SIMULACION DE

PROCESOS
Ing. Pedro Iván Sáenz Sotelo, MACP.
En un restaurante de comida rápida se venden hamburguesas a $30.00 cada una,
con un costo de producción de $17.00. Se desea realizar un estudio de simulación
para determinar la utilidad esperada por hora que puede obtenerse en dicho
restaurante. Para ello el dueño del restaurante registró el número de
hamburguesas vendidas por hora durante 25 días (200 horas), obteniéndose los PRACTICA
siguientes datos:
Hamburguesas vendidas
por hora
Número de horas en que se vendió
dicho número de hamburguesas
UNO
0 20
“ D i s t r i buci o n e s
1 30 d e P r o b a b i l id a d
2 50 E m p í r i ca s ”

3 40
4 30
5 16
6 14
a. Elabore un modelo de simulación en Excel donde simule 5 días de trabajo (40
horas, considerando que se trabajan ocho horas diarias).
b. Elabore el gráfico de estabilidad de la utilidad promedio considerando las 40 horas
simuladas, ¿Con base a dicho gráfico es posible afirmar que la variable llego a un
estado estable?
c. Realice una prueba de hipótesis de la utilidad para identificar si sigue una
distribución normal
d. Calcule el número de corridas necesarias para que el modelo se estabilice y en
caso de ser necesario adecue el modelo realizado en el inciso a. Considere un nivel
de confianza del 95% y un error de $2.00
e. Realice 5 réplicas de la simulación anterior y calcule el intervalo de confianza de la
utilidad esperada, considere un nivel de confianza del 95%
f. Conclusiones y recomendaciones generales.
 UNIDAD UNO
“Modelos Estadísticos de
Simulación”
PARTE UNO
“Distribuciones de Probabilidad Empíricas”

Ing. Pedro Iván Sáenz Sotelo, MACP.

Se desea simular la llegada y descarga de barcos en un muelle para
determinar el numero promedio de barcos que se retrasan para ser
descargados al siguiente día, los datos para realizar la simulación son los
siguientes: PRACTICA
Barcos que
llegan por día
Probabilidad
Barcos descargados
por día
Probabilidad DOS
0 13% 1 5%
“Muelle de
1 17% 2 15% descarga de
barcos”
2 15% 3 50%

3 25% 4 20%

4 20% 5 10%

5 10%

Considerando un valor 𝛼 = 0.10, y un error de 0.5 barcos. Determine:

a. Modelo de simulación de 30 días de operación incluyendo gráfico de
estabilidad.
b. Calculo del número de corridas necesarias para estabilizar la variable de
interés.
c. En caso de ser necesario adecuar el modelo del inciso “a”.
d. Generación de 10 réplicas del modelo y cálculo de intervalos de confianza..
e. Conclusiones y recomendaciones.
Se desea simular el proceso de descompostura y reparación de unos
generadores eléctricos para estimar el tiempo muerto que en promedio tienen
dichas máquinas, Se realizaron 200 observaciones registrando los datos del
tiempo entre fallas y del tiempo de reparación, generándose las siguientes PRACTICA
tablas:
Tiempo entre Número de Tiempo de
reparación (Horas)
Número de
observaciones
TRES
fallas (Horas) observaciones
0.5 10 1 56 “ Po l í t i ca d e
2 104 m a n te n i m i e n to ”
1.0 12
1.5 32 3 40

2.0 66 TOTAL 200

2.5 42
3.0 38
TOTAL 200

Considerando un valor 𝛼 = 0.05, y un error de 0.5 horas. Determine:

a. Modelo de simulación de 50 descomposturas.
b. Calculo del número de corridas necesarias para estabilizar la variable de
interés y en caso de ser necesario adecuar el modelo del inciso “a”.
c. Generación de 15 réplicas del modelo y cálculo de intervalos de confianza.
d. Conclusiones y recomendaciones
 UNIDAD UNO
“Modelos Estadísticos de
Simulación”
PARTE UNO
“Distribuciones de Probabilidad Empíricas”

Ing. Pedro Iván Sáenz Sotelo, MACP.

Una empresa fabricante de saborizantes de aguas frescas desea abrir una
nueva sucursal. El clima existente es muy variable:
Clima Caluroso Templado Frío Helado PRACTICA
Probabilidad 50% 25% 15% 10%

La venta de agua se comporta de manera diferente para cada clima de

CUATRO
acuerdo con las siguientes distribuciones de probabilidad:
Caluroso “ Ve n t a d e
s a b o r i z a n te s ”
Litros vendidos / día 50 100 200 300
Probabilidad 10% 30% 40% 20%
Templado
Litros vendidos / día 40 50 100 200
Probabilidad 10% 20% 40% 30%
Frío
Litros vendidos / día 10 20 50 100
Probabilidad 5% 70% 20% 5%
Helado
Litros vendidos / día 0 5 10 20
Probabilidad 5% 70% 20% 5%
El costo de producción diario es de $1,000.00, y el litro de saborizante se
vende en $50.00. Realice un estudio completo de simulación para evaluar la
utilidad diaria esperada. Considere un valor alfa de 5% y un error de $2.00
 •RECOLECCION DE DATOS
•Estudio de tiempos. PROCESO
•Observación en campo.
Paso 1 •Datos Históricos

•PRUEBA DE BONDAD DE AJUSTE

•Realización de pruebas.
•Establecimiento de distribución de probabilidad y
Paso 2 parámetros.

•SIMULACION DE LA VARIABLE ALEATORIA

•Establecimiento del numero de corridas a realizar.
•Generación de números aleatorios.

Paso 3 •Simulación de variable aleatoria con el uso del generador

correspondiente.
En una fábrica se desea estimar el tiempo promedio de permanencia de
ciertas piezas en el proceso de inspección. Para ello se tomaron tiempos de
200 piezas, para identificar el tiempo que transcurría entre la llegada de las
piezas a la estación, así como la duración de la inspección (En minutos/pieza). PRACTICA
Las pruebas de bondad de ajuste indicaron que las distribuciones de
probabilidad que siguen los datos son las siguientes: CINCO
Variable aleatoria Tipo Distribución Parámetros
“Línea de espera
Tiempo entre en una estación
llegada de piezas Continua Exponencial Media = 5 de inspección”
(Minutos/Pieza)
Tiempo de
Media = 4
inspección Continua Normal
Desviación = 0.5
(Minutos/Pieza)

Realice un estudio de simulación completo para estimar el tiempo promedio

de permanencia de las piezas en la estación de inspección.
Dos barras metálicas (Barra A y Barra B) son unidas mediante un proceso de
soldadura para formar una barra de mayor longitud. La longitud de la barra
final tiene una especificación de 80 ± 10 cm. Se desea realizar una simulación
que permita estimar el porcentaje de piezas defectuosas, para ello se miden PRACTICA
100 muestras de cada tipo de barra, cuyas pruebas de bondad de ajuste
indican que la medida de dichas barras siguen las siguientes distribuciones, SEIS
Variable aleatoria Tipo Distribución Parámetros
Medida de la Mínimo = 45 “ P r o c es o d e
Continua Uniforme ensamble e
barra A (cm) Máximo = 55
i n s p e c c ió n ”
Medida de la Parámetro de Forma = 4
Continua Erlang
barra B (cm) Valor esperado = 30

Realice un estudio de simulación completo para estimar el porcentaje de

barras defectuosas.
En una tienda se desea evaluar mediante simulación el costo de inventarios de
azúcar que se venden en dicha tienda. Los pedidos de azúcar se realizan cada
siete días, y el pedido lo hace por la capacidad de la bodega menos la cantidad
de azúcar disponible en ese momento; la entrega de azúcar es inmediata. La PRACTICA
información que se tiene es la siguiente:
- Capacidad de la bodega: 700 kilogramos.
- Costo de ordenar: $1000.00 por orden.
SIETE
- Costo de faltante: $6.00 por kilo.
- Costo de mantenimiento de inventario: $1.00 por kilo. “ S i s tem a d e
i nv e n t a r io s ”
Así mismo, del registro de kilos diarios de azúcar vendidos del ultimo año, se
realizo la prueba de bondad de ajuste.

Variable aleatoria Tipo Distribución Parámetros

Venta de azúcar
Continua Exponencial Media = 100
(Kg./día)

Realice un estudio de simulación completo para estimar el costo de

mantenimiento de inventario.
Se tiene un proceso de producción de refrigeradores. La demanda diaria de
este producto sigue una distribución normal con media de 80
refrigeradores/día y desviación de 10 refrigeradores diarios. Se desea saber
cual es la mejor política de producción, considerando que el costo de faltante PRACTICA
es de $800 por refrigerador por día, y el costo de tener un refrigerador en
inventario es de $500.00 por refrigerador por día. Considere las siguientes
políticas de producción: 60, 70, 80 refrigeradores por día.
OCHO
Realice un estudio de simulación completo para cada política de inventarios, “ Po l í t i ca d e
realizando 5 réplicas de cada política. p r o d uc c ió n ”
 UNIDAD UNO
“Modelos Estadísticos de
Simulación”
PARTE DOS
“Distribuciones de Probabilidad Teóricas”

Ing. Pedro Iván Sáenz Sotelo, MACP.

La empresa RE produce piezas electrónicas y las ensambla en una línea
semiautomática. Una de las piezas es producida en lotes de tamaño N =
10,000 unidades por semana. Al finalizar la semana, se inspecciona una
muestra aleatoria de tamaño n = 25 unidades para determinar si la producción PRACTICA
cumple con los estándares de calidad. Si como resultado de la inspección, el
número de piezas defectuosas obtenidas “d” es menor o igual a un valor “c”, el
lote es aceptado y enviado a la línea de ensamble, y por cada pieza defectuosa
NUEVE
que entre a la línea de ensamble, ocurrirá una falla que detendrá la línea de
producción y que costará $25.00 por falla. Por otro lado, si el número de “Muestreo de
piezas defectuosas obtenidas “d” es mayor que el valor “c”, el lote completo se a c e p t ac i ó n ”
rechaza y envía a desperdicio, en este caso, para que la línea de producción no
se detenga, el lote deberá ser repuesto con un lote libre de defectos comprado
a un proveedor con costo de $30,000.00. El costo de producción de cada pieza
es de $2.00. Las unidades inspeccionadas se destruyen y el costo de mano de
obra y equipo usado en inspección es de $0.5 por pieza, por lo tanto el costo
total de las piezas inspeccionadas es de $2.50 por pieza. La siguiente tabla
muestra datos históricos de la proporción de piezas defectuosas en 100 lotes.
0.068 0.012 0.145 0.027 0.034 0.146 0.007 0.041 0.100 0.003
0.003 0.081 0.061 0.093 0.012 0.024 0.005 0.011 0.022 0.069
0.076 0.025 0.032 0.057 0.123 0.046 0.129 0.139 0.002 0.013
0.158 0.012 0.016 0.072 0.040 0.029 0.036 0.008 0.013 0.069
0.025 0.001 0.014 0.006 0.021 0.016 0.054 0.036 0.007 0.001
0.005 0.072 0.018 0.106 0.078 0.049 0.007 0.012 0.026 0.115
0.055 0.130 0.075 0.029 0.043 0.038 0.006 0.068 0.061 0.008
0.033 0.109 0.036 0.011 0.006 0.055 0.002 0.061 0.047 0.011
0.004 0.120 0.044 0.001 0.047 0.027 0.213 0.012 0.007 0.001
0.098 0.063 0.050 0.016 0.018 0.036 0.090 0.006 0.118 0.040
Desarrolla un proyecto de simulación que permita determinar el valor óptimo
de “c” que asegure el mínimo costo.
SIMULACIONES TERMINALES
Intervalos de confianza bajo el supuesto de normalidad:
𝒔
𝑰𝑪 = 𝒙 ± 𝒕𝜶 𝟐 , 𝒓−𝟏
𝒓
Intervalos de confianza bajo el supuesto de NO normalidad: FORMULAS
𝒔
𝑰𝑪 = 𝒙 ±
𝒓𝜶
𝟐
SIMULACIONES NO TERMINALES (De estado estable)
Longitud de la réplica bajo el supuesto de Normalidad:
𝟐
𝒔
𝒏= 𝒕𝜶 , 𝒏−𝟏
∈ 𝟐

Longitud de la réplica bajo el supuesto de NO normalidad:

𝟐
𝟏 𝒔
𝒏=
𝜶 ∈
Donde:
s = Desviación Estándar
r = Número de réplicas.
𝛼 = Valor alfa (Nivel de rechazo)
∈ = Error Permitido
n = Tamaño de cada corrida de simulación
 UNIDAD UNO
“PROYECTO DE
SIMULACIÓN EN EXCEL”

Ing. Pedro Iván Sáenz Sotelo, MACP.

La compañía PELICRE se dedica a la fabricación de Champo para el crecimiento de cabello.
La empresa cuenta con 2 líneas de producción que llenan, tapan y etiquetan los frascos. El
índice de producción anual es de cinco millones de frascos para la línea 1 y tres millones
para la línea 2.
La empresa ha padecido un largo historial de dificultades en cuanto a la colocación de las PRACTICA
tapas. Cuando ha ocurrido una de estas fallas se debe detener la línea de producción hasta
que se corrige el imperfecto. Se realizaron registros del tiempo entre fallas de cada
máquina, siendo el siguiente:
Tiempo entre fallas de la línea de producción 1 (Años/Falla)
FINAL 1
0.002603 0.039543 0.007795 0.002774 0.019015
0.007731 0.020012 0.000224 0.001501 0.001067 “ Ta m a ñ o ó p t i mo
0.001784 0.006437 0.011479 0.050093 0.000667 del equipo de
0.006141 0.015217 0.001125 0.003704 0.003504
r e p a r a c io n e s ”
0.002966 0.011127 0.002341 0.005903 0.005369
0.0022 0.000258 0.009986 0.012724 0.014449
0.002533 0.013669 0.005693 0.013389 0.013057
0.014287 0.009593 0.019847 0.003017 0.006602
0.027379 0.01309 0.01223 0.002126 0.008752
0.010181 0.015025 0.007304 0.01711 0.049539

Tiempo entre fallas de la línea de producción 1 (Años/Falla)

0.004286 0.004294 0.005361 0.008621 0.00891
0.008475 0.006741 0.003123 0.008298 0.011369
0.00732 0.008715 0.005589 0.012689 0.006035
0.009587 0.008716 0.003464 0.00747 0.006335
0.008301 0.009675 0.005695 0.009542 0.007926
0.006663 0.008711 0.008972 0.007954 0.012864
0.008863 0.008215 0.004428 0.008506 0.007099
0.007903 0.009177 0.007846 0.006076 0.008713
0.009643 0.007276 0.011721 0.009558 0.008087
0.00954 0.006018 0.007876 0.009368 0.008413
El tiempo de reparación sigue una distribución exponencial con media de “0.001/n “ años,
donde n denota el número de trabajadores en el equipo de reparaciones. Cada vez que
ocurre una falla se destruyen ciertos frascos, lo que equivale a un costo de $7.00 cada uno.
Cada frasco se vende en $8.00. Un muestreo sobre el número de frascos que se destruyen
cuando ocurre una falla arroja la siguiente información: PRACTICA
FRASCOS ROTOS/FALLA
8 10 12 10 9
FINAL
10 17 10 11 14
13 10 7 8 8
8 10 10 13 8 “ Ta m a ñ o ó p t i mo
7 7 7 7 10 del equipo de
14 12 10 12 11 r e p a r a c io n e s ”
11 15 7 8 12
6 8 15 14 9
10 7 12 19 8
6 10 4 4 11

El costo anual por trabajador es de $50,000.00 al año. La empresa desea determinar el

tamaño óptimo del equipo de reparaciones, esto es, el número de trabajadores que deben
estar asignados para la reparación de las líneas de producción con la finalidad de obtener
la mayor utilidad posible.

Realice un proyecto de simulación que apoye a la empresa para tomar la decisión de

cuantos trabajadores de mantenimiento contratar.