Unidad 3: Pasó 3

Modelar y simular sistemas industriales con base en teorías de colas

Director

Jose Enrique Cotes

Entregado por

Oscar Marino Lanchero Cód. 94071582

Diego Ayala Santacruz Cod. 1085276006

Jesualdo Vega

Danilo Andres Marriaga

Grupo

212026_15

Universidad Nacional Abierta y a Distancia UNAD

Zona Centro Sur (Cead Palmira)

Ingeniería Industrial

2019
 Introducción

La teoría de colas tiene como objetivo modelar sistemas de espera, disciplina

matemática que ha sido aplicada en el estudio de un gran número de sistemas que
encontramos en la vida diaria, debido a que la capacidad de servicio es menor que la
capacidad demandada. Esta limitación se puede eliminar invirtiendo en elementos que
aumente la capacidad. En estos casos la pregunta es ¿Compensa invertir? La teoría de
colas intenta responder a estas preguntas utilizando métodos matemáticos analíticos.

En el presente documento se desarrolla una serie de ejercicio con base a la teoría de

colas, donde se da una perspectiva de la posible aplicación del sistema matemático, el
cual resulta muy útil en algunos casos en la gestión administrativa.
 JUSTIFICACIÓN

El gestionar recursos limitados para dar servicio a los diferentes requerimientos de una
organización, en función de la calidad del tiempo de espera es una labor de gran
responsabilidad. Por lo que el estudio de la teoría de colas es importante para
proporcionar una base teórica del tipo servicio que podemos esperar de un determinado
recurso, como la forma en la cual dicho recurso puede ser diseñado para proporcionar
un determinado grado de servicio al cliente.
 OBJETIVOS

OBJETIVO GENERAL

Comprender la modelación y simulación de sistema industriales, con base en la teoría

de colas.

OBJETIVOS ESPECÍFICOS

 Reconocer los conceptos de la modelación y simulación de procesos en sistema

industrial y el uso de las tecnologías escenarios.
 Determinar las técnicas de modelación para la generación de escenarios de
solución óptima, de acuerdo a las condiciones y medidas de desempeños del
sistema real productivos y logísticos.
 Aplicar las técnicas de simulación de los escenarios analizando a través de
herramientas informáticas para interpretar los sistemas.
 DESARROLLO DE LA ACTIVIDAD

Para el seguimiento correspondiente en el desarrollo del curso de Aplicación Informática

en el sector, se orienta desarrollar un documento en Word, con las siguientes
orientaciones:

1. Investigar en diferentes fuentes establecidas en el syllabus orientado a la unidad

Las etapas de la simulación y hacer una descripción de cada una de estas.

Formulación del problema: En esta etapa se determina la situación problema objeto

de interés y se definen los objetivos.

La definición de los objetivos es una de las partes más relevantes del proyecto pues si
estos no son lo suficientemente claros o concretos es posible que el problema no sea
abordado de la manera adecuada y por lo tanto no dé respuesta a las expectativas
generadas, por lo tanto, en la fase inicial de cualquier proyecto de simulación es preciso
identificar los objetivos de manera que sean razonables, comprensibles, precisos y
medibles. Guasch, A.(2002)

Diseño del modelo conceptual: Consiste en la especificación del modelo desde las
características de los componentes del sistema que se van a estudiar y sus interacciones
de acuerdo a los objetivos planteados. El modelo conceptual detalla las correlaciones
estructuradas más relevantes del sistema que se va a simular por lo tanto es un medio
de dialogo y coordinación entre los diferentes grupos involucrados. Guasch, A.(2002)

En esta fase también se deben especificar los resultados esperados del modelo de
simulación para de esta forma dar respuesta a las inquietudes formuladas en la
determinación de los objetivos, cuando se detallan los resultados es posible identificar
que partes del modelo pueden ser excluidas debido a que no contribuyen a dar respuesta
a tales preguntas. Guasch, A.(2002)

Recogida de datos: En esta etapa se identifican, recogen y se analizan los datos

requeridos para llevar a cabo el estudio. ¿En términos generales se aconseja discutir la
información disponible como por ejemplo cuales es la fuente? ¿Son los datos
suficientes? Para lograr óptimos resultados es necesario contar con buenos datos, si
estos son limitados o su fuente o calidad es dudosa es preciso ser prudente al momento
de generar las conclusiones sobre la base de los resultados de la simulación, sin
embargo, es importante tener en cuenta que cuando se tiene problemas con los datos,
el conocimiento adquirido y los resultados generados en el estudio pueden aportar
información útil al momento de tomar decisiones. Guasch, A.(2002)

Construcción del modelo: Se debe construir el modelo de simulación a partir del

modelo conceptual de los datos. En la mayoría de los de los proyectos de simulación el
esfuerzo está más enfocado en la construcción del modelo que en la solución del
problema, así la obtención de un modelo ejecutable se vuelve de forma equivocada en
el objetivo más importante, sin embargo, para avanzar de forma más rápida en la
consecución de estos objetivos es necesario en primer lugar crear uno o varios modelos
más simples que identifiquen los componentes del sistema de interés. Guasch, A.(2002)

Verificación y validación: En esta fase se comprueba que el modelo responde al

comportamiento esperado y que efectivamente hay una relación directa entre el sistema
real y el modelo. En el área de la simulación la experiencia aconseja considerar que todo
modelo es incorrecto a menos que se demuestre lo contrario, para lograr una garantía
lógica de que el modelo representa la realidad es vital verificar y validar antes el modelo
de simulación. Guasch, A.(2002)

Análisis: En esta etapa se observan y comparan los resultados de la simulación con el

propósito de determinar falencias y realizar las recomendaciones necesarias para
solucionarlas, donde se emplea

n a menudo técnicas analíticas como el diseño de experimentos o la reducción de la

varianza. El resultado más importante es el conocimiento adquirido en el proceso de
análisis que hace posible generar argumentos de tipo cualitativo y cuantitativo
justificados de acuerdo a las opciones de diseño planteadas. Guasch, A. (2002).

Documentación: Se refiere al suministro de información sobre el trabajo realizado, se

aconseja reunir en los informes la introducción, objetivos, hipótesis, descripción del
modelo, análisis de los experimentos efectuados y conclusiones. Es relevante tener un
documento actualizado que refleje el estado del proyecto. Guasch, A.(2002)

Implementación: En esta fase son puestas en práctica las decisiones tomadas con el
apoyo del estudio de simulación, se refiere a la toma de decisiones como consecuencia
del estudio de simulación, el proyecto de simulación no tiene éxito si ha justificado
técnica y económicamente un cambio que no ha sido implementado posteriormente.
Guasch, A.(2002)
SOLUCION DE TALLER 3 Simulación y análisis estadístico, con base en
teoría de colas
Caracterización del problema: El estudiante desarrolla el “Taller
Modelos de Colas y Simulación”. Identificación y exposición de
conceptos básicos, con respecto a cada caso.
Establecer un listado de 1000 números aleatorios en una columna, ordenarlas de
menor a mayor graficarla. Establecer otras tres columnas con los mismos números
hacerles un tratamiento según fórmula para comportamiento NORMAL,
EXPONENCIAL Y UNIFORME graficar cada columna.
Distribucion Distribucion Distribucion
Numero Aleatorio
Normal Exponencial Uniforme
2 0,0001056299 -927,084354 3000
7 0,0001069251 -2602,654824 8000
9 0,0001074462 -2938,787872 10000
13 0,0001084938 -3430,619766 14000
19 0,0001100782 -3938,187135 20000
22 0,0001108763 -4134,269281 23000
25 0,0001116784 -4305,246416 26000
31 0,0001132944 -4592,957886 32000
34 0,0001141083 -4716,507202 35000
37 0,0001149262 -4829,602708 38000
39 0,0001154737 -4900,013702 40000
42 0,0001162982 -4999,133114 43000
46 0,0001174037 -5120,807868 47000
53 0,0001193552 -5310,265434 54000
58 0,0001207624 -5430,842527 59000
63 0,0001221805 -5541,442697 64000
66 0,0001230367 -5603,663217 67000
69 0,0001238969 -5663,11745 70000
71 0,0001244725 -5701,334336 72000
73 0,0001250499 -5738,489503 74000
Para fines de exponer el taller no se incluirá el listado de los mil números aleatorios por
su extensión, no obstante incluimos aquí las fórmulas de comportamiento
NORMAL: se incluye función ALEATORIO en una organización de variables de menor
a mayor.

=DISTR.NORM.N (B6; $H$11; $H$12; 0)

DISTRIBUCION EXPONENCIAL:
=-LN (B5)*$H$11
DISTRIBUCION UNIFORME
=-LN (B5)*$H$11

LIMITE INFERIOR 1000

LIMITE SUPERIOR 2000

Media 1337,5
Desviación estándar 739,523385

Numero Aleatorio
3000

2500

2000

1500

1000

500

0
749
133
177
221
265
309
353
397
441
485
529
573
617
661
705

793
837
881
925
969
1

89
45
 Distribucion Normal
0.0006000000

0.0005000000

0.0004000000

0.0003000000

0.0002000000

0.0001000000

0.0000000000
337

897
113
169
225
281

393
449
505
561
617
673
729
785
841

953
1
57

Distribucion Exponencial
0
481

913
145
193
241
289
337
385
433

529
577
625
673
721
769
817
865

961
1
49
97

-2000

-4000

-6000

-8000

-10000

-12000
 Distribucion Uniforme
3000000
2500000
2000000
1500000
1000000
500000
0 145
193
241
289
337
385
433
481
529
577
625
673
721
769
817
865
913
961
1
49
97

Desarrollar el siguiente caso estableciendo una simulación en Excel:

Se desea simular la llegada y descarga de barcos en un muelle para determinar el

número promedio de barcos que se retrasan para ser descargados al siguiente día, los
datos para realizar la simulación son los siguientes:

Barcos
Barcos
que
Probabilidad descargados Probabilidad
llegan
por día
por día
0 15% 1 7%
1 18% 2 13%
2 14% 3 45%
3 21% 4 22%
4 18% 5 13%
5 14%

Considerando un valor (Alfa = 0.10; y un error de 0,5 barcos.

Determine:
a. Modelo de simulación de 30 días de operación incluyendo grafico de estabilidad

Barcos que Barcos que

llegan por Probabilidad DE A llegan por
día día
0 15% - 0,15 0
1 18% 0,15 0,33 1
2 14% 0,33 0,47 2
3 21% 0,47 0,68 3
4 18% 0,68 0,86 4
5 14% 0,86 1,00 5

Barcos Barcos
descargados Probabilidad DE A descargados
por día por día
1 7% - 0,07 1
2 13% 0,07 0,20 2
3 45% 0,20 0,65 3
4 22% 0,65 0,87 4
5 13% 0,87 1,00 5

Promedio 1,77
Desviación Est. 1,89
 Barcos
Cantidad Barcos que Total de Cantidad de Barcos
Numero Numero descarga
DIA Barcos dia llegan por barcos a barcos pendientes del
Aleatorio Aleatorio dos por
anterior día descargar descargados siguiente dia
día

1 0 0,754028412 4 0,69565071 4 4 4 0
2 0 0,61331017 3 0,10383315 2 3 2 1
3 1 0,8649557 5 0,76330442 4 6 4 2
4 2 0,265148452 1 0,55926066 3 3 3 0
5 0 0,688769025 4 0,94639843 5 4 4 0
6 0 0,41551793 2 0,82006609 4 2 2 0
7 0 0,415604701 2 0,95214577 5 2 2 0
8 0 0,456778735 2 0,00817177 1 2 1 1
9 1 0,062799097 0 0,40066523 3 1 1 0
10 0 0,448507773 2 0,45166195 3 2 2 0
11 0 0,770276461 4 0,17530489 2 4 2 2
12 2 0,494686738 3 0,01067522 1 5 1 4
13 4 0,849925822 4 0,07487062 2 8 2 6
14 6 0,518539387 3 0,5030372 3 9 3 6
15 6 0,205177944 1 0,68905526 4 7 4 3
16 3 0,111568218 0 0,76632061 4 3 3 0
17 0 0,68579835 4 0,6991778 4 4 4 0
18 0 0,458110154 2 0,23702939 3 2 2 0
19 0 0,849478414 4 0,04214085 1 4 1 3
20 3 0,791746272 4 0,50227311 3 7 3 4
21 4 0,741712208 4 0,97760102 5 8 5 3
22 3 0,709737958 4 0,61975729 3 7 3 4
23 4 0,803853144 4 0,96002518 5 8 5 3
24 3 0,461753564 2 0,38960263 3 5 3 2
25 2 0,686319699 4 0,16021195 2 6 2 4
26 4 0,338438978 2 0,22405266 3 6 3 3
27 3 0,326294883 1 0,28551625 3 4 3 1
28 1 0,675977538 3 0,58931551 3 4 3 1
29 1 0,547095831 3 0,85779242 4 4 4 0
30 0 0,537305519 3 0,67127342 4 3 3 0
 Variable Aleatoria de "Barcos pendientes del
siguiente dia"
10
9
8
7
6
5
4
3
2
1
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

b. Calculo del número de corridas necesarias para estabilizar la variable de interés.

Formulación

Variable Aleatoria de "Barcos pendientes del

siguiente dia"
10
9
8
7
6
5
4
3
2
1
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
 1,23
Promedio
0,61
Desviación Est.

Variable Aleatoria de "Barcos pendientes del siguiente dia"

2
d. Generar 10 corridas del modelo y calcular el intervalo de confianza.

Promedio
0,82 3,42 0,43 0,93 0,73 1,29 0,55 4,46 1,75 1,24
Desviación
Est. 0,58 0,58 0,25 0,38 0,41 0,41 0,18 1,54 0,41 0,34
Corrida
Corrida 1 Corrida 2 Corrida 3 Corrida 4 Corrida 5 Corrida 6 Corrida 7 Corrida 8 Corrida 9
# 10
1 0 1 0 0 0 1 0 0 1 1

2 0 3 0 0 0 1 1 1 1 1

3 0 3 0 1 0 1 1 2 1 1

4 0 4 1 1 0 2 1 3 1 2

5 0 3 1 0 0 2 0 4 2 1

6 0 3 1 0 0 2 0 5 2 1

7 0 4 1 1 0 2 0 5 2 1

8 1 4 1 1 1 2 1 5 2 1

9 1 4 1 1 1 2 1 5 2 1

10 1 4 1 2 1 2 1 6 2 1

11 1 4 1 1 1 1 0 6 2 1

12 1 4 1 1 1 2 0 6 2 1

13 1 4 1 1 1 1 0 6 2 1

14 1 4 1 1 1 1 0 6 2 1

15 1 3 0 1 1 1 0 6 2 1

16 1 3 0 1 1 1 1 6 2 1

17 1 3 0 1 1 1 1 6 2 1

18 1 4 0 1 1 1 1 5 2 1

19 1 4 0 1 1 1 1 5 2 1

20 1 4 0 1 1 1 1 5 2 1

21 1 4 0 1 1 1 1 5 2 1

22 1 4 0 1 1 1 1 5 2 1

23 1 4 0 1 1 1 1 4 2 1

24 2 4 0 1 1 1 1 4 2 1

25 2 3 0 1 1 1 1 4 2 1

26 2 3 0 1 1 1 1 4 2 2

27 2 3 0 1 1 1 1 4 2 2

28 2 3 0 1 1 1 1 4 2 2

29 2 3 0 1 1 1 1 4 2 2

30 2 3 0 1 1 1 1 3 2 2
 Promedios
0,817664938
3,417233629
0,431170232
0,933716409
0,731318767
1,291264088
0,545692585
4,457031843
1,754331432
1,236427339

INTERVALO DE CONFIANZA
 CONCLUSIONES

- Con el desarrollo del presente trabajo se logró reconocer los conceptos

de la modelación y simulación de procesos en sistemas industriales y
el uso de tecnologías para el análisis de escenarios y saber aplicar
estas técnicas en un caso real.

- Se logra determinar las técnicas de modelamiento para la generación

de escenarios de solución óptima, de acuerdo a las condiciones y
medidas de desempeño del sistema real productivos y logísticos.

- Se logra aplicar las técnicas de simulación de los escenarios analizados

a través de herramientas informáticas para interpretar los sistemas ,
proponer soluciones y toma de decisiones
 REFERENCIAS BIBLIOGRÁFICAS

Tipos de simulación y características

Guasch, A., Piera, M. À., & Casanovas, J. (2002). Modelado y simulación:

aplicación a procesos logísticos de fabricación y servicios. Madrid, ES:
Universitat Politècnica de Catalunya. Disponible en la Biblioteca Virtual de la
UNAD (pp.6-21)|. Recuperado de:
https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?ppg=32
&docID=4310046&tm=1544037403797
Sistemas de colas con un solo canal: análisis estadístico
Díaz de Santos, (2006). Cómo mejorar la logística de su empresa mediante
la simulación, Ediciones. ProQuest Ebook Central, Disponible en la Biblioteca
Virtual de la UNAD (pp.35-73). Recuperado de:
https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?ppg=52
&docID=3220054&tm=1544037773402
Modelos de colas y Simulación: análisis de sensibilidad
Singer, M. (2013). Una práctica teoría de la optimización lineal : datos,
modelos y decisiones. Santiago, Chile: Ediciones UC. Disponible en la
Biblioteca Virtual de la UNAD (pp.3-69). Recuperado
de: http://bibliotecavirtual.unad.edu.co/login?url=https://bibliotecavirtual.u
nad.edu.co:2969/login.aspx?direct=true&db=nlebk&AN=1725244&lang=es&
site=ehost-live&ebv=EB&ppid=pp_3

Guasch, Antoni, et al. (2002). Modelado y simulación: aplicación a

procesos logísticos de fabricación y servicios, Universitat Politècnica
de Catalunya,. ProQuest Ebook
Central,https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/detail
.action?docID=4310046
Hernandez, Oscar. ( 23,08,2017). Modelos y Simulación. [Archivo
de video]. Recuperado de http://hdl.handle.net/10596/12977
Hillier, Frederick S. (2010). Introducción a la investigación de
operaciones (9a. ed.), McGraw-Hill Interamericana,. ProQuest
Ebook Central, (pgs. 871-
924)https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/detail.ac
tion?docID=3214887