consecuencia la contaminación del medio ambiente y la proliferación de enfermedades. El problema de los residuos sólidos, que no es sólo de las grandes ciudades, sino también de comunidades rurales o de ciudades en desarrollo, tal como el que se pretende analizar con el presente proyecto, se puede observar en el mercado de la Colonia Zapata de la ciudad de Orizaba. En particular, se tiene la inquietud de analizar y modelar la situación actual del sistema de recolección de residuos sólidos de éste mercado, y después hacer propuestas que ayuden a mejorar su sistema de recolección de residuos sólidos presente.

5.6.2 Planeación del estudio del desarrollo del modelo de simulación
En este paso se definieron los siguientes 6 puntos para la planeación del estudio de simulación. 1. Objetivos globales del estudio. Los objetivos globales del estudio de simulación son los siguientes: y Representar la cantidad de residuos sólidos desechados en el mercado, cada vez que estos son recolectados. y Representar cuanto recolecta cada uno de los carritos recolectores durante los días de la semana. 86

y

Representar en el modelo de simulación las rutas y horarios de recolección de basura de los carritos recolectores en el mercado.

2. Preguntas específicas que deben ser contestadas por el proyecto. Las preguntas específicas a las que se responderá con el desarrollo del presente proyecto son: y ¿Es necesario incrementar o reducir el número de trabajadores en los días de la semana con base en los niveles de residuos recolectados?. y ¿Es necesario definir nuevas rutas para los trabajadores recolectores en el mercado? y ¿Es necesario un incremento del número de camiones para reducir el tiempo de uso del trascabo, en los días de recolección? 3. Configuraciones del sistema a ser modeladas. En esta primera etapa, debido al alcance del proyecto, sólo se modelará la situación actual del sistema de recolección de residuos sólidos del mercado Zapata. En una etapa posterior, con base en el comportamiento de las medidas de desempeño, a definir en el paso siguiente, se pensara en: y y y y Incrementar o reducir el número de trabajadores recolectores de basura. Incrementar el número de camiones recolectores de basura. Incrementar el tiempo de trabajo del trascabo. Analizar nuevas rutas de recolección.

4. Medidas de desempeño que serán usadas para evaluar la eficacia de las diferentes configuraciones del sistema Las medidas de desempeño definidas para la evaluación son: y y y y y y y Tiempo promedio de recorrido de los trabajadores recolectores de basura. Tiempo promedio de vaciado de los carritos recolectores de basura. Porcentaje de utilización de los trabajadores recolectores de basura. Porcentaje de utilización de los camiones recolectores de basura. Tiempo promedio de llenado de los camiones de basura. Porcentaje de utilización del trascabo. Cantidad promedio recolectada de basura en los diferentes días. 87

5. Alcance o propósito del modelo.

El alcance del modelo de simulación es representar las condiciones actuales del sistema de recolección de residuos sólidos del mercado Zapata con base en las medidas de desempeño planteadas en el punto anterior. 6. Marco de tiempo, recursos y software a ser usado para el estudio. y El marco de tiempo para realizar la recolección de datos de operación del mercado Zapata será de 8 semanas, distribuidas en 2 meses, tal como se muestra a continuación: o La recolección de los tiempos de llenado de los camiones recolectores de basura se realizó del 8 de Febrero del 2010 al 11 de Marzo del 2010; en este caso el muestreo fue realizado los días lunes y jueves. o La recolección de datos de los carritos recolectores de basura fue del 24 de Mayo del 2010 al 24 de Junio del 2010; en este caso los días para este muestreo se seleccionaron de manera aleatoria. y El recurso humano, utilizado para la recolección de datos, será el alumno residente involucrado en el proyecto. Éste contará con el apoyo de los trabajadores en el tiempo mencionado. y El software a utilizar para el desarrollo del modelo será el software de simulación Flexsim.

5.6.3 Recolección de datos del sistema de recolección de basura del mercado Zapata
Para la construcción del modelo de simulación se deben obtener datos del sistema real bajo estudio, con el objeto de que el modelo de simulación represente lo más cercano posible el sistema de recolección de residuos sólidos del mercado Zapata. De esta forma, para tener datos significativos para el desarrollo del modelo de simulación se realizaron las siguientes actividades: y y y Definición de los tipos de datos necesarios para el modelo. Recolección de datos. Análisis estadístico de los datos.

88

5.6.3.1 Definición de los tipos de datos necesarios para el modelo Con el objeto de definir correctamente que datos necesarios caen en la clasificación de Harrel y otros (2004), descrita en la sección 2.4 del presente trabajo, se realizaron los siguientes pasos: a. Se estudio el sistema de recolección de basura del mercado Zapata con la ayuda de los trabajadores. b. Se realizaron visitas periódicas para verificar que el proceso corresponde a lo descrito por los trabajadores, y de esta manera familiarizarse con los mismos, y las actividades que van a ser tomadas en cuenta en la toma de tiempos. Teniendo un panorama ya completo del sistema a simular, y con base en la clasificación que propone Harrel (2004), la definición de datos necesarios para el desarrollo del modelo de simulación son los siguientes: y Datos estructurales o Medidas reales del layout del sistema a simular. o Número de trabajadores. o Tipo de sistema a simular (continuo discreto). o Número de camiones recolectores. o Ubicaciones de aéreas de trabajo importantes del proceso. o Cantidad de basura recolectada. y Datos operacionales o Horarios de trabajo de los trabajadores. o Horarios de trabajo de los camiones recolectores. o Flujo de la basura dentro del sistema de recolección. o Orden en el que es trasladada la basura. o Rutas de los trabajadores. y Datos numéricos o Capacidades de cada uno de los recursos. o Tasa de llegada de los camiones recolectores. o Los tiempos de las actividades de los recolectores y los camiones.

89

5.6.3.2 Recolección de datos Para la recolección de datos se realizaron los siguientes pasos: A. Se definieron los formatos del anexo 1 y 2 para anotar los tiempos de las actividades realizadas en las aéreas consideradas para la recolección de datos en el sistema de recolección de residuos sólidos del mercado Zapata. Algunos de los tiempos fueron: o Tiempo total promedio de recorrido de los trabajadores. o Tiempo promedio de descarga del carrito. o Tiempo promedio de entrada del camión. o Tiempo promedio de salida del camión. o Tiempo promedio de llenado del camión. o Paleadas promedio necesarias para llenar un camión. B. Se establecieron las semanas en que se iban a realizar la recolección de datos. Se acordó con el personal del mercado tomar datos durante 8 semanas repartidas en 2 periodos: o El primer periodo (8 de Febrero del 2010 al 11 de Marzo del 2010) para la toma de datos a los camiones recolectores de basura. o El segundo periodo (24 de Mayo del 2010 al 24 de Junio del 2010) para el muestreo de los turnos de los trabajadores recolectores que trabajan en el interior del mercado. La elección de las semanas fue definida por el residente con base en el avance del proyecto y, con el objetivo de poder muestrear los tiempos de los 3 diferentes camiones recolectores de basura y del trascabo. C. Se realizó la recolección de los datos del proceso definidos en la actividad ³Definición de los tipos de datos necesarios para el modelo´ (sección 5.6.3.1). Los datos se obtuvieron mediante mediciones de tiempos de las actividades en las áreas consideradas de sistema logístico de recolección de sólidos.

90

D. Se concentró la información en un archivo en Excel2 con el objeto de tener un mejor control y organización de la información obtenida del paso anterior. Los datos de los tiempos recolectados fueron convertidos a segundos, ya que es la unidad de tiempo que se ocupará en el desarrollo del modelo de simulación. Algunos de los resultados de los tiempos fueron: o Tiempo total promedio de recorrido de los trabajadores de 37.01 minutos. o Tiempo promedio de descarga del carrito de 1.92 minutos. o Tiempo promedio de entrada del camión de 2.56 minutos. o Tiempo promedio de salida del camión de 2.71 minutos. o Tiempo promedio de llenado del camión de 10.94 minutos o Paleadas promedio necesarias para llenar un camión fue 14.83 paleadas. 5.6.3.3 Análisis estadístico de los datos Realizada la recolección de los datos durante el periodo mencionado en la sección 5.6.2 del presente capítulo, se procedió a analizarlos estadísticamente utilizando el software ExpertFit, con la finalidad de obtener sus características clave y la mejor distribución teórica (como la normal o beta, si es posible) que se ajuste a ellos y, de esta forma, estar seguro de su idoneidad para su uso en un modelo de simulación. Experfit es una herramienta de análisis de datos incluida en el software Flexsim. Los pasos utilizados para determinar las distribuciones de probabilidad de cada una de la muestra de datos obtenidos del proceso real fueron los siguientes: y y y y y y
2

Abrir el software ExpertFit. Crear un nuevo proyecto en ExpertFit. Introducir los datos al proyecto. Realizar el ajuste automatizado de los datos. Seleccionar la distribución de probabilidad. Obtener la representación de la distribución de probabilidad elegida para Flexsim.

En el archivo de Excel, que se encuentra en la siguiente ubicación del cd que se anexa: E:\CD residencias\Informe Técnico\Datos del Mercado segundos y minutos (final).xls, se encuentran el concentrado de datos de la definición de los datos necesarios para el desarrollo del modelo.

91

y

Guardar el proyecto.

Los resultados obtenidos mediante experfit, del análisis de cada una de las muestra de datos, se resumirá en: y Una tabla resumen de las características descriptivas de los datos: media, mediana, varianza, etc. y Un histograma de la muestra de los datos para visualizar de una manera preliminar una posible distribución de probabilidad que se ajuste a la muestra de datos a simple vista y Pruebas de independencia, independencia): o Un diagrama de correlación para observar para ver si los datos de la muestra se encuentran cercanos a cero, si es así se puede afirmar que existe poca o nada de correlación en la muestra de los datos. o Un diagrama de dispersión para mostrar la aleatoriedad de la muestra de datos, es decir si se observa que los puntos en la grafica se encuentran dispersos y no muestran tendencia, entonces se puede afirmar que la muestra de datos es aleatoria e independiente y Un histograma de densidad de ajuste, en el cual se superpone una línea para representar la distribución que mejor se ajusta a la muestra. y Prueba de Anderson-Darling para evaluar que tan bien una distribución de probabilidad se ajustan los datos, con base en una prueba estadística que mide la desviación; aquí, si los valores a ser probados son mayores al valor de prueba se puede afirmar que el ajuste es idóneo a la muestra de datos. En resumen, el análisis estadístico de los datos se realizó a las siguientes muestras de datos: o Tiempo total promedio de recorrido de los trabajadores. o Tiempo promedio de descarga del carrito. o Tiempo promedio de entrada del camión. o Tiempo promedio de salida del camión. o Tiempo promedio de llenado del camión. o Paleadas promedio necesarias para llenar un camión 92 mediante el desarrollo de (Sección 2.9.1, pruebas de

En la tabla 5.1 se muestran las distribuciones de probabilidad obtenidas con el software Expertfit y sus actividades correspondientes, y en él anexo 3 (Análisis estadístico de las muestras de datos) se muestra la tabla resumen de características, histograma, diagrama de correlación, prueba de independencia, histograma de densidad y prueba Anderson Darling realizadas a cada una de las muestras de datos mostradas en la tabla 5.1.
Tabla 5.1 Distribuciones de probabilidad del sistema de recolección de residuos sólidos. Actividad Tiempo de recorrido de los trabajadores Tiempo de descarga del carrito Tiempo de entrada del camión Tiempo de salida del camión Tiempo de llenado del camión Paleadas para llenar un camión Distribución de probabilidad Weibull( 23.439347, 15.192243, 3.026045, <stream>) Johnsonbounded( 1.374417, 2.511157, 0.085692, 1.187483, <stream>) Weibull ( 0.000000, 2.824368, 4.150463, <stream>) Gamma (0.000000, 2.722167, 6.056662, <stream>) Gamma( 0.000000, 1.118035, 9.793862, <stream>) Weibull( 11.800000, 3.425287, 2.103415, <stream>)

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

5.6.4.1 Definición del sistema de recolección de basura del mercado Zapata El sistema a simular consiste en un sistema de recolección de residuos sólidos municipales (RSM) que se encuentra localizado en la ciudad de Orizaba en la colonia Emiliano Zapata en el cual los residuos desechados por los comerciantes y las personas son recogidos por 93

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

Figura 5.2 Diagrama de flujo de la entidad (basura).

94

Zona de depósito (tiradero)

Naves

Figura 5.3 plano del mercado Zapata, en amarillo se muestra el tiradero de basura.

5.6.4.2 Definición de los supuestos del modelo Los supuestos del modelo de simulación son los siguientes: y Existen 10 carritos para recolectar basura pero sólo existen 7 trabajadores por lo tanto en el modelo de simulación se utilizaron sólo 7 recolectores. y El volumen de RSM que un recolector junta durante un recorrido es de 1 m 3 (Sección 5.3.1). y El volumen de RSM que un camión municipal puede recolectar es de 16 m 3 , con base a los datos proporcionados por los trabajadores (Sección 5.3.1). y El orden en el cual los RSM fluyen a través del modelo es el siguiente: 1. Los RSM son recolectados por los recolectores. 2. Los RSM son llevados al tiradero por los recolectores. 3. Los RSM son retirados del tiradero por camiones municipales y llevados al basurero municipal de colorines. y En el tiempo de recorrido de los recolectores se utilizó la distribución de probabilidad Weibull mencionada en la tabla 5.1 de la sección 5.6.3.3. 95

5.6.4.3 Verificación del modelo conceptual Para verificar si el modelo conceptual es una representación adecuada del sistema a ser simulado, se revisó el nivel de detalle especificado en las secciones 5.3 y 5.6.4.1. Scriber (1991) menciona que esta verificación es sólo preliminar y que si está sugiere que el modelo no es adecuado para soportar las decisiones que soporten los objetivos de estudio, entonces el modelo debe ser re especificado. Dado que para la definición del modelo y la recolección de datos se realizó con la atención debida, se llego a la conclusión que el modelo es adecuado para soportar las decisiones que se tomen con base en los resultados arrojados. 5.6.4.4 Construcción del layout y objetos 3D involucrados en el sistema logístico de recolección de residuos sólidos Debido a la naturaleza del presente proyecto la construcción del layout y los objetos involucrados en el sistema logístico de recolección de residuos sólidos fueron realizados por otra persona involucrada en el proyecto. Para cualquier duda o si quiere ampliar como se realizó este proceso, se puede revisar el reporte de residencias profesionales de Barreto (2010). En la construcción del layout y de objetos involucrados en el sistema de recolección de residuos sólidos municipales del mercado Zapata, Barreto (2010) utilizó el software Google Sketchup 8. En la construcción del layout y objetos se realizaron los siguientes pasos: y Creación de un dibujo en 3D. La descripción detallada de cómo se debe realizar este paso se muestra en el reporte de Barreto (2010). y Conversión de un dibujo en 3D al formato .3ds mediante el software Google Sketchup 8. La descripción detallada de cómo debe realizarse este paso se muestra en el reporte de Barreto (2010). En la figura 5.4 se muestra una vista del layout del mercado Zapata ya convertido al formato .3ds dentro del programa Google Sketchup 8.

96

En la Figura 5.5 se muestran los dibujos en 3D del equipo que se ocupó en el sistema de recolección de residuos sólidos del mercado Zapata ya convertidos al formato .3ds.

Figura 5.4 Vista lateral izquierda externa del layout del plano del mercado Zapata.

Carritos recolectores

Camión de recolección

Figura 5.5 Equipo del sistema de recolección de residuos sólidos del mercado Zapata en 3D.

97

5.6.4.5 Construcción del modelo de simulación Una vez que se ha verificado el modelo conceptual del sistema a simular y definido el software de simulación en el cual se desarrollará el modelo de simulación: Flexsim 4.5.2; se procederá a realizar la construcción del modelo de simulación. Para iniciar la construcción del modelo de simulación, es necesario definir el tipo de modelo de simulación con base en las características del sistema a simular. El sistema de recolección de residuos sólidos del mercado Zapata presenta eventos discretos (apartado 3.2.3), por esta razón se decidió utilizar un modelo de simulación discreto en las siguientes etapas para simular el sistema de recolección de residuos sólidos del mercado Zapata: y y y La recolección de RSM por parte de los recolectores del mercado. La llegada de los RSM al tiradero del mercado. El vaciado del tiradero del mercado por los camiones municipales de recolección.

Definido el tipo de modelo de simulación a construir para representar el sistema bajo estudio, se realizó lo siguiente: y y y y y Importar el layout del plano del mercado a Flexsim. Definir los tipos de Flexsim objetcs a ser incluidos en el modelo. Definir las características de los Flexsim objects en el modelo. Realizar las conexiones del flujo del proceso entre los Flexsim objects. Realizar la programación del modelo de simulación.

5.6.4.5.1 Importar el layout del plano del mercado a Flexsim Para iniciar la construcción del modelo de simulación se requiere tener el layout del sistema a simular. Los objetivos de tener el layout del sistema de recolección de RSM dentro del modelo de Flexsim fueron: y Colocar en las posiciones correctas los Flexsim objects que representaran los equipos del sistema de recolección de RSM, respetando las medidas reales del sistema a simular.

98

y

Marcar la casilla no select en la ventana del visual tool para que se pueda trabajar sobre el sin problemas o, en otras palabras, configurar el Visual Tool para que no sea ³seleccionable´ dentro del modelo.

Los pasos generales para realizar la importación de un dibujo a un Visual Tool en Flexsim, con el objeto de ocupar éste como el layout o plano de un modelo de simulación se describe a continuación: 1. Crear un nuevo modelo en Flexsim. Para crear un nuevo modelo en Flexsim se realiza lo siguiente: o Abrir Flexsim. o Seleccionar la opción New Model. 2. Crear un Visual Tool dentro del modelo. La colocación de un Visual Tool en el modelo se realiza mediante: o Seleccionar la Orthographic View-model de Flexsim (sección 4.3). o Crear un Visual Tool (sección 4.6) en el origen, para obtener la Figura 5.6. 3. Configurar el Visual Display del Visual Tool. La configuración del Visual Tool para poder asignarle una figura importada se lleva a cabo al:

Figura 5.6 Visual Tool colocado en el origen.

99

o Dar doble click sobre el Visual Tool para entrar a la venta de propiedades de éste. o Seleccionar en el campo Visual Display la opción Imported Shape (Figura 5.7). 4. Seleccionar el dibujo 3D a importar en el Visual Tool. Con este paso se seleccionará el dibujo en 3D que se asignará al Visual Tool realizando los siguientes pasos: o Seleccionar en el campo Filename (Figura 5.8) el botón browse .3ds que se desea importar. o Buscar el dibujo en formato .3ds, en este caso el archivo del dibujo se llama ³Plano del mercado Zapata´. Este dibujo se encuentra en la siguiente ubicación del cd que se anexa: E:\CD Residencias\Informe Técnico\plano zapata.dxf.
o o

el cual

abrirá la ventana Select 3D shapes file (Figura 5.9) para poder elegir el archivo

Oprimir el botón ³Abrir´ (Figura 5.9) para cerrar la ventana. Oprimir el botón Apply de la ventana de propiedades del Visual Tool (Figura 5.7). No apretar el botón OK para evitar que se cierre la ventana de propiedades.

Visual display

Browse

Figura 5.7 Seleccionando la opción ³imported Shape´ dentro del campo visual Display.

100

Filename

Browse

Figura 5.8 Importando el gráfico 3D en el Visual Tool.

Figura 5.9 Ventana Select 3D shapes file.
5.

Modificar la posición, rotación y tamaño del dibujo importado en el Visual Tool. Esta opción sólo seguirla en el caso de que el dibujo esté girado, no se encuentre en la posición correcta o no tenga el tamaño que se requiere. Si éste es el caso, como en el ejemplo que se describe en la Figura 5.10, realizar los siguientes pasos:
o

Ir al cuadro de propiedades del Visual Tool y picar en la pestaña General (Figura 5.11). Modificar la posición (Position), rotación (Rotation) y tamaño (Size) dentro de la pestaña General en los recuadros que muestra la Figura 5.11. Los datos a introducir son los siguientes:: 101

o 

Posición del Visual Tool en el modelo: X=0, Y=0, Z=0. Rotación del Visual Tool en los planos del modelo: RX=0, RY=0, RZ=180. Tamaño del Visual Tool: SX=1, SY=1, SZ=1. Visual Tool que se escribieron anteriormente, son por el hecho de que el dibujo plano del mercado Zapata fue realizado en metros; además, se está contemplando que cada ³cuadro´ de la cuadrícula de Flexsim representa, en este caso particular, un metro por un metro.  

Nota: Es importante mencionar que los factores referentes al tamaño del

o Oprimir el botón Apply en la figura 5.12 para poder visualizar los cambios. No oprimir el botón OK ya que si no se cerrará la ventana. 6. Configurar el Visual Tool para no ser ³seleccionable´ dentro del modelo. Para llevar a cabo esta configuración se realiza lo siguiente: o Hacer click en la pestaña Display dentro de la misma ventana de propiedades del Visual Tool (Figura 5.12). o Seleccionar el recuadro No select (Figura 5.12).

Figura 5.10 vista del dibujo importado en el visual tool aún sin configurar su posición, rotación y tamaño.

102

Figura 5.11 Ventana de propiedades del Visual Tool en la pestaña General.

No select

Figura 5.12 Ventana de propiedades del Visual Tool en la pestaña Display seleccionando el recuadro No select.

o Oprimir OK para que se lleven a cabo los cambios y se cierre la ventana de propiedades del Visual Tool. El seleccionar el recuadro No select tiene como finalidad: o Que el objeto importado en 3d del Visual Tool no sea seleccionable al desplazarse sobre el modelo de simulación.

103

o Se puedan colocar Flexsim objects dentro del Visual Tool y desplazarse dentro de éste con la finalidad de que funcione correctamente como layout o plano del modelo de simulación. En la Figura 5.13 se muestra el layout del plano del mercado ya importado dentro del modelo de simulación en Flexsim. 5.6.4.5.2 Definir los tipos de Flexsim objetcs a ser incluidos en el modelo. En este paso se definieron los Flexsim objects que de acuerdo a sus características, representan de una manera adecuada el funcionamiento real del equipo perteneciente al sistema de recolección de RSM. En la figura 5.14 se muestran los nombres de los Flexsim objects que fueron ocupados en el modelo de simulación.

Figura 5.13 Layout del plano del mercado importado dentro del modelo de Flexsim.

104

Figura 5.14 Flexsim objects ocupados en el modelo de simulación.

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

5.6.4.5.3.1 Crear los Flexsim objects dentro del modelo de simulación Para crear un flexsim object se puede hacer de dos formas: y Seleccionando el modo Create objects. En el modo Create objects se realizan los siguientes pasos: a. Hacer clic en el botón de la Flexsim Toolbar. 105

b. Hacer clic posteriormente en el objeto que se desea del panel de la Library de Flexsim objects c. Hacer clic en la vista del modelo donde se quiere que el Flexsim object sea colocado. Con estos pasos se pueden crear más de un mismo Flexsim object sin necesidad de volverlo a seleccionar nuevamente. Si se requiere otro diferente Flexsim object para el modelo se realiza lo siguiente: d. Seleccionar el nuevo objeto haciendo clic en el Flexsim object de la Library. e. Repetir el paso c. Si ya no se desea crear más objetos, se realiza lo siguiente: f. Oprimir la tecla ESC para salirse de esta opción. y Sin seleccionar el modo Create objects. Para realizar la creación de Flexsim objects sin seleccionar el modo Create objects, se realizan los siguientes pasos: a. Hacer clic y mantener oprimido el botón izquierdo del ratón en el Flexsim object seleccionado de la Library. b. Arrastrar el Flexsim object seleccionado a la posición en donde se desea colocar en el modelo. c. Liberar el botón del mouse. Con esta opción si se requiere más de un Flexsim object del mismo tipo o algún otro Flexsim object que se desea incorporar al modelo, se deben de repetir los pasos a, b y c. En la Figura 5.15 se muestra un processor object colocado en la ortogonal view del modelo. 5.6.4.5.3.2 Cambiar la apariencia de los Flexsim objects por los dibujos en 3D del sistema de recolección de residuos sólidos. Para cambiar la apariencia de un Flexsim object por un dibujo en 3D, se debe tener primeramente el dibujo en 3D que va a tomar el lugar del Flexsim object; éste puede ser obtenido realizando lo siguiente: y Bajándolo de páginas de internet dedicadas a la creación de dibujos 3D que comparten dibujos 3D en el formato .3ds o .wrl. 106 propios

y

Creado por el usuario con la ayuda de algún software de diseño tales, como el autocad, mastercam, google sketchup, etc.

Obtenido el dibujo en el formato .3ds o .wrl, y creado el Flexsim objtect se realizan los siguientes pasos para cambiar la apariencia (3D shape) del Flexsim object: y y Dar doble click sobre el Flexsim object para abrir la ventana de propiedades de éste. Ir a la pestaña ³General´ y buscar el campo ³3D Shape´ dentro de la ventana de propiedades (Figura 5.16). y Hacer click con el botón izquierdo del mouse sobre el botón ³Browse directories´ (Figura 5.16), para abrir la ventana Select 3D shapes file (Figura 5.17).
y

Buscar y seleccionar el dibujo 3D elegido en el formato .3ds o .wrl, dentro de la ventana Select 3D shapes file, para que se modifique el 3D Shape del Processor object a modificar. En la Figura 5.17 se muestra la selección del dibujo en 3D llamado ³volteo_pre.3ds´ dentro de la ventana Select 3D shape file. El dibujo se encuentra en la siguiente ubicación del cd que se anexa: E:\CD residencias\Informe Técnico\ camión.3ds.

Figura 5.15 Processor object de Flexsim colocado en la vista ortogonal, al cual se le puede a cambiar la apariencia (3D shape).

107

y

Oprimir el botón ³Apply´ de la ventana de propiedades del processor object (Figura 5.16), para cambiar el 3D Shape del processor object por el dibujo de un ³Camión´. En la Figura 5.18 se muestra este cambio en la apariencia.

3D shape

Figura 5.16 Vista de la pestaña ³General´ dentro de la ventana de propiedades del Flexsim object para cambiarle la apariencia.

Selección del dibujo

Figura 5.17 Vista de la ventana Select 3D shapes file seleccionando un dibujo en 3D.

108

Figura 5.18 Vista del processor object de Flexsim con su nueva apariencia 3D.

5.6.4.5.3.3 Definir las dimensiones y posición de los Flexsim objects Para editar la dimensión y posición de un Flexsim object dentro del modelo, se tienen dos opciones: 1. En la primera opción se realiza lo siguiente: a. Seleccionar el Flexsim object a editar haciendo clic con el botón izquierdo del mouse. Aparecerán tres flechas de color rojo (eje x), verde (eje y) y azul (eje z), rodeando el Flexsim object (Figura 5.19). b. Editar el tamaño del Flexsim object, haciendo clic con el botón izquierdo en la punta de la flecha del eje que se desea modificar y arrastrar el mouse hacia adelante o hacia atrás (Figura 5.19). a. Editar la rotación del Flexsim object, haciendo clic con el botón derecho del mouse sobre la punta de la flecha del eje sobre el cual rotará el Flexsim object, arrastrando el mouse hacia adelante o hacia atrás (Figura 5.19).

109

Edit Menu

Flecha para editar la rotación del object

Flecha para editar la

Flechas para del object

editar el tamaño rotación del object

Visualización de cambios en la position, rotation y size

Figura 5.19 Processor object sin editar mostrando las flechas de los ejes X, Y y Z.

Los cambios en el tamaño, rotación y posición se pueden visualizar en la parte inferior de la ventana de la Orthographic view (Figura 5.19). 2. En la segunda opción se realiza lo siguiente: a. Hacer doble click en el Flexsim object a mover para que aparezca la ventana de propiedades (Figura 5.20). b. Hacer click en la pestaña General para la edición de position, rotation y size (Figura 5.21). c. Modificar los valores de los recuadros:  RX, RY y RZ, para cambiar la rotación del Flexsim object sobre los ejes X, Y y Z (Figura 5.21).  SX, SY y SZ, para cambiar el tamaño del Flexsim object sobre los ejes X, Y y Z (Figura 5.21). d. Pulsar el botón OK para salir de la ventana de propiedades.

110

Figura 5.20 Ventana de propiedades del Processor object.

Edición de la rotación sobre X, Y y Z del object

Edición del tamaño sobre X, Y y Z del

Figura 5.21 Ventana de propiedades del processor object.

5.6.4.5.4 Realizar las conexiones del flujo del proceso entre los flexsim objects Una vez configurados dentro del modelo de simulación los Flexsim objects y Flowitems que eran requeridos de acuerdo a las características del sistema de recolección de residuos sólidos 111

del mercado Zapata, se procedió a realizar las conexiones requeridas entre los Flexsim objects del modelo con base al diagrama de flujo de la entidad en la figura 5.2 en la sección 5.6.4.1 como se puede observar en la figura 5.22. El contenido completo de las conexiones se puede visualizar en el modelo de simulación de Flexsim que se encuentra en la siguiente ubicación del CD que se anexa: E:\CD Residencias\Informe Técnico\Simulación mercado Zapata (FINAL).fsm. 5.6.4.5.6 Realizar la programación del modelo de simulación Una vez realizadas las conexiones del flujo del proceso entre los flexsim objects se realizó la programación necesaria para que el modelo de simulación funcionara adecuadamente. Esta programación se realizó para que se simulara lo más cercanamente posible el sistema real del sistema de recolección de residuos sólidos del mercado Zapata, teniendo en cuenta los datos de definición del sistema de recolección de basura del mercado Zapata (Sección 5.6.4.1), los supuestos del modelo de simulación (Sección 5.6.4.2) y la verificación del modelo conceptual (Sección 5.6.4.3). Para realizar la programación se realizó lo siguiente: y Se establecieron los horarios de trabajo/descanso para los recolectores (Figura 5.23b y 5.23c) y los camiones recolectores dentro del modelo (Figura 5.23a) como se estableció en la sección 5.3.1. y Se establecieron las distribuciones de probabilidad para los tiempos de los recolectores y de los camiones recolectores dentro del modelo como se estableció en la tabla 5.1 (Sección 5.6.3.3). y Se establecieron los triggers en los recolectores como se muestra en la figura 5.24, los cuales tienen las siguientes funciones: o On reset. Se cambia la forma del operador al momento de presionar el botón reset para que vuelva a su forma original. On menssage. Se cambia la forma

112

del trabajador conforme va recorriendo su ruta3 y de esta forma simular un incremento de basura en el carrito recolector. o On unload. Se cambia la forma del operador para simular el vaciado del carrito recolector. y En el flexsim object queue en la pestaña flow se marca la casilla de use transport y en la pestaña request transport from se programo la secuencia de tareas de los recolectores para que al momento de recorrer su ruta realicen las recolecciones en los puntos de recolección en el modelo (Figura 5.25).

Figura 5.22 Conexiones del modelo de simulación.

En una queue se establecieron casos. Cada vez que el recolector llega a un punto de su ruta, se le manda un mensaje a la queue y esta cambia la forma en función del caso: vacio, casi vacío, casi lleno, lleno.

3

113

a)

b)

c)

Figura 5.23 Horarios de los recolectores y los camiones recolectores. a) horario de los camiones, b) horario de los trabajadores 1, 2, 3, 4, c) horario de los trabajadores 5, 6, 7. .

Figura 5.24 triggers de los operadores.

114

Figura 5.25 secuencia de tareas para los recolectores.

5.6.4.6 Verificación del modelo de simulación La verificación del modelo consiste en observar y analizar que el modelo de simulación realice la lógica del funcionamiento real del sistema de recolección de residuos sólidos del mercado Zapata, de acuerdo a la definición del sistema de recolección de residuos sólidos del mercado Zapata (sección 5.6.4.1). La realización del proceso de verificación del modelo de simulación en flexsim, consistió en ir observando que el modelo realizara la representación correcta del flujo de los residuos sólidos municipales como se muestra en la definición del sistema de recolección de residuos sólidos del mercado Zapata (sección 5.6.4.1). Como resultado de la etapa de verificación del modelo de simulación se realizó el siguiente cambio: y Se identifico la necesidad de cambiar el valor de cada unidad de tiempo del reloj de flexsim de segundos (como estaba contemplado en un inicio) a minutos, debido a que en segundos la duración seria mayor y no se apreciaría con detalle el funcionamiento de la recolección ya que la duración total de la simulación es de cuando menos una semana. 115

5.6.4.7 Validación del modelo de simulación La validación es el proceso de determinar si un modelo de simulación es una representación exacta del sistema (Law, 2007). Si un modelo es válido, éste puede ser usado para tomar decisiones sobre el sistema al probar diversas mejoras en el mismo y ver los resultados de éstas, de manera simular a la alternativa de experimentar con el sistema de marera física. En el proceso de validación del modelo de simulación se realizaron los siguientes pasos: y y Definición de corridas piloto del modelo de simulación. Validación del modelo de simulación.

5.6.4.7.1 Definición de corridas piloto del modelo de simulación El número de corridas piloto de un modelo de simulación, escrito de manera implícita por Law (2007), es arbitrario, debido a que no se encontró una fórmula que permita obtener el número ideal de corridas de prueba que deben ser efectuados; éste autor menciona diversos ejemplos de procesos de validación de modelos, en los cuales, varía desde cinco hasta diez el número de corridas piloto, y que éste número de corridas es definido por las limitantes en costos y tiempo requerido para su realización. En este caso particular, dadas las facilidades de la empresa en estudio, sólo se pudieron obtener datos de las medidas de desempeño de interés (Tiempo promedio de recorrido de los trabajadores y tiempo de entrada del camión recolector), durante 8 semanas (4 semanas para el tiempo de recorrido de los trabajadores y 4 semanas para los tiempos del camión). Law (2007) menciona que si un modelo va a ser validado contra un sistema real, debe hacerse comparando los datos obtenidos de la medida de desempeño definida del sistema real contra los datos obtenidos de esa misma medida de desempeño del modelo de simulación. Para este trabajo, dado que se tienen datos de ocho semanas y el modelo de simulación desarrollado tiene especificado una longitud de tiempo de una semana, se decidió efectuar las corridas piloto de la siguiente manera: y 14 corridas piloto para el tiempo promedio de recorrido de los trabajadores (Se cambio la unidad de tiempo de simulación de semanas a días para simular sólo 2 semanas dado 116

que el número de corridas piloto es arbitrario), y de esta manera tener un mayor número de corridas piloto ya que con 4 semanas el número de corridas piloto sería muy pequeño). y 8 corridas piloto para el tiempo promedio de entrada del camión (Se cambio la unidad de tiempo de simulación de semanas a días para simular sólo 1 semana dado que el número de corridas piloto es arbitrario), y de esta manera tener un mayor número de corridas piloto ya que de igual manera que con el caso del tiempo promedio de recorrido de los trabajadores, el número de corridas piloto sería muy pequeño). 5.6.4.7.2 Validación del modelo de simulación Para el proceso de validación estadística del modelo de simulación se utiliza la prueba tapareada; ésta prueba estadística consiste en comparar dos conjuntos de datos para determinar si el modelo de simulación es una representación válida del sistema. En el primer conjunto se tienen las observaciones de un sistema del mundo real denominadas X1, X2,........, Xk y, en el segundo conjunto se tienen los datos producidos por el modelo de simulación denominados Y1, Y2,......., YL. El siguiente procedimiento explica cómo hacerlo (Moras, 2009). Suponga que se recolectan m conjuntos de datos independientes del sistema y n conjuntos de datos del modelo. Sea XJ el promedio de las observaciones en el o-ésimo conjunto del sistema, y Yi el promedio de las observaciones en el i-ésimo conjunto de datos del modelo. Las Xi ¶S son variables aleatorias IID (idénticamente e independientemente distribuidas) con media Qx = E (XJ), y las Yi µS son variables aleatorias IID (asumiendo que los n conjuntos de datos se obtuvieron de replicaciones diferentes) con media Qy = E (YJ), por lo que se tratará de comparar el modelo con el sistema construyendo un intervalo de confianza para:
Z ! Q X  QY «««««..«««««««.««.. (5.7)

Usando las fórmulas 5.8 a 5.10 de la prueba t-apareada (se requiere que m=n).

Zi !

 

i 

Yi «««««..«««««««.««.. (5.8)

117

n

Z (n ) !
n

§ Zi
i !1

n

««««««««««««««.. (5.9)

Var ? ( n ) A! Z

›

§ ?Z
i !1

i 

Z(n ) A

2

n( n  1 )

«««««««««««««... (5.10)

El intervalo de confianza es (100(1- E)):
Var « ­

(n)

st

E n 1,1  2

Sea l(E) y u(E) el límite de confianza inferior y superior respectivamente. Si el valor cero (0) no pertenece al intervalo entre l(E) y u(E), es decir (0‘ [l(E), u(E)]) entonces la diferencia observada entre Qx y Qy:
X ( n )  Y ( n ) «««««««««««««..«.. (5.12)

Se dice que es estadísticamente significante al nivel E. Esto es equivalente a rechazar la hipótesis nula:
H 0 : Q X ! Q y ««««««««««««««.. (5.13)

En favor de la alternativa:
H a : Q X { QY

Si 0  [l(E) , u(E)], cualquier diferencia observada entre Qx y Qy no es estadísticamente significante al nivel ³E´ y puede ser explicada por fluctuaciones aleatorias, aceptando así que el modelo es válido. Conociendo la teoría de la prueba t apareada, para llevar a cabo el proceso de validación del modelo de simulación del mercado Zapata, se realizó lo siguiente: 1. Establecimiento de las hipótesis. 118

¡

›

¡

(n)

» ½

««««..««««..««... (5.11)

««««««««««««««.. (5.14)

2. Comprobación de hipótesis y conclusión. Establecimiento de las hipótesis La validación del programa construido se realizó, mediante la prueba t-apareada, con la finalidad de corroborar que éste arroja resultados estadísticamente significativos, a un nivel de significancia de E=0.10 con respecto a dos medidas de desempeño (definidas en la sección 5.6.4.7.1.): y y Tiempo de recorrido de los trabajadores y Tiempo de entrada del camión recolector.

Con la información anterior se establecieron las siguientes dos hipótesis: 1. Ho: No hay diferencia significativa entre los datos recolectados en el sistema actual y los datos obtenidos de las corridas piloto, respecto al tiempo de recorrido de los trabajadores; 1, 2, 3 y 4, respectivamente. 2. Ho: No hay diferencia significativa entre los datos recolectados en el sistema actual y los datos obtenidos de las corridas piloto, respecto al tiempo de entrada del camión recolector. Comprobación de hipótesis y conclusión. El paso siguiente de la validación de los datos, fue comprobar cada una de las hipótesis planteadas. Comprobación de la primera hipótesis y conclusión. La prueba t-apareada se decidió aplicar a los tiempos de recorrido de 4 de los 7 trabajadores del mercado Zapata, seleccionados aleatoriamente; en éste reporte se identifican como 1 a 4, respectivamente. La información utilizada para la realización de las pruebas, fue recolectada de los resultados arrojados por el programa de simulación a lo largo de las 14 corridas piloto especificadas para cada trabajador seleccionado, mismas que fueron definidos por el autor y el asesor del presente trabajo. 119

a) Prueba 1. Tiempo de recorrido del trabajador 1 La prueba t apareada señala que se debe obtener una diferencia ( la expresada por la ecuación 5.7) para validar que una hipótesis nula (expresada por la ecuación 13), es estadísticamente significante a un nivel E (aquí se desea que E=0.10); sí es significante, entonces la hipótesis nula sería rechazada y se concluiría que hay una diferencia significativa entre los datos obtenidos de las corridas piloto y los datos obtenido en el sistema actual; para este primer caso, respecto al tiempo de recorrido del trabajador 1. La tabla 5.2 muestra los cálculos para comprobar la hipótesis Ho. En esta tabla se usa la siguiente nomenclatura: y y Xi= Tiempo promedio de recorrido del trabajador 1, en el sistema actual. Yi=Tiempo promedio de recorrido del trabajador 1, en el modelo de simulación.
Tabla 5.2 Prueba t-apareada del tiempo de recorrido del trabajador 1.

Corrida i 1 2 3 4 5 6 7 8 9 10 11 12 13

Xi 35.7433333 36.0083333 37.9875 35.925 41.8 35.35 34.7916667 39.6208333 38.6083333 32.1208333

Yi 37.517 37.619 39.067 37.999

Zi= Xi-Yi

( Z i  Z 14 )2

-1.77366667 1.07671468 -1.61066667 0.76501022 -3.142 3.801 5.7887492 20.5845327

38.1666667 36.5554545 1.61121212 5.50948942 36.7045455 1.28295455 4.07625029

36.3791667 36.5309091 -0.15174242 0.34137799 36.4636364 -1.11363636 0.1425956 37.241 37.256 38.862 37.101 -2.44933333 2.9354493 2.36483333 9.61527922 -0.25366667 0.23266284 -4.98016667 18.0127976 120 36.5733333 37.0818182 -0.50848485 0.05177135

14 Suma

34.7111111

38.092

-3.38088889 6.99534182 76.1280222

Promedio 36.6990079 37.435026 -0.73601804

Construyendo el intervalo de confianza al 90% para Z, en donde Zi= Xi-Yi.
14

§Z
Z 14 !
i !1

i

n

! -0.73601804

Ö Z Var ? 14 A!

§ ?Z
i !1

14

i 

Z 14 A

2

n( n  1)

!

76.1280222 ! 0.418286 (14)(13)

Z 14 s t

n  1,1 

E 2

Ö Var (Z n )

-0 .7 3 6 0 1 8 s t1 3 , 0 .9 5 -0 .7 3 6 0 1 8 s 1 .7 7 0 9

0 .4 1 8 2 8 6 0 .4 1 8 2 8 6

-0 .7 3 6 0 1 8 s 1 .1 4 5 3 3 (-1 .8 8 1 3 4 8, 0 .4 0 9 3 1 2 )
El intervalo de confianza resultante incluye al cero. La diferencia Z ! Q x  Q y no es estadísticamente significante, por lo que se puede asegurar que el modelo es idóneo. 121

b) Prueba 2. Tiempo de recorrido del trabajador 2 La prueba t apareada señala que se debe obtener una diferencia ( la expresada por la ecuación 5.7) para validar que una hipótesis nula (expresada por la ecuación 13), es estadísticamente significante a un nivel E (aquí se desea que E=0.05); sí es significante, entonces la hipótesis nula sería rechazada y se concluiría que hay una diferencia significativa entre los datos obtenidos de las corridas piloto y los datos obtenido en el sistema actual; para este primer caso, respecto al tiempo de recorrido del trabajador 1. La tabla 5.3 muestra los cálculos para comprobar la hipótesis Ho. En esta tabla se usa la siguiente nomenclatura: y y Xi= Tiempo promedio de recorrido del trabajador 2, en el sistema actual. Yi=Tiempo promedio de recorrido del trabajador 2, en el modelo de simulación.
Tabla 5.3 Prueba t-apareada del tiempo de recorrido del trabajador 2.

Corrida i 1 2 3 4 5 6 7 8 9 10 11 12 13

Xi

Yi

Zi= Xi-Yi

( Z i  Z 14 )2

35.7433333 36.9845455 -1.24121212 0.40226803 38.1666667 37.9875 35.925 41.8 35.35 37.49 0.67666667 1.64771305 36.0083333 36.9472727 -0.93893939 0.11020627 36.9936364 0.99386364 2.56265581 37.6118182 -1.68681818 1.16608054 37.3009091 4.49909091 26.0718181 38.5409091 -3.19090909 6.67676143

36.3791667 37.0990909 -0.71992424 0.01275954 36.5733333 37.7918182 -1.21848485 0.37395519 34.7916667 36.5527273 -1.76106061 1.33193415 39.6208333 36.6709091 2.94992424 12.6514688 38.6083333 36.7818182 1.82651515 5.92183095 32.1208333 37.7418182 -5.62098485 25.1403841 122

14 Suma

34.7111111 37.7763636 -3.06525253 6.0431722 90.1130082 37.305974 -0.60696609

Promedio 36.6990079

Construyendo el intervalo de confianza al 90% para Z, en donde Zi= Xi-Yi.
14

Z 14 !

§Z
i !1

i

n

! -0.60696609

Ö Z Var ? 14 A!

§ ?Z
i !1

14

i 

Z 14 A

2

n( n  1)

!

90.1130082 ! 0.495126 (14)(13)

Z 14 s t

E n  1,1  2

Ö Var (Z n )

-0 .6 0 6 9 6 6 s t1 3 , 0 .9 5 -0 .6 0 6 9 6 6 s 1 .7 7 0 9

0 .4 9 5 1 2 6 0 .4 9 5 1 2 6

-0 .6 0 6 9 6 6 s 1 .2 4 6 0 9 8 (-1 .8 5 3 0 6 4, 0 .6 3 9 1 3 2 )
El intervalo de confianza resultante incluye al cero. La diferencia Z ! Q x  Q y no es estadísticamente significante, por lo que se puede asegurar que el modelo es idóneo.

123

c) Prueba 3. Tiempo de recorrido del trabajador 3 La prueba t apareada señala que se debe obtener una diferencia ( la expresada por la ecuación 5.7) para validar que una hipótesis nula (expresada por la ecuación 13), es estadísticamente significante a un nivel E (aquí se desea que E=0.05); sí es significante, entonces la hipótesis nula sería rechazada y se concluiría que hay una diferencia significativa entre los datos obtenidos de las corridas piloto y los datos obtenido en el sistema actual; para este primer caso, respecto al tiempo de recorrido del trabajador 1. La tabla 5.4 muestra los cálculos para comprobar la hipótesis Ho. En esta tabla se usa la siguiente nomenclatura: y y Xi= Tiempo promedio de recorrido del trabajador 3, en el sistema actual. Yi=Tiempo promedio de recorrido del trabajador 3, en el modelo de simulación.
Tabla 5.4 Prueba t-apareada del tiempo de recorrido del trabajador 3.

Corrida i 1 2 3 4 5 6 7 8 9 10 11 12 13

Xi

Yi

Zi= Xi-Yi

( Z i  Z 14 )2

35.7433333 37.2354545 -1.49212121 1.94736387 38.1666667 37.2909091 0.87575758 37.9875 35.925 41.8 35.35 0.9455598 36.0083333 37.1536364 -1.14530303 1.09969119 37.2336364 0.75386364 0.72335884 37.09 -1.165 1.14139007 37.1290909 4.67090909 22.7295378 36.5672727 -1.21727273 1.25581454

36.3791667 37.0990909 -0.71992424 0.38848148 36.5733333 36.6090909 -0.03575758 0.00370684 34.7916667 36.4463636 -1.65469697 2.42753711 39.6208333 36.3754545 3.24537879 11.169099 38.6083333 36.4018182 2.20651515 5.30453017 32.1208333 36.2236364 -4.10280303 16.0493309 124

14 Suma

34.7111111 36.2836364 -1.57252525 2.1782331 67.3636348

Promedio 36.6990079 36.7956494 -0.09664141 Construyendo el intervalo de confianza al 90% para Z, en donde Zi= Xi-Yi.
14

Z 14 !

§Z
i !1

i

n

! -0.09664141

Ö Z Var ? 14 A!

§ ?Z
i !1

14

i 

Z 14 A

2

n( n  1)

!

67.3636348 ! 0.37013 (14)(13)

Z 14 s t

E n  1,1  2

VÖa r ( Z n )

-0 .0 9 6 6 4 1 4 1 s t1 3 , 0 .9 5 -0 .0 9 6 6 4 1 4 1 s 1 .7 7 0 9

0 .3 7 0 1 3 0 .3 7 0 1 3

-0 .0 9 6 6 4 1 4 1 s 1 .0 7 7 3 8 5 (-1 .1 7 4 0 2 7 , 0 .9 8 0 7 4 4 )
El intervalo de confianza resultante incluye al cero. La diferencia Z ! Q x  Q y no es estadísticamente significante, por lo que se puede asegurar que el modelo es idóneo.

125

d) Prueba 4. Tiempo de recorrido del trabajador 4 La prueba t apareada señala que se debe obtener una diferencia ( la expresada por la ecuación 5.7) para validar que una hipótesis nula (expresada por la ecuación 13), es estadísticamente significante a un nivel E (aquí se desea que E=0.10); sí es significante, entonces la hipótesis nula sería rechazada y se concluiría que hay una diferencia significativa entre los datos obtenidos de las corridas piloto y los datos obtenido en el sistema actual; para este primer caso, respecto al tiempo de recorrido del trabajador 1. La tabla 5.5 muestra los cálculos para comprobar la hipótesis Ho. En esta tabla se usa la siguiente nomenclatura: y y Xi= Tiempo promedio de recorrido del trabajador 4, en el sistema actual. Yi=Tiempo promedio de recorrido del trabajador 4, en el modelo de simulación.
Tabla 5.5 Prueba t-apareada del tiempo de recorrido del trabajador 4.

Corrida i 1 2 3 4 5 6 7 8 9 10 11 12 13

Xi 35.7433333 38.1666667 36.0083333 37.9875 35.925 41.8 36.3791667 35.35 36.5733333 39.6208333

Yi 39.013 38.635 38.416 38.411 39.367 38.78 36.651 36.858 38.202

Zi= Xi-Yi

( Z i  Z 14 )2

-3.26966667 7.13850444 -0.46833333 0.01677941 -2.40766667 3.27536873 -0.4235 -3.442 3.02 0.03040444 8.08908293 13.0889738

-0.27183333 0.10629905 -0.28466667 0.09809551 1.41883333 4.06708704

35.0936364 0.25636364 0.72971286

34.7916667 35.6918182 -0.90015152 0.09137491 38.6083333 34.3809091 4.22742424 23.2834519 32.1208333 35.5509091 -3.43007576 8.02139689 126

14 Suma

34.7111111

37.106

-2.39488889 3.22928161 71.2658135

Promedio 36.6990079 37.2968766 -0.59786869 Construyendo el intervalo de confianza al 90% para Z, en donde Zi= Xi-Yi.
14

Z 14 !

§Z
i !1

i

n

! -0.59786869

Ö Z Var ? 14 A!

§ ?Z
i !1

14

i 

Z 14 A

2

n( n  1)

!

71.2658135 ! 0.39157 (14)(13)

Z 14 s t

n 1,1 

E 2

Ö Var (Zn )

-0.59786869 s t13,0.95 0.39157 -0.59786869 s 1.7709 0.39157 -0.59786869 s 1.108151 (-1.70602, 0.510282)

El intervalo de confianza resultante incluye al cero. La diferencia Z ! Q x  Q y no es estadísticamente significante, por lo que se puede asegurar que el modelo es idóneo. Comprobación de la segunda prueba de hipótesis y conclusión. A los tiempos de entrada del camión recolector del mercado se le aplicó la prueba t-apareada al tiempo de entrada ya que es una variable que tiene impacto directo sobre el sistema. 127

La información utilizada para la realización de las pruebas, fue recolectada de los resultados arrojados por el programa de simulación a lo largo de las 8 corridas piloto especificadas, mismas que fueron definidos por el autor y el asesor del presente trabajo. e) Prueba 5. Tiempo de entrada del camión recolector La prueba t apareada señala que se debe obtener una diferencia ( la expresada por la ecuación 5.7) para validar que una hipótesis nula (expresada por la ecuación 13), es estadísticamente significante a un nivel E (aquí se desea que E=0.10); sí es significante, entonces la hipótesis nula sería rechazada y se concluiría que hay una diferencia significativa entre los datos obtenidos de las corridas piloto y los datos obtenido en el sistema actual; para este primer caso, respecto al tiempo de recorrido del trabajador 1. La tabla 5.6 muestra los cálculos para comprobar la hipótesis Ho. En esta tabla se usa la siguiente nomenclatura: y y Xi= Tiempo promedio de entrada del camión recolector, en el sistema actual. Yi=Tiempo promedio de entrada del camión recolector, en el modelo de simulación.
Tabla 5.6 Prueba t-apareada del tiempo de entrada del camión recolector.

Corrida i 1 2 3 4 5 6 7 8 Promedio

Xi 17 13.8 20

Yi

Zi= Xi-Yi

( Zi  Z 8 )2

19.8354545 -2.83545455 3.99949963 19.666 -5.866 25.305129

15.7142857 19.9488889 -4.23460317 11.553361 19.8911111 0.10888889 0.89202081 19.8571429 19.7711111 0.08603175 0.84936755 19.8355476 19.6088889 0.22665868 1.12835025 23.7142857 19.4733333 4.24095238 25.7711774 21.3333333 19.7444444 1.58888889 5.87804766 18.9068244 19.742404 -0.83557964 128

Suma

75.3769532

Construyendo el intervalo de confianza al 90% para Z, en donde Zi= Xi-Yi.
8

Z8 !

§Z
i !1

i

n

! - 0.83557964

Ö Z Var ? 8 A!

§ ?Z
i !1

8

i 

Z8A

2

n ( n  1)

!

75.37695 ! 1.346017 (8)(7 )

Z8 st

n 1,1 

E 2

Ö Var (Zn )

-0.83558 s t8,0.95 1.346017 -0.83558 s 1.8946 1.346017 -0.83558 s 2.198077 (-3.033656,1.362497)

El intervalo de confianza resultante incluye al cero. La diferencia Z ! Q x  Q y no es estadísticamente significante, por lo que se puede asegurar que el modelo es idóneo.

129

Conclusiones
En el presente trabajo se analizó y se construyó el sistema de recolección de residuos sólidos de un mercado ubicado en la colonia Zapata de la ciudad de Orizaba Veracruz con el objetivo de tener un modelo de simulación de la situación actual del sistema para poder realizar propuestas de mejora en el sistema sin tener que realizarlas de forma física, ya que esto implicaría altos costos para la realización de dichas mejoras. Cabe destacar que la simulación es una técnica de ingeniería industrial que sirve para estudiar y representar sistemas reales, esto implica un alto nivel de dedicación para realizar las actividades necesarias para que el modelo funcione adecuadamente y represente de manera efectiva el sistema, para que con base en éste se puedan tomar decisiones confiables. Dentro de las actividades realizadas para la realización y construcción del modelo de simulación se encuentran muchas metodologías sugeridas por diferentes autores. Estas metodologías son de gran ayuda a la hora de comenzar, aunque no necesariamente se deben de seguir al pie de la letra ya que cada modelo es diferente y en ocasiones existen pasos que no se aplican o en caso contrario se pueden añadir pasos a estas metodologías de manera que se adapten a los requerimientos del modelo. Un paso importante dentro de la metodología es la recolección de datos, ya que con base a los datos recolectados a lo largo del tiempo necesario o estimado se van a ajustar las distribuciones de probabilidad idóneas para representar la realidad en el modelo de simulación, por esta misma razón los datos deben ser confiables y para esto existen diferentes pruebas que ayudan a corroborar si los datos son aceptables o si se debe de realizar la toma de datos de nuevo o ajustar los datos a una distribución empírica. Cuando la simulación y el análisis de sistemas de recolección de residuos sólidos municipales se combinan, facilitan el análisis del funcionamiento de sistemas similares, de modo que es posible proponer alternativas para mejorar la recolección. 130

En la actualidad se han desarrollado programas comerciales muy eficaces que hacen a la simulación muy accesible en la solución de una gran variedad de problemas, tal es el caso del software utilizado durante el desarrollo del presente trabajo: Flexsim. Particularmente, el software Flexsim está diseñado para construir modelos de simulación de una manera tal que su estructura lógica sea fácil de entender. Flexsim es un poderoso programa de simulación que permite visualizar y probar cambios en las operaciones y los procesos de logística, manejo de materiales y manufactura de la manera más rápida y sencilla evitando los altos costos, riesgos y extensos tiempos que conlleva el experimentar con cambios en el mundo real y el analizar por prueba y error. Además, el entorno 3D que maneja el software permite comprender de una manera sencilla el funcionamiento del sistema; sin embargo se debe tener especial cuidado al realizar estudios de simulación, ya que es necesario contar con conocimientos formales de estadística y de teoría de simulación.

131

Referencias bibliográficas
Libros y Banks, Jerry, Handbook of simulation, principles, methodology, advances, applications and practice, John Wiley and Sons, USA, 1998. y Chung, Christopher A., Simulation modeling handbook, a practical approach, CRC Press, USA, 2004. y
y

Coss Bu, Raúl, Simulación un enfoque práctico, Editorial Limusa, México, 2005.
Flexsim Software Products, Flexsim simulation software user guide, Version 4.5, Flexsim Software Products Inc., USA, 2009.

y

Harrell, Charles, Ghosh, Biman K., Bowden, Royce O., Simulation using Promodel, Second edition, Mc Graw Hill, USA 2004. Kuehl, Robert O., Diseño de experimentos, principios estadísticos de diseño y análisis de investigación, Segunda edición, Thomson Learning, México, 2001. Law, Averill M. & Associates, Inc., ExpertFit version 7, User s guide, Averill M. Law, USA, 2006. Law, Averill M., Simulation modeling & analysis, Fourth edition, Mc Graw Hill, Singapore, 2007. Ross, Sheldon M., Simulation, Academic Press, USA, 2006. Shannon, Robert E., Simulación de sistemas, Editorial Trillas, México, 1988.

y

y

y

y y

Material no publicado y Cervantes, Karla, ³Aplicación de la simulación para el análisis de distribución de planta de la empresa AMILUMEX con el objeto de mejorar su productividad´, Tesis de Maestría, Instituto Tecnológico de Orizaba, 2006. y Méndez, Nayeli, ³Optimización de problemas en el área de diseño de procesos con parámetros inciertos usando simulación para ayudar a la toma de decisiones´, Tesis de Maestría, Instituto Tecnológico de Orizaba, 2008. y Cortés, Juan Carlos, ³Evaluación de un sistema inteligente de semaforización para la ciudad de Orizaba, Veracruz´, Tesis de maestría, Instituto Tecnológico de Orizaba,2009. 132

Apuntes de clase y Arrioja Rodríguez, Mario Leoncio, ³Apuntes de la clase de Diseño de Experimentos´, Maestría en Ingeniería Industrial, Instituto Tecnológico de Orizaba, 2009. y Moras Sánchez, Constantino G., ³Apuntes de la clase de Simulación´, Maestría en Ingeniería Industrial, Instituto Tecnológico de Orizaba, 2009.

133

Anexo 1 Formato para la toma de tiempos de los camiones
Tabla A1. Toma de tiempos de los camiones
La Tabla A.1, se utilizó para anotar los tiempos de las actividades que se muestran en las columnas.
Tabla A.1 Toma de tiempos de los camiones.
Fecha de la recolección de datos Hora de llegada Camión Número de paleadas Tiempo de entrada Tiempo salida Tiempo de llenado

134

Anexo 2 Formato para la toma de tiempos de los trabajadores
Tabla A1. Toma de tiempos de los trabajadores
La Tabla A.2, se utilizó para anotar los tiempos de las actividades que se muestran en las columnas.
Tabla A.2 Toma de tiempos de los recolectores.
Fecha de la recolección de datos Número de carro4 Hora de salida Tiempo de recorrido Tiempo de descarga Tiempo de recolección Tiempo de paleo

4

En este formato se asume que al trabajador 1, se le asigna el carro 1, y así sucesivamente.

135

Anexo 3 Análisis estadístico de la muestras de datos
El análisis estadístico de los datos. Mediante el software Experfit, se realizó a las siguientes muestras de datos: y y y y y y Tiempo total promedio de recorrido de los trabajadores. Tiempo promedio de descarga del carrito. Tiempo promedio de entrada del camión. Tiempo promedio de salida del camión. Tiempo promedio de llenado del camión. Paleadas promedio necesarias para llenar un camión

Los resultados obtenidos mediante Experfit, del análisis de cada una de las muestra de datos, se resumirá en: y y y Una tabla resumen de las características descriptivas de los datos. Un histograma de la muestra de los datos. Pruebas de independencia, mediante el desarrollo de un o Un diagrama de correlación. o Un diagrama de dispersión. y y Un histograma de densidad de ajuste. Prueba de Anderson-Darling.

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

136

Tabla A3.1 Tabla resumen Característica del dato Tipo de observación Número de observaciones Observación mínima Observación máxima Media Mediana Varianza Coeficiente de variación Sesgo Valor Valor real 69 24.81667 47.53333 37.01208 37.05 24.75283 0.13442 0.00576

Figura A3.1 Histograma de los datos de los recorridos de los recolectores.

El diagrama de dispersión (Figura A3.2) muestra la aleatoriedad de la muestra de datos, y como es visible los puntos en la gráfica se encuentran dispersos y no muestran tendencia alguna con lo cual se puede afirmar que la muestra de datos es aleatoria e independiente.

137

Figura A3.2 Diagrama de dispersión de los datos.

El diagrama de correlación (Figura A3.3) muestra que los datos se encuentran muy cercanos al cero con lo cual se puede afirmar que la muestra de datos tiene muy poca o nada de correlación, así que se puede afirmar que la muestra de datos es aleatoria e independiente.

Figura A3.3 Diagrama de correlación de los datos.

138

El histograma de densidad de ajuste de la figura A3.4 muestra que la distribución de probabilidad Weibull es la que mejor se ajusta a la muestra de datos.

Figura A3.4 Histograma de densidad de ajuste de la distribución Weibull.

La prueba de bondad y ajuste de Anderson Darling (Tabla A3.2) muestra que los valores críticos a ser probados son mayores al estadístico de prueba y por esta razón se afirma que el ajuste de los datos de la muestra a la distribución Weibull es idóneo.
Tabla A3.2 Prueba de bondad de ajuste Anderson-Darling para la distribución Weibull. Prueba de Anderson-Darling a la distribución Weibull Tamaño de muestra Estadístico de prueba Tamaño de muestra 69 ¿Rechazar? 69 0.49248 Valores críticos para el nivel de significancia 0.25 0.1 0.05 0.025 1.248 1.933 2.492 3.07 No 0.01 3.857 0.005 4.5

139

A3.2 Análisis estadístico de la muestra del tiempo de descarga del carrito. La tabla resumen (Tabla A3.3) indica, entre otros datos, que la media de los datos del tiempo de descarga del carrito es de 1.92657 minutos de descarga.
Tabla A3.3 Tabla resumen. Característica del dato Tipo de observación Número de observaciones Observación mínima Observación máxima Media Mediana Varianza Coeficiente de variación Sesgo Valor Valor real 1.15 1.46666667 2.28333333 1.92657 1.95 2.56633283 0.00178917 -0.0020535

El Histograma (Figura A3.5) de la muestra de los datos de la descarga de los carritos muestra que los datos se pueden ajustar a una distribución Johnson.

Figura A3.5 Histograma de los datos de descarga del carrito.

140

El diagrama de dispersión (Figura A3.6) muestra la aleatoriedad de la muestra de datos, y como es visible los puntos en la gráfica se encuentran dispersos y no muestran tendencia alguna con lo cual se puede afirmar que la muestra de datos es aleatoria e independiente.

Figura A3.6 Diagrama de dispersión de los datos.

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

Figura A3.7 Diagrama de correlación de los datos.

141

El histograma de densidad de ajuste de la figura A3.8 muestra que la distribución de probabilidad Jhonson es la que mejor se ajusta a la muestra de datos.

Figura A3.8 Histograma de densidad de ajuste de la distribución Johnson.

La prueba de bondad y ajuste de Anderson Darling (Tabla A3.4) muestra que los valores críticos a ser probados son mayores al valor de prueba y por esta razón se afirma que el ajuste de los datos de la muestra a la distribución Johnson es idóneo.
Tabla A3.4 Prueba de bondad de ajuste Anderson-Darling a la distribución Johnson. Anderson-Darling a la distribución Johnson. Tamaño de muestra Estadístico de prueba 69 0.23048 0.01 3.857 0.005 4.5

Critical Values for Level of Significance (alpha) Tamaño de muestra 0.25 0.1 0.05 0.025 69 1.248 1.933 2.492 3.07 ¿Rechazar? No

142

A3.3 Análisis estadístico de la muestra del tiempo de entrada de un camión de 16 toneladas. La tabla resumen (Tabla A3.5) indica, entre otros datos que la media de los datos del tiempo de entrada al mercado de un camión de 16 toneladas es de 2.56452 minutos.
Tabla A3.5 Resumen de datos.

Característica del dato Tipo de observación Número de observaciones Observación mínima Observación máxima Media Mediana Varianza Coeficiente de variación Sesgo

Valor Valor real 56 1.17667 4.09767 2.56452 2.59917 0.4883 0.27248 -0.02972

El Histograma (Figura A3.9) de la muestra de los datos de la descarga de los carritos muestra que los datos se pueden ajustar a una distribución Weibull.

Figura A3.9 Histograma de la muestra de datos del tiempo de entrada de los camiones.

143

El diagrama de dispersión (Figura A3.10) muestra la aleatoriedad de la muestra de datos, y como es visible los puntos en la gráfica se encuentran dispersos y no muestran tendencia alguna con lo cual se puede afirmar que la muestra de datos es aleatoria e independiente.

Figura A3.10 Diagrama de dispersión de los datos del tiempo del tiempo de entrada de los camiones.

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

Figura A3.11 Diagrama de correlación de los datos del tiempo de entrada de los camiones.

144

El histograma de densidad de ajuste de la figura A3.12 muestra que la distribución de probabilidad Weibull es la que mejor se ajusta a la muestra de datos.

Figura A3.12 Histograma de densidad del ajuste de la distribución Weibull.

La prueba de bondad y ajuste de Anderson Darling (Tabla A3.6) muestra que los valores críticos a ser probados son mayores al estadístico de prueba y por esta razón se afirma que el ajuste de los datos de la muestra a la distribución Weibull es idóneo.
Tabla A3.6 prueba de bondad de ajuste Anderson-Darling para los datos del tiempo de entrada del camión. Prueba de Anderson-Darling a la distribución Weibull Tamaño de muestra Estadístico de Prueba Tamaño de muestra 56 ¿Rechazar? 56 0.16003 Valores críticos para el nivel de significancia 0.25 0.462 0.1 0.62 0.05 0.737 No 0.025 0.854 0.01 1.011

A3.4 Análisis estadístico de la muestra del tiempo de salida de un camión de 16 toneladas. 145

La tabla resumen (Tabla A3.7) indica, entre otros datos que la media de los datos del tiempo de salida del mercado de un camión de 16 toneladas es de 2.71806 minutos.
Tabla A3.7 Resumen de los datos de la salida de los camiones.

Característica del dato Tipo de observación Número de observaciones Observación mínima Observación máxima Media Mediana Varianza Coeficiente de variación Sesgo

Valor Valor real 55 1.66483 4.521 2.71806 2.72217 0.34814 0.21708 0.4774

El Histograma (Figura A3.13) de la muestra de los datos de la descarga de los carritos muestra que los datos se pueden ajustar a una distribución Gamma.

Figura A3.13 Histograma de los datos de la salida de los camiones.

146

El diagrama de dispersión (Figura A3.14) muestra la aleatoriedad de la muestra de datos, y como es visible los puntos en la gráfica se encuentran dispersos y no muestran tendencia alguna con lo cual se puede afirmar que la muestra de datos es aleatoria e independiente.

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

El diagrama de correlación (Figura A3.15) muestra que los datos se encuentran muy cercanos al cero con lo cual se puede afirmar que la muestra de datos tiene muy poca o nada de correlación, así que se puede afirmar que la muestra de datos es aleatoria e independiente.

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

147

El histograma de densidad de ajuste de la figura A3.16 muestra que la distribución de probabilidad Gamma es la que mejor se ajusta a la muestra de datos.

Figura A3.16 Histograma de densidad de ajuste de la distribución Gamma.

La prueba de bondad y ajuste de Anderson Darling (Tabla A3.8) muestra que los valores críticos a ser probados son mayores al valor del estadístico de prueba y por esta razón se afirma que el ajuste de los datos de la muestra a la distribución Gamma es idóneo.
Tabla A3.8 prueba de bondad de ajuste Anderson-Darling para la distribución Gamma. Prueba de Anderson-Darling a la distribución Gamma Tamaño de muestra Estadístico de prueba Tamaño de muestra 69 ¿Rechazar?

55
0. 56258 Valores críticos para el nivel de significancia

0.2 0.607

0.15 0.673

0.1 0.783
No

0.05 0.967

0.01 1.393

0.2 0.607

148

A3.5 Análisis estadístico a la muestra de datos del tiempo de llenado de un camión de 16 toneladas. La tabla resumen (Tabla A3.9) indica, entre otros datos que la media del tiempo de llenado de un camión de 16 toneladas es de 10.94988 minutos.
Tabla A3.9 Resumen de los datos.

Característica del dato Tipo de observación Número de observaciones Observación mínima Observación máxima Media Mediana Varianza Coeficiente de variación Sesgo

Valor Valor real
57 3.86267 20.10833 10.94988 10.90717 11.70814 0.31249 0.3564

El Histograma (Figura A3.17) de la muestra de los datos de la descarga de los carritos muestra que los datos se pueden ajustar a una distribución Gamma.

Figura A3.17 Histograma de los datos del tiempo de llenado.

149

El diagrama de dispersión (Figura A3.19) muestra la aleatoriedad de la muestra de datos, y como es visible los puntos en la gráfica se encuentran dispersos y no muestran tendencia alguna con lo cual se puede afirmar que la muestra de datos es aleatoria e independiente.

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

El diagrama de correlación (Figura A3.18) muestra que los datos se encuentran muy cercanos al cero con lo cual se puede afirmar que la muestra de datos tiene muy poca o nada de correlación, así que se puede afirmar que la muestra de datos es aleatoria e independiente. El histograma de densidad de ajuste de la figura A3.20 muestra que la distribución de probabilidad Gamma es la que mejor se ajusta a la muestra de datos.

150

Figura A3.18 Diagrama de correlación de los datos de llenado del camión.

Figura A3.20 Histograma de densidad del ajuste de la distribución Gamma.

151

La prueba de bondad y ajuste de Anderson Darling (Tabla A3.10) muestra que los valores críticos a ser probados son mayores al valor del estadístico de prueba y por esta razón se afirma que el ajuste de los datos de la muestra a la distribución Gamma es idóneo.
Tabla A3.10 Prueba de bondad de ajuste Anderson-Darling para los datos de llenado del camión.

Prueba Anderson-Darling a la distribución Gamma Tamaño de muestra Prueba estadística Tamaño de muestra 57 ¿Rechazar? 57 0.28875 Valores críticos de nivel de significancia 0.25 0.1 0.05 0.025 0.01 0.472 0.634 0.755 0.877 1.04 No 0.005 1.166

A3.6 Análisis estadístico a la muestra de datos de las paleadas del trascabo La tabla resumen (Tabla A3.11) indica, entre otros datos que la media de los datos de las paleadas del trascabo es de 14.83721 minutos. .
Tabla A3.11 Resumen de los datos.

Característica del dato Tipo de observación Número de observaciones Observación mínima Observación máxima Media Mediana Varianza Coeficiente de variación Sesgo

Valor Valor real
43 12 19 14.83721 15 2.33001 0.10288 0.5818

El Histograma (Figura A3.21) de la muestra de los datos de la descarga de los carritos muestra que los datos se pueden ajustar a una distribución Weibull.

152

Figura A3.21 histograma de los datos de las paleadas del trascabo.

El diagrama de dispersión (Figura A3.22) muestra la aleatoriedad de la muestra de datos, y como es visible los puntos en la gráfica se encuentran dispersos y no muestran tendencia alguna con lo cual se puede afirmar que la muestra de datos es aleatoria e independiente.

Figura A3.22 diagrama de aleatoriedad de los datos de las paleadas del trascabo.

153

El diagrama de correlación (Figura A3.23) muestra que los datos se encuentran muy cercanos al cero con lo cual se puede afirmar que la muestra de datos tiene muy poca o nada de correlación, así que se puede afirmar que la muestra de datos es aleatoria e independiente.

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

El histograma de densidad de ajuste de la figura A3.24 muestra que la distribución de probabilidad Weibull es la que mejor se ajusta a la muestra de datos.

154

Figura A3.24 histograma de densidad del ajuste de la distribución Weibull.

La prueba de bondad y ajuste de Anderson Darling (Tabla A3.12) muestra que los valores críticos a ser probados son mayores al estadístico de prueba y por esta razón se afirma que el ajuste de los datos de la muestra a la distribución Weibull es idóneo.
Tabla A3.12 Prueba de bondad de ajuste Anderson-Darling para los datos de las paleadas del trascabo.

Prueba Anderson-Darling a la distribución Weibull Tamaño de muestra Prueba estadística Tamaño de muestra 57 ¿Rechazar? 43 0.93193 Valores críticos de nivel de significancia 0.25 0.1 0.05 0.025 0.01 1.248 1.993 2.492 3.07 3.857 No 0.005 4.5

155

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->