Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Entrega Final Tif
Entrega Final Tif
SIMULACIÓN DE SISTEMAS
AREQUIPA – PERÚ
2023
EPÍGRAFE
“Cuando en el mundo aparece un verdadero genio, puede identificársele por este signo:
John Kennedy
“El fracaso es simplemente la oportunidad de empezar de nuevo, esta vez de forma más
inteligente”.
Henry Ford
“Una máquina puede hacer el trabajo de 50 hombres ordinarios, pero ninguna máquina
Elbert Hubbard
“De vez en cuando vale la pena salirse del camino, sumergirse en un bosque.
Alexander Graham
Leonardo da Vinci
DEDICATORIA
presente trabajo.
AGRADECIMIENTOS
Este estudio tiene como objetivo optimizar el proceso actual de la producción, y para
cumplirlo primero analizamos el proceso actual para determinar las variables y de esa
simulación a través del software Arena, validado con el Output Analyzer para luego
poder observar los problemas más relevantes y proponer alternativas para mejorar la
situación.
The present work is a study made for Lácteos Yarabamba, belonging to the Association
making products derived from milk, entering a market and satisfying many consumers.
The objective of this study is to optimize the current production process, and to achieve
it, we first analyze the current process to determine the variables and thus collect
sufficient information and data to develop a simulation model through the Arena
software, validated with the Output Analyzer to later be able to observe the most
Finally, a proposal was obtained that allows minimizing production time, optimizing
1.9 Variables............................................................................................................................ 21
CONCLUSIONES................................................................................................................... 170
ÍNDICE DE TABLA
Tabla 1 Variables Exógenas ........................................................................................................ 65
Tabla 2 Intervalo entre llegadas de porongos de leche ............................................................... 72
Tabla 3 Datos del tamaño de muestra Variable X ...................................................................... 74
Tabla 4 Cálculo del tamaño de muestra Variable X .................................................................... 74
Tabla 5 Factor de Corrección Variable X ................................................................................... 75
Tabla 6 Tamaño de muestra Variable X....................................................................................... 75
Tabla 7 Datos para el tamaño de muestra Variable X ................................................................ 75
Tabla 8 Distribución Resumen Variable X .................................................................................. 84
Tabla 9 Test Chi Cuadrado Variable X........................................................................................ 84
Tabla 10 Kolmogorov-Smirnov Test Variable X .......................................................................... 84
Tabla 11 Data Resumen Variable X ............................................................................................. 85
Tabla 12 Resumen de Histograma Variable X............................................................................. 85
Tabla 13 Resumen de los errores cuadrados del Input Analyzer Variable X .............................. 86
Tabla 14 Datos del proceso empírico Variable Y3 ...................................................................... 88
Tabla 15 Distribución resumen Variable Y3................................................................................ 88
Tabla 16 Datos del proceso empírico Variable Y5 ...................................................................... 90
Tabla 17 Distribución resumen Variable Y5................................................................................ 90
Tabla 18 Tiempo de cortado de quesos Variable Y16.................................................................. 91
Tabla 19 Datos del Tamaño de muestra Variable Y16 ................................................................. 92
Tabla 20 Cálculo del tamaño de muestra Y16 ............................................................................. 93
Tabla 21 Factor de corrección Variable Y16 ............................................................................... 93
Tabla 22 Tamaño de muestra Variable Y16 ................................................................................. 94
Tabla 23 Datos para el tamaño de muestra Variable Y16 ............................................................ 94
Tabla 24 Distribución Resumen Variable Y16 ............................................................................ 96
Tabla 25 Test Chi Cuadrado Variable Y16 .................................................................................. 96
Tabla 26 Kolmogorov-Smirnov Test Variable Y16 ..................................................................... 97
Tabla 27 Data Resumen Variable Y16......................................................................................... 97
Tabla 28 Resumen de Histograma Variable Y16 ......................................................................... 97
Tabla 29 Errores cuadrados del Input Analyzer Variable Y16 .................................................... 98
Tabla 30 Tiempo de moldeado Variable Y17 ............................................................................ 101
Tabla 31 Datos del Tamaño de muestra Variable Y17 ............................................................... 102
Tabla 32 Cálculo del tamaño de muestra Y17 ........................................................................... 103
Tabla 33 Factor de corrección Variable Y17 ............................................................................. 103
Tabla 34 Tamaño de muestra Variable Y17 ............................................................................... 103
Tabla 35 Datos para el tamaño de muestra Variable Y17 .......................................................... 104
Tabla 36 Distribución Resumen Variable Y17 .......................................................................... 105
Tabla 37 Test Chi Cuadrado Variable Y17 ................................................................................ 105
Tabla 38 Kolmogorov-Smirnov Test Variable Y17 ................................................................... 106
Tabla 39 Data Resumen Variable Y17....................................................................................... 106
Tabla 40 Resumen de Histograma Variable Y17 ....................................................................... 106
Tabla 41 Errores cuadrados del Input Analyzer Variable Y17 .................................................. 107
Tabla 42 Propiedades del modelo.............................................................................................. 109
Tabla 43 Reporte del OutputAnalyzer con 5 réplicas ................................................................ 141
Tabla 44 Aplicando las fórmulas de N y e tenemos: ................................................................. 141
Tabla 45 Reporte del OutputAnalyzer con 14 réplicas .............................................................. 142
Tabla 46 Aplicando las fórmulas de N ...................................................................................... 142
Tabla 47 Indicador 1 – La Inspección ....................................................................................... 143
Tabla 48 Indicador 2 - Costo total de la leche ........................................................................... 144
Tabla 49 Indicador 3 - Intervalo de tiempo de los quesos que salen de moldeado ................... 144
Tabla 50 Indicador 4 - Total quesos andinos producidos .......................................................... 144
Tabla 51 Indicador 5 - Lead Time ............................................................................................. 145
Tabla 52 Reporte del Output Analyzer con 14 réplicas: ............................................................ 145
Tabla 53 Muestra de 10 datos .................................................................................................... 146
Tabla 54 Reporte del Output Analyzer con 14 réplicas ............................................................. 148
Tabla 55 Muestra de 10 datos .................................................................................................... 148
Tabla 56 Reporte del Output Analyzer con 14 réplicas ............................................................. 150
Tabla 57 Muestra de 10 datos .................................................................................................... 150
Tabla 58 Reporte del Output Analyzer con 14 réplicas ............................................................ 152
Tabla 59 Muestra de 10 datos .................................................................................................... 152
Tabla 60 Reporte del Output Analyzer con 14 réplicas ............................................................ 154
Tabla 61 Muestra de 10 datos .................................................................................................... 154
Tabla 62 Costo de implementación de la inversión ................................................................... 158
Tabla 63 Valor de recupero de las inversiones .......................................................................... 159
Tabla 64 Flujo de Efectivo e Indicadores .................................................................................. 163
Tabla 65 Flujo de Efectivo e Indicadores .................................................................................. 163
Tabla 66 Resumen ..................................................................................................................... 165
Tabla 67 Reporte del Output Analyzer con 14 réplicas: ............................................................ 167
Tabla 68 Muestra de 10 datos .................................................................................................... 167
CAPITULO 1: FORMULACIÓN DEL PROYECTOS DE INVESTIGACIÓN
1.1 Título
16.1
1.2 Introducción
causados por eluso ineficiente de los recursos disponibles. Por lo cual se busca la
botella, dando paso a un buen aprovechamiento de recursos con los que cuenta la
empresa.
1.5.1 Buscar una mejora del proceso de producción de los quesos pasteurizadoen la
1.5.3 Poder identificar los tiempos ociosos o tiempos muertos para una mejoraen la
frescos.
1.7 Justificación
de a las organizaciones locales regionales, etc así como en este caso la región de
herramientas informáticas que permiten crear posibles escenarios de la realidad sin incurrir
en gastos de recursos como tiempo y dinero; este es el caso de Arena 16.2, programas
utilizados en este proyecto como soporte para realizar una propuesta de mejora en la
fresco con estándares de calidad, mejorando los tiempos y el sistema de producción. Con
queso fresco, se puede dar cumplimiento adecuado a los lineamientos del proyecto.
procesos se puede reducir los tiempos muertos de producción, y hacer mediciones dela
cantidad de los procesos que se realizan al día. Así mismo, podremos hacer pruebas de
Podremos optimizar los tiempos de producción de queso fresco, para darle propuestas
y se brindarán alternativas para la reducción del tiempo del proceso que tenga mayor
tiempo muerto.
que gracias a las pruebas de ensayo que realizaremos se podrá dar soluciones al
problema.
Es el diseño del modelo de simulación del proceso de producción del queso en la empresa
Lácteos Yarabamba que evaluará en diferentes escenarios una mejor alternativa que haga
producto final.
Lácteos Yarabamba, que resulta de la sumatoria de todos los quesos producidos en una
datos de los tiempos de llegada demateria prima, tiempos en colas antes de cada
gerente dela empresa, en las cuales se priorizará los tiempos y costos de producción
Tipos de simulación
separados.
Existen tres tipos de interacciones entre las variables de estado de este tipo de
simulaciones:
estado continua.
Un evento discreto puede causar que la relación que gobierna una variable de estado
1
continua cambie en un instante de tiempo en particular.
Una variable de estado continua de punto de partida puede causar que un evento
Modelaje con un enfoque hacia los eventos, en el cual la lógica del modelo gira
alrededor de los eventos que ocurren instante a instante, registrando el estado de todos
Modelaje con un enfoque de procesos, en el cual la lógica del modelo gira alrededor
de los procesos que deben seguir las entidades. Es cierta forma, es un modelaje basado
Sistema de producción
que existen para alcanzar un determinado objetivo. Donde cada parte del sistema puede
2
ser vista como un sistema con sus departamentos como subsistemas. (G, 2020)
producción, que son la producción por trabajos o bajo pedido, la producción por lotes y
la producción continua, a los cuales se puede agregar un cuarto tipo llamado tecnología
Etapas de la simulación
Para tener una definición exacta del sistema que se desea simular, es necesario hacer
otros sistemas, las restricciones del sistema, las variables que interactúan dentro del
sistema y sus interrelaciones, las medidas de efectividad que se van a utilizar para
definir y estudiar el sistema y los resultados que se esperan obtener del estudio.
Una vez definidos con exactitud los resultados que se esperan obtener del estudio, se
formulación del modelo es necesario definir todas las variables que forman parte de él,
sus relaciones lógicas y los diagramas que describan en forma completa el modelo.
● Colección de datos
Es importante que se definan con claridad y exactitud los datos que el modelo va a
3
● Implementación del modelo
utiliza algún paquete como Arena para procesarlo en la computadora y obtener los
resultados deseados.
● Validación
en los datos alimentados al modelo. Las formas más comunes de validar un modelo son:
La comprobación de falla del modelo de simulación al utilizar datos que hacen fallar
al sistema real.
● Experimentación
Se realiza después de que el modelo haya sido validado, consiste en generar los datos
● Interpretación
Se interpretan los resultados que arroja la simulación y con base a esto se toma una
● Documentación
Dos tipos de documentación son requeridos para hacer un mejor uso del modelo de
refiere al manual del usuario, con el cual se facilita la interacción y el uso del modelo
4
desarrollado.
simular todos los escenarios comerciales y comprender las operaciones que se llevan a
módulos o bloques con lenguaje Siman que presenta una forma visual a modo de mayor
Arena combina la facilidad de uso de los simuladores de alto nivel con la flexibilidad
que una entidad desarrolla al interior del sistema conforme fluye a través de él. Dada la
pasos que debe seguir una entidad conforme avanza en nuestro sistema.
Características
5
● Analizar cómo el sistema funciona en su ambiente real, tanto en su
Ventajas
mejora.
Desventajas
elevado.
como el de procesos que abarcan varias áreas particulares. ARENA también utiliza una
lleva a cabo siguiendo una estructura jerárquica. ARENA ofrece la posibilidad de crear
recursos, variables y colas del modelo pudiendo ser seleccionadas por el usuario. Cada
estadísticas o no.
6
Algunas aplicaciones de la simulación en la industria:
● Mejoramiento de la calidad
● Reducción de costos
● Reducción de inventarios
● Mejoramiento de la productividad
● Planeamiento de la producción
sin interrumpir el funcionamiento del sistema actual ya que ambos sistemas pueden
Optimización
Entidades
mueven a través de un modelo, cambian de estado al cual afectan y son afectadas por
otras entidades y por el estado del sistema lo cual también afectan a medidas eficiencia
Atributos
7
Para individualizar cada entidad, se le pueden unir distintos “atributos”. Un atributo
es una característica de todas las entidades, pero con un valor específico que puede
diferir de una entidad a otra. Por ejemplo, en el primer ejemplo, nuestras entidades
(piezas), podrían tener unos atributos denominados Hora de Llegada, Fecha de Entrega,
Prioridad y Color para indicar esas características para cada entidad individual. Arena
definir, asignar valores, cambiar y usar atributos específicos, en cada sistema que se
desee simular.
Variables
tener muy diferentes variables en un modelo, pero cada una es única. Existen dos tipos
de variables: las variables prefijadas de Arena (número de unidades en una cola, número
Recursos
Las entidades compiten por ser servidas por recursos que representan cosas como
personal, equipo, espacio en un almacén de tamaño limitado, etc. Una o varias unidades
de un recurso libre son asignadas a una entidad, y son liberadas cuando terminan su
trabajo.
Cola
8
menudo porque necesita un recurso que está ocupado, necesita un espacio donde esperar
que el recurso quede libre, ésta es la función de las colas. En Arena, cada cola tendrá un
nombre y podría tener una capacidad para representar, por ejemplo, un espacio limitado
de almacenamiento.
Acumuladores estadísticos
Para obtener las medidas de eficiencia finales, podría ser conveniente hacer un
número de unidades que han pasado por la cola (necesitaremos este valor para calcular
el tiempo medio en cola), el mayor tiempo invertido en la cola por una entidad, el
tiempo total en el sistema (en cola más procesado), el mayor tiempo consumido en el
sistema por una entidad, etc. Todos estos acumuladores deberían ser inicializados a 0, y
cuando sucede algún hecho en el sistema, se tendrán que actualizar los acumuladores
afectados.
Eventos
nuestro ejemplo sencillo, sólo hay tres tipos de eventos: Llegada de una nueva pieza al
sistema, Salida de una pieza del sistema cuando finaliza el tiempo de procesado en la
Reloj de la simulación
Simulación. Este reloj irá avanzando de evento en evento, ya que al no cambiar nada
9
2.2.4 DESCRIPCIÓN DE LOS MÓDULOS DE PROCESO
datos del software según la guía de (Bradley, 2007) Módulos de flujo. Basic Process
Módulo Create
este módulo se especifica también el tipo de entidad de que se trata. Una vez se incluye
en el modelo a la derecha del símbolo aparece bajo una línea el número de entidades
creadas.
Posibles Usos.
- Llegada de un documento (por ejemplo, una petición, una factura, una orden)
en un proceso de negocio.
Parámetros
- Type: tipo de flujo de llegada a generar. Los tipos incluidos son: Random
(usa una distribución exponencial y hay que indicar la media), Schedule (usa
10
Schedule especificado), Constant (se especifica un valor constante), o
define el formato de llegada para las entidades que llegan al sistema. Sólo se
- Units: unidades de tiempo que se usan para los tiempos entre llegadas y de la
primera creación.
Módulo Dispose
Posibles Usos
11
- Finalización de un proceso de negocio
nonvalue- added time, wait time, transfer time, other time, total time,
valueadded cost, non-value-added cost, wait cost, transfer cost, other cost, y
total cost.
Módulo Process
modelo, aparece un número en la parte inferior del símbolo que indica el número de
Posibles Usos
- Rellenar órdenes.
- Servir a un cliente.
12
Parámetros
Process y se definirá por una acción (Action) particular. Submodel indica que
- Action: tipo de proceso que tendrá lugar dentro del módulo. Existen cuatro
tipos: Delay, Seize Delay y Seize Delay Release. Delay indica que solamente
recursos. Seize Delay indica que un recurso será asignado en este módulo y
que habrá un retardo y la liberación del recurso ocurrirá más tarde. Seize
submodel.
13
- Units: unidades de tiempo para los parámetros de retardo.
proceso a la entidad.
triangular.
- Value: valor medio para una distribución normal, el valor constante para un
retardo de tiempo.
Módulo Decide
Este módulo permite a los procesos tomar decisiones en el sistema. Incluye la opción
entidad es Gold Car) o basándose en una o más probabilidades (por ejemplo, 75%
verdadero, 25% falso). Las condiciones se pueden basar en valores de atributos (por
de entidad o una expresión. Hay dos puntos de salida del módulo Decide cuando se
especifica el tipo 2-way chance o 2-way condition. Hay un punto de salida para las
entidades “verdaderas” y una para las entidades “falsas”. Cuando se especifica el tipo
Nway chance o condition, aparecen múltiples puntos de salida para cada condición o
probabilidad y una única salida “else”. Una vez incluido en el modelo, cerca de cada
14
una de las ramas que salen del símbolo que representa el módulo, aparece un número.
Posibles Usos
tipo se puede especificar como 2-way o N-way. 2-way permite definir una
- Conditions: define una o más condiciones que se usan para dirigir las entidades a
- Percentages: define uno o más porcentajes usados para encaminar las entidades a
atributo o variable o que se evaluará como una única expresión para determinar
si es verdadero o falso.
Módulo Assign
15
Figura 5 Modulo Assign
Este módulo se usa para asignar valores nuevos a las variables, a los Assign atributos
de las entidades, tipos de entidades, figuras de las entidades, u otras variables del
sistema. Se pueden hacer múltiples asignaciones con un único módulo Assign. Para
añadir una nueva variable al modelo, simplemente se selecciona Add, Type: Entity, el
Posibles Usos
multicopia.
Parámetros
- Type: tipo de asignación que se va a realizar. Other, puede incluir variables del
simulación.
valor.
16
- Entity Type: nuevo tipo de entidad que se le asignará a la entidad cuando entre
en el módulo.
valor.
- New value: Valor asignado al atributo, variable, u otras variables del sistema.
Módulo
Batch
Figura 6 Batch
simulación. Los lotes pueden estar agrupados permanente o temporalmente. Los lotes
temporales deben ser divididos posteriormente usando el módulo Separate. Los lotes se
partir del valor de un determinado atributo. Las entidades que llegan a un módulo Batch
se coloca en una cola hasta que se ha acumulado el número necesario de entidades. Una
de ser agrupadas.
Posibles Usos
- Juntar un paciente con los resultados de sus pruebas antes de concederle una
cita. Parámetros
17
- Name: identificador único del módulo.
- Rule: determina cómo se agruparán las entidades que llegan. Any Entity tomará
las primeras “Batch Size” entidades que lleguen y las unirá todas juntas. By
Attribute significa que los valores de los atributos especificados deben coincidir
Módulo Separate
Este módulo se puede usar para replicar la entidad entrante en múltiples entidades o
para dividir una entidad previamente agrupada. Se especifican también las reglas de
representa este módulo, el original sale por la rama superior y el duplicado por la rama
inferior.
Posibles usos
contenedor.
18
- Enviar una orden tanto a realización y a facturación para un procesamiento
Parámetros
idénticas. Split Existing Batch, requiere que la entidad entrante sea una entidad
desagruparán.
Módulo Record
19
Posibles Usos
- Record Entity
- Statistics
Estas estadísticas incluyen value-added time, nonvalue added time, wait time,
transfer time, other time, total time, valueadded cost, non-value-added cost,
Módulo Entity
Este módulo de datos define los diversos tipos de entidades y su valor de imagen
inicial en la simulación.
Posibles usos
Parámetros
20
- Entity Type: nombre de la entidad que se va a definir.
- Initial VA Cost: valor de coste inicial que se asignará al atributo valueadded cost
de la entidad. Este atributo acumula al coste sufrido cuando una entidad pasa
- Initial Transfer Cost: valor de coste inicial que se le asignará al atributo de coste
- Initial Other Cost: valor de coste inicial que se asignará al atributo other cost de
la entidad. Este atributo acumula el coste sufrido cuando una entidad pasa
Módulo Queue
Este módulo de datos se puede usar para cambiar la regla para una determinada cola.
La regla de la cola por defecto es First In, First Out salvo que se indique otra cosa en
este módulo. Hay un campo adicional que permite definir la cola como compartida.
Posibles usos
21
- Área de almacenamiento de documentos que esperan ser cotejados en un módulo
Batch.
Parámetros
- Type: regla de encolado para la cola, la cual puede estar basada en un atributo.
Los tipos incluyen First In, First Out; Last In, First Out; Lowest Attribute Value
- Attribute name: atributo que se evaluará para los tipos Lowest Attribute Value o
Highest Attribute Value. Las entidades con valores de atributos más bajos o más
múltiples sitios dentro del modelo de simulación. Sólo se puede usar en el caso
de recursos de petición (es decir, con el módulo Seize del panel Advanced
Process).
Módulo Resource
información de costes y disponibilidad del recurso. Los recursos pueden tener una
capacidad fija que no varía durante la simulación o pueden operar basándose en una
planificación. Los fallos y estados del recurso se pueden definir también en este
22
taller
Posibles usos
Parámetros
tiempo determinado.
ocupada.
- Busy/Hour: coste por hora de un recurso que está procesando una entidad.
durante la simulación.
23
Módulo Schedule
Este módulo de datos se puede usar en conjunción con el módulo Resource para
definir una operación de planificación para un recurso o con el módulo Create para
definir una planificación de llegada. Además, una planificación se puede usar y referir a
Posibles Usos
Parámetros
tiempo.
24
- Durations: lista los pares valor y duración para la planificación. Los datos de
gráfico.
otro valor.
Módulo Set
pueden usar en los módulos Process (Seize, Release, Enter y Leave en el panel
Advanced Transfer). Los conjuntos counter y tally se pueden usar en el módulo Record.
Los conjuntos queue se pueden utilizar con Seize, Hold, Access, Request, Leave, y
Posibles usos
fabricación.
Parámetros
25
- Members: grupo repetido que especifica los miembros del recurso en el
- Entity Type: nombre del tipo de entidad dentro del conjunto de tipos de entidad.
Módulo Variable
valor(es) inicial(es). Las variables se pueden referenciar en otros módulos, se les puede
Posibles usos
26
- Clear Option: define el tiempo, en el caso de ser requerido, en que el
escoge Statistics implica reiniciar esta variable a su valor inicial siempre que
valor inicial siempre que se reinicia el sistema. None indica que nunca se
Módulo Hold
Este módulo retendrá una entidad en una cola para esperar a una señal o que una
condición llegue a ser verdadera (scan) o sea detenida infinitamente, para que sea
removida después con el módulo Remove. Si la entidad está detenida esperando una
señal, el módulo Signal se utiliza en otro lugar en el modelo para permitir que la entidad
pase al siguiente módulo. Si la entidad está esperando que una condición dada sea
27
Posibles usos
Parámetros
- Name: identificador único del módulo que se muestra en la forma del módulo.
especificada. Wait for Signal, esperará la entidad hasta que se reciba una señal
del mismo valor. Scan for Condition esperará la entidad hasta que una condición
específica sea verdadera. Con la opción Infinite Hold, la entidad esperará hasta
- Wait for Value: código de señal para la entidad en espera. Se aplica solo cuando
- Limit: número máximo de entidades en espera que serán liberadas una vez
recibida una señal. Se aplica solo cuando Type es Wait for a Signal.
- Condition: especifica la condición que será evaluada para que espere la entidad
hasta que la condición se vuelva verdadera. Se aplica solo cuando Type es Scan
for Condition.
emplea una cola interna para la espera de todas las entidades. Attribute y
28
- Queue Name: es visible si Queue Type es Queue y define el nombre simbólico
de la cola.
- Set Name: este campo solo es visible si Queue Type is Set y define la cola
- Set Index: este campo es visible solo si Queue Type es Set y define una
introducido en este campo será evaluado para indicar que cola se va a utilizar.
expresión introducida en este campo será evaluada para indicar que cola se
emplea.
Módulo Signal
Cuando una entidad llega a un módulo de señal, se evalúa la señal y el código de señal
se envía. En este momento, las entidades que están en espera en el módulo Hold de la
misma señal son liberadas de las colas del citado módulo. La entidad que envía la señal
a su paso por el módulo continuará hasta que encuentra un retardo, entre en una cola, o
en un módulo “disposed”.
Posibles usos
29
- Análisis de los patrones de tráfico en una intersección (señal cuando la luz
cambie a verde)
un componente
Parámetros
módulo.
- Signal Value: valor de la señal que se enviará a las entidades en los módulos
espera (Hold).
2.3.1 INVESTIGACIÓN 1:
Título alternativo: “Optimization of the milk pasteurization and the curd cutting
Año: 2017
Lugar: Ecuador
artesanal con leche entera pasteurizada en tanque a altas temperaturas variables, entre
80 y 85 oC; el corto tiempo de coagulación también varía según criterio del quesero,
30
resultando bajos los rendimientos queseros y aprovechamientos de componentes de
leche. El objetivo del trabajo fue determinar los parámetros óptimos del tratamiento
cuajada, medida con un penetrómetro portátil, al momento de corte (1,7 o 2,1 cm). Las
penetración, sea 2,1 ± 0,1 cm a 35 oC; así, el rendimiento quesero fue 12,52 % y el
actuales.
2.3.2 INVESTIGACIÓN 2:
31
INDUSTRIA LECHERA CHILENA”
MILK INDUSTRY”
Año: 2019
Lugar: Chile
industria de la leche, Fundo Los Ulmos (FLU), que debía elegir la mejor opción entre
las dos principales alternativas que tenía disponible. Una de las opciones era vender
todos los terrenos de la empresa familiar que tienen un arraigo emocional con el
producción de leche. Este caso muestra una típica problemática de empresa familiar
donde el tomador de decisión debe lidiar con decisiones que mezclan aspectos analíticos
Bibliografía: Torres, Juan Pablo; Guidi, Alexandra; Sánchez, Francisco; “FUNDO LOS
2.3.3 INVESTIGACIÓN 3:
Título original: “Automatic Monitoring Cheese Ripeness Using Computer Vision and
32
Artificial Intelligence”
Año: 2022
Lugar: Italia
queso, ya que sus características están determinadas por los cambios bioquímicos que
ocurren durante este período. Por lo tanto, monitorear el tiempo de maduración es una
embargo, es difícil determinar con precisión el grado de madurez del queso. Aunque
adquiridas por una cámara fotográfica. Tanto la visión artificial como las técnicas de
aprendizaje automático se han utilizado para hacer frente a esta tarea. El estudio se basa
láctea italiana), que representan formas de queso Pecorino en cuatro grados de madurez.
Todas las etapas excepto la etiquetada como "día 18", que tiene 45 imágenes, constan de
entrenamiento se aumentó en línea. Esta estrategia permitió utilizar 624 imágenes para
entrenamiento, dejando 39 imágenes originales por pliegue para prueba. Los resultados
33
para la mayoría de los modelos entrenados.
Palabras clave: Monitoreo, maduración del queso, lácteos, visión artificial, inteligencia
artificial.
2.3.4 INVESTIGACIÓN 4:
Título en español: “Vacas conectadas: uso de análisis de niebla y nube para tomar
Título original: “Connected Cows: Utilizing Fog and Cloud Analytics toward Data-
Autor: Mohit Taneja; Nikita Jalodia; Paul Malone; John Byabazaire; Alan Davy;
Cristian Olariu
Año: 2019
Lugar: Irlanda
Resumen: Las granjas lecheras tienen todas las limitaciones de un negocio moderno:
tienen una capacidad de producción fija, un rebaño que manejar, mano de obra agrícola
costosa y otros procesos variados relacionados con la granja que cuidar. En esta era
para aumentar la rentabilidad y ayudar a administrar bien sus granjas. El Internet de las
cosas (IoT) trata de conectar personas, procesos, datos y cosas, y está cambiando la
forma en que monitoreamos e interactuamos con las cosas. Una incorporación activa de
más antiguas del mundo, incluida la producción lechera. Presenta una gran oportunidad
34
para verticales como la industria láctea para aumentar la productividad al obtener
información práctica para mejorar las prácticas agrícolas, aumentando así la eficiencia y
asistencia de niebla y soporte en la nube que analiza los datos generados por los
especializa en detectar cojeras en ganado lechero en una etapa temprana, antes de que
como resultado una configuración de granja lechera inteligente del mundo real, que
diseñado entrega una alerta de detección de cojera hasta tres días antes del manual de
observación.
"Connected Cows: Utilizing Fog and Cloud Analytics toward Data-Driven Decisions
for Smart Dairy Farming," in IEEE Internet of Things Magazine, vol. 2, no. 4, pp. 32-
2.3.5 INVESTIGACIÓN 5:
35
láctico blando en miniatura para imitar un queso de fábrica”
Título original: “Elaboration and characterisation of a miniature soft lactic goat cheese
Año: 2023
Lugar: Francia
propuesto ningún modelo en miniatura para este tipo de queso. En este estudio, se
fábrica equivalente para usarlo como un modelo confiable para esta familia de quesos.
Se encontró que las composiciones de los quesos modelo y de fábrica eran similares
redujo la variabilidad entre lotes del queso modelo. Por lo tanto, este queso de cabra
láctico blando en miniatura podría utilizarse como un modelo fiable para estudiar los
Palabras clave: Queso de cabra, lácteos, queso de fábrica, láctico blando, Sift-MS.
Bechec, Jean Daydè, Hélène Tormo, Gwénaëlle Jard, “Elaboration and characterisation
of a miniature soft lactic goat cheese model to mimic a factory cheese” in Scopus
36
2.3.6 INVESTIGACIÓN 6:
Título original: “Improved Traceability Solution Based on UHF RFID for Cheese
Production Sector”
Año: 2018
Lugar: Egipto
comparación con las etiquetas de caseína convencionales, las etiquetas RFID UHF se
producto, lo que representa una solución más confiable para la trazabilidad. Este
documento analiza los principales desafíos del diseño de etiquetas RFID UHF para la
real.
sistema de medición.
Traceability Solution Based on UHF RFID for Cheese Production Sector," in IEEE
Journal of Radio Frequency Identification, vol. 2, no. 2, pp. 68-72, June 2018, doi:
10.1109/JRFID.2018.2847241.
37
CAPITULO 3: DESCRIPCIÓN DEL SISTEMA ACTUAL
3.1. La empresa
de productos lácteos frescos y de calidad. Entre los productos más comunes que
derivados lácteos.
Arequipa, donde es conocido por ser una zona fértil y propicia para la ganadería,
alta calidad.
● Gerente General:
● RUC: 20606482770
38
El proyecto Lácteos Yarabamba surgió a partir de las protestas en la región de
insuficiente pago que recibían de dicha empresa por los productos producidos.
Yarabamba y siendo el precio injusto pagado por el monopolio de leche, que por
las noticias desalentadoras nos llevaban a una posición crítica sobre la industria
láctea en el Perú. Esto hizo que surja la idea de este proyecto, donde pretende
mostrar las notables diferencias existentes entre los índices de nuestro país con
3.1.4.1 Visión
Arequipa.
3.1.4.2 Misión
39
3.1.5. Organigrama
● Acopio de Leche:
40
Fuente: Elaboración propia
➢ Acidez de la leche: 17 – 20 ºD
● Filtrado de la leche
Utilizando una tela limpia y fina, se realiza con la finalidad de poder retener
● Estandarización
2.9% de grasa. Esto debido que en nuestra región se estima que la leche tiene un
Ilustración 4 Estandarización
41
Fuente: Elaboración propia
● Pasteurización
microorganismos patógenos, así como gran parte de lipasas que pueden interferir
Ilustración 5 Pasteurización
42
Fuente: Elaboración propia
● Acondicionamiento
Una vez cumplido el tiempo de reposo se procede a enfriar la leche, durante esta
etapa.
● Cuajado
Ilustración 6 Cuajado
● Corte y desuerado
43
Se realizó cortes horizontales y verticales dentro de la tina de acero inoxidable a
la cuajada con un cuchillo de acero inoxidable. Luego se dejó reposar por unos
10 min para que se libere el suero. La agitación se realizó de manera lenta para
● Batido
44
Se realiza un batido lento para no romper los granos, el batido demora de 5 - 10
minutos.
● Desuerado
Ilustración 8 Desuerado
● Pre-prensado
45
Ilustración 9 Pre-prensado
● Hilado
siendo conveniente que cuando las tiras queden elásticas se cambie de agua para
evitar los problemas del exceso de grasa en la misma. Por cada 2 Kg. De cuajada
46
Ilustración 10 Hilado
● Moldeado
250 gr. Igualmente se puede moldear en moldes circular, para obtener el queso
47
Ilustración 11 Moldeado
● Prensado
prensadora especializada para los moldes que cubren los quesos, como podemos
quesos, en total son 5 prensas por lo tanto el lote máximo seria de 160 quesos.
Ilustración 12 Prensado
48
Fuente: Elaboración propia
● Salado
2 a 3 horas.
● Oreo
Ilustración 13 Oreo
● Acabado final
49
que se relacionan formando un todo unitario y complejo. El proceso de producción
de queso es un sistema cuya materia prima principal es la leche cruda que ingresa a
la planta, que después del procesamiento interno resulta en el producto listo para la
venta al público.
Cabe aclarar que las cosas o partes que componen el sistema no se refiere al campo
físico sino más bien el funcional de este modo las cosas o partes pasan hacer
procesos y salidas.
ingresa a la tina que será toda la leche recolectada en la cual se filtran a través de
dónde ingresa agua de manera externa que se hizo hervir previamente hasta llegar a
unas temperaturas de 60 65 °C este vapor de agua ingresa por medio de tu voz sin
Posteriormente por estos mismos tubos se hace ingresar agua fría con
enfría hasta llegar a los 40 °C todo en la misma tina. A esta mezcla se le agrega el
fosfato enfriar hasta los 38° posteriormente se agrega el protector hace enfriar a los
37°.
50
entro a la mezcla previamente verificando su concentración 1UC, luego se le
agregó medio litro de leche pasteurizada, luego de esto el cultivo tuvo una etapa de
enfriamiento en baño María dónde paso desde los 65° hasta los 37 °C,
incubar para su activación. Finalizado este proceso estuvo listo para ingresar a las
tinas queseras.
Siguiendo con elaboración del queso una vez colocado el cultivo activado fría hasta
verificará la consistencia de esta masa y luego se cortará con una lira que es una
herramienta lo cual un operario empleará para pasar a trozos más pequeños como
últimos procesos empezamos con la separación del suero esta masa y empezar a
botar mucho líquido llamado suero y será retirado la masa previa el queso, luego
mediante las mismas mallas esterilizadas se retirará la masa hacia otra tina y el
acidez hasta 9 a 10 °D así como también que el cuajo este húmedo radiando el
Cómo la masa sigue humedad se llevará a un pre prensado que será el último en la
Esta masa ya con una consistencia más sólida se cortará y se transportará al área del
moldeado.
51
En el área de moldeado se utilizará unos moldes previamente esterilizados junto
con unas telas para que el queso agarre una forma es así como en cada uno de los de
Se agrega la salmuera donde los quesos serán sumergidos en una tina llena de
salmuera se voltean los quesos de dos a tres días y se deja reposar en una cama de
maduración.
Ya casi listo los quesos pasan por un control de calidad uno de los quesos por lote,
y se transportan al área de empaque todo dónde los operarios tendrán listo los
52
DIAGRAMA DE OPERACIONES DEL PROCESO
EMPRESA: Lácteos Yarabamba PÁGINA: 1/1
DEPARTAMENTO: Lácteos FECHA: 04/06/2023
PRODUCTO: Queso Andino MÉTODO DE TRABAJO: Actual
DIAGRAMA HECHO POR: Grupo 04 APROBADO POR: Ing. Efrain Murillo
53
DIAGRAMA DE OPERACIONES DEL PROCESO
EMPRESA: Lácteos Yarabamba PÁGINA: 1/2
DEPARTAMENTO: Lácteos FECHA: 04/06/2023
PRODUCTO: Queso Andino MÉTODO DE TRABAJO: Actual
DIAGRAMA HECHO POR: Grupo 04 APROBADO POR: Ing. Efrain Murillo
54
DIAGRAMA DE OPERACIONES DEL PROCESO
EMPRESA: Lácteos Yarabamba PÁGINA: 1/3
DEPARTAMENTO: Lácteos FECHA: 04/06/2023
PRODUCTO: Queso Andino MÉTODO DE TRABAJO: Actual
DIAGRAMA HECHO POR: Grupo 04 APROBADO POR: Ing. Efrain Murillo
55
3.3.2. DAP
56
DIAGRAMA DE ANÁLISIS DEL PROCESO
EMPRESA: Lácteos Yarabamba PÁGINA: 1/1
DEPARTAMENTO: Lácteos FECHA: 04/06/2023
PRODUCTO: Queso Andino MÉTODO DE TRABAJO: Actual
DIAGRAMA HECHO POR: Grupo 04 APROBADO POR: Ing. Efrain Murillo
57
DIAGRAMA DE ANÁLISIS DEL PROCESO
EMPRESA: Lácteos Yarabamba PÁGINA: 1/2
DEPARTAMENTO: Lácteos FECHA: 04/06/2023
PRODUCTO: Queso Andino MÉTODO DE TRABAJO: Actual
DIAGRAMA HECHO POR: Grupo 04 APROBADO POR: Ing. Efrain Murill
58
DIAGRAMA DE ANÁLISIS DEL PROCESO
EMPRESA: Lácteos Yarabamba PÁGINA: 1/3
DEPARTAMENTO: Lácteos FECHA: 04/06/2023
PRODUCTO: Queso Andino MÉTODO DE TRABAJO: Actual
DIAGRAMA HECHO POR: Grupo 04 APROBADO POR: Ing. Efrain Murillo
Evento Número
Operación 24
Inspección 20
Transporte 7
Demora 3
Almacén 3
JLKL;
59
3.3.3. Layout del Proceso
Destacaremos:
los medios de transporte elegidos para mover materiales. Sin embargo, los
takt time.
distintas áreas
procesos. A tal efecto, será bueno recordar que las estanterías de cada zona
sólo deben contener lo necesario para los procesos que se efectúan en ella.
60
Llegados a este punto aplicaremos el layout que hemos ido desarrollando hasta
ahora para el análisis de las operaciones y para poder verificar dónde hay tiempo
puede ocurrir que haya alguna fase de determinado proceso que deba realizarse
fuera del área destinada al layout. En tal caso deberán preverse las
61
3.3.4. Flujograma del proceso
Ilustración 17 Flujograma
62
3.3.5. Flow-Sheet
Ilustración 18 Flow-Sheet
Ilustración 19 Flow-Sheet 2
63
Ilustración 20 Flow-Sheet 3
Ilustración 21 Flow-Sheet 4
64
Ilustración 22 Flow-Sheet 4
X1: Tiempo entre llegadas de Intervalo de tiempo en que llegan los porongos de leche
prima)
65
Y1: Tiempo de inspección Es el tiempo de inspección implica evaluar diversas
ingreso a tina
Y4: Tiempo de enfriado 1 Es el tiempo que demora en enfriar la leche hasta llegar a
de Cuajo.
Y6: Tiempo de cortado Es el tiempo que le toma al maestro quesero cortar cada
quesera.
Y8: Tiempo de pre prensado Es el tiempo que le toma al maestro quesero y a los
demás
66
Y9: Tiempo de cortado de Es el tiempo que le toma al maestro quesero cortar cada
prensado
Y13: Tiempo de cortado de Es el tiempo que le toma al operario cortar líneas a cada
quesera.
empaquetado
empaquetado 2
67
desechada calidad después de las inspecciones en campo y en planta.
desechada
68
U7: Utilización de operario 2
vacas lecheras
69
CAPITULO 4: RECOPILACIÓN Y ANÁLISIS DE DATOS DE ENTRADA
en las líneas de producción, con base a esta información se tomó la decisión según
cada operación, tamaño de los lotes, tiempo de cambio de formatos de los equipos
Una vez que se obtengan los datos de los tiempos de ejecución de las operaciones y
70
el tiempo que llegan los flujos de materiales a cada equipo se determinará el tipo de
la empresa y también se tomó datos en las líneas de producción. Los datos que se
levantaron fueron:
● número de operarios
● producción diaria
planta a visualizar el proceso del queso andino, también nos permitió hacer
71
datos, la observación de estos, la medición de tiempos promedios y el posterior
final para cada una de las operaciones estableciendo así promedios de atención al
usuario.
Descripción de la variable: Los porongos de leche entregados por los asociados llegan
diariamente de lunes a viernes, y se sabe que llegan desde las 5 am hasta las 8:30 am.
También se sabe que se recibe en promedio 500 litros diarios y que esto puede cambiar
llegado a recibir hasta 400 litros. Lo mismo pasa en los meses de sol donde se llega a
Para la tabla de intervalo entre llegadas se toma las horas en que llegaron los porongos
de leche registrados en un día, empezando desde las 5 am. hasta las 08:30 am., pero en
4.2.1.1 Datos
72
3 05:04:00 00:01:22 1.37
73
27 06:35:05 00:07:04 7.07
Datos
Error porcentual ( e ) 5%
N asumido 5000
Cálculos
Z1-a/2 1.96
no 879.05567
74
Tabla 5 Factor de Corrección Variable X
Factor de corrección
no(no-1) 771859.815
Prueba: N>no(no-1) NO
n 747.616385
75
10 0.25 210 6.32 410 7.07 610 6.35
76
34 5.45 234 0 434 1.87 634 5.45
77
58 4.17 258 0.67 458 5.45 658 3.7
78
82 0.08 282 6.25 482 7.43 682 3.75
79
106 1.03 306 7.65 506 3.77 706 1
80
130 0 330 7.43 530 0 730 0.92
81
154 7.65 354 7.43 554 0
82
178 0 378 6.35 578 6.32
83
Ilustración 23 Gráfica de la distribución del Input Analyzer Variables X
Distribución Resumen
Distribución Beta
Nro de Intervalos 27
Grados de libertad 24
Kolmogorov-Smirnov Test
84
Fuente: Elaboración propia
Data Resumen
Min Data 0
Resumen de Histograma
Nro de intervalos 27
Ilustración Fuente:
24 Fit All
Elaboración
Summary Variables
propia X
85
Resumen de los errores cuadrados del Input Analyzer
cuadrados
Beta 0.0414
Gamma 0.0472
Weibull 0.0472
Erlang 0.0476
Exponencial 0.0476
Uniforme 0.0529
Normal 0.0585
Triangular 0.0617
Lognormal 0.0662
• Hipótesis
86
H0: Los datos siguen una distribución BETA
• Criterio de decisión
• Nivel de significancia
α = 5%
• Estadística
Valor-p = 0.0749
α = 0.0500
• Decisión
Se acepta H0
• Conclusión
BETA(0.645, 1.02).
pasteurizado se da una vez que hirvió el agua en el caldero y entra el vapor de agua a
través de tubos a la tina quesera donde están ya los 1000 litros de leche de vaca e inicia
En este proceso solo interviene el maestro quesero quien constantemente está moviendo
87
la leche con su batidora. El día de la visita a la planta, el proceso de pasteurizado tomó 1
hora.
4.2.2.1 Datos
embargo hay veces que dura 50 minutos, y otras que se extendió hasta 70 minutos.
Datos
(min) 70
(min) 50
Distribución Resumen
Distribución Triangular
Expresión TRIA(50,60,70)
88
Fuente: Elaboración propia
• Conclusión
múltiples veces que vienen realizando el queso andino, podemos afirmar que
del proceso), el cuajado inicia una vez que termina el proceso de enfriado y la leche
haya llegado a 35°C – 36°C, es allí que se añade el cuajo y se deja 40 minutos la leche
minutos.
4.2.3.1 Datos
este tiempo, pues es costumbre del maestro quesero siempre dejar la leche 40 minutos
89
4.2.3.2 Análisis estadístico de datos
Datos
Distibución Resumen
Constante 40
• Conclusión
múltiples veces que vienen realizando el queso andino, podemos afirmar que
minutos.
quesero procede a cortar cada unidad de queso para ser inmediatamente moldeado. A
90
diferencia de los anteriores procesos donde se obtuvo las distribuciones de tiempo de
forma empírica, pues es con el cortado de cada queso que la cuajada unificada se divide
quesos andinos.
Este proceso es realizado únicamente por el maestro quesero, donde utiliza un cuchillo,
Para la tabla de Tiempo de cortado de quesos Variable Y16, se registra los tiempos en
minutos, que demora el maestro quesero para cortar cada queso. El día de registro
salieron en total 88 quesos andinos, pero en la tabla se observarán solo los 30 primeros
registros de tiempo.
4.2.4.1 Datos
Tiempo de
Tiempo de Tiempo de Tiempo de
N° operación
Inicio Fin operación
(min)
91
11 13:18:59 13:19:03 00:00:04 0.067
Datos
92
Población supuesta: Infinita
Error porcentual ( e ) 5%
N asumido 5000
Cálculos
Z1-a/2 1.96
Precisión de estimación
(d=X*e ) 0.00475167
no 106.489309
Factor de corrección
no(no-1) 11233.4837
Prueba: N>no(no-1) NO
n 104.268611
93
Tabla 22 Tamaño de muestra Variable Y16
94
16 0.130 51 0.100 86 0.083
95
Ilustración 26 Gráfica de la distribución del Input Analyzer Variable Y16
Distibución Resumen
Distribución Weibull
Nro de Intervalos 6
Grados de libertad 3
96
Tabla 26 Kolmogorov-Smirnov Test Variable Y16
Kolmogorov-Smirnov Test
Data Resumen
Resumen de Histograma
Nro de intervalos 10
97
Ilustración 27 Fit All Summary Variable Y16
Weibull 0.0872
Erlang 0.0874
Gamma 0.0882
Triangular 0.0906
Beta 0.0915
Normal 0.0953
Lognormal 0.0955
Uniforme 0.113
98
Exponencial 0.135
• Hipótesis
• Criterio de decisión
• Nivel de significancia
α = 5%
• Estadística
Valor-p = 0.107
α = 0.0500
• Decisión
99
Se acepta H0
• Conclusión
Con un nivel de confianza del 95% y un margen de error de 5%, podemos afirmar que
los datos de la Variable Y16: Tiempo de cortado de quesos, siguen una distribución
Descripción de la variable: Como se describe en las variables exógenas del sistema, una
vez que se tiene la cuajada unificada, el maestro quesero procede a cortar un pedazo del
cuajo en la tina quesera y la traslada a la zona de moldeo, donde llena el queso cortado
en cada molde, el cual también contiene una tela previamente esterilizada; rellena el
molde por completo utilizando restos de queso para completarlo; una vez completo el
molde, se coloca la tapa para ejercer presión y dar forma al queso, inmediatamente se
retira la tapa y se da vuelta al queso y se repite la presión de la tapa. Una vez que ya
tiene forma, se deja la tapa y espera a ser trasladado a zona de prensado. Este proceso se
cada queso. El tiempo de operación inicia cuando empieza a llenar el molde y finaliza
Para este proceso, además del maestro quesero, le ayuda la ingeniera de industria
alimentaria y dos operarios más para que el proceso sea más ágil, en total 4 personas.
Para la tabla de Tiempo de moldeado Variable Y17, se registra los tiempos en minutos,
que demora un operario para moldear cada queso. El día de registro salieron en total 88
quesos andinos, pero en la tabla se observarán solo los 30 primeros registros de tiempo.
100
4.2.5.1 Datos
Tiempo de
Tiempo de Tiempo de Tiempo de
N° operación
Inicio Fin operación
(min)
101
20 13:24:36 13:25:29 00:00:53 0.88
Datos
Error porcentual ( e ) 5%
N asumido 5000
102
Tabla 32 Cálculo del tamaño de muestra Y17
Cálculos
Z1-a/2 1.96
Precisión de estimación
(d=X*e ) 0.0427069
no 64.3221841
Factor de corrección
no(no-1) 4073.02118
Prueba: N>no(no-1) SI
n 64.3221841
Tamaño de muestra 65
103
Tabla 35 Datos para el tamaño de muestra Variable Y17
7 1 29 0.73 51 0.65
104
21 0.86 43 0.67 65 0.77
22 0.83 44 0.77
Distribución Resumen
Distribución Beta
Nro de Intervalos 5
Grados de libertad 2
105
Fuente: Elaboración propia
Kolmogorov-Smirnov Test
Data Resumen
Resumen de Histograma
Nro de intervalos 8
106
Ilustración 30 Fit All Summary Variable Y17
Beta 0.00772
Weibull 0.00887
Gamma 0.00989
Lognormal 0.011
Erlang 0.0111
Triangular 0.0234
Normal 0.0286
Exponencial 0.0289
107
Uniforme 0.0665
• Hipótesis
• Criterio de decisión
• Nivel de significancia
α = 5%
• Estadística
Valor-p = 0.283
α = 0.0500
• Decisión
Se acepta H0
108
CAPITULO 5: MODELO DE SIMULACIÓN DEL SISTEMA ACTUAL
✓ Lira
✓ Prensa
✓ Moldeador
Maquinaria
✓ Empaquetadora
✓ Tina quesera
✓ Termómetro de rejilla
Recursos
✓ Maestro quesero
Mano de ✓ Operario 1
obra ✓ Operario 2
✓ Operario 3
✓ Operario 4
✓ Quesos empaquetados
109
✓ Cajas de queso
5.2. Supuestos
efectiva en el mercado.
110
5.3.2. Módulo Asignar: Acumulador de Costo
111
5.3.4. Módulo asignación: Registra Hora Llegada
112
5.3.6. Módulo Batch: 1000 Litros de Leche
113
5.3.7. Módulo Requisito: Requisito 1
114
5.3.9. Módulo Estación: Tina Quesera Estación 2
115
5.3.10. Módulo Proceso: Filtrado e ingreso a tina
116
5.3.12. Módulo Proceso: Enfriado
117
5.3.13. Módulo Proceso: Cuajado
118
5.3.14. Módulo Proceso: Cortado
119
5.3.15. Módulo Proceso: Lavado
120
5.3.16. Módulo Proceso: Pre Prensado
121
5.3.17. Módulo Separar: Corta 100 Quesos
122
5.3.18. Módulo Procesos: Cortado de Quesos
123
5.3.20. Módulo Estación: Moldeado Station 3
124
5.3.22. Módulo Record: Intervalo Salida
125
5.3.23. Módulo Batch: 100 Quesos en Prensa
126
5.3.25. Módulo Separar: 100 Quesos Prensados
127
5.3.26. Módulo Proceso: Desmoldado
128
5.3.27. Módulo Proceso: Cortado de Presentación
129
5.3.28. Módulo Proceso: Salado
130
5.3.29. Módulo Proceso: Maduración
131
5.3.30. Módulo Proceso: Empaquetado al Vacío
132
5.3.31. Módulo Proceso: Empaquetado 2
133
5.3.32. Módulo Record: Total Quesos Andinos
134
5.3.33. Módulo Récord: Calcula Lead Time
135
5.3.35. Módulo Estación: Recepción 1
136
5.3.38. Módulo Estación: Recepción 1
137
5.3.39. Módulo Estación: Recepción 1
138
Ilustración 65 Modelo Simulación
139
6.1. Análisis de Resultados
• PROCEDIMIENTO:
• INDICADORES ELEGIDOS:
5: Lead Time
140
Ilustración 67 Intervalos
simulación: queso andino.doe tipo de sistema: terminal nivel de confianza (1-a): 95% þ
probabilidad de error (a)=5% error máximo permitido (e): 10% con respecto a la media
tiempo de los quesos que salen de moldeado 4: Total quesos andinos producidos 5: Lead
Time
141
t(5-1,1-0.05/2)= 2.7765 De tablas
Error porcentual
e*=
0.1 deseado
INDICADOR
Total
Intervalo
Lq Costo quesos Lead Time
de Salida
producidos
1 2 3 4 5
De todos los números de réplicas elegimos el mayor (14) y configuramos el Run Setup con
14 réplicas.
142
deseado
INDICADOR
Total
Intervalo
Lq Costo quesos Lead Time
de Salida
producidos
1 2 3 4 5
Ningún indicador supera el 10% de error, por lo tanto, el número de réplicas del modelo
Indicador 1 – La Inspección
Aumentar el número de réplicas hasta que el error (e) sea menor o igual al error máximo
permitido (e*).
143
Tabla 48 Indicador 2 - Costo total de la leche
Aumentar el número de réplicas hasta que el error (e) sea menor o igual al error máximo
permitido (e*).
Aumentar el número de réplicas hasta que el error (e) sea menor o igual al error máximo
permitido (e*).
Aumentar el número de réplicas hasta que el error (e) sea menor o igual al error máximo
permitido (e*).
Aumentar el número de réplicas hasta que el error (e) sea menor o igual al error máximo
permitido (e*).
PRUEBA DE HIPÓTESIS:
Ho: E[X]=C
H1: E[X]¹C
145
Tabla 53 Muestra de 10 datos
n Xi
1 0.2680
2 0.2342
3 0.2524
4 0.2012
5 0.2850
6 0.2469
7 0.2574
8 0.3091
9 0.2482
10 0.3136
C= 0.26
Por lo tanto con un nivel de confianza del 95% y un error máximo permitido del 8.3%
HIPÓTESIS de que la media del modelo y del sistema real son similares.
Para que el modelo quede VALIDADO, todos los indicadores deben validar.
Intervalo de Confianza:
146
Ls = 0.2859
Li = 0.2421
Como el valor de C cae dentro del intervalo de confianza, por lo tanto con un nivel de
confianza del 95% y un error máximo permitido del 8.3% concluimos que nuestro
modelo y del sistema real son similares. Para que el modelo quede VALIDADO, todos
PRUEBA DE HIPÓTESIS:
Ho: E[X]=C
H1: E[X]¹C
147
Tabla 54 Reporte del Output Analyzer con 14 réplicas
n Xi
1 2025.0
2 1710.0
3 2250.0
4 1665.0
5 1620.0
6 2070.0
7 2385.0
8 1800.0
9 1890.0
10 2205.0
C= 1962.00
|to|< t1-α/2,n-1
Por lo tanto, con un nivel de confianza del 95% y un error máximo permitido del 8.3%
148
concluimos que nuestro indicador cumple la validación, evidenciando la hipótesis de
Para que el modelo quede validado, todos los indicadores deben validar.
Intervalo de Confianza:
Ls = 2068.0
Li = 1832.0
Como el valor de C cae dentro del intervalo de confianza, por lo tanto con un nivel de
confianza del 95% y un error máximo permitido del 8.3% concluimos que nuestro
6.2.1.3 Validación del modelo Indicador 3: Intervalo de tiempo de los quesos que salen
de moldeado
PRUEBA DE HIPÓTESIS:
Ho: E[X]=C
H1: E[X]¹C
149
Reporte del Output Analyzer con 14 réplicas:
n Xi
1 0.83
2 1.65
3 1.23
4 1.53
5 1.49
6 2.00
7 1.83
8 1.82
9 1.52
10 1.45
C= 1.54
|to|< t1-α/2,n-1
Por lo tanto, con un nivel de confianza del 95% y un error máximo permitido del 8.3%
150
concluimos que nuestro indicador cumple la validación, evidenciando la hipótesis de
para que el modelo quede validado, todos los indicadores deben validar.
Intervalo de Confianza:
Ls = 1.6
Li = 1.5
Como el valor de C cae dentro del intervalo de confianza, por lo tanto con un nivel de
confianza del 95% y un error máximo permitido del 8.3% concluimos que nuestro
del sistema real son similares. Para que el modelo quede validado, todos los indicadores
deben validar.
PRUEBA DE HIPÓTESIS:
Ho: E[X]=C
H1: E[X]¹C
151
Método 1: Mediante el estadístico de la prueba:
n Xi
1 50.00
2 51.00
3 50.00
4 49.00
5 50.00
6 50.00
7 49.00
8 48.00
9 50.00
10 52.00
C= 49.90
|to|< t1-α/2,n-1
152
Por lo tanto con un nivel de confianza del 95% y un error máximo permitido del 8.3%
para que el modelo quede validado, todos los indicadores deben validar.
Intervalo de Confianza:
Ls = 52.0
Li = 48.0
Como el valor de C cae dentro del intervalo de confianza, por lo tanto con un nivel de
confianza del 95% y un error máximo permitido del 8.3% concluimos que nuestro
del sistema real son similares. para que el modelo quede validado, todos los indicadores
deben validar
153
6.2.1.5 Validación del modelo Indicador 5: Lead Time
PRUEBA DE HIPÓTESIS:
Ho: E[X]=C
H1: E[X]¹C
n Xi
1 24710.00
2 24698.00
3 24715.00
4 24665.00
5 24740.00
6 24664.00
7 24685.00
8 24728.00
9 24732.00
10 24685.00
C= 24702.20
|to|< t1-α/2,n-1
154
Por lo tanto con un nivel de confianza del 95% y un error máximo permitido del 8.3%
para que el modelo quede validado, todos los indicadores deben validar.
Intervalo de Confianza:
Ls = 24707.4
Li = 24692.6
Como el valor de C cae dentro del intervalo de confianza, por lo tanto con un nivel de
confianza del 95% y un error máximo permitido del 8.3% concluimos que nuestro
155
del sistema real son similares. para que el modelo quede validado, todos los indicadores
deben validar.
Ilustración 68 Optimización
por limitaciones de la versión estudiantil del software arena colocamos los tiempos del
espera.
capacidad de cola, tenemos la cortadora de quesos, que tiene un tiempo de menor igual
a 50, moldeado de menor, igual a 29, desmontado de menor igual a 50, empaquetado al
vacío menor igual a 50 en variables de control tenemos lo que es la tina quesera, que
las variables de respuesta, tenemos el II Time que con wait time de moldeado Way time,
de correo de quesos, longitud de cola, el cortado de los quesos, longitud de cola, moldeo
siguiente.
156
Para nuestra propuesta de mejora planteamos un modelo a haciendo uso del hotel OPT
Quest por arena, como se puede apreciar en una diferencia del tiempo, el valor de
157
Queseras y 3 veterinarias.
de 5 años. Esto significa que se espera que los cambios implementados en la planta y las
158
6.2.3 Valor de recupero de las inversiones fijas de la propuesta
Modelo actual
159
- Yogurt de Durazno S/ 2,000.00
- Mantequilla S/ 2,500.00
S/ 24,000.00
- Servicios S/ 14,000.00
- Licencias S/ 1,800.00
- Sueldos S/ 126,000.00
Proveedores S/ 270,000.00
S/ 411,800.00
CAO S/ 411,800.00
Modelo Propuesto
S/
160
2,500.00
S/
- Mantequilla S/ 5,000.00
S/ 48,000.00
- Servicios S/ 28,000.00 CV
- Licencias S/ 1,800.00 CF
- Sueldos S/ 378,000.00 CV
161
CF (la llegada de MP no
Costo Fijo)
S/ 677,800.00
CAO S/ 677,800.00
puede asumir que el proyecto será rentable, por lo que se aceptará. En el caso contrario
(si es menor), se considera que la rentabilidad del proyecto está por debajo del mínimo,
por lo que no es viable. El costo de oportunidad en este caso viene a ser la tasa otorgada
por entidades financieras por colocar mi dinero a plazo fijo, en lugar de invertirlo en un
proyecto.
TASA DE COSTO DE La tasa de descuento del proyecto debe ser mayor a la tasa de
TASA DE
Asumiremos esta tasa de descuento para el proyecto.
DESCUENTO 14.00%
162
6.3.7 Flujo de Efectivo e Indicadores
MODELO ACTUAL
B/C 0.845070423
B/C 0.84507
163
Suma Ingresos S/ 3,644,407.72
B/C 1.021591326
B/C 1.02159
PRI 1.752747253
1 0.752747253
MESES 9.032967033
9 0.032967033
DÍAS 0.989010989
1 AÑO, 9 MESES
PRI
Y 1 DÍA
164
6.3.8 Resumen
Tabla 66 Resumen
S/
S/ S/
S/ S/
-S/ S/
TIR 56.73%
1 AÑO, 9 MESES Y 1
PRI DÍA
165
en diferentes condiciones.
empresa quesera.
Este entorno virtual puedo hacer una representación gráfica en 2D o 3D, o simplemente
virtuales y observar los resultados sin tener que realizar pruebas en el mundo real.
166
6.5 Comprobación de hipótesis
n Xi
1 0.83
2 1.65
3 1.23
4 1.53
5 1.49
6 2.00
7 1.83
8 1.82
9 1.52
10 1.45
C= 1.54
167
2. Aplicamos la regla de decisión:
|to|< t1-α/2,n-1
Por lo tanto, con un nivel de confianza del 95% y un error máximo permitido del 8.3%
para que el modelo quede validado, todos los indicadores deben validar.
|to|< t1-α/2,n-1
Por lo tanto con un nivel de confianza del 95% y un error máximo permitido del 8.3%
para que el modelo quede validado, todos los indicadores deben validar.
168
Mediante el intervalo de confianza:
Intervalo de Confianza:
Ls = 24707.4
Li = 24692.6
Como el valor de C cae dentro del intervalo de confianza, por lo tanto con un nivel de
confianza del 95% y un error máximo permitido del 8.3% concluimos que nuestro
del sistema real son similares. para que el modelo quede validado, todos los indicadores
deben validar.
169
CONCLUSIONES
resolver problemas específicos, sino que también ha sentado las bases para una
la cadena productiva.
170
la gestión de la cadena productiva. La toma de decisiones respaldada por
• Los procesos que se desarrollan por lote de producción, no van a obtener tantos
en una simulación del sistema, por lo que las distribuciones de este tipo de
donde se trabaja pieza por pieza, cliente por cliente o producto por producto.
171
RECOMENDACIONES
● Es importante contar con la versión profesional del software Arena 16.1, ya que
de los productos.
identificar las áreas donde se producen tiempos muertos. Una vez identificados,
la productividad.
que el equipo interno pueda realizar análisis y mejoras continuas sin depender
172
exclusivamente de expertos externos.
BIBLIOGRAFÍA
https://www.midagri.gob.pe/portal/download/pdf/direccionesyoficinas/dgca/nor
matividadlacteos/Codex_alimentarius/Norma_General_del_Codex_para_el_Que
so_CODEX_STAN_A-6-1978,_Rev._1-1999,_Enmendado_en_2006.pdf
ttp://www.digesa.minsa.gob.pe/publicaciones/RD_110_2019_DIGESASA_PLA
N_QUESOS.pdf
173
• Sanchez, A. E. (Abril de 2015). Bibdigital. Obtenido de Bibdigital:
https://bibdigital.epn.edu.ec/bitstream/15000/10471/1/CD-6193.pd
https://www.midagri.gob.pe/portal/download/pdf/direccionesyoficinas/dgca/nor
mativi
dadlacteos/Codex_alimentarius/Norma_General_del_Codex_para_el_Queso_C
ODEX_STAN_A-6-1978,_Rev._1-1999,_Enmendado_en_2006.pdf
http://www.digesa.minsa.gob.pe/publicaciones/RD_110_2019_DIGESA_SA_P
LAN_QUESOS.pdf
https://bibdigital.epn.edu.ec/bitstream/15000/10471/1/CD-6193.pdf
Fondo Editorial.
loyola.
174
• Berger , E., Gambini, I., & Velásquez, C. (2000). Simulacion de Sistemas
ANEXOS
Arena es un sistema integrado que proporciona un entorno de trabajo para construir modelos de
simulación en diferentes campos, en el que se integran todas las funciones necesarias para el
desarrollo exitoso de una simulación, como animaciones, análisis de entrada y salida de datos, y
verificación del modelo. Entre las ventajas de Arena se destacan su potencia y capacidad
gráfica, su ambiente amigable y su gran versatilidad, y es compatible con productos de
Microsoft Office. Por otro lado, hay algunas desventajas como la dificultad para correr un
modelado en otro programa de simulación, las limitaciones de las ediciones para estudiantes, y
la falta de documentación y ayuda clara en el programa. Algunos ejemplos presentados pueden
tener errores.
2. Aprender los conceptos básicos del uso del software, como la creación de procesos y
entidades, el diseño de recursos y la definición de variables de estado.
175
Barra general
Pantalla de
edición
Categorías
de módulos
176
Ilustración 72 Data definition
Ilustración 75 Decisions
76 Discrete Processing
Ilustración 77 Decisions
177
Ilustración 78 Grouping
Ilustración 79 Grouping
178
Ilustración 82 Animation
Ilustración 83 Animation
179
180
2.3. Identificación de principales módulos de Discrete Processing
El módulo CREATE del software Arena es usado para definir y crear entidades que serán
utilizadas en el modelo de simulación. Para configurar este módulo, se deben seguir los
siguientes pasos:
I. Seleccionar el módulo CREATE dentro del entorno del software Arena.
II. Definir las entidades necesarias para el modelo, incluyendo todas las características que
son relevantes para el proceso que se desea simular. Esto incluye características tales
como el tamaño, la forma, el peso, la cantidad y cualquier otra característica que sea
relevante para el modelo.
III. Asignar variables de estado a las entidades, que se utilizan para recopilar información
sobre las entidades a medida que avanza la simulación. Estas variables pueden ser
definidas como numéricas o lógicas y se pueden utilizar para evaluar el estado actual de
la entidad y para tomar decisiones en el proceso de simulación.
IV. Definir el proceso de creación de entidades, es decir, cómo y cuándo se crearán nuevas
entidades en el modelo. Esto se puede hacer utilizando el editor de procesos del
software Arena para configurar un número de eventos de creación.
V. Validar el modelo de simulación creado utilizando el software, y ajustar el modelo
según sea necesario para asegurar que el proceso de creación de entidades esté
optimizado para la simulación creada.
VI. Configurar el módulo CREATE para el software Arena puede ser un proceso complejo,
ya que requiere tiempo y un conocimiento profundo de los procesos que se están
simulando. Se recomienda seguir tutoriales en línea o consultar la documentación del
software para obtener más información.
181
2.3.2. Módulo: ASSIGN
El módulo ASSIGN del software Arena se utiliza para definir las reglas de asignación de
recursos a las entidades en el modelo de simulación. Para configurar este módulo, se deben
seguir los siguientes pasos:
I. Definir los recursos necesarios para el modelo, incluyendo características tales como
cantidad, capacidad, costo y cualquier otra característica relevante para el proceso que
se desea simular.
II. Definir la regla de asignación para cada recurso. Esto puede incluir reglas tales como
"Primero en llegar es primero en ser atendido" o "asignar los recursos en base a una
métrica de prioridad específica".
III. Asignar pesos a las diferentes reglas de asignación en base a su importancia relativa en
el proceso de simulación. Por ejemplo, puede ser necesario que una métrica de
velocidad tenga mayor peso que una métrica de costo.
IV. Utilizar el editor de procesos del software Arena para configurar la secuencia de
eventos, incluyendo la asignación de entidades a recursos y la liberación de recursos
una vez que se ha completado su uso.
V. Validar el modelo de simulación utilizando el software y ajustarlo según sea necesario
para asegurarse de que el proceso de asignación de recursos esté optimizado.
VI. Configurar el módulo ASSIGN para el software Arena puede ser un proceso
complicado que requiere tiempo y conocimiento detallado de los procesos que se están
simulando. Se recomienda seguir tutoriales en línea o consultar la documentación del
software para obtener más información.
182
2.3.3. Módulo: DECIDE
Para configurar el módulo DECIDE del software Arena, se deben seguir los siguientes pasos:
Configurar el módulo DECIDE para el software Arena puede ser un proceso complejo que
requiere tiempo y conocimientos detallados de los procesos que se están simulando. Se
recomienda seguir tutoriales en línea o consultar la documentación del software para
obtener más información.
183
2.3.4. Módulo: DISPOSE
El módulo DISPOSE del software Arena se utiliza para definir el comportamiento de las
entidades en el modelo cuando son eliminadas o descartadas. Por ejemplo, si se trata de
simular un sistema de producción, el módulo DISPOSE se encargará de definir cómo se
eliminan los productos defectuosos o las sobras de los materiales utilizados. Para
configurarlo, se deben seguir los siguientes pasos:
I. Definir las condiciones que involucran la eliminación de las entidades, como, por
ejemplo, el tiempo que lleva la entidad para ser descartada o la cantidad de errores que
pueden contener.
II. Establecer el comportamiento que tendrá la entidad en cuanto a su eliminación, como
ser su reutilización, su destrucción o su reinserción en el modelo.
III. Si se ha definido que las entidades serán eliminadas en una determinada estación, se
debe establecer la secuencia de eventos que siguen a esa decisión.
IV. Validar el modelo de simulación utilizando el software y ajustarlo según sea necesario
para asegurarse de que el comportamiento de eliminación esté optimizado.
Configurar el módulo DISPOSE para el software Arena puede ser un proceso complejo que
requiere conocimientos detallados de los procesos que se están simulando. Se recomienda
seguir tutoriales en línea o consultar la documentación del software para obtener más
información.
184
3. Comenzar a construir el modelo de simulación en el software, siguiendo los pasos
definidos en el proceso real que se desea simular y ajustando los parámetros a medida
que se experimenta con el modelo.
Ejemplo de un proceso
185