Paso 2-Dinámica y funcionalidad de sistemas

212031- Modelos y Simulación

Número del grupo colaborativo

Presentado a

Universidad Nacional Abierta Y A Distancia

Escuela de Ciencias Básicas Tecnología e Ingeniería

Ingeniería Industrial

2023
Introducción
PLAN DE TRABAJO GRUPO

FECHA ACTIVIDAD RESPONSABLE

01/10/2023 Inicio de actividad. revisión guia de cada integrante del grupo

actividades y rubrica de evaluación

02/10/2023 revisión de referentes bibliográficos cada integrante del grupo

03/10/2023 elección de rol cada integrante del grupo

09/10/2023 Elabora un plan para recopilar datos del cada integrante del grupo
proceso. con base en técnicas de
muestreo probabilístico. teniendo en
cuenta tipos de datos relevantes para un
modelo de simulación.

13/10/2023 Diseña formatos para recopilar datos cada integrante del grupo
sobre los eventos. Tomando como base
las actividades identificadas en las tablas
de procesos.

16/10/2023 Selecciona el tipo de función de cada integrante del grupo

distribución que se ajusta a un conjunto
de datos. Basado en los resultados de las
pruebas de bondad de ajuste.

17/10/2023 Establezca cuadro comparativo en donde cada integrante del grupo

describa en dos columnas las ventanas y
desventajas de la simulación de eventos
discretos

17/10/2023 Respuesta a interrogantes planteados cada integrante del grupo

18/10/2023 Describa los campos de aplicación de la cada integrante del grupo

simulación orientada a eventos discretos.
Explicando cada una de sus aplicaciones.

23/10/2023 Simulación cada integrante del grupo

NOMBRE DEL ESTUDIANTE ROL FUNCIONES

Entregas Enviar el documento en los tiempos

estipulados. utilizando los recursos
destinados para el envío. e indicar a los
demás compañeros
que se ha realizado la entrega.

Compilado Encargado de consolidar el documento

r que se constituye como el
producto final del debate. teniendo en
cuenta que se hayan incluido
los aportes de todos los participantes y
que solo se incluya a los
participantes que intervinieron en el
proceso. Debe informar a la persona
encargada de la supervisión
(programador) para que indique
a quienes no hicieron sus participaciones.
que no se les incluirá en el producto a
entregar.

Alertas Ha de asegurar que cada uno de los

integrantes desarrolle las actividades
asignadas en los tiempos establecidos.
Incluyendo las de
sí mismo.

Revisor Ha de asegurar que el documento

contenga los criterios de la guía y rúbrica
de evaluación. Así como verificar la
autenticidad de la información relacionada
en el documento final a través del uso de
la herramienta Turnitin.
El Revisor debe comunicar los resultados a
la persona encargada de la supervisión
para que informe a los demás integrantes
del equipo
en caso de que haya que realizar algún
ajuste. Para lo cual este podrá emitir dos
conceptos:
• Documento avalado para entrega.
• Documento requiere ajustes
 Lider Presentar una propuesta de plan de
trabajo. coordinar y concertar la
asignación de actividades y fechas de
entrega de cada una de ellas
por parte del equipo de trabajo.

Elabora un plan para recopilar datos del proceso. Con base en técnicas de muestreo probabilístico.
Teniendo en cuenta tipos de datos relevantes para un modelo de simulación.

Recopilar datos del proceso

1. Identificación de la fuente (personas. archivos. expedientes. observaciones

2. Lugar de localización de la fuente: proveniente dela muestra.
3. Medio método de recolección de datos: observación encuesta. entrevista. equipos. lista de
chequeo
4. Medio o método de procesamiento para dar respuesta al problema

Recolección de información

5. Variables: conceptos o atributos a medir

6. Definiciones operacionales: forma de operacionalizar las variables
7. Muestra: número de unidades a medir
8. Recursos disponibles: tiempo apoyo institucional. económicos. humanos

modelo Matemático

Identificación de la fuente Peluqueria de pelos

Lugar de localización de la fuente
Medio método de recolección de datos
Variables
Definiciones operacionales
Muestra
Recursos disponibles
Medio o método de procesamiento
Peluqueria de pelos
Observación
Tiempo de llegada
Tiempo espera
Tiempo de atención
Entrada: Clientes solicitando el servicio
Salidas.: Clientes satisfechos clientes
insatisfechos
clientes satisfechos: clientes a quien se le
presta el servicio requerido
clientes insatisfechos: clientes que
desisten de tomar el servicio
Muestreo probabilístico aleatorio simple
30 clientes
Tiempo: 1 día de observación. 2 análisis de
comportamiento del sistema
Infraestructura: pc. internet. escritorio
silla
Software minitab
Diseña formatos para recopilar datos sobre los eventos. tomando como base las actividades
identificadas en las tablas de procesos.

INICIO

Llegada de clientes
solicitando el servicio

Consulta y agendamiento
de cita

NO
Cliente
toma el
servicio

SI

Cliente
atendido

Cliente Cliente
NO
termina el insatisfecho
servicio

SI

Cliente
satisfecho

Selecciona el tipo de función de distribución que se ajusta a un conjunto de datos. basado en los
resultados de las pruebas de bondad de ajuste.

7 20 28 23 11 10

8 13 12 23 19 30

25 20 24 12 16 5
 23 23 8 15 9 18

2 3 16 21 24 25

Teniendo en cuenta la prueba de bondad de ajuste con una confiabilidad del 95% se usara una
distribución Normal con 74% de ajuste

Simulación Mintab

Hoja de trabajo 3

Identificación de la distribución para C1

Estadísticas descriptivas

Median
N N* Media Desv.Est. a Mínimo Máximo Asimetría Curtosis
3 0 6.54333 2.92610 6.375 1.3 12.15 0.202168 -0.459274
0
Prueba de bondad del ajuste

Distribució
n AD P
Normal 0.243 0.746
Exponencial 4.099 <0.003
Lognormal 0.782 0.038
Logística 0.232 >0.250
Estimaciones ML de los parámetros de distribución

Distribución Ubicación Forma Escala Valor umbral

Normal* 6.54333 2.92610

Exponencial 6.54333

Lognormal* 1.75601 0.54763

Logística 6.47230 1.66601

* Escala: Estimación de ML ajustado

Establezca cuadro comparativo en donde describa en dos columnas las ventanas y desventajas de la
simulación de eventos discretos.

ventajas
Identifica el comportamiento y desempeño de
procesos en tiempo real
Apoyo de los sistemas de la industria
Estructura clara. con eventos explícitos
Las variables se evalúan en función de tiempo.
lo que permite un análisis real
Contemplan resultados múltiples
desventajas
No permite realizar predicciones de las
siguientes etapas del proceso
Requieren gran cantidad de datos
Acceso a software de simulación

Responde las siguientes preguntas:

¿Cómo son los modelos de simulación de eventos discretos?

Son modelos donde la variables cambian continuamente con respecto al tiempo

¿Qué elementos se identifican en los modelos de simulación discretos?

Eventos: sucesos que pueden afectar el normal comportamiento de un sistema diagramas de flujo

Colas: son represamientos o cuellos de botella identificados en el sistema

Recursos: elementos usados para el procesamiento del análisis del sistema

Variables de estado: valores o datos que representan el estado del sistema variable según el tiempo

Medidas de desempeño: indicadores utilizados para análisis de resultados

Reglas de decisión: criterios para la toma de decisiones

Describa los campos de aplicación de la simulación orientada a eventos discretos. Explicando cada una
de sus aplicaciones.
 Logística: modela y optimiza los procesos logísticos (transporte. almacenamiento. distribución.
planificación de rutas. y gestión de inventarios)

Atención Médica: modelado y optimización de procesos sanitarios (flujo de pacientes. planificación de

recursos humanos y materiales. Evaluación del impacto económico sobre las nuevas tecnologías
sanitarias

Operaciones de manufactura: modelado y optimización de procesos productivos (flujo de materiales en

línea. producción y planificación de os recursos humano y de materiales. evaluación del impacto
económico sobre las nuevas tecnologías productivas

Se desea simular el proceso de fallas y reparación de unos generadores eléctricos para estimas el tiempo
muerto que en promedio tienen dichas maquinas.
Se realizaron 200 observaciones registrando los datos del tiempo entre fallas y del tiempo de
reparación, generando las siguientes tablas y datos para realizar la siguiente simulación:
Considerando un valor (Alfa = 0.10); y un error de 0,5 horas.
Numero de Tiempo de Numero de
Tiempo entre falllas observaciones reparacion observaciones
0,5 10 1 56
1 12 2 104
1,5 32 3 40
2 66 Total 200
2,5 42
3 38 Alfa = 0.10 0,10
Total 200 error de 0,5 0,5

a. Modelo de simulación de 40 días de operación incluyendo grafico de estabilidad .

Rango
Numero de Tiempo
Tiempo entre falllas observaciones probabilidad Desde Hasta entre fallas Rango
Numero de
Tiempo de observacion Tiempo de
0,5 10 0,05 0 0,05 0,5 reparacion es probabilidad Desde Hasta reparacion
1 12 0,06 0,05 0,11 1 1 56 0,28 0,00 0,28 1
1,5 32 0,16 0,11 0,27 1,5 2 104 0,52 0,28 0,80 2
2 66 0,33 0,27 0,60 2 3 40 0,20 0,80 1,00 3
2,5 42 0,21 0,60 0,81 2,5 Total 200
3 38 0,19 0,81 1,00 3
Total 200
 Tiempo
Hora inicio Tiempo
Numero No. Aleatorio Tiempo No. Aleatorio de Tiempo de Hora fin muerto
Hora de falla de muerto
descompostura descompostura entre falla reparacion reparacion reparacion promedio(ho
reparacion (horas)
ras)
1 0,87 3,00 3,00 0,57 2 3,00 5,00 2,00 2,00
2 0,03 0,50 3,50 0,92 3 3,50 6,50 3,00 2,50
3 0,39 2,00 5,50 0,93 3 5,50 8,50 3,00 2,67
4 0,67 2,50 8,00 0,61 2 8,00 10,00 2,00 2,50
5 0,40 2,00 10,00 0,06 1 10,00 11,00 1,00 2,20
6 0,69 2,50 12,50 0,41 2 12,50 14,50 2,00 2,17
7 0,49 2,00 14,50 0,76 2 14,50 16,50 2,00 2,14
8 0,59 2,00 16,50 0,52 2 16,50 18,50 2,00 2,13
9 0,23 1,50 18,00 0,66 2 18,00 20,00 2,00 2,11
10 0,26 1,50 19,50 0,24 1 19,50 20,50 1,00 2,00
11 0,45 2,00 21,50 0,49 2 21,50 23,50 2,00 2,00
12 0,28 2,00 23,50 0,54 2 23,50 25,50 2,00 2,00
13 0,29 2,00 25,50 0,52 2 25,50 27,50 2,00 2,00
14 0,72 2,50 28,00 0,42 2 28,00 30,00 2,00 2,00
15 0,27 2,00 30,00 0,09 1 30,00 31,00 1,00 1,93
16 0,44 2,00 32,00 0,61 2 32,00 34,00 2,00 1,94
17 0,29 2,00 34,00 0,61 2 34,00 36,00 2,00 1,94
18 0,44 2,00 36,00 0,43 2 36,00 38,00 2,00 1,94
19 0,86 3,00 39,00 0,41 2 39,00 41,00 2,00 1,95
20 0,07 1,00 40,00 0,21 1 40,00 41,00 1,00 1,90
21 0,85 3,00 43,00 0,90 3 43,00 46,00 3,00 1,95
22 0,49 2,00 45,00 0,57 2 45,00 47,00 2,00 1,95
23 0,61 2,50 47,50 0,59 2 47,50 49,50 2,00 1,96
24 0,57 2,00 49,50 0,05 1 49,50 50,50 1,00 1,92
25 0,68 2,50 52,00 0,37 2 52,00 54,00 2,00 1,92
26 0,37 2,00 54,00 0,49 2 54,00 56,00 2,00 1,92
27 0,95 3,00 57,00 0,95 3 57,00 60,00 3,00 1,96
28 0,46 2,00 59,00 0,57 2 59,00 61,00 2,00 1,96
29 0,46 2,00 61,00 0,58 2 61,00 63,00 2,00 1,97
30 0,26 1,50 62,50 0,12 1 62,50 63,50 1,00 1,93
31 0,44 2,00 64,50 0,20 1 64,50 65,50 1,00 1,90
32 0,83 3,00 67,50 0,75 2 67,50 69,50 2,00 1,91
33 0,17 1,50 69,00 0,11 1 69,00 70,00 1,00 1,88
34 0,09 1,00 70,00 0,22 1 70,00 71,00 1,00 1,85
35 0,86 3,00 73,00 0,32 2 73,00 75,00 2,00 1,86
36 0,20 1,50 74,50 0,45 2 74,50 76,50 2,00 1,86
37 0,63 2,50 77,00 0,56 2 77,00 79,00 2,00 1,86
38 0,54 2,00 79,00 0,83 3 79,00 82,00 3,00 1,89
39 0,98 3,00 82,00 0,75 2 82,00 84,00 2,00 1,90
40 0,90 3,00 85,00 0,40 2 85,00 87,00 2,00 1,90

ESTADISTICAS TIEMPO ESTADISTICAS TIEMPO

MUERTO HORAS MUERTO PROMEDIO
Promedio 1,90 Promedio 2,01
Desviacion 0,59 Desviacion 0,18
Max. 3,00 Max. 2,67
Min. 1,00 Min. 1,85

Grafico de estabilidad
 Tiempo muerto promedio(horas)
2.50

2.00

1.50

1.00

0.50

0.00
1 4 7 10 13 16 19 22 25 28 31 34 37 40
Conclusion: Teniendo en cuenta la simulación se puede validar que el proceso tiende a estabilización a
partir de la falla No. 29 con un tiempo muerto aproximado de 2.

b. Cálculo del número de corridas necesarias para estabilizar la variable de

interés.
 Tiempo muerto
(horas) S/E 1,53923058 * 0,05
1,00 Alfa = 0.10 0,10 TSTUDNT -1,72913281 19
1,00 error de 0,5 0,5 Numero de corridas 7,08376374
2,00 Desviacion 0,770
3,00
3,00
1,00
1,00
2,00
1,00
2,00
2,00
2,00
2,00
1,00
2,00
1,00
1,00
3,00
2,00
1,00
3,00
1,00
2,00
3,00
2,00
2,00 los datos tienen un comportamiento de nomalidad
1,00
1,00
3,00
2,00
3,00
1,00
2,00
1,00
2,00
3,00
2,00
1,00
2,00
3,00

Concusión:los datos tienden aun comportamiento con normalidad; el número

de corridas necesaria para la estabilización es de 7,083

c. Adecuar el número de corridas según el caso del modelo del literal a.

 Numero de Tiempo de Numero de
Tiempo entre falllas observaciones reparacion observaciones
0,5 10 1 56
1 12 2 104
1,5 32 3 40
2 66 Total 200
2,5 42
3 38 Alfa = 0.10 0,10
Total 200 error de 0,5 0,5

Rango
Numero de Tiempo
Tiempo entre falllas observaciones probabilidad Desde Hasta entre fallas Rango
Numero de
Tiempo de observacion Tiempo de
0,5 10 0,05 0 0,05 0,5 reparacion es probabilidad Desde Hasta reparacion
1 12 0,06 0,05 0,11 1 1 56 0,28 0,00 0,28 1
1,5 32 0,16 0,11 0,27 1,5 2 104 0,52 0,28 0,80 2
2 66 0,33 0,27 0,60 2 3 40 0,20 0,80 1,00 3
2,5 42 0,21 0,60 0,81 2,5 Total 200
3 38 0,19 0,81 1,00 3
Total 200

Tiempo
Hora inicio Tiempo
Numero No. Aleatorio Tiempo No. Aleatorio de Tiempo de Hora fin muerto
Hora de falla de muerto
descompostura descompostura entre falla reparacion reparacion reparacion promedio(ho ESTADISTICAS TIEMPO ESTADISTICAS TIEMPO
reparacion (horas)
ras) MUERTO HORAS MUERTO PROMEDIO
1 0,81 3,00 3,00 0,95 3 3,00 6,00 3,00 3,00 Promedio 2,14 Promedio 2,37
2 0,36 2,00 5,00 0,54 2 5,00 7,00 2,00 2,50 Desviacion 0,38 Desviacion 0,30
3 0,71 2,50 7,50 0,69 2 7,50 9,50 2,00 2,33 Max. 3,00 Max. 3,00
4 1,00 3,00 10,50 0,43 2 10,50 12,50 2,00 2,25 Min. 2,00 Min. 2,14
5 0,17 1,50 12,00 0,39 2 12,00 14,00 2,00 2,20
6 0,94 3,00 15,00 0,57 2 15,00 17,00 2,00 2,17
7 0,65 2,50 17,50 0,73 2 17,50 19,50 2,00 2,14

Se adecua el número de corridas según el numero obtenido en el literal B Tiempo muerto promedio(horas)
3,50

3,00

2,50

2,00

1,50

1,00

0,50

0,00
1 2 3 4 5 6 7

d. Generar 15 réplicas del modelo y calcular el intervalo de confianza

PROMEDIO 2,14 2,35 1,57 2,08 2,03 2,08 2,12 2,00 2,20 1,84 1,74 1,37 2,04 1,59 1,95
DESVIACION 0,202497632 0,325035611 0,287687817 0,210580206 0,436353199 0,144337567 0,127678092 0,172593047 0,180114272 0,123273083 0,198109519 0,366436892 0,444092528 0,339223549 0,125988158

CORRIDA 1 CORRIDA 2 CORRIDA 3 CORRIDA 4 CORRIDA 5 CORRIDA 6 CORRIDA 7 CORRIDA 8 CORRIDA 9 CORRIDA 10 CORRIDA 11 CORRIDA 12 CORRIDA 13 CORRIDA 14 CORRIDA 15
2,00 3,00 1,00 2,00 3,00 2,00 2,00 2,00 2,00 2,00 2,00 1,00 3,00 1,00 2,00
2,50 2,50 1,50 2,50 2,00 2,00 2,00 2,00 2,50 2,00 1,50 1,00 2,00 1,50 2,00
2,33 2,33 1,67 2,00 2,00 2,33 2,33 1,67 2,33 1,67 1,67 1,00 1,67 1,33 1,67
2,00 2,25 1,50 2,00 1,75 2,25 2,00 2,00 2,25 1,75 2,00 1,50 1,75 1,75 2,00
2,00 2,20 1,60 2,20 1,80 2,00 2,20 2,20 2,00 1,80 1,80 1,60 2,00 2,00 2,00
2,17 2,17 1,83 2,00 1,83 2,00 2,17 2,17 1,83 1,83 1,67 1,67 2,00 1,83 2,00
2,00 2,00 1,86 1,86 1,86 2,00 2,14 2,00 2,00 1,86 1,57 1,86 1,86 1,71 2,00

PROMEDIO Media 1,94

2,14 Desv. Est 0,2675
2,35 Confianza 0,95
1,57 Tamaño 15
2,08 Error 0,05
2,03 Z 1,959963985
2,08
2,12 Int.Conf 0,135384916
2,00 Lim. Inf 1,80617971
2,20 Lim. Sup 2,076949541
1,84
1,74
1,37 la replicas se alinean dentro del intervalo de confianza del
2,04 0,1353 generando un supuesto de normalidad, donde el
1,59 limitese comprendeentre los valores del inferior e 1,80 y
1,95 su limite superior de 2,076los cuales representan los
tiempos entre fallas
 Chart Title
3.50
3.00
2.50
2.00
1.50
1.00
0.50
0.00
1 2 3 4 5 6 7

Series1 Series2 Series3

Series4 Series5 Series6
Series7 Series8 Series9
Series10 Series11 Series12
Series13 Series14 Series15

e. Establecer conclusiones y recomendaciones del caso

La herramienta de simulación es aplicada por empresas de diferentes

sectores, como herramienta facilitadora de la toma de decisiones asertivas

en la optimización, identificación de cuellos de botella o implementación de

nuevos procesos; esta herramienta es utilizada para afrontar problemas de

planificación en las empresas aportando soluciones factibles a problemas

rutinarios.

En la simulación es identificable que el comportamiento de los datos no

sigue un patrón estable por o se considera que el caso comprende un

comportamiento normal.

RECOMENDACIONES
La implementación de modelos de simulación basados en datos reales

permite la predicción y/o identificación de problemas futuros en los cuales se

debe implementar un plan de acción y así evitar pérdidas en los procesos de

producción, lo que hace a la herramienta de simulación un elemento

fundamental en la planeación de las actividades empresariales.

Desarrollar una simulación sencilla en el software donde se evidencie una

línea de producción que refleje el comportamiento de la simulación
Propuesta y preséntela a través de un video.

Referencias Bibliográficas en normas APA

Darbà, Josep. (2006). La utilización de métodos probabilísticos para la evaluación económica de

tecnologías sanitarias. Gaceta Sanitaria, 20(1), 74-77. Recuperado en 28 de agosto de

2023, de http://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S0213-

91112006000100014&lng=es&tlng=es.

Karacha, D. E. (2018). Análisis de Sistemas y tipos de Modelación y Simulación aplicada.

[Objeto_virtual_de_Informacion_OVI]. Repositorio Institucional UNAD.

https://repository.unad.edu.co/handle/10596/22524

Marmolejo, I. S., Macías, R. G., & Robles, F. S. (2014). Etapas de un modelos de simulación y la

modelación con FlexSim. Ingenio y Conciencia Boletín Científico de la Escuela Superior

Ciudad Sahagún, 1(2). Disponibe en

https://www.uaeh.edu.mx/scige/boletin/sahagun/n2/p1.html
Martín Díaz Rodríguez. (2019). Estadística inferencial aplicada. Universidad del

Norte. https://search-ebscohost-com.bibliotecavirtual.unad.edu.co/login.aspx?

direct=true&db=nlebk&AN=2320219&lang=es&site=ehost-live

Piera, M. À. (2004). Modelado y simulación. Aplicación a procesos logísticos de fabricación y

servicios. Universitat Politècnica de Catalunya. Iniciativa Digital Politècnica.

Taha, H. A. (2017). Investigación de operaciones. Pearson Educación. Capítulo 14 y

19.https://www-ebooks7-24-com.bibliotecavirtual.unad.edu.co/?il=6959.

TrABAJ, H. D. (2014). Inferencia estadística: Pruebas de hipótesis. Rev Chil Anest, 43, 125-128.

Urquía Moraleda, A. (2013). Modelado y simulación de eventos discretos. UNED - Universidad

Nacional de Educación a Distancia. Apartado 1.2, 1.3. https://elibro-

net.bibliotecavirtual.unad.edu.co/es/ereader/unad/48697?page=18

ANEXOS

PARTICIPACION EN EL FORO