Entrega Final Tif

UNIVERSIDAD CATÓLICA DE SANTA MARÍA
FACULTAD DE CIENCIAS E INGENIERÍAS FÍSICAS Y

FORMALES
ESCUELA PROFESIONAL DE INGENIERÍA INDUSTRIAL
SIMULACIÓN DE SISTEMAS
TEMA: Trabajo Final

DOCENTE: Ing. Efrain Rafael Murillo Quispe
SECCIÓN: “B”
INTEGRANTES:
Herrera Yari Piedad
Flores Quicaña, Daphne Jazmín
Quispe Chambilla, Jossy Kimberlly Eulalia
Salazar Huanaychiri Rafael Alexander
Pastor Gatica Camila Vanesa
Zeballos Catari Karen Gabriela
AREQUIPA – PERÚ
2023
EPÍGRAFE
“Cuando en el mundo aparece un verdadero genio, puede identificársele por este signo:
todos los necios se conjuran contra él”.
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
puede hacer el trabajo de un hombre extraordinario”.
Elbert Hubbard
“De vez en cuando vale la pena salirse del camino, sumergirse en un bosque.
Encontrarás cosas que nunca habías visto”.
Alexander Graham
“El placer más noble es el júbilo de comprender”.
Leonardo da Vinci
DEDICATORIA
Es nuestro deseo como gesto de gratitud y respeto, dedicar
este trabajo principalmente a Dios, por permitirnos el haber
llegado hasta este momento. A nuestros padres, por ser el pilar
más importante y demostrarnos siempre su cariño y apoyo
incondicional. También queremos dedicar este trabajo a nuestro
Docente Efraín Murillo por su asesoría y motivación a realizar el
presente trabajo.
AGRADECIMIENTOS
Queremos agradecer especialmente al Ingeniero Efraín
Murillo por su enseñanza, asesoría y motivación durante
el proceso de desarrollo del trabajo, y principalmente
al departamento de Promoción Social de la
Municipalidad de Yarabamba por permitirnos el acceso a
su planta de lácteos y brindarnos la información del
desarrollo de sus productos con la cual
fue posible este trabajo de investigación.

RESUMEN
El presente trabajo es un estudio hecho para Lácteos Yarabamba, perteneciente a la
Asociación de Agricultores Productores Lácteos de Yarabamba –
ASOAGRIPROLACYA. Quienes se encargan de elaborar productos derivados de leche,
entrando en un mercado y satisfaciendo a muchos consumidores.
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
forma ir recolectando información y datos suficientes para elaborar un modelo de
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.
Finalizando, se obtuvo una propuesta que permite minimizar el tiempo de producción,
optimizando y mejorando el sistema actual.

ABSTRACT
The present work is a study made for Lácteos Yarabamba, belonging to the Association
of Dairy Farmers of Yarabamba - ASOAGRIPROLACYA. Those who are in charge of
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
relevant problems and propose alternatives to improve the situation.
Finally, a proposal was obtained that allows minimizing production time, optimizing
and improving the current system.

ÍNDICE DE CONTENIDO
CAPITULO 1: FORMULACIÓN DEL PROYECTOS DE INVESTIGACIÓN ...................... 13
1.1 Título ................................................................................................................................. 16
1.3 Planteamiento del problema .............................................................................................. 16
1.4 Objetivos de la Investigación ............................................................................................ 18
1.4.1 Objetivo General ......................................................................................................... 18
1.5 Objetivos específicos ......................................................................................................... 18
1.6 Hipótesis de la Investigación ............................................................................................. 18
1.6.1 Hipótesis general ......................................................................................................... 18
1.6.2 Hipótesis específicas ................................................................................................... 18
1.7 Justificación ....................................................................................................................... 19
1.8 Delimitación de la Investigación ....................................................................................... 20
1.9 Variables............................................................................................................................ 21
1.9.1 Variable Independiente................................................................................................ 21
1.9.2 Variable Dependiente .................................................................................................. 21
1.10 Plan de Trabajo .................................................................................................................. 21
CAPITULO 2: MARCO TEÓRICO ........................................................................................... 1
2.1 DESCRIPCIÓN DE LOS PRINCIPALES CONCEPTOS ................................................... 1
2.2 HERRAMIENTAS DE SOFTWARE A UTILIZAR ............................................................ 5
2.2.1 Concepto de software arena ............................................................................................. 5

2.2.2 CAMPO DE APLICACIÓN ............................................................................................ 6
2.2.3 ELEMENTOS DE UN MODELO DE ARENA .............................................................. 7
2.2.4 DESCRIPCIÓN DE LOS MÓDULOS DE PROCESO ................................................. 10
2.2.5 MÓDULOS DE DATOS. BASIC PROCESS ............................................................... 20
2.2.6 MÓDULOS DE FLUJO. ADVANCED PROCESS ...................................................... 27
2.3 ESTADO DEL ARTE ......................................................................................................... 30

2.3.1 INVESTIGACIÓN 1: ..................................................................................................... 30
2.3.2 INVESTIGACIÓN 2: ..................................................................................................... 31
2.3.3 INVESTIGACIÓN 3: ..................................................................................................... 32
2.3.4 INVESTIGACIÓN 4: ..................................................................................................... 34
2.3.5 INVESTIGACIÓN 5: ..................................................................................................... 35
2.3.6 INVESTIGACIÓN 6: ..................................................................................................... 37
CAPITULO 3: DESCRIPCIÓN DEL SISTEMA ACTUAL .................................................... 38

3.1. La empresa ....................................................................................................................... 38
3.1.1. Descripción de la empresa........................................................................................ 38
3.1.2. Datos generales ......................................................................................................... 38
3.1.3. Breve Historia de la empresa..................................................................................... 38
3.1.4. Visión y Misión de la empresa .................................................................................. 39
3.1.5. Organigrama .............................................................................................................. 40
3.2. Descripción de los procesos ............................................................................................. 40
3.3. Descripción del Sistema ................................................................................................... 49
3.3.1. DOP ........................................................................................................................... 52
3.3.2. DAP ........................................................................................................................... 56
3.3.3. Layout del Proceso .................................................................................................... 60
3.3.4. Flujograma del proceso ............................................................................................. 62

3.3.5. Flow-Sheet ................................................................................................................ 63
3.4. Variables aleatorias (exógenas) del sistema. .................................................................... 65
3.5 Variables endógenas del sistema. ...................................................................................... 68
3.6. Identificación y descripción de los problemas potenciales. ............................................. 69
CAPITULO 4: RECOPILACIÓN Y ANÁLISIS DE DATOS DE ENTRADA ....................... 70

4.1 Plan de recopilación de información ................................................................................. 70
4.1.1 Descripción de procedimiento de recolección de datos ............................................. 70
4.1.2 Fuentes de información .............................................................................................. 71
4.1.3 Periodo de estudio ...................................................................................................... 71
4.2 Análisis de datos ............................................................................................................... 72
4.2.1 Variable X1: Tiempo entre llegadas de porongos de leche ............................................ 72
4.2.2 Variable Y3: Tiempo de pasteurizado ........................................................................ 87
4.2.3 Variable Y5: Tiempo de cuajado................................................................................ 89
4.2.4 Variable Y16: Tiempo de cortado de quesos ............................................................. 90
4.2.5 Variable Y17: Tiempo de moldeado de quesos........................................................ 100
CAPITULO 5: MODELO DE SIMULACIÓN DEL SISTEMA ACTUAL ........................... 109

5.1. Propiedades del modelo ............................................................................................... 109
5.2. Supuestos........................................................................................................................ 110
5.3. Modelo de simulación .................................................................................................... 110
5.3.1. Módulo Creacion: Llegada de porongos de leche ....................................................... 110
5.3.3. Módulo Estación: Recepción 1 ................................................................................... 111
5.3.4. Módulo asignación: Registra Hora Llegada ................................................................ 112
5.3.5. Módulo Proceso: Inspección ....................................................................................... 112
5.3.6. Módulo Batch: 1000 Litros de Leche .......................................................................... 113
5.3.7. Módulo Requisito: Requisito 1 ................................................................................... 114
5.3.8. Módulo Transporte: Transporte 1 ............................................................................... 114
5.3.9. Módulo Estación: Tina Quesera Estación 2 ................................................................ 115

5.3.10. Módulo Proceso: Filtrado e ingreso a tina................................................................. 116
5.3.11. Módulo Proceso: Pasteurizado .................................................................................. 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
5.3.19. Módulo Asignar: Cambia Figura............................................................................... 123
5.3.20. Módulo Estación: Moldeado Station 3 ...................................................................... 124
5.3.21. Módulo Proceso: Moldeado ...................................................................................... 124
5.3.22. Módulo Record: Intervalo Salida .............................................................................. 125
5.3.23. Módulo Batch: 100 Quesos en Prensa....................................................................... 126
5.3.24. Módulo Estación: Recepción 1.................................................................................. 126
5.3.27. Módulo Proceso: Cortado de Presentación ............................................................... 129

CAPITULO 6: PROPUESTAS DE DISEÑO O REDISEÑO DEL SISTEMA ...................... 139

6.1. Análisis de Resultados ................................................................................................... 140
6.2 Propuesta de diseño o rediseño del sistema..................................................................... 143
6.2.1 Sustentación del modelo propuesto .......................................................................... 143
6.2.2 Propuesta de mejora ................................................................................................. 156
6.3 Evaluación de las propuestas........................................................................................... 158
6.3.1 Horizonte de vida para la propuesta: ........................................................................ 158
6.3.2 Costo de implementación de la inversión en el rediseño ......................................... 158
6.2.3 Valor de recupero de las inversiones fijas de la propuesta ....................................... 159
6.3.5 Costos de la empresa (Situación Propuesta)............................................................. 160
6.3.6 Tasa de descuento para la evaluación económica .................................................... 162
6.3.7 Flujo de Efectivo e Indicadores ................................................................................ 163
6.4 Modelo de simulación propuesto .................................................................................... 165
6.5 Comprobación de hipótesis ............................................................................................. 167
CONCLUSIONES................................................................................................................... 170
RECOMENDACIONES ......................................................................................................... 172

BIBLIOGRAFÍA ..................................................................................................................... 173
ANEXOS ................................................................................................................................. 175

ÍNDICE DE ILUSTRACIONES
Ilustración 1 Organigrama de la empresa Yarabamba ............................................................................ 40

Ilustración 2 Acopio de leche ................................................................................................................... 40
Ilustración 3 Control de calidad ............................................................................................................... 41
Ilustración 4 Estandarización .................................................................................................................. 41
Ilustración 5 Pasteurización .................................................................................................................... 42
Ilustración 6 Cuajado .............................................................................................................................. 43
Ilustración 7 Corte y desuerado ............................................................................................................... 44
Ilustración 8 Desuerado ........................................................................................................................... 45
Ilustración 9 Pre-prensado....................................................................................................................... 46
Ilustración 10 Hilado ............................................................................................................................... 47
Ilustración 11 Moldeado .......................................................................................................................... 48
Ilustración 12 Prensado ........................................................................................................................... 48
Ilustración 13 Oreo .................................................................................................................................. 49
Ilustración 14 Diagrama de Operaciones del Proceso .............................................................................. 52
Ilustración 15 Diagrama de Análisis del Proceso.................................................................................... 56
Ilustración 16 Planta Quesera ................................................................................................................. 61
Ilustración 17 Flujograma ........................................................................................................................ 62
Ilustración 18 Flow-Sheet ........................................................................................................................ 63
Ilustración 19 Flow-Sheet 2 ..................................................................................................................... 63
Ilustración 23 Gráfica de la distribución del Input Analyzer Variables X ............................................... 84
Ilustración 24 Fit All Summary Variables X ............................................................................................ 85
Ilustración 25 : Errores cuadrados del Input Analyzer Variable X.......................................................... 86
Ilustración 26 Gráfica de la distribución del Input Analyzer Variable Y16 ............................................. 96
Ilustración 27 Fit All Summary Variable Y16 .......................................................................................... 98
Ilustración 28 Errores cuadrados del Input Analyzer Variable Y16 ......................................................... 99
Ilustración 29 Gráfica de la distribución del Input Analyzer Variable Y17 ........................................... 105
Ilustración 30 Fit All Summary Variable Y17 ........................................................................................ 107
Ilustración 31 Errores cuadrados del Input Analyzer Variable Y17 ....................................................... 108
Ilustración 32 Módulo Create: Llegada de porongos de leche ................................................................110
Ilustración 33 Módulo Asignar: Aculador de Costo ................................................................................ 111
Ilustración 34 Módulo Estación: Recepción 1 ........................................................................................ 111
Ilustración 35 Módulo asignación: Registra Hora Llegada .....................................................................112
Ilustración 36 Módulo Proceso: Inspección ............................................................................................112
Ilustración 37 Módulo Batch: 1000 Litros de Leches .............................................................................113
Ilustración 38 Módulo Requisito: Requisito 1 ........................................................................................114
Ilustración 39 Módulo Transporte: Transporte 1 .....................................................................................114
Ilustración 40 Módulo Estación: Tina Quesera Estacion 2 .....................................................................115
Ilustración 41 Módulo Proceso: Filtrado e ingreso a tina .......................................................................116
Ilustración 42 Módulo Proceso: Pasteurizado .........................................................................................116
Ilustración 43 Módulo Proceso: Enfriado ...............................................................................................117
Ilustración 44 Módulo Proceso: Cuajado ................................................................................................118
Ilustración 45 Módulo Proceso: Cortado ................................................................................................119
Ilustración 46 Módulo Proceso: Lavado ................................................................................................ 120
Ilustración 47 Módulo Proceso: Pre Prensado ....................................................................................... 121
Ilustración 48 Módulo Separar: Corta 100 Quesos ................................................................................ 122
Ilustración 49 Módulo Procesos: Cortado de Quesos ............................................................................ 123
Ilustración 50 Módulo Asignar: Cambia Figura ..................................................................................... 123
Ilustración 51 Módulo Estación: Moldeado Station 3 ............................................................................ 124
Ilustración 52 Módulo Proceso: Moldeado ............................................................................................ 124
Ilustración 53 Módulo Record: Intervalo Salida .................................................................................... 125
Ilustración 54 Módulo Batch: 100 Quesos en Prensa............................................................................. 126
Ilustración 55 Módulo Proceso: Apilado y Prensado ............................................................................. 126
Ilustración 56 Módulo Separar: 100 Quesos Prensados ......................................................................... 127
Ilustración 57 Módulo Proceso: Desmoldado ........................................................................................ 128
Ilustración 58 Módulo Proceso: Cortado de Presentación ..................................................................... 129
Ilustración Modelo Simulación ............................................................................................................. 139
Ilustración Modelo Animado en el Arena.............................................................................................. 139
Ilustración Intervalos ............................................................................................................................. 141
Ilustración Optimización ....................................................................................................................... 156
Ilustración OPT Quest por arena ........................................................................................................... 157
Ilustración Life time .............................................................................................................................. 158
Ilustración Barra de herramientas principal .......................................................................................... 176
Ilustración 65 Data definition ................................................................................................................. 177
Ilustración 66 Discrete Processing ......................................................................................................... 177
Ilustración Decisions ............................................................................................................................. 177
Ilustración 68 Grouping ......................................................................................................................... 178
Ilustración Grouping ............................................................................................................................. 178
Ilustración 70 Input Output .................................................................................................................... 178
Ilustración 71 Animation ........................................................................................................................ 179
Ilustración 72 Material Handing ............................................................................................................ 179
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 56 Reporte del Output Analyzer con 14 réplicas ............................................................. 150
Tabla 58 Reporte del Output Analyzer con 14 réplicas ............................................................ 152
Tabla 60 Reporte del Output Analyzer con 14 réplicas ............................................................ 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
CAPITULO 1: FORMULACIÓN DEL PROYECTOS DE INVESTIGACIÓN
1.1 Título
Propuesta de mejoramiento del proceso de producción de queso andino en la planta
de Lácteos Yarabamba mediante un modelo de simulación con el software arena
16.1
1.2 Introducción
La empresa Lácteos Yarabamba encarga de elaborar productos derivados de la
leche, así mismo en su línea de quesos frescos se han detectado problemas
causados por eluso ineficiente de los recursos disponibles. Por lo cual se busca la
aplicación de un modelode simulación que permita la disminución de cuellos de
botella, dando paso a un buen aprovechamiento de recursos con los que cuenta la
empresa.
El queso fresco es un alimento muy apreciado por aquellas personas que
quieren seguiruna dieta sana y equilibrada. Por su forma de elaboración y su
composición nutricional, nos encontramos ante un queso menos graso y calórico
que los de otras variedades.
Además, es un producto muy versátil, que podemos utilizar en diversas
elaboracionescomo ensaladas, macedonias o postres.
1.3 Planteamiento del problema
En la empresa “Lácteos Yarabamba”, empresa dedicada a la elaboración de
productos lácteos como quesos y yogurt, presenta ciertos inconvenientes en su
cadena productiva que conllevan a la lentitud de los procesos, provocado por el
uso ineficientede los recursos disponibles.
Es por ello que hemos visto la necesidad de evaluar su cadena productiva
mediante la aplicación de un modelo de simulación como una alternativa de

solución a los problemas dentro de los procesos de producción. Esto permitirá
tomar decisiones sobre los cambios

que se podrían realizar tanto en las operaciones como también en las personas que están
frente a estas operaciones.
1.4 Objetivos de la Investigación
1.4.1 Objetivo General
1.4.2 Proponer una alternativa de un modelo de simulación al cual nos permitamejorar el
proceso del queso pasteurizado en la empresa “Lácteos Yarabamba”
1.5 Objetivos específicos
1.5.1 Buscar una mejora del proceso de producción de los quesos pasteurizadoen la
empresa “Lácteos Yarabamba”.
1.5.2 Poder identificar los principales problemas en el proceso de los quesosfrescos.
1.5.3 Poder identificar los tiempos ociosos o tiempos muertos para una mejoraen la
producción de la empresa” Lácteos Yarabamba”
1.5.4 Implementar un modelo de simulación de sistema para la producción delos quesos
frescos.
1.6 Hipótesis de la Investigación
1.6.1 Hipótesis general
Mediante la aplicación de un modelo de simulación con el software Arena 16.2, se
logrará mejorar el proceso de producción del queso de la empresa Lácteos
Yarabamba, perteneciente a la Asociación de Agricultores Productores Lácteos de
Yarabamba - ASOAGRIPROLACYA, disminuyendo el tiempo de producción e
incrementando la productividad de la empresa.
1.6.2 Hipótesis específicas

H1. Aplicando un modelo de simulación se logra analizar y optimizar los
tiempos de producción de cada proceso.
H0. Aplicando un modelo de simulación no se logra analizar y optimizar los
tiempos de producción de cada proceso.
H1. Aplicando un modelo de simulación se logra optimizar la utilidad de la
empresa Lácteos Yarabamba
H0. Aplicando un modelo de simulación no se logra optimizar la utilidad de la
empresa Lácteos Yarabamba
H1. Aplicando un modelo de simulación logra mejorar el planeamiento de
producción de la empresa Lácteos Yarabamba.
H0. Aplicando un modelo de simulación no logra mejorar el planeamiento de
producción de la empresa Lácteos Yarabamba.
1.7 Justificación
En vista de que, parte de la misión del ingeniero industrial es producir conocimiento
científico y tecnológico, pertinente y relevante, que responde a la demanda y necesidades
de a las organizaciones locales regionales, etc así como en este caso la región de
Yarabamba, Arequipa; se decidió utilizar los conocimientos obtenidos en las aulas de
nuestra universidad; específicamente para aportar a una organización de agricultores y
productores lácteos siendo la producción de quesos su actividad económica principal; para
mejorar su manera de producir e incrementar su rentabilidad. Además de que, se crea con
esto el vínculo entre universidad y sociedad, objetivo primordial en el mundo actual.
La tecnología aporta de manera significativa al mundo empresarial y más aún las
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
producción de quesos frescos.
El presente proyecto tiene como finalidad aportar significativamente “Lácteos
Yarabamba”, de manera que puedan empezar el proceso de industrialización de queso
fresco con estándares de calidad, mejorando los tiempos y el sistema de producción. Con
iniciativas tales como el mejoramiento de tiempos, el sistema de colas, sistema de
producción, y con esta propuesta de diseño del proceso industrializado de elaboración de
queso fresco, se puede dar cumplimiento adecuado a los lineamientos del proyecto.
1.8 Delimitación de la Investigación
Nuestra investigación se realizará en la empresa “Lácteos Yarabamba” de producción
de queso fresco en Yarabamba, la cual nos permitirá optimizar y analizar en qué
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
ensayo para poder lograr nuestros objetivos.
Podremos optimizar los tiempos de producción de queso fresco, para darle propuestas
y brindarle un plan de mejora continua a la empresa. Se realizará varias tomas de tiempo
y se brindarán alternativas para la reducción del tiempo del proceso que tenga mayor
tiempo muerto.
Esta investigación nos permitirá desarrollar diferentes puntos de nuestros objetivos, y
que gracias a las pruebas de ensayo que realizaremos se podrá dar soluciones al
problema.
• Medida utilizada para recolectar los datos.
• La falta de estudios previos de investigación sobre el tema.
Actualmente nos encontramos con la ausencia de medidas; sin embargo, luego de
realizar visitas a la empresa, contaremos con el promedio de tiempo por proceso.

1.9 Variables
1.9.1 Variable Independiente
Modelo de simulación del proceso de producción de quesos:
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
variar los valores de cada variable dependiente.
1.9.2 Variable Dependiente
Tiempo de cada proceso de producción en la elaboración del queso
Es el lapso de tiempo que la materia prima permanece en cada proceso de producción, el
cual inicia desde la recepción de la leche y termina en el refrigerado y conservación del
producto final.
Indicadores: Promedio de tiempo en el sistema
Unidad de medida: Minutos
Tipo de variable: Cuantitativa
Cantidad de quesos producidos
Cantidad de quesos producidos en un periodo de tiempo en la empresa de producción
Lácteos Yarabamba, que resulta de la sumatoria de todos los quesos producidos en una
unidad de tiempo (semana).
Indicadores: Total de quesos producidos
Unidad de medida: Número de quesos producidos en una semana
Tipo de variable: Cuantitativa
1.10 Plan de Trabajo

Se realizará este proyecto de investigación a través de visitas esporádicas a la
empresa Lácteos Yarabamba perteneciente a la Asociación de Agricultores
Productores Lácteos de Yarabamba - ASOAGRIPROLACYA, donde obtendremos
datos de los tiempos de llegada demateria prima, tiempos en colas antes de cada
proceso, tiempos y recursos utilizados en cada proceso de producción y la cantidad de
quesos producidos al final del proceso.
Se planeará la recopilación de información por orden de trabajo emitida por el
gerente dela empresa, en las cuales se priorizará los tiempos y costos de producción
de un queso. Así también se determinará de variables del proceso para la toma de
tiempos, y el recojo de información de costos.
CAPITULO 2: MARCO TEÓRICO
2.1 DESCRIPCIÓN DE LOS PRINCIPALES CONCEPTOS

Simulación
La simulación, utilizando sistemas informáticos, consiste en aplicar programas en los
que podamos comprobar cómo funciona un determinado sistema.
Tipos de simulación
Simulación Combinada Discreta-Continua es la modelación de un sistema por medio
de una representación en la cual unas variables de estado cambian continuamente con
respecto al tiempo y otras cambian instantáneamente en un instante de tiempo
separados.
Es una simulación en la cual interactúan variables de estado discretas y continuas.
Existen tres tipos de interacciones entre las variables de estado de este tipo de
simulaciones:
Un evento discreto puede causar un cambio discreto en el valor de una variable de
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
discreto ocurra, o sea, programado.
● Simulación Determinística y/o Estocástica:
Una simulación determinística es aquella que utiliza únicamente datos de entra
determinísticos, no utiliza ningún dato de entrada azaroso.
En cambio un modelo de simulación estocástico incorpora algunos datos de entrada
azarosos al utilizar distribuciones de probabilidad.
● Simulación estática y dinámica:
La simulación estática es aquella en la cual el tiempo no juega un papel importante,
en contraste con la dinámica en la cual si es muy importante.
● Simulación con Orientación hacia los eventos:
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
los eventos, entidades, atributos y variables del modelo en todo momento.
● Simulación con Orientación hacia procesos:
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
en un esquema de flujo grama de procesos, el cual se hace es un seguimiento a la
entidad a través de la secuencia de procesos que debe seguir.
Sistema de producción
Un sistema en sí puede ser definido como un conjunto de partes interrelacionadas
que existen para alcanzar un determinado objetivo. Donde cada parte del sistema puede
ser un departamento, un organismo o un subsistema. De esta manera una empresa puede
2
ser vista como un sistema con sus departamentos como subsistemas. (G, 2020)
● Tipos de sistemas de producción Existen tres tipos tradicionales de sistemas de
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
de grupos. Estos tipos de sistemas no están necesariamente asociados con el volumen de
producción, aunque si es una característica más.
Es importante darse cuenta que el tipo de producción dicta el sistema organizativo, y en
grado importante la distribución del equipo. Cada tipo de producción tiene
características específicas y requieren condiciones diferentes para que sea eficaz su
implantación y operación, lo que veremos a continuación en este trabajo.
Etapas de la simulación
● Definición del sistema
Para tener una definición exacta del sistema que se desea simular, es necesario hacer
primeramente un análisis preliminar de este, con el fin de determinar la interacción con
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.
● Formulación del modelo
Una vez definidos con exactitud los resultados que se esperan obtener del estudio, se
define y construye el modelo con el cual se obtendrán los resultados deseados. En la
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
requerir para producir los resultados deseados.
3
● Implementación del modelo
Con el modelo definido, el siguiente paso es decidir si se utiliza algún lenguaje o se
utiliza algún paquete como Arena para procesarlo en la computadora y obtener los
resultados deseados.
● Validación
A través de esta etapa es posible detallar deficiencias en la formulación del modelo o
en los datos alimentados al modelo. Las formas más comunes de validar un modelo son:
La opinión de expertos sobre los resultados de la simulación.
La exactitud con que se predicen datos históricos.
La exactitud en la predicción del futuro.
La comprobación de falla del modelo de simulación al utilizar datos que hacen fallar
al sistema real.
La aceptación y confianza en el modelo de la persona que hará uso de los resultados
que arroje el experimento de simulación.
● Experimentación
Se realiza después de que el modelo haya sido validado, consiste en generar los datos
deseados y en realizar un análisis de acuerdo a los índices requeridos.
● Interpretación
Se interpretan los resultados que arroja la simulación y con base a esto se toma una
decisión. Es obvio que los resultados que se obtienen de un estudio de simulación
ayudan a soportar decisiones del tipo semi-estructurado.
● Documentación
Dos tipos de documentación son requeridos para hacer un mejor uso del modelo de
simulación. La primera se refiere a la documentación del tipo técnico y la segunda se
refiere al manual del usuario, con el cual se facilita la interacción y el uso del modelo
4
desarrollado.
2.2 HERRAMIENTAS DE SOFTWARE A UTILIZAR
2.2.1 Concepto de software arena
Desarrollado por Rockwell Automation, el software Arena es un programa de
simulación de eventos capaz de mejorar procesos de situaciones reales y hacer
predicciones en cuanto a posibles resultados. Cuenta con numerosas funciones y permite
simular todos los escenarios comerciales y comprender las operaciones que se llevan a
cabo a detalle. Su característica más llamativa es que no requiere el uso de códigos de
programación, ya que su modo de trabajo es con diagramas de flujo, comprende de
módulos o bloques con lenguaje Siman que presenta una forma visual a modo de mayor
comprensión y ayuda, facilitando el trabajo de mapeo de procesos y los estudios para
los equipos de análisis.
Arena combina la facilidad de uso de los simuladores de alto nivel con la flexibilidad
de los lenguajes de simulación. Arena se nos presenta como una Herramienta
“Orientada al Proceso”, por cuanto permite la descripción completa de la experiencia
que una entidad desarrolla al interior del sistema conforme fluye a través de él. Dada la
orientación al proceso, el desarrollo de modelos en Arena se estructura sobre una base
gráfica asociada a la construcción de diagramas de flujo, que describirán la serie de
pasos que debe seguir una entidad conforme avanza en nuestro sistema.
Características
● Se construye el modelo de simulación por medio de un diagrama de flujo.
● Simula el funcionamiento de los sistemas para comprender los procesos e
identificar tanto problemas como posibles mejoras.
● Permite visualizar las operaciones con gráficos de animación dinámica.
5
● Analizar cómo el sistema funciona en su ambiente real, tanto en su
funcionamiento actual como con sus mejoras simuladas.
Ventajas
● Permite identificar, diagnosticar y corregir problemas en el sistema o proceso.
● La reducción o eliminación total de cuellos de botella.
● La reducción de costos y tiempos de operación.
● Mejoras en las operaciones y tiempos de un sistema o proceso.
● Identificar los problemas que se aprecian en el proceso y buscar opciones de
mejora.
● Ofrecer nuevos procedimientos o métodos sin interrumpir el sistema actual.
Desventajas
● Las limitaciones que existen al usar el software versión académica.
● El riesgo de experimentar con un sistema real simulado que traería un costo
elevado.
2.2.2 CAMPO DE APLICACIÓN
El software de ARENA está diseñado para su uso dentro de la empresa, apoyando
tanto el análisis de áreas particulares (manufactura, logística, servicio al cliente, etc.)
como el de procesos que abarcan varias áreas particulares. ARENA también utiliza una
intuitiva representación del proceso modelado tipo “diagrama de flujo”. El modelado se
lleva a cabo siguiendo una estructura jerárquica. ARENA ofrece la posibilidad de crear
representaciones utilizando una librería gráfica ampliable.
Para el caso de Arena, se puede obtener información estadística de las entidades,
recursos, variables y colas del modelo pudiendo ser seleccionadas por el usuario. Cada
uno de estos módulos tiene la opción de seleccionar si se desea el reporte de las
estadísticas o no.
6
Algunas aplicaciones de la simulación en la industria:
● Análisis y reducción del tiempo de ciclo
● Secuenciación de las tareas
● Análisis de cuellos de botella
● Mejoramiento de la calidad
● Reducción de costos
● Reducción de inventarios
● Mejoramiento de la productividad
● Tamaño óptimo del lote}
● Planeamiento de la producción
● Diseño de controles de sistemas
Al trabajar la simulación en un escenario virtual, permite evitar pérdidas de tiempo
sin interrumpir el funcionamiento del sistema actual ya que ambos sistemas pueden
trabajar en paralelo. Todo lo contrario, a las técnicas tradicionales de prueba y error.
Optimización
Optimización hace referencia a la acción y efecto de optimizar. En términos
generales, se refiere a la capacidad de hacer o resolver alguna cosa de la manera más
eficiente posible y, en el mejor de los casos, utilizando la menor cantidad de recursos.
2.2.3 ELEMENTOS DE UN MODELO DE ARENA
Entidades
Como se sabe la mayoría de simulaciones incluye lo que es entidades ya que se
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
hace un seguimiento de algunos atributos de manera automática, pero será necesario
definir, asignar valores, cambiar y usar atributos específicos, en cada sistema que se
desee simular.
Variables
Una variable es un fragmento de información que refleja alguna característica del
sistema, independientemente de las entidades que se muevan por el modelo. Se pueden
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
de unidades ocupadas de un recurso, tiempo de simulación, etc.) y las variables
definibles por el usuario (número de unidades en el sistema, turno de trabajo, etc.)
Contrariamente a los atributos, las variables no están unidas a ninguna entidad en
particular, sino que
pertenecen al sistema en su conjunto.
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
Cuando una entidad no puede continuar su movimiento a través del modelo, a
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
seguimiento de algunas variables intermedias en las que se calculan estadísticas, por
ejemplo: el número total de piezas producidas, el tiempo total consumido en la cola, el
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
Un evento es algo que sucede en un instante determinado de tiempo en la simulación,
que podría hacer cambiar los atributos, variables, o acumuladores de estadísticas. En
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
máquina, y Final de la simulación, cuando se cumple el tiempo previsto.
Reloj de la simulación
El valor del tiempo transcurrido se almacena en una variable denominada Reloj de
Simulación. Este reloj irá avanzando de evento en evento, ya que al no cambiar nada
entre eventos, no es necesario gastar tiempo llegando de uno a otro.
9
2.2.4 DESCRIPCIÓN DE LOS MÓDULOS DE PROCESO
A continuación, se realiza una descripción de los principales módulos de flujo y de
datos del software según la guía de (Bradley, 2007) Módulos de flujo. Basic Process
Módulo Create
Figura 1 Modulo create
Fuente: Arena 16.2
Este módulo representa la llegada de entidades al modelo de simulación. Las
entidades se crean usando una planificación o basándose en el tiempo entre llegadas. En
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.
- Punto de inicio de producción en una línea de fabricación.
- Llegada de un documento (por ejemplo, una petición, una factura, una orden)
en un proceso de negocio.
- Llegada de un cliente a un proceso de servicio (por ejemplo, un restaurante,
una oficina de información).
Parámetros
- Name: identificador único del módulo
- Entity Type: nombre del tipo de entidad a ser generada.
- 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
una distribución exponencial pero la media se determina a partir del módulo
10
Schedule especificado), Constant (se especifica un valor constante), o
Expresión (se puede elegir entre distintas distribuciones).
- Value: determina la media de la distribución exponencial (si se usa Random) o
el valor constante (si se usa Constant) para el tiempo entre llegadas.
- Schedule Name: identifica el nombre de la planificación a usar. La planificación
define el formato de llegada para las entidades que llegan al sistema. Sólo se
aplica cuando se usa en Type, Schedule.
- Expression: cualquier distribución o valor que especifique el tiempo entre
llegadas. Se aplica sólo cuando en Type se usa Expression
- Units: unidades de tiempo que se usan para los tiempos entre llegadas y de la
primera creación.
- Entities per Arrival: número de entidades que se introducirán en el sistema en un
momento dado con cada llegada.
- Max Arrivals: número máximo de entidades que generará este módulo.
· First Creation: momento de inicio en el que llega la primera entidad al sistema.
Módulo Dispose
Figura 2 Modulo Despose
Fuente: Arena 16.2
Este módulo representa el punto final de entidades en un modelo de simulación. Las
estadísticas de la entidad se registrarán antes de que la entidad se elimine del modelo.
Posibles Usos
- Partes que abandonan un servicio
11
- Finalización de un proceso de negocio
- Clientes abandonando un comercio Parámetros
- Name: identificador único del módulo.
- Record EntityStatistics: determina si las estadísticas de las entidades
entrantes se registrarán o no. Estas estadísticas incluyen value-added time,
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
Figura 3 Modulo Process
Fuente: Arena 16.2
Este módulo corresponde a la principal forma de procesamiento en simulación. Se
dispone de opciones para ocupar y liberar un recurso. Adicionalmente, existe la opción
de especificar un “submodelo” y especificar jerárquicamente la lógica definida por el
usuario. El tiempo de proceso se le añade a la entidad y se puede considerar como valor
añadido, valor no-añadido, transferencia, espera u otros. Una vez se introduce en el
modelo, aparece un número en la parte inferior del símbolo que indica el número de
entidades que actualmente están procesándose.
Posibles Usos
- Mecanizado de una parte.
- Revisión de un documento para completarlo.
- Rellenar órdenes.
- Servir a un cliente.
12
Parámetros
- Name : identificador único del módulo
- Type: método que especifica la lógica dentro del módulo. Un procesado
Standard significa que toda la lógica se guardará dentro de un módulo
Process y se definirá por una acción (Action) particular. Submodel indica que
la lógica se definirá jerárquicamente en un “submodelo” que puede incluir un
número indeterminado de módulos lógicos.
- Action: tipo de proceso que tendrá lugar dentro del módulo. Existen cuatro
tipos: Delay, Seize Delay y Seize Delay Release. Delay indica que solamente
se llevará a cabo un proceso de retardo sin que existan restricciones de
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
Delay Release indica que se asignará un recurso seguido por un retardo y
luego, se liberará el recurso reservado. Delay Release indica que un recurso
ha sido reservado previamente y que la entidad se retardará simplemente, y
luego se liberará el recurso especificado
- Priority: valor de prioridad de la entidad que espera acceder en este módulo
un determinado recurso si una o más entidades esperan el mismo recurso(s)
en cualquier lugar en el modelo.
- Resources: lista del recurso o conjunto de recursos utilizados para procesar la
entidad. No se aplica cuando Action tiene el valor de Delay o cuando Type es
submodel.
- Delay Type: tipo de distribución o método de especificar los parámetros del
retardo. Constant y Expression requieren valores simples, mientras que
Normal, Uniform, y Triangular requieren varios parámetros.
13
- Units: unidades de tiempo para los parámetros de retardo.
- Allocation: determina cómo se asigna el tiempo de procesado y el coste del
proceso a la entidad.
- Minimum. valor mínimo en el caso de una distribución uniforme o
triangular.
- Value: valor medio para una distribución normal, el valor constante para un
retardo de tiempo constante, o la moda para una distribución triangular.
- Maximum: valor máximo para una distribución uniforme o triangular.
- Std Dev: desviación estándar para una distribución normal.
- Expression: expresión cuyo valor se evalúa y se usa para el procesado del
retardo de tiempo.
Módulo Decide
Figura 4 Modulo Decide
Fuente: Arena 16.2
Este módulo permite a los procesos tomar decisiones en el sistema. Incluye la opción
de tomar decisiones basándose en una o más condiciones (por ejemplo, si el tipo de la
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
ejemplo, prioridad), valores de variables (por ejemplo, número de rechazados), el tipo
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.
En la rama “True” corresponde al número de entidades que toman la rama de verdadero
y el de la rama “False” el número de entidades que toman la rama de falso.
Posibles Usos
- Envío de partes defectuosas para que se vuelvan a hacer.
- Ramas aceptadas frente a rechazadas.
- Envío de clientes prioritarios a procesos dedicados Parámetros
- Type: indica si la decisión se basa en una condición o es aleatoria/porcentual. El
tipo se puede especificar como 2-way o N-way. 2-way permite definir una
condición o probabilidad (más la salida “false”). N-way permite definir
cualquier número de condiciones o probabilidades, aparte de la salida “false”.
- Conditions: define una o más condiciones que se usan para dirigir las entidades a
los distintos módulos.
- Percentages: define uno o más porcentajes usados para encaminar las entidades a
los distintos módulos.
- Percent True: valor que se comprobará para determinar el porcentaje de
entidades que se han enviado a través de la salida True.
- If: tipos de condiciones disponibles para ser evaluados.
- Named: especifica el nombre de la variable, atributo, o tipo de entidad que se
evaluarán cuando una entidad entre en el módulo.
- Is: evaluador de la condición. · Value: expresión que se comparará con un
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
Fuente: Arena 16.2
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
nombre de la variable y el valor que se desea tome a partir de ese momento.
Posibles Usos
- Acumular el número de subensamblados añadidos a una parte.
- Cambiar el tipo de entidad para representar una copia de un formulario
multicopia.
- Establecer una prioridad del cliente.
Parámetros
- Assignements: especifica la o las asignaciones que se llevarán a cabo cuando la
entidad ejecute el módulo.
- Type: tipo de asignación que se va a realizar. Other, puede incluir variables del
sistema, tales como capacidad de los recursos o tiempo de finalización de la
simulación.
- Variable Name: nombre de la variable a la que se asignará un nuevo valor.
- Attribute Name: nombre del atributo de la entidad al que se le asignará un nuevo
valor.
16
- Entity Type: nuevo tipo de entidad que se le asignará a la entidad cuando entre
en el módulo.
- Entity Picture: nueva imagen de la entidad que se le asignará.
- Other: Identifica la variable del sistema especial a la que se le asignará un nuevo
valor.
- New value: Valor asignado al atributo, variable, u otras variables del sistema.
Módulo
Batch
Figura 6 Batch
Fuente: Arena 16.2
Este módulo funciona como un mecanismo de agrupamiento dentro del modelo de
simulación. Los lotes pueden estar agrupados permanente o temporalmente. Los lotes
temporales deben ser divididos posteriormente usando el módulo Separate. Los lotes se
pueden realizar con un número específico de entidades de entrada o se pueden unir a
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
vez acumuladas, se crea una nueva entidad representativa. Cuando se incluye en el
modelo, en la parte inferior del símbolo se representa el Número de entidades en espera
de ser agrupadas.
Posibles Usos
- Recoger un cierto número de partes antes de empezar a procesar.
- Reensamblar previamente copias separadas de un formulario.
- Juntar un paciente con los resultados de sus pruebas antes de concederle una
cita. Parámetros
17
- Type: método de agrupamiento de las entidades.
- Batch Size: número de entidades a ser agrupadas.
- Save Criterion: método para asignar valores de atributos definidos por el
usuario, representativos de la entidad.
- 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
para poder ser agrupados.
Módulo Separate
Figura 7 Módulo Separate
Fuente: Arena 16.2
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
asignación de atributos para las entidades miembro. Cuando se segmentan lotes
existentes, la entidad temporal que se formó se destruye y las entidades que
originalmente formaron el grupo se recuperan. Las entidades saldrán del sistema
secuencialmente en el mismo orden en que originalmente se agregaron al lote. Cuando
se duplican entidades, se hacen el número de copias especificado. En el símbolo que
representa este módulo, el original sale por la rama superior y el duplicado por la rama
inferior.
Posibles usos
- Enviar entidades individuales que representan cajas eliminadas de un
contenedor.
18
- Enviar una orden tanto a realización y a facturación para un procesamiento
paralelo. · Separar un conjunto de documentos previamente agrupados.
Parámetros
- Type: método de separación de las entidades entrantes.
- Duplicate Original, toma la entidad original y realiza un cierto número de copias
idénticas. Split Existing Batch, requiere que la entidad entrante sea una entidad
agrupada temporalmente utilizando el módulo Batch. Las entidades originales se
desagruparán.
- Percent Cost to Duplicates: distribución de costes y tiempos de la entidad
entrante en los duplicados salientes.
- # of Duplicates: número de entidades salientes que dejarán el módulo, además
de la entidad entrante original. Sistema de control de la producción basado en
tarjetas para entornos de tipo taller:
- Member Attributes: método de determinar cómo asignar los valores de los
atributos de la entidad representativa a las entidades originales.
- Attribute Name: nombre del atributo(s) de la entidad representativa que se
asignan a las entidades originales del grupo.
Módulo Record
Figura 8 Módulo Record
Fuente: Arena 16.2
Este módulo representa el final de entidades en un modelo de simulación. Las
estadísticas de la entidad se registran antes de que la entidad se elimine del modelo.
19
Posibles Usos
- Partes que abandonan el servicio modelado
- Finalización de un proceso de negocio.
- Clientes abandonando un comercio. Parámetros
- Name Identificador único del módulo.
- Record Entity
- Statistics
- Determina si las estadísticas de las entidades entrantes se registrarán o no.
Estas estadísticas incluyen value-added time, 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.
2.2.5 MÓDULOS DE DATOS. BASIC PROCESS
Módulo Entity
Figura 9 Módulo Entity
Fuente: Arena 16.2
Este módulo de datos define los diversos tipos de entidades y su valor de imagen
inicial en la simulación.
Posibles usos
- Elementos que se van a producir o ensamblar (piezas, pallets).
- Documentos: formularios, e-mails, faxes, informes…
- Gente que se mueve a través del proceso (clientes).
Parámetros
20
- Entity Type: nombre de la entidad que se va a definir.
- Initial Picture: representación gráfica de la entidad al inicio de la simulación.
- Holding Cost/Hour: coste por horas de procesamiento de la entidad a lo largo del
sistema. Este coste se sufre siempre que la entidad se encuentre en cualquier
sitio del sistema.
- 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
tiempo en una actividad de espera; por ejemplo, esperando a ser metida en un
lote o esperando un recurso(s) en un módulo Process.
- Initial Transfer Cost: valor de coste inicial que se le asignará al atributo de coste
de transferencia de la entidad. Este atributo acumula el coste sufrido cuando una
entidad pasa tiempo en una actividad de transferencia.
- 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
tiempo en una actividad de transferencia.
Módulo Queue
Figura 10 Módulo Queue
Fuente: Arena 16.2
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
- Cola de trabajos esperando un recurso en un módulo Process.
21
- Área de almacenamiento de documentos que esperan ser cotejados en un módulo
Batch.
Parámetros
- Name: nombre de la cola cuyas características se van a definir.
- 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
(primero); y Highest Attribute Value (primero). Un valor de atributo bajo puede
ser 0 o 1, mientras que un valor alto puede ser 200 o 300.
- 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
altos serán encoladas primero en la cola.
- Shared: campo de selección que determina si una determinada cola se usa en
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
Figura 11 Módulo Resource
Fuente: Arena 16.2
Este módulo de datos define los recursos en un sistema de simulación, incluyendo
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
módulo. Sistema de control de la producción basado en tarjetas para entornos de tipo
22
taller
Posibles usos
- Equipamiento (maquinaria, caja registradora, línea de teléfono).
- Gente (empleados, procesadores de órdenes, empleados de ventas, operadores).
Parámetros
- Name: nombre del recurso cuyas características se deben definir.
- Type: método para determinar la capacidad de un recurso. Fixed Capacity no
cambiarán durante la simulación. Based on Schedule significa que se usa el
módulo Schedule para especificar la capacidad y duración del recurso.
- Capacity: número de unidades de recurso de un determinado nombre que están
disponibles en el sistema para el procesamiento.
- Schedule: name Identifica el nombre de la planificación a usar por parte del
recurso. El planificador define la capacidad del recurso para un periodo de
tiempo determinado.
- Schedule Rule: determina cuándo debe ocurrir el cambio de capacidad cuando se
requiere una disminución de la capacidad para una unidad de recurso muy
ocupada.
- Busy/Hour: coste por hora de un recurso que está procesando una entidad.
- Idle/Hour: coste por hora del recurso cuando está libre.
- Per Use: coste de un recurso en base al uso, independientemente del tiempo
durante el cual se esté usando.
- StateSet Name: nombre de los estados que se le pueden asignar a un recurso
durante la simulación.
- Initial State: estado inicial del recurso.
- Failures: lista todos los fallos asociados con el recurso.
23
Módulo Schedule
Figura 12 Módulo Schedule
Fuente: Arena 16.2
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
factores de retardos de tiempo basados en el tiempo de simulación.
Posibles Usos
- Planificación del trabajo, incluyendo descansos, para la plantilla.
- Esquemas de fallos del equipamiento.
- Volumen de clientes que llegan a un comercio.
- Factores de curva de aprendizaje de los nuevos trabajadores.
Parámetros
- Name: nombre de la planificación que se va a definir.
- Type: tipo de planificación que se va a definir. Puede ser relativa a Capacity
(para planificaciones de recurso), relativa a Arrival, o Other.
- Time Units: unidades de tiempo empleadas para informar de la duración de
tiempo.
- Scale Factor: método de escalado de la planificación para incrementar o
disminuir los valores de Arrival/Other. Los campos Value se multiplicarán
por el factor de escala para determinar los nuevos valores.
24
- Durations: lista los pares valor y duración para la planificación. Los datos de
planificación se introducen gráficamente usando el editor de planificaciones
gráfico.
- Value: representa la capacidad del recurso, la frecuencia de llegadas, o algún
otro valor.
- Duration: duración de tiempo para la que un Value especificado será válido.
Módulo Set
Figura 13 Módulo Set
Fuente: Arena 16.2
Este módulo de datos define varios tipos de conjuntos, incluyendo recursos,
contadores, cuentas, tipos de entidad, y figuras de entidad. Los conjuntos de recursos se
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
Allocate de los paneles Advanced Process y Advanced Transfer.
Posibles usos
- Máquinas que pueden realizar las mismas operaciones en un servicio de
fabricación.
- Supervisores, empleados de caja en un comercio.
- Conjunto de figuras correspondientes a un conjunto de tipos de entidades.
Parámetros
- Name: nombre del conjunto que se va a definir.
- Type: tipo de conjunto que se va a definir.
25
- Members: grupo repetido que especifica los miembros del recurso en el
conjunto. El orden es importante si se emplean reglas de selección del tipo
Prefered Order y Cyclical.
- Resource Name: nombre del recurso a ser incluido en el conjunto de recursos.
- Tally Name: nombre de la cuenta dentro del conjunto de cuentas.
- Counter Name: nombre del contador dentro del conjunto de contadores.
- Entity Type: nombre del tipo de entidad dentro del conjunto de tipos de entidad.
- Picture Name: nombre de la imagen dentro del conjunto de imágenes.
Módulo Variable
Figura 14 Módulo Variable
Fuente: Arena 16.2
Este módulo de datos se utiliza para definir una dimensión de la variable y su
valor(es) inicial(es). Las variables se pueden referenciar en otros módulos, se les puede
reasignar un valor nuevo y se pueden emplear en cualquier expresión.
Posibles usos
- Número de documentos procesados por hora.
- Número serie a asignar a partes para una identificación única.
- Espacio disponible en un servidor. Parámetros
- Name: nombre de la variable que se va a definir.
- Rows: número de filas en una variable con dimensión.
- Columns: número de columnas en una variable con dimensión.
- Statistics: caja de selección para determinar si se recogerán o no estadísticas
26
- Clear Option: define el tiempo, en el caso de ser requerido, en que el
valor(es) de la variable, se reinicia al valor(es) inicial(es) especificado. Si se
escoge Statistics implica reiniciar esta variable a su valor inicial siempre que
las estadísticas se borren. Si se escoge System se reinicia la variable a su
valor inicial siempre que se reinicia el sistema. None indica que nunca se
reinicia la variable a su valor inicial.
- Initial Values: lista el valor(es) inicial de la variable.
- Initial Value: valor variable al inicio de la simulación.
2.2.6 MÓDULOS DE FLUJO. ADVANCED PROCESS
En este panel se podemos encontrar módulos adicionales de flujo y datos para la
construcción del modelo, se describen exclusivamente los módulos empleados en el
presente trabajo. (Bradley, 2007)
Módulo Hold
Figura 15 Módulo Hold
Fuente: Arena 16.2
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
verdadera, la entidad permanecerá en el módulo, hasta que la condición/es llegue a ser
verdadera. Cuando la entidad es un Hold infinito, el módulo Remove se utiliza en algún
lugar del modelo para permitir que la entidad continue procesandose.
27
Posibles usos
- Espera a que un semáforo se vuelva verde.
- Deteniendo una pieza esperando una autorización.
- Comprobando el estado de una máquina u operador para continuar un proceso.
Parámetros
- Name: identificador único del módulo que se muestra en la forma del módulo.
- Type: indica el razonamiento de espera de la entidad en una cola interna o
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
que sea retirada de la cola por el módulo Remove.
- Wait for Value: código de señal para la entidad en espera. Se aplica solo cuando
Type es Wait for Signal.
- 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
en el módulo. Si la condición evaluada es verdadera, la entidad deja el módulo
inmediatamente. Si la condición es falsa, la entidad esperará en la cola asociada
hasta que la condición se vuelva verdadera. Se aplica solo cuando Type es Scan
for Condition.
- Queue Type: determina el tipo de cola en el que esperan las entidades. Si se
selecciona Queue, se especifica el nombre de la cola. Si se selecciona Set, se
especifican la cola seleccionada y los miembros. Si se selecciona Internal, se
emplea una cola interna para la espera de todas las entidades. Attribute y
Expression son métodos adicionales para definir la utilización de la cola.
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
seleccionada que contiene la cola que se referencia.
- Set Index: este campo es visible solo si Queue Type es Set y define una
referencia en la cola seleccionada.
- Attribute: este campo es visible solo si Queue Type es Attribute. El atributo
introducido en este campo será evaluado para indicar que cola se va a utilizar.
- Expression: este campo solo es visible su Queue Type es expression. La
expresión introducida en este campo será evaluada para indicar que cola se
emplea.
Módulo Signal
Figura 16 Módulo Signal
Fuente: Arena 16.2
El módulo de señal o módulo “Signal” envía un valor de señal a cada módulo de
retención (Hold) en el modelo que figura en “Wait for
Módulo Signal Signal” y libera la cantidad máxima especificada de las entidades.
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)
- Señalización de un operador para completar una orden que estaba esperando
un componente
Parámetros
- Name: identificador único del módulo que se muestra en la forma del
módulo.
- Signal Value: valor de la señal que se enviará a las entidades en los módulos
espera (Hold).
- Limit: número máximo de entidades que van a ser liberados de cualquier
módulo Hold cuando se recibe la señal.
2.3 ESTADO DEL ARTE
2.3.1 INVESTIGACIÓN 1:
Título en español: “Optimización de pasteurización de la leche y momento de corte de
la cuajada para queso fresco enzimático artesanal”
Título alternativo: “Optimization of the milk pasteurization and the curd cutting
moment for artisanal fresh enzymatic cheese ”
Autor: Villegas-Soto, Nelson; Hernández-Monzón, Aldo; Díaz-Abreu, Julio
Año: 2017
Lugar: Ecuador
Resumen: En Chimborazo-Ecuador se elabora un queso fresco enzimático de forma
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
térmico de leche y la firmeza óptima de la cuajada al momento de corte, para la máxima
eficiencia tecnológica. Para la experimentación se determinó densidad, sólidos totales,
grasa y proteína en la leche y, en queso, humedad, grasa y proteína; se aplicó un diseño
factorial tipo Box-Behnken, utilizando como variables independientes la temperatura de
pasteurización (63 o 70 oC), el tiempo de retención (15 o 30 min) y la firmeza de la
cuajada, medida con un penetrómetro portátil, al momento de corte (1,7 o 2,1 cm). Las
variables de respuesta fueron rendimiento quesero y aprovechamiento de componentes
de la leche (sólidos totales, grasa y caseína), midiéndose en cada producción el volumen
de leche procesada y la masa de quesos obtenidos. Se concluyó que la temperatura
óptima de pasteurización de la leche es de 66 a 67 oC con tiempo de retención de 15 o
30 min y que la firmeza óptima de la cuajada al corte, medida como grado de
penetración, sea 2,1 ± 0,1 cm a 35 oC; así, el rendimiento quesero fue 12,52 % y el
aprovechamiento de caseína 87,79 %, ambos indicadores notablemente superiores a los
actuales.
Palabras clave: Optimización, queso fresco artesanal, eficiencia tecnológica, régimen
de pasteurización, firmeza de cuajada al corte.
Bibliografía: Villegas-Soto, Nelson; Hernández-Monzón, Aldo; Díaz-Abreu, Julio;
“Optimización de pasteurización de la leche y momento de corte de la cuajada para
queso fresco enzimático artesanal”, en EBSCOhost Tecnología Química. 2018, Vol. 38
Issue 2, p458-470. 13p. 5 Charts, 2 Graphs., 130162109, ISSN: 0041-8420.
Título en español: “FUNDO LOS ULMOS: UNA ENCRUCIJADA EN LA
31
INDUSTRIA LECHERA CHILENA”
Título alternativo: “FUNDO LOS ULMOS: A CROSSROAD IN THE CHILEAN
MILK INDUSTRY”
Autor: Torres, Juan Pablo; Guidi, Alexandra; Sánchez, Francisco.
Año: 2019
Lugar: Chile
Resumen: El caso introduce al lector en una problemática de una empresa familiar de la
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
tomador de la decisión. En cambio, la segunda opción era realizar un análisis operativo
que mejorará la gestión de la lechería basado en un modelo de optimización de la
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
y socioemocionales. Este caso es especialmente relevante para un curso de estrategia
competitiva en empresas familiares latinoamericanas.
Palabras clave: Modelo de minimización de costos, Sector Lácteo, Mejoramiento.
Bibliografía: Torres, Juan Pablo; Guidi, Alexandra; Sánchez, Francisco; “FUNDO LOS
ULMOS: UNA ENCRUCIJADA EN LA INDUSTRIA LECHERA CHILENA”, en
EBSCOhost Estudios de Administración. ene-jun2020, Vol. 27 Issue 1, p16-30. 15p;
144210035; ISSN: 0717-0653.
Título en español: “Monitoreo automático de la maduración del queso mediante visión
artificial e inteligencia artificial”
Título original: “Automatic Monitoring Cheese Ripeness Using Computer Vision and
32
Artificial Intelligence”
Autor: Andrea Loddo; Cecilia Di Ruberto; Giuliano Armano; Andrea Manconi
Año: 2022
Lugar: Italia
Resumen: La maduración es un proceso muy importante que contribuye a la calidad del
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
tarea fundamental para comercializar un producto de calidad en tiempo y forma. Sin
embargo, es difícil determinar con precisión el grado de madurez del queso. Aunque
también se han propuesto algunos métodos científicos en la literatura, los métodos
convencionales adoptados en las industrias lácteas generalmente se basan en el control
visual y de peso. Este estudio propone un enfoque novedoso destinado a monitorear
automáticamente la maduración del queso basado en el análisis de imágenes de queso
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
en un conjunto de datos de 195 imágenes (recolectadas específicamente de una industria
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
50 imágenes. Estas imágenes han sido manipuladas con técnicas de procesamiento de
imágenes y luego clasificadas según el grado de maduración, es decir, 18, 22, 24 y 30
días. Se utilizó una estrategia de validación cruzada de 5 veces para evaluar
empíricamente el rendimiento de los modelos. Durante esta fase, cada pliegue de
entrenamiento se aumentó en línea. Esta estrategia permitió utilizar 624 imágenes para
entrenamiento, dejando 39 imágenes originales por pliegue para prueba. Los resultados
experimentales han demostrado la validez del enfoque, mostrando un buen desempeño
33
para la mayoría de los modelos entrenados.
Palabras clave: Monitoreo, maduración del queso, lácteos, visión artificial, inteligencia
artificial.
Bibliografía: A. Loddo, C. Di Ruberto, G. Armano and A. Manconi, "Automatic
Monitoring Cheese Ripeness Using Computer Vision and Artificial Intelligence," in
IEEE Access, vol. 10, pp. 122612-122626, 2022, doi: 10.1109/ACCESS.2022.3223710.
Título en español: “Vacas conectadas: uso de análisis de niebla y nube para tomar
decisiones basadas en datos para la producción lechera inteligente”
Título original: “Connected Cows: Utilizing Fog and Cloud Analytics toward Data-
Driven Decisions for Smart Dairy Farming”
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
impulsada por la tecnología, los agricultores buscan asistencia de soluciones inteligentes
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
tecnologías de la información y la comunicación junto con análisis de datos
sofisticados. Este enfoque tiene el potencial de transformar algunas de las industrias
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
el rendimiento. Presentamos un IoT de extremo a extremo sistema de aplicación con
asistencia de niebla y soporte en la nube que analiza los datos generados por los
dispositivos portátiles en las patas de las vacas para detectar anomalías en el
comportamiento animal que se relacionan con enfermedades como la cojera. La
solución aprovecha el análisis de comportamiento para generar alertas tempranas hacia
el bienestar de los animales, ayudando así al ganadero en el seguimiento del ganado.
Esto, a su vez, también ayuda a aumentar la productividad y la producción de leche.
Mediante la identificación temprana de enfermedades potenciales. El proyecto se
especializa en detectar cojeras en ganado lechero en una etapa temprana, antes de que
sean visibles. Signos aparecen al granjero o un experto en animales. Nuestro ensayo da
como resultado una configuración de granja lechera inteligente del mundo real, que
consiste en un rebaño lechero de 150 vacas en Irlanda, demostrando que el sistema
diseñado entrega una alerta de detección de cojera hasta tres días antes del manual de
observación.
Palabras clave: Optimización, producción, IoT, Internet of Things (Internet de las
cosas), lácteos, datos sofisticados.
Bibliografía: M. Taneja, N. Jalodia, P. Malone, J. Byabazaire, A. Davy and C. Olariu,
"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-
37, December 2019, doi: 10.1109/IOTM.0001.1900045.
Título en español: “ Elaboración y caracterización de un modelo de queso de cabra
35
láctico blando en miniatura para imitar un queso de fábrica”
Título original: “Elaboration and characterisation of a miniature soft lactic goat cheese
model to mimic a factory cheese”
Autor: Abirami Baleswaran, Christel Couderc, Marine Reyrolle, Mickaël Le Bechec,
Jean Daydè, Hélène Tormo, Gwénaëlle Jard.
Año: 2023
Lugar: Francia
Resumen: Aunque los quesos de cabra lácteos blandos se producen ampliamente en
Francia, hay poca información disponible en la literatura sobre ellos y aún no se ha
propuesto ningún modelo en miniatura para este tipo de queso. En este estudio, se
comparó un modelo de queso de cabra láctico suave en miniatura con un queso de
fábrica equivalente para usarlo como un modelo confiable para esta familia de quesos.
La composición de los quesos se comparó en cuatro etapas clave del proceso de
producción mediante análisis microbiológicos, fisicoquímicos y volatilómicos Sift-MS.
Se encontró que las composiciones de los quesos modelo y de fábrica eran similares
hasta el paso de maduración, pero se observaron algunas diferencias en los quesos
madurados. Además, bajo condiciones de laboratorio cuidadosamente monitoreadas, se
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
aspectos del mismo tipo de queso.
Palabras clave: Queso de cabra, lácteos, queso de fábrica, láctico blando, Sift-MS.
Bibliografía: Abirami Baleswaran, Christel Couderc, Marine Reyrolle, Mickaël Le
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
International Diary Journal, Volume 142, 2023, 105646, ISSN 0958-6946.
36
Título en español: “Solución de Trazabilidad Mejorada Basada en UHF RFID para el
Sector de Producción de Queso”
Título original: “Improved Traceability Solution Based on UHF RFID for Cheese
Production Sector”
Autor: Abanob Abdelnour; Fabrice Buchin; Darine Kaddour; Smail Tedjini
Año: 2018
Lugar: Egipto
Resumen: El sector industrial de la producción de queso con especial protección de la
calidad ocupa una posición importante en el contexto industrial de la Unión Europea. En
comparación con las etiquetas de caseína convencionales, las etiquetas RFID UHF se
pueden leer a mayores distancias y pueden almacenar más información sobre el
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
identificación de productos lácteos como ruedas de queso en un entorno industrial. En
este documento se presentan dos técnicas de realización diferentes, y se midieron y
compararon los rendimientos de los prototipos realizados utilizando un sistema de
medición RFID profesional y un lector RFID portátil comercial en un entorno industrial
real.
Palabras clave: Lácteos, optimización, medición RFID profesional, lector RFID,
sistema de medición.
Bibliografía: A. Abdelnour, F. Buchin, D. Kaddour and S. Tedjini, "Improved
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
3.1.1. Descripción de la empresa
La empresa se dedica a la producción y comercialización de una amplia variedad
de productos lácteos frescos y de calidad. Entre los productos más comunes que
ofrece Lácteos Yarabamba se encuentran la leche fresca, quesos y otros
derivados lácteos.
La empresa tiene su sede en el distrito de Yarabamba, ubicado en la provincia de
Arequipa, donde es conocido por ser una zona fértil y propicia para la ganadería,
lo que ha permitido a Lácteos Yarabamba contar con una producción láctea de
alta calidad.
Los productos de Lácteos Yarabamba son ampliamente distribuidos en
diferentes supermercados, tiendas de abarrotes y establecimientos de venta de
alimentos en varias regiones del país. La marca se ha posicionado como una
opción confiable y preferida por muchos consumidores peruanos que buscan
productos lácteos frescos y de buen sabor.
3.1.2. Datos generales
● Nombre de la empresa: “Lácteos Yarabamba”
● Dirección: Av. America Nro. 145, Yarabamba
● Sector: Producción de lácteos
● Gerente General:
● RUC: 20606482770
3.1.3. Breve Historia de la empresa
38
El proyecto Lácteos Yarabamba surgió a partir de las protestas en la región de
Arequipa en contra la empresa Gloria en 2017, productores ganaderos de La
Joya, San Camilo y Pedregal en la región Arequipa protestaban por el
insuficiente pago que recibían de dicha empresa por los productos producidos.
El hecho de pensar, que siendo la ganadería una de las principales actividades
económicas productivas de la Región Arequipa y especialmente del distrito de
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
indicadores mundiales acerca de producción, rendimiento y consumo de
productos lácteos identificando amenazas y oportunidades existentes en el
mercado de la región Arequipa.
3.1.4. Visión y Misión de la empresa
3.1.4.1 Visión
Su visión es ofrecer a sus clientes un producto que favorezca al crecimiento y
nutrición de los niños, jóvenes y adultos en sus hogares en la ciudad de
Arequipa.
3.1.4.2 Misión
Su misión es elaborar y comercializar productos lácteos para la población de
diferentes niveles socioeconómicos de la ciudad de Arequipa para lo cual
cuentan con ganado vacuno lechero y con personal especializado y
comprometido con la satisfacción del consumidor, cumpliendo las exigencias
técnicas e higiénicas requeridas generando rentabilidad y cumpliendo asi las
expectativas de todos los asociados.
39
3.1.5. Organigrama
Organigrama de la empresa lácteos Yarabamba
Ilustración 1 Organigrama de la empresa Yarabamba
Fuente: Elaboración propia
3.2. Descripción de los procesos
● Acopio de Leche:
El acopio de leche se debe realizar lo más temprano posible (4 a 5 am), en
porongos de aluminio preferentemente.
Ilustración 2 Acopio de leche
40
● Control de Calidad: Se debe tener los siguientes parámetros:
➢ Acidez de la leche: 17 – 20 ºD
➢ Densidad : 1.028 – 1.034 gr./ml
➢ Prueba del Alcohol. Negativo (no se debe cortar).
Ilustración 3 Control de calidad
● Filtrado de la leche
Utilizando una tela limpia y fina, se realiza con la finalidad de poder retener
sustancias entrañas a la leche.
● Estandarización
Se recomienda descremar de 25% a 30%, para estandarizar la leche en 2.7 a
2.9% de grasa. Esto debido que en nuestra región se estima que la leche tiene un
promedio de 4 a 4.2% de grasa, la mezcla se realizó en tina de acero inoxidable.
Ilustración 4 Estandarización
41
● Pasteurización
Se realizó con el fin de una buena higienización, donde se eliminó los
microorganismos patógenos, así como gran parte de lipasas que pueden interferir
en el proceso de la elaboración del queso. Se aplicó la pasteurización lenta 65 °C
– 30 min, luego se procedió a enfriar la leche a una temperatura entre 30 y 35 °C
Ilustración 5 Pasteurización
42
● Acondicionamiento
Una vez cumplido el tiempo de reposo se procede a enfriar la leche, durante esta
etapa.
● Cuajado
La temperatura para el cuajado de leche debe ser de 35 a 36 ºC. Por un tiempo
de 20 a 30 minutos. El coagulante que se utiliza debe ser quimosina.
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
lograr una cuajada uniforme.
Ilustración 7 Corte y desuerado
● Batido
44
Se realiza un batido lento para no romper los granos, el batido demora de 5 - 10
minutos.
● Desuerado
Se realiza un desuerado parcial de 5 a 10%, donde se retira todo el suero con
unas mallas esterilizadas.
Ilustración 8 Desuerado
● Pre-prensado
Seguidamente se maquina la prensadora que sacara las ultimas tandadas de suero
de la tina en la cual mediante una manilla un operario va haciendo presión
extrayendo todo el suero restante.
45
Ilustración 9 Pre-prensado
● Hilado
La masa se debe cortar en tiras, luego se sumergen en agua caliente de 60 ºC,
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
se debe adicionar 1 litro de agua caliente, cambiar el por lo menos 3 veces.
Cuando la Temperatura de la cuajada ha alcanzado a 58 ºC, se reúnen los trozos
agitando la masa con una espátula.
46
Ilustración 10 Hilado
● Moldeado
Luego de obtener una buena ligazón y amasado de la cuajada que fueron
previamente cortadas y se procede al fraccionamiento de esta masa en bolas de
250 gr. Igualmente se puede moldear en moldes circular, para obtener el queso
en forma, para facilitar su transporte.
47
Ilustración 11 Moldeado
● Prensado
El prensado final se ejecuta en lotes de quesos donde se emplea una maquina
prensadora especializada para los moldes que cubren los quesos, como podemos
observar en la siguiente imagen. Cada prensa abarca un mínimo de un lote de 32
quesos, en total son 5 prensas por lo tanto el lote máximo seria de 160 quesos.
Ilustración 12 Prensado
48
● Salado
En salmuera con 20 a 22 ºD de sal, con un pH de 5.0 a 5.3 y Tº de 10 a 12 ºC por
2 a 3 horas.
● Oreo
Se deja durante 4 a 6 horas en cámara fría a 10 a 12 ºC, con una humedad
relativa de 80 a 85%. donde se voltean los quesos cada 2 a 3 días.
Ilustración 13 Oreo
● Acabado final
Una vez cumplido el tiempo de oreo, inmediatamente se procede al empacado al
vació, en bolsas transparentes y se almacena en una cámara frigorífica a una
Temperatura de 8 a 10 grados hasta su comercialización.
3.3. Descripción del Sistema
Es un conjunto organizado de cosas o partes interactuó antes e interdependientes
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
funciones básicas realizadas por el sistema podemos enumerar en las entradas
procesos y salidas.
En primera instancia tenemos la llegada de la leche esta llega en porongos aluminio
es donde empieza la inspección de campo, la limpieza y la de pH luego se pasa de
la planta con la inspección de acidómetro y actodencímetro seguidamente se
ingresa a la tina que será toda la leche recolectada en la cual se filtran a través de
telas muy finas y esterilizadas.
Luego empezamos con la pasteurización en la misma tina quesera en la cual se
eliminan los microorganismos patógenos donde se aplica una pasteurización lenta
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
contacto con el producto.
Posteriormente por estos mismos tubos se hace ingresar agua fría con
aproximadamente 17 °C como como el anterior proceso sin tocar el producto y se
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°.
A esta mezcla se le agrega el cultivo MW039 el cual fue previamente almacenado y
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,
posteriormente se mezcla la leche con tres sabores de cultivo diferentes, y se dejó
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
llegar a los 35 36 °C donde se agregará un componente llamado cuajo que como
dice su nombre ayudará en este proceso a cuajar el queso, seguidamente se
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
suero restante será descartado.
Agua hervida a 60 °C ingresará hice dejará reposar hasta llevar a 38 °C como un
proceso de enfriamiento, tendrá un proceso de inspección dónde se verificará la
acidez hasta 9 a 10 °D así como también que el cuajo este húmedo radiando el
suero que aún quede.
Cómo la masa sigue humedad se llevará a un pre prensado que será el último en la
tina donde a través de una máquina prensadora y un operario manejando se tratará
de sacar el suelo restante dentro de la más.
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
los quesos en los moldes se prensarán por el peso de ellos mismos.
Posteriormente se llevarán a una máquina de prensa, esta máquina consiste en cinco
prensas cada una necesita 32 quesos.
Una vez culminados estos procesos se espera al siguiente día de trabajo.
Al empezar el turno se empieza a desmoldar cada uno de los quesos de forma
manual se verifica de nuevo la acidez (70 °D) y la concentración de 18 baume.
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
paquetes de plástico y se empaquetan al vacío, se verifica posteriormente el
empaquetado correcto y se almacena para la comercialización.
Ilustración 14 Diagrama de Operaciones del Proceso

3.3.1. DOP
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
54
Evento Número Tiempo

Operación 24 -
Inspección 22 -
55
3.3.2. DAP
Ilustración 15 Diagrama de Análisis del Proceso
56
DIAGRAMA DE ANÁLISIS DEL PROCESO
57
DIAGRAMA HECHO POR: Grupo 04 APROBADO POR: Ing. Efrain Murill
58
Evento Número
Operación 24
Inspección 20
Transporte 7
Demora 3
Almacén 3
JLKL;
59
3.3.3. Layout del Proceso
Se determinan características de los procesos a implantar en la quesería a fin de
que se puedan dar nuevas directrices
Destacaremos:
1. Peso y volumen de los materiales a procesar, en este caso se evaluarán las
dimensiones físicas de peso y volumen y de qué manera afectarán al área
que precisa cada operación y, de ser elevadas, el stock de materiales que
pueda acumularse influirá decisivamente, lo mismo que ocurrirá con las
dimensiones de los pasillos que, a su vez, se verán influidos también por
los medios de transporte elegidos para mover materiales. Sin embargo, los
medios de transporte dependen también de otros factores, tales como el
takt time.
2. Takt time aproximado: El takt time puede influir, no sólo en los
concerniente al área de trabajo de cada puesto, sino también en todo lo que
afecta al almacenaje y movimiento de materiales. Como en la cantidad de
puestos de trabajo que lleven a cabo el mismo proceso en paralelo,
determinado por la relación entre el tiempo de ciclo y el takt time.
3. Existencia de procesos de fabricación que se entregan el producto a otros o
al montaje final, en este caso se pueden observar en el recorrido de las
distintas áreas
4. Desplazamientos necesarios entre los puestos de trabajo por los diferentes
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.
Serán estanterías específicas en el caso del área de maduración.
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
muerto o de ocio verificando en la secuencia de operaciones. Podemos tener
problemas de falta de espacio en los puestos de trabajo concretos. También
puede ocurrir que haya alguna fase de determinado proceso que deba realizarse
fuera del área destinada al layout. En tal caso deberán preverse las
comunicaciones adecuadas entre el proceso y la operación especial Por otra
parte, es importante que el flujo se haya diseñado buscando la máxima
estandarización con cualquier producto actual y futuro.
Ilustración 16 Planta Quesera
61
3.3.4. Flujograma del proceso
Ilustración 17 Flujograma
62
3.3.5. Flow-Sheet
Ilustración 18 Flow-Sheet
Fuente: Elaboración propia.
Ilustración 19 Flow-Sheet 2
Fuente: Elaboración Propia.
63
64
Fuente: Elaboración Propia.
3.4. Variables aleatorias (exógenas) del sistema.
Las variables exógenas identificadas en el sistema son:
Tabla 1 Variables Exógenas
Variable Exógenas Descripción
X1: Tiempo entre llegadas de Intervalo de tiempo en que llegan los porongos de leche
porongos de leche (materia que recibe la planta de lácteos YARABAMBA.
prima)
65
Y1: Tiempo de inspección Es el tiempo de inspección implica evaluar diversas
características para garantizar su calidad y cumplir con
los requisitos del mercado.
Y2: Tiempo de filtrado e Es el tiempo
ingreso a tina
Y3: Tiempo de pasteurizado Es el tiempo del pasteurizado de la leche, para eliminar
bacterias, microorganismos patógenos y reducir la
actividad enzimática de la leche de vaca
Y4: Tiempo de enfriado 1 Es el tiempo que demora en enfriar la leche hasta llegar a
40°C para poder agregar el fosfato.
Y5: Tiempo de cuajado Es el tiempo que demora la leche en adquirir su textura
de Cuajo.
Y6: Tiempo de cortado Es el tiempo que le toma al maestro quesero cortar cada
queso, después de que se obtuvo la cuajada unificada.
Y7: Tiempo de lavado Es el tiempo que toma la leche en bajar su temperatura a
38°C, después de que ingresó agua a 60°C a la tina
quesera.
Y8: Tiempo de pre prensado Es el tiempo que le toma al maestro quesero y a los
demás
operarios, introducir el equipo de pre prensado en la tina
quesera, el cual ayuda al cuajo a adquirir su textura lisa y
plana para poder obtener la cuajada unificada.
66
Y9: Tiempo de cortado de Es el tiempo que le toma al maestro quesero cortar cada
quesos queso, después de que se obtuvo la cuajada unificada.
Y10: Tiempo de moldeado Es el tiempo que le toma al maestro quesero y demás
operarios moldear cada queso con ayuda de moldes.
Y11: Tiempo de apilado y Es el tiempo
prensado
Y12: Tiempo de desmoldado Es el tiempo que demora el operario en desmoldar cada
queso, retirándolo de los moldes.
Y13: Tiempo de cortado de Es el tiempo que le toma al operario cortar líneas a cada
presentación queso como presentación del queso andino.
Y14: Tiempo de lavado Es el tiempo que toma la leche en bajar su temperatura a
38°C, después de que ingresó agua a 60°C a la tina
quesera.
Y15: Tiempo de maduración Es el tiempo que demoran los quesos en madurar.
Y16: Tiempo de Es el tiempo que le toma al operario empaquetar cada
empaquetado al vacío queso al vacío.
empaquetado
Y17: Tiempo de Es el tiempo que le toma al operario empaquetar cada
empaquetado al vacío queso al vacío.
empaquetado 2
Z1: Proporción de leche Es el porcentaje de leche que no pasa el estándar de
67
desechada calidad después de las inspecciones en campo y en planta.
Z1: Proporción de suero Es el porcentaje de suero que sale de la tina quesera
desechada
3.5 Variables endógenas del sistema.

W1: Tiempo promedio de pasteurizado
W2: Tiempo promedio de enfriado
W3: Tiempo promedio de cortado con lira
W4: Tiempo promedio de desuerado
W5: Tiempo promedio de lavado
W6: Tiempo promedio de pre prensado
W7: Tiempo promedio de moldeado
W8: Tiempo promedio de prensado
W9: Tiempo promedio de empaquetado
Nc1: Total de quesos cortados
Nc2: Total de quesos moldeados
Nc3: Total de quesos prensados
Nc4: Total de quesos empaquetados
Nc1: Total de suero desechado
U1: Utilización de la tina quesera
U2: Utilización de la lira
U3: Utilización de la tina quesera
U4: Utilización de maestro quesero
U5: Utilización de ingeniera de industria alimentaria
U6: Utilización de operario 1
68
U10: Utilización de termómetro de rejilla
3.6. Identificación y descripción de los problemas potenciales.
En la evaluación de la empresa láctea productora de quesos observamos ciertos
problemas que requieren evaluación y mejora:
● Espacio para el desarrollo del proceso: La empresa no tiene suficiente espacio
para el desarrollo de sus procesos.
● Políticas de atención: La empresa no ha realizado hasta el momento una
evaluación de su servicio de atención al cliente y no poseen políticas
encaminadas a la atención del comprador en pro de la fidelización,
recomendación y preferencia de este.
● Estrategia de diferenciación: No posee estrategias de diferenciación y
fidelización en sus servicios.
● Baja producción: El cambio climático y la variación constante de la temperatura
y humedad, afecta de manera considerable el comportamiento productivo de las
vacas lecheras
69
CAPITULO 4: RECOPILACIÓN Y ANÁLISIS DE DATOS DE ENTRADA
4.1 Plan de recopilación de información
Para el presente proyecto se utilizaron datos de la empresa láctea LÁCTEOS
YARABAMBA, situada en Yarabamba, Arequipa. Como punto de partida se
estudió la situación actual de la empresa, en cuanto a la demanda de los productos
en las líneas de producción, con base a esta información se tomó la decisión según
la prioridad de la empresa para determinar la línea de producción que se realizará la
simulación la cual es el QUESO ANDINO.
Para la recolección de los datos, se dispuso de la información que actualmente
maneja la empresa y también se tomarán datos en las líneas de producción durante
un mes de trabajo de 8 horas diarias.
Se realizaron visitas a la planta de la quesería de Lacteos Yarabanba en la cual nos
recibieron dándonos un tur por la empresa, se recolectaron videos fotos para
establecer los procesos, se nos proporcionaron mapas y planos de la empresa,
después de la visita se hicieron llamadas para consolidar información, así como se
resolvieron preguntas y dudas.
Los datos que se levantaron fueron: número de operarios, producción diaria,
cantidad de materia prima que ingresa a la planta, tiempo de operación de los
procesos, frecuencias de flujos de materiales en cada equipo, tipos de máquinas en
cada operación, tamaño de los lotes, tiempo de cambio de formatos de los equipos
4.1.1 Descripción de procedimiento de recolección de datos
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
distribución de probabilidad que se ajustan a los datos, esto se realizará mediante
una prueba de ajuste de bondad con el método Chi cuadrado.
Para la recolección de los datos, se utilizó la información que actualmente maneja
la empresa y también se tomó datos en las líneas de producción. Los datos que se
levantaron fueron:
● número de operarios
● producción diaria
● cantidad de materia prima que ingresa a la planta
● el tiempo de operación de los procesos
● tiempo que llegan los flujo de materiales a cada equipo
● máquinas en cada operación
● el tamaño de los lotes
● Se levantó información de una línea de elaboración con más demanda de la
empresa la cual es el queso andino.
4.1.2 Fuentes de información
Las fuentes de información al cual se recolectó para este trabajo de investigación
fueron brindadas por el personal de la empresa de Lácteos Yarabamba del queso
andino al cual no proporciono toda la información y incluso nos permite ir a la
planta a visualizar el proceso del queso andino, también nos permitió hacer
grabaciones a los procesos al cual fueron también extraídos los datos de
actividades y de los procesos estudiados en cada punto.
4.1.3 Periodo de estudio
El periodo de estudio en el que realizamos esta investigación, la recolección de
71
datos, la observación de estos, la medición de tiempos promedios y el posterior
análisis fue de seis semanas, considerando desde el domingo 16 de abril hasta el
sábado 27 de mayo del presente año 2023.
De las semanas mencionadas se ha considerado un tiempo de inicio y un tiempo
final para cada una de las operaciones estableciendo así promedios de atención al
usuario.
4.2 Análisis de datos
4.2.1 Variable X1: Tiempo entre llegadas de porongos de leche
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
acorde a la temporada del año. Si es temporada de lluvias este promedio baja y se ha
llegado a recibir hasta 400 litros. Lo mismo pasa en los meses de sol donde se llega a
recibir hasta 600 litros diarios.
Cada porongo llega con 30 litros de leche de vaca.
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
la tabla se observarán solo los 30 primero registros.
4.2.1.1 Datos
Tabla 2 Intervalo entre llegadas de porongos de leche
Hora de Intervalo entre Intervalo entre

N°
llegada llegadas (min) llegadas
1 05:01:02 00:01:02 1.03
2 05:02:38 00:01:36 1.60
72
3 05:04:00 00:01:22 1.37
4 05:05:21 00:01:21 1.35
5 05:10:48 00:05:27 5.45
6 05:10:48 00:00:00 0.00
7 05:12:11 00:01:23 1.38
8 05:14:03 00:01:52 1.87
9 05:20:06 00:06:03 6.05
10 05:27:45 00:07:39 7.65
11 05:34:00 00:06:15 6.25
12 05:34:05 00:00:05 0.08
13 05:34:20 00:00:15 0.25
14 05:35:20 00:01:00 1.00
15 05:35:20 00:00:00 0.00
16 05:36:00 00:00:40 0.67
17 05:36:55 00:00:55 0.92
18 05:43:14 00:06:19 6.32
19 05:50:40 00:07:26 7.43
20 05:57:40 00:07:00 7.00
21 06:05:42 00:08:02 8.03
22 06:09:28 00:03:46 3.77
23 06:13:24 00:03:56 3.93
24 06:17:30 00:04:06 4.10
25 06:21:40 00:04:10 4.17
26 06:28:01 00:06:21 6.35
73
27 06:35:05 00:07:04 7.07
28 06:38:47 00:03:42 3.70
29 06:42:12 00:03:25 3.42
30 06:45:57 00:03:45 3.75
4.2.1.2 Análisis estadístico de datos
Determinación del tamaño de muestra
Tabla 3 Datos del tamaño de muestra Variable X
Datos
Población supuesta: Infinita
Nivel de significancia (a) 5%
Nivel de confianza (1-a) 95%
Error porcentual ( e ) 5%
N asumido 5000
Tabla 4 Cálculo del tamaño de muestra Variable X
Cálculos
Media muestral (X) 3.53
Varianza muestral (s2) 7.13676828
Z1-a/2 1.96
Precisión de estimación (d=X*e ) 0.1766
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
Tabla 6 Tamaño de muestra Variable X
Redondeo al entero inmediato superior
Tamaño de muestra 748
Datos para el tamaño de muestra
Tabla 7 Datos para el tamaño de muestra Variable X
Intervalo Intervalo Intervalo Intervalo
N° entre N° entre N° entre N° entre
llegadas llegadas llegadas llegadas
1 6.25 201 6.25 401 0.25 601 0.67
2 6.25 202 7 402 3.75 602 3.77
3 0.67 203 1.38 403 3.42 603 1.37
4 8.03 204 0.67 404 1.35 604 3.77
5 6.05 205 5.45 405 4.17 605 3.7
6 6.35 206 6.05 406 6.05 606 0.67
7 7.07 207 6.05 407 3.93 607 1
8 1.03 208 8.03 408 3.77 608 8.03
9 3.93 209 7.43 409 1 609 7.65
75
10 0.25 210 6.32 410 7.07 610 6.35
11 0.92 211 3.77 411 1.38 611 0
12 4.17 212 3.77 412 1 612 1.35
13 1.6 213 1.37 413 7 613 3.77
14 0 214 3.93 414 4.17 614 1.35
15 0 215 3.42 415 3.7 615 6.35
16 0.92 216 0.25 416 1.6 616 1.35
17 4.17 217 8.03 417 0.08 617 5.45
18 7.65 218 0.25 418 0.67 618 0.08
19 7.65 219 1.6 419 7.43 619 4.17
20 4.17 220 6.32 420 7.07 620 3.42
21 0.25 221 8.03 421 1.6 621 3.42
22 7.43 222 1.38 422 0 622 1.35
23 3.93 223 7.65 423 7.43 623 0.67
24 8.03 224 8.03 424 5.45 624 0.08
25 1.87 225 3.93 425 1.03 625 6.35
26 1.37 226 4.17 426 1.38 626 1.38
27 4.1 227 1.35 427 4.17 627 4.17
28 1 228 6.32 428 0 628 0.92
29 3.93 229 3.7 429 1.87 629 7
30 7.07 230 0.25 430 3.7 630 8.03
31 6.25 231 1.6 431 4.17 631 4.17
32 1.03 232 1 432 3.42 632 3.7
33 3.77 233 8.03 433 3.77 633 3.42
76
34 5.45 234 0 434 1.87 634 5.45
35 4.1 235 0 435 1.87 635 7.43
36 3.77 236 3.7 436 1.03 636 0.25
37 1.38 237 0.25 437 4.1 637 1.35
38 3.42 238 6.25 438 3.77 638 7.65
39 1.6 239 1.87 439 3.7 639 6.05
40 1.03 240 1.35 440 7.43 640 6.05
41 6.32 241 7.07 441 8.03 641 8.03
42 7.43 242 4.17 442 6.25 642 1
43 1.35 243 7.07 443 7.65 643 3.75
44 1.6 244 1 444 6.05 644 4.17
45 8.03 245 0.92 445 1.35 645 8.03
46 7.43 246 8.03 446 1.03 646 4.1
47 0 247 0 447 1.87 647 1.35
48 1.03 248 4.17 448 1.38 648 6.05
49 0.08 249 3.42 449 0 649 1.87
50 0.25 250 4.1 450 7.07 650 1.37
51 1.87 251 6.25 451 6.05 651 0
52 1.87 252 0.25 452 6.25 652 1.6
53 0.92 253 6.05 453 8.03 653 1
54 1.6 254 1.35 454 1.35 654 1.38
55 3.93 255 8.03 455 7.65 655 0
56 1.37 256 0 456 3.77 656 3.42
57 0.92 257 1.6 457 0.25 657 3.42
77
58 4.17 258 0.67 458 5.45 658 3.7
59 3.77 259 6.35 459 0.67 659 0
60 0.25 260 7.07 460 1.6 660 6.05
61 7 261 7 461 0 661 0
62 3.42 262 0 462 1.37 662 1.38
63 4.1 263 4.17 463 1 663 3.93
64 8.03 264 7.65 464 6.05 664 3.77
65 3.93 265 1.6 465 0.25 665 3.42
66 6.35 266 3.75 466 1.37 666 0.25
67 6.35 267 6.25 467 7 667 6.05
68 0.08 268 7 468 1.38 668 7
69 1.38 269 7.07 469 6.05 669 6.35
70 0.67 270 7.65 470 0.92 670 1.6
71 1.35 271 7.43 471 1 671 1.35
72 1.37 272 6.35 472 0.67 672 7.65
73 0 273 7.65 473 3.93 673 7.43
74 6.35 274 3.75 474 0.25 674 5.45
75 5.45 275 1.6 475 3.7 675 1.37
76 1.03 276 6.35 476 1 676 0
77 6.32 277 1.03 477 4.17 677 0.67
78 7.07 278 7.43 478 0.92 678 6.05
79 3.75 279 1.37 479 4.17 679 5.45
80 0.08 280 7 480 7.65 680 6.32
81 4.1 281 0.08 481 1.35 681 3.93
78
82 0.08 282 6.25 482 7.43 682 3.75
83 7.43 283 1.87 483 1 683 1.38
84 1.87 284 1 484 7.43 684 6.05
85 4.17 285 4.17 485 1.6 685 3.75
86 0.25 286 1 486 4.1 686 1.87
87 3.93 287 8.03 487 1.03 687 1.6
88 1 288 7 488 6.32 688 1.35
89 7.07 289 0 489 4.1 689 1.6
90 3.42 290 6.05 490 4.1 690 3.77
91 1.35 291 3.93 491 1.38 691 1.37
92 0.92 292 5.45 492 5.45 692 7.43
93 1.87 293 7.43 493 6.35 693 1.87
94 1.03 294 1.6 494 3.75 694 1.03
95 0.92 295 6.35 495 5.45 695 7
96 7.07 296 8.03 496 7.43 696 3.7
97 1.37 297 0 497 1 697 3.75
98 7.65 298 0.92 498 3.93 698 3.7
99 0.92 299 3.7 499 3.42 699 1.6
100 1.6 300 0 500 0.67 700 1.37
101 0 301 7.07 501 7 701 1.6
102 3.7 302 7.43 502 5.45 702 1.87
103 4.17 303 7.07 503 7.07 703 0.25
104 4.1 304 1.38 504 3.7 704 0.92
105 1.35 305 1.38 505 3.42 705 7.07
79
106 1.03 306 7.65 506 3.77 706 1
107 1.37 307 4.1 507 6.35 707 7.07
108 0.67 308 1 508 1.87 708 3.75
109 1.37 309 0.67 509 1.38 709 7.43
110 7.07 310 0 510 0.67 710 7.07
111 1.38 311 1 511 0.25 711 0
112 0 312 0.08 512 4.1 712 6.05
113 1.87 313 6.05 513 3.75 713 1
114 1.03 314 3.42 514 1.37 714 6.35
115 1 315 3.77 515 6.35 715 6.25
116 1.37 316 4.1 516 7.43 716 3.93
117 0.92 317 1.37 517 3.7 717 8.03
118 7.43 318 7 518 6.25 718 1
119 3.75 319 6.35 519 7.65 719 3.7
120 3.93 320 7 520 3.75 720 3.75
121 3.75 321 0.25 521 1.6 721 4.1
122 1.38 322 0 522 0.67 722 1
123 1.6 323 0.67 523 6.32 723 0
124 4.1 324 4.17 524 1.38 724 4.1
125 1.6 325 0.25 525 1 725 7.43
126 1.37 326 7.07 526 7.07 726 3.7
127 0.92 327 0.25 527 6.35 727 1.35
128 7 328 1.03 528 5.45 728 1.37
129 7.07 329 1.35 529 7.65 729 0
80
130 0 330 7.43 530 0 730 0.92
131 1.03 331 4.1 531 6.05 731 0.08
132 1.03 332 1.37 532 7.65 732 1.35
133 0.25 333 4.17 533 7.43 733 3.75
134 4.1 334 3.75 534 3.75 734 0.08
135 1.37 335 1 535 3.93 735 7
136 1.38 336 4.1 536 6.35 736 3.42
137 3.77 337 0.92 537 6.35 737 0.08
138 3.7 338 4.1 538 4.17 738 4.17
139 0 339 0 539 3.93 739 0
140 1.35 340 0.08 540 3.7 740 3.75
141 6.25 341 8.03 541 1.37 741 1.6
142 3.75 342 3.42 542 7.43 742 3.42
143 1.6 343 7.43 543 7 743 0.08
144 0 344 3.93 544 3.42 744 8.03
145 7 345 3.77 545 3.77 745 3.93
146 0.25 346 1 546 1 746 0.25
147 5.45 347 4.1 547 7 747 7.65
148 1.6 348 0.67 548 0.08 748 1.6
149 1.35 349 1.38 549 1.03
150 0.25 350 7.07 550 3.93
151 7.43 351 1.03 551 7
152 0 352 1.87 552 1.37
153 0.92 353 0 553 1.87
81
154 7.65 354 7.43 554 0
155 7.65 355 6.32 555 8.03
156 7.43 356 6.35 556 7.65
157 4.17 357 1.38 557 0.67
158 7.07 358 6.25 558 0
159 0.67 359 6.32 559 1.37
160 1.87 360 0.67 560 1.37
161 0.92 361 0.92 561 0
162 1.03 362 6.25 562 0.08
163 6.35 363 4.1 563 4.17
164 6.35 364 7.07 564 0.08
165 1.03 365 5.45 565 7.43
166 0.67 366 4.1 566 1.35
167 0 367 3.75 567 7.43
168 7.65 368 0.08 568 6.05
169 0 369 6.35 569 0.67
170 6.25 370 0 570 1.03
171 3.42 371 1.35 571 3.93
172 6.32 372 3.7 572 1
173 6.05 373 7 573 4.17
174 0.08 374 0.25 574 6.25
175 7 375 3.77 575 6.25
176 0.08 376 1.37 576 1.87
177 5.45 377 3.42 577 3.77
82
178 0 378 6.35 578 6.32
179 1.38 379 0.67 579 0.92
180 4.1 380 1.03 580 8.03
181 6.25 381 1 581 3.7
182 0.08 382 0.08 582 1.37
183 1.38 383 0.08 583 0.25
184 0 384 6.35 584 3.42
185 6.25 385 0.92 585 0
186 1.87 386 0.25 586 1.37
187 1.38 387 6.05 587 8.03
188 3.7 388 3.77 588 4.17
189 1.37 389 6.25 589 6.05
190 0 390 3.42 590 3.42
191 3.7 391 3.75 591 3.93
192 0 392 0 592 1.6
193 0.08 393 5.45 593 3.77
194 5.45 394 0 594 3.42
195 0.25 395 6.25 595 0
196 3.77 396 0 596 6.05
197 6.32 397 3.7 597 0.67
198 0.25 398 0.08 598 6.32
199 8.03 399 1.87 599 1.38
200 1.37 400 3.77 600 7.07
Gráfica de la distribución del input analyzer
83
Ilustración 23 Gráfica de la distribución del Input Analyzer Variables X
Tabla resumen del Input Analyzer
Tabla 8 Distribución Resumen Variable X
Distribución Resumen
Distribución Beta
Expresión -0.001 + 8.84 * BETA(0.645, 1.02)
Error Cuadrado 0.041366
Tabla 9 Test Chi Cuadrado Variable X
Test Chi Cuadrado
Nro de Intervalos 27
Grados de libertad 24
Test Estadístico 866
Valor p correspodiente 0.0749
Tabla 10 Kolmogorov-Smirnov Test Variable X
Kolmogorov-Smirnov Test
Test Estadístico 0.0839
Valor p correspodiente >0.15
84
Tabla 11 Data Resumen Variable X
Data Resumen
Nro de Data Points 748
Min Data 0
Max Data 8.03
Promedio de Muestra 3.42
Desv Est. Muestra 2.64
Tabla 12 Resumen de Histograma Variable X
Resumen de Histograma
Rango de Histograma -0.001 a 8.84
Nro de intervalos 27
Ilustración Fuente:
24 Fit All
Elaboración
Summary Variables
propia X
85
Resumen de los errores cuadrados del Input Analyzer
Tabla 13 Resumen de los errores cuadrados del Input Analyzer Variable X
Resumen de los errores
cuadrados
Función Error Cuadrado
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
Ilustración 25 : Errores cuadrados del Input Analyzer Variable X
Prueba de bondad de ajuste
• Hipótesis
86
H0: Los datos siguen una distribución BETA
H1: Los datos no siguen una distribución BETA
• Criterio de decisión
H0: valor-p > α
H1: valor-p <= α
• Nivel de significancia
α = 5%
• Estadística
Valor-p = 0.0749
α = 0.0500
0.0749 > 0.0500
• Decisión
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 X: Tiempo entre llegadas de porongos de
leche, siguen una distribución beta bajo la expresión: -0.001 + 8.84 *
BETA(0.645, 1.02).
4.2.2 Variable Y3: Tiempo de pasteurizado
Descripción de la variable: Como se describe en las variables exógenas del sistema, el
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
el pasteurizado para matar cualquier bacteria patógena y reducir la actividad enzimática.
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
La planta de Lácteos Yarabamba prepara 2 o 3 veces al mes, el queso andino. Por
limitaciones de tiempo del estudio y no poder acceder a mayor cantidad de datos, en
este proceso en específico, se llegará a la distribución de tiempos de forma empírica.
En conversación con el maestro quesero, los operarios y la ingeniera de industria
alimentaria, el proceso de pasteurizado toma un tiempo promedio de 60 minutos. Sin
embargo hay veces que dura 50 minutos, y otras que se extendió hasta 70 minutos.
Tabla 14 Datos del proceso empírico Variable Y3
Datos
Tiempo promedio (min) 60
Mayor tiempo observado
(min) 70
Menor tiempo observado
(min) 50
Tabla 15 Distribución resumen Variable Y3
Distribución Triangular
Expresión TRIA(50,60,70)
88
• Conclusión
En conversación con el maestro quesero y demás operarios, se llega a determinar la
distribución de tiempo de forma empírica; basado en la experiencia de las
múltiples veces que vienen realizando el queso andino, podemos afirmar que
los datos de la Variable Y3: Tiempo de pasteurizado, siguen una distribución
triangular bajo la expresión: TRIA(50,60,70).
4.2.3 Variable Y5: Tiempo de cuajado
Descripción de la variable: Como se puede observar en del DAP (diagrama de análisis
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
en la tina quesera. Terminado este proceso se obtendrá la leche cuajada.
El día de la visita a la planta, el maestro quesero y demás operarios dejaron la leche 40
minutos.
4.2.3.1 Datos
La planta de Lácteos Yarabamba prepara 2 o 3 veces al mes, el queso andino. Por
limitaciones de tiempo del estudio y no poder acceder a mayor cantidad de datos, en
este proceso en específico, se llegará a la distribución de tiempos de forma empírica.
En conversación con el maestro quesero, los operarios y la ingeniera de industria
alimentaria, el cuajado de la leche toma un tiempo 40 minutos. No hay variaciones en
este tiempo, pues es costumbre del maestro quesero siempre dejar la leche 40 minutos
para que cuaje.
89
Tabla 16 Datos del proceso empírico Variable Y5
Datos
Tiempo promedio (min) 40
Mayor tiempo observado (min) 40
Menor tiempo observado (min) 40
Tabla 17 Distribución resumen Variable Y5
Distibución Resumen
Constante 40
• Conclusión
En conversación con el maestro quesero y demás operarios, se llega a determinar la
distribución de tiempo de forma empírica; basado en la experiencia de las
múltiples veces que vienen realizando el queso andino, podemos afirmar que
los datos de la Variable Y5: Tiempo de cuajado, siguen una constante de 40
minutos.
4.2.4 Variable Y16: Tiempo de cortado de quesos
Descripción de la variable: Como se observa en el DOP (diagrama de operaciones del
proceso) una vez se ha obtenido la cuajada unificada en la tina quesera, el maestro
quesero procede a cortar cada unidad de queso para ser inmediatamente moldeado. A
partir de este proceso es que ya se obtienen registros de tiempo de procesado, 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
en la cantidad de quesos de producción del lote, en este caso específico se obtuvo 88
quesos andinos.
Este proceso es realizado únicamente por el maestro quesero, donde utiliza un cuchillo,
corta un pedazo de queso en la tina quesera e inmediatamente pasa a área de moldeado.
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
Tabla 18 Tiempo de cortado de quesos Variable Y16
Tiempo de
Tiempo de Tiempo de Tiempo de
N° operación
Inicio Fin operación
(min)
1 13:14:58 13:15:02 00:00:04 0.067
2 13:15:10 13:15:15 00:00:05 0.083
3 13:15:28 13:15:32 00:00:04 0.067
4 13:16:09 13:16:14 00:00:05 0.083
5 13:16:25 13:16:29 00:00:04 0.067
6 13:16:50 13:16:54 00:00:04 0.067
7 13:17:30 13:17:35 00:00:05 0.083
8 13:17:40 13:17:46 00:00:06 0.100
9 13:18:00 13:18:05 00:00:05 0.083
10 13:18:38 13:18:43 00:00:05 0.083
91
11 13:18:59 13:19:03 00:00:04 0.067
12 13:19:37 13:19:43 00:00:06 0.100
13 13:20:30 13:20:35 00:00:05 0.083
14 13:20:50 13:20:56 00:00:06 0.100
15 13:21:32 13:21:36 00:00:04 0.067
16 13:22:00 13:22:05 00:00:05 0.083
17 13:22:56 13:23:00 00:00:04 0.067
18 13:23:18 13:23:22 00:00:04 0.067
19 13:23:50 13:23:56 00:00:06 0.100
20 13:24:28 13:24:36 00:00:08 0.130
21 13:25:25 13:25:34 00:00:09 0.150
22 13:26:09 13:26:15 00:00:06 0.100
23 13:26:34 13:26:42 00:00:08 0.130
24 13:26:57 13:27:05 00:00:08 0.130
25 13:27:44 13:27:51 00:00:07 0.117
26 13:28:00 13:28:07 00:00:07 0.117
27 13:28:30 13:28:38 00:00:08 0.130
28 13:29:11 13:29:19 00:00:08 0.130
29 13:30:29 13:30:34 00:00:05 0.083
30 13:31:42 13:31:49 00:00:07 0.117
Tabla 19 Datos del Tamaño de muestra Variable Y16
Datos
92
N asumido 5000
Tabla 20 Cálculo del tamaño de muestra Y16
Cálculos
Z1-a/2 1.96
Precisión de estimación
(d=X*e ) 0.00475167
no 106.489309
Tabla 21 Factor de corrección Variable Y16
no(no-1) 11233.4837
Prueba: N>no(no-1) NO
n 104.268611
93
Tabla 22 Tamaño de muestra Variable Y16
Tabla 23 Datos para el tamaño de muestra Variable Y16
N° operación N° operación N° operación
(min) (min) (min)
1 0.117 36 0.067 71 0.083
2 0.083 37 0.083 72 0.067
3 0.067 38 0.067 73 0.067
4 0.100 39 0.067 74 0.083
5 0.067 40 0.083 75 0.100
6 0.100 41 0.130 76 0.130
7 0.150 42 0.067 77 0.083
8 0.083 43 0.130 78 0.150
9 0.067 44 0.130 79 0.067
10 0.130 45 0.130 80 0.100
11 0.100 46 0.067 81 0.067
12 0.083 47 0.130 82 0.067
13 0.083 48 0.130 83 0.083
14 0.067 49 0.067 84 0.100
15 0.100 50 0.100 85 0.083
94
16 0.130 51 0.100 86 0.083
17 0.117 52 0.100 87 0.100
18 0.083 53 0.117 88 0.100
19 0.067 54 0.150 89 0.067
20 0.083 55 0.117 90 0.130
21 0.083 56 0.083 91 0.067
22 0.150 57 0.100 92 0.130
23 0.083 58 0.100 93 0.117
24 0.083 59 0.100 94 0.083
25 0.130 60 0.100 95 0.083
26 0.083 61 0.150 96 0.067
27 0.083 62 0.067 97 0.083
28 0.130 63 0.117 98 0.067
29 0.067 64 0.100 99 0.100
30 0.083 65 0.150 100 0.083
31 0.083 66 0.130 101 0.100
32 0.083 67 0.083 102 0.067
33 0.067 68 0.083 103 0.067
34 0.100 69 0.067 104 0.067
35 0.150 70 0.100 105 0.083
Gráfica de la distribución del Input Analyzer
95
Ilustración 26 Gráfica de la distribución del Input Analyzer Variable Y16
Tabla 24 Distribución Resumen Variable Y16
Distibución Resumen
Distribución Weibull
Expresión 0.05 + WEIB(0.051, 1.9)
Tabla 25 Test Chi Cuadrado Variable Y16
Test Chi Cuadrado
Nro de Intervalos 6
Valor p correspodiente > 0.15
96
Tabla 26 Kolmogorov-Smirnov Test Variable Y16
Tabla 27 Data Resumen Variable Y16
Data Resumen
Min Data 0.067
Max Data 0.15
Tabla 28 Resumen de Histograma Variable Y16
Rango de Histograma 0.05 a 0.16
Nro de intervalos 10
97
Ilustración 27 Fit All Summary Variable Y16
Tabla 29 Errores cuadrados del Input Analyzer Variable Y16
Resumen de los errores cuadrados
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
Ilustración 28 Errores cuadrados del Input Analyzer Variable Y16
• Hipótesis
H0: Los datos siguen una distribución WEIBULL
H1: Los datos no siguen una distribución WEIBULL
H0: valor-p > α
H1: valor-p <= α
α = 5%
• Estadística
Valor-p = 0.107
α = 0.0500
0.107 > 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
weibull bajo la expresión: 0.05 + WEIB(0.051, 1.9)
4.2.5 Variable Y17: Tiempo de moldeado de quesos
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
da por cada queso, y de la cuajada unificada salen de 80 a 100 quesos en promedio,
dependiendo de la producción y la calidad de la leche. El proceso descrito se repite para
cada queso. El tiempo de operación inicia cuando empieza a llenar el molde y finaliza
con la colocación de la tapa.
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
Tabla 30 Tiempo de moldeado Variable Y17
Tiempo de
N° operación
Inicio Fin operación
(min)
1 13:15:02 13:15:48 00:00:46 0.77
2 13:15:14 13:15:58 00:00:44 0.73
3 13:15:32 13:16:22 00:00:50 0.83
4 13:16:12 13:16:58 00:00:46 0.77
5 13:16:35 13:17:20 00:00:45 0.75
6 13:17:01 13:17:40 00:00:39 0.65
7 13:17:39 13:18:25 00:00:46 0.77
8 13:17:52 13:18:43 00:00:51 0.85
9 13:18:00 13:18:41 00:00:41 0.68
10 13:18:43 13:19:25 00:00:42 0.70
11 13:19:00 13:19:39 00:00:39 0.65
12 13:19:39 13:20:39 00:01:00 1.00
13 13:20:44 13:21:37 00:00:53
14 13:20:56 13:21:50 00:00:54 0.90
15 13:21:33 13:22:40 00:01:07 1.12
16 13:22:01 13:22:59 00:00:58 0.97
17 13:22:57 13:24:10 00:01:13 1.22
18 13:23:18 13:23:58 00:00:40 0.67
19 13:23:50 13:25:09 00:01:19 1.32
101
20 13:24:36 13:25:29 00:00:53 0.88
21 13:25:26 13:26:17 00:00:51 0.85
22 13:26:01 13:26:45 00:00:44 0.73
23 13:26:44 13:27:30 00:00:46 0.77
24 13:26:56 13:27:35 00:00:39 0.65
25 13:27:45 13:28:39 00:00:54 0.90
26 13:28:00 13:29:01 00:01:01 1.02
27 13:28:30 13:29:17 00:00:47 0.78
28 13:29:15 13:31:05 00:01:50 0.83
29 13:30:37 13:31:30 00:00:53 0.88
30 13:31:44 13:32:52 00:01:08 1.13
Tabla 31 Datos del Tamaño de muestra Variable Y17
Datos
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
Tabla 33 Factor de corrección Variable Y17
no(no-1) 4073.02118
Prueba: N>no(no-1) SI
n 64.3221841
Tabla 34 Tamaño de muestra Variable Y17
103
Tabla 35 Datos para el tamaño de muestra Variable Y17
N° operación N° operación N° operación
(min) (min) (min)
1 1.12 23 0.7 45 0.77
2 0.77 24 0.9 46 0.73
3 0.68 25 1.02 47 1.32
4 0.9 26 1.12 48 0.7
5 1.02 27 0.85 49 0.78
6 0.85 28 1.22 50 0.77
7 1 29 0.73 51 0.65
8 0.83 30 0.88 52 0.77
9 0.83 31 0.78 53 0.73
10 0.67 32 0.65 54 0.73
11 0.97 33 0.68 55 1.22
12 0.85 34 0.73 56 0.68
13 0.78 35 0.9 57 0.9
14 1.02 36 0.83 58 0.88
15 0.68 37 0.83 59 0.9
16 0.88 38 1.22 60 0.73
17 0.77 39 0.97 61 1.02
18 0.83 40 0.65 62 0.77
19 0.67 41 0.83 63 0.65
20 1.12 42 0.65 64 0.9
104
21 0.86 43 0.67 65 0.77
22 0.83 44 0.77
Gráfica de la distribución del Input Analyzer
Ilustración 29 Gráfica de la distribución del Input Analyzer Variable Y17
Tabla 36 Distribución Resumen Variable Y17
Distribución Beta
Expresión 0.58 + 0.81 * BETA(1.5, 3.1)
Tabla 37 Test Chi Cuadrado Variable Y17
Test Chi Cuadrado
Nro de Intervalos 5
105
Tabla 38 Kolmogorov-Smirnov Test Variable Y17
Tabla 39 Data Resumen Variable Y17
Data Resumen
Min Data 0.65
Max Data 1.32
Tabla 40 Resumen de Histograma Variable Y17
Rango de Histograma 0.58 a 1.39
Nro de intervalos 8
106
Ilustración 30 Fit All Summary Variable Y17
Tabla 41 Errores cuadrados del Input Analyzer Variable Y17
Resumen de los errores cuadrados
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
Ilustración 31 Errores cuadrados del Input Analyzer Variable Y17
• Hipótesis
H0: Los datos siguen una distribución BETA
H1: Los datos no siguen una distribución BETA
H0: valor-p > α
H1: valor-p <= α
α = 5%
• Estadística
Valor-p = 0.283
α = 0.0500
0.283 > 0.0500
• Decisión
Se acepta H0
108
CAPITULO 5: MODELO DE SIMULACIÓN DEL SISTEMA ACTUAL
5.1. Propiedades del modelo
Tabla 42 Propiedades del modelo
Propiedades del modelo
Entidad Litros diarios de leche cruda que arriba a la planta
✓ Lira
✓ Prensa
✓ Moldeador
Maquinaria
✓ Empaquetadora
✓ Tina quesera
✓ Termómetro de rejilla
Recursos
✓ Maestro quesero
✓ Ingeniera de industria alimentaria
Mano de ✓ Operario 1
obra ✓ Operario 2
✓ Operario 3
✓ Operario 4
✓ Tiempo de cada proceso de producción en la elaboración del

Variables de
queso
estado
✓ Cantidad de quesos producidos
✓ Tipos de productos en base a la leche recolectada
Atributos ✓ Productos desechados o suero
✓ Quesos empaquetados
109
✓ Cajas de queso
5.2. Supuestos
Con el uso de un modelo de simulación implementado en el software Arena
16.2, se espera optimizar el proceso de producción de queso en la empresa
Lácteos Yarabamba, que forma parte de la Asociación de Agricultores
Productores Lácteos de Yarabamba (ASOAGRIPROLACYA). Esta
implementación permitirá disminuir el tiempo necesario para la producción, al
mismo tiempo que se aumenta la productividad de la empresa. El modelo de
simulación proporciona una representación visual y matemática del proceso de
producción de queso, lo que permite a los usuarios analizar y optimizar el flujo
de trabajo, identificar cuellos de botella y reducir la ineficiencia en el proceso.
Al mejorar estos aspectos, la empresa podrá reducir sus costos de producción,
mejorar la calidad de su producto y como resultado, competir de manera más
efectiva en el mercado.
5.3. Modelo de simulación
5.3.1. Módulo Creacion: Llegada de porongos de leche
Ilustración 32 Módulo Create: Llegada de porongos de leche
110
5.3.2. Módulo Asignar: Acumulador de Costo
Ilustración 33 Módulo Asignar: Aculador de Costo
5.3.3. Módulo Estación: Recepción 1
Ilustración 34 Módulo Estación: Recepción 1
111
5.3.4. Módulo asignación: Registra Hora Llegada
Ilustración 35 Módulo asignación: Registra Hora Llegada
5.3.5. Módulo Proceso: Inspección
Ilustración 36 Módulo Proceso: Inspección
112
5.3.6. Módulo Batch: 1000 Litros de Leche
Ilustración 37 Módulo Batch: 1000 Litros de Leches
113
5.3.7. Módulo Requisito: Requisito 1
Ilustración 38 Módulo Requisito: Requisito 1
5.3.8. Módulo Transporte: Transporte 1
Ilustración 39 Módulo Transporte: Transporte 1
114
5.3.9. Módulo Estación: Tina Quesera Estación 2
Ilustración 40 Módulo Estación: Tina Quesera Estacion 2
115
5.3.10. Módulo Proceso: Filtrado e ingreso a tina
Ilustración 41 Módulo Proceso: Filtrado e ingreso a tina
5.3.11. Módulo Proceso: Pasteurizado
Ilustración 42 Módulo Proceso: Pasteurizado
116
5.3.12. Módulo Proceso: Enfriado
Ilustración 43 Módulo Proceso: Enfriado
117
5.3.13. Módulo Proceso: Cuajado
Ilustración 44 Módulo Proceso: Cuajado
118
5.3.14. Módulo Proceso: Cortado
Ilustración 45 Módulo Proceso: Cortado
119
5.3.15. Módulo Proceso: Lavado
Ilustración 46 Módulo Proceso: Lavado
120
5.3.16. Módulo Proceso: Pre Prensado
Ilustración 47 Módulo Proceso: Pre Prensado
121
5.3.17. Módulo Separar: Corta 100 Quesos
Ilustración 48 Módulo Separar: Corta 100 Quesos
122
5.3.18. Módulo Procesos: Cortado de Quesos
Ilustración 49 Módulo Procesos: Cortado de Quesos
5.3.19. Módulo Asignar: Cambia Figura
Ilustración 50 Módulo Asignar: Cambia Figura
123
5.3.20. Módulo Estación: Moldeado Station 3
Ilustración 51 Módulo Estación: Moldeado Station 3
5.3.21. Módulo Proceso: Moldeado
Ilustración 52 Módulo Proceso: Moldeado
124
5.3.22. Módulo Record: Intervalo Salida
Ilustración 53 Módulo Record: Intervalo Salida
125
5.3.23. Módulo Batch: 100 Quesos en Prensa
Ilustración 54 Módulo Batch: 100 Quesos en Prensa
5.3.24. Módulo Proceso: Apilado y Prensado
Ilustración 55 Módulo Proceso: Apilado y Prensado
126
5.3.25. Módulo Separar: 100 Quesos Prensados
Ilustración 56 Módulo Separar: 100 Quesos Prensados
127
5.3.26. Módulo Proceso: Desmoldado
Ilustración 57 Módulo Proceso: Desmoldado
128
5.3.27. Módulo Proceso: Cortado de Presentación
Ilustración 58 Módulo Proceso: Cortado de Presentación
129
5.3.28. Módulo Proceso: Salado
Ilustración 59 Módulo Proceso: Salado
130
5.3.29. Módulo Proceso: Maduración
Ilustración 60 Módulo Proceso: Maduración
131
5.3.30. Módulo Proceso: Empaquetado al Vacío
Ilustración 61 Módulo Proceso: Empaquetado al Vacío
132
5.3.31. Módulo Proceso: Empaquetado 2
Ilustración 62 Módulo Proceso: Empaquetado 2
133
5.3.32. Módulo Record: Total Quesos Andinos
Ilustración 63 Módulo Record: Total Quesos Andinos
134
5.3.33. Módulo Récord: Calcula Lead Time
Ilustración 64 Módulo Record: Calcula Lead Time
5.3.34. Módulo Estación: Almacén PT Queso Andino.
135
136
137
138
Ilustración 65 Modelo Simulación
Ilustración 66 Modelo Animado en el Arena
CAPITULO 6: PROPUESTAS DE DISEÑO O REDISEÑO DEL SISTEMA
139
6.1. Análisis de Resultados
1. Determinar el tipo de sistema: terminal o no terminal
2. Elegir el tipo de prueba de hipótesis para el contraste de medias
Prueba Z, si muestra inicial de réplicas es mayor a 30 (n>30)
Prueba T, si muestra inicial de réplicas es mayor a 30 (n<30)
3. Elegimos el nivel de confianza y el error máximo permitido en relación con la media
4. Determinar el número de réplicas
Determinación de número de réplicas en un sistema terminal:
• PROCEDIMIENTO:
1. Modelo de Simulación: QUESO ANDINO.doe
2. Tipo de sistema: TERMINAL
3. Nivel de confianza (1-a): 95% Þ probabilidad de error (a)=5%
4. Error máximo permitido (e): 10% con respecto a la media
5. Prueba elegida: T (muestra de número de réplicas=10 que es menor a 30)
• INDICADORES ELEGIDOS:
1: Longitud de cola en Inspección
2: Costo total de la leche
3: Intervalo de tiempo de los quesos que salen de moldeado
4: Total quesos andinos producidos
5: Lead Time
140
Ilustración 67 Intervalos
Determinación de número de réplicas en un sistema terminal: procedimiento: modelo de
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
prueba elegida: t (muestra de número de réplicas=10 que es menor a 30) indicadores
elegidos: 1: longitud de cola en inspección 2: costo total de la leche 3: intervalo de
tiempo de los quesos que salen de moldeado 4: Total quesos andinos producidos 5: Lead
Time
Reporte del OutputAnalyzer con 5 réplicas:
Tabla 43 Reporte del OutputAnalyzer con 5 réplicas
IDENTIFIER AVERAGE STANDARD 0.950 C.I. MINIMUM MAXIMUM NUMBER

DEVIATIONHALF-WIDTH VALUE VALUE OF OBS.
COSTO TOTAL 1.86E+03 1.67E+02 2.08E+02 1.62E+03 2.07E+03 5
INTERVALO SALIDA 1.5 0.0204 0.0253 1.48 1.53 5
LEAD TIME 2.47E+04 10.8 13.5 2.46E+04 2.47E+04 5
LQINSPECCION 0.248 0.0323 0.0401 0.201 0.285 5
TOTAL QUESOS ANDINOS 50 0 0 50 50 5
Tabla 44 Aplicando las fórmulas de N y e tenemos:
Aplicando las fórmulas de N y e tenemos:
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
N= 13.08 6.21 0.14 0.00 0.00
e=h/E[X] 16.2% 11.2% 1.7% 0.0% 0.1%
Número de réplicas 14.00 7.00 1.00 1.00 1.00
Los indicadores 1 y 2 superan el 10% de error máximo permisible.
De todos los números de réplicas elegimos el mayor (14) y configuramos el Run Setup con
14 réplicas.
Reporte del OutputAnalyzer con 14 réplicas:
Tabla 45 Reporte del OutputAnalyzer con 14 réplicas

DEVIATIONHALF-WIDTH VALUE VALUE OF OBS.
COSTO TOTAL 1.95E+03 2.04E+02 118 1.62E+03 2.25E+03 14
LEAD TIME 2.47E+04 12.8 7.41 2.46E+04 2.47E+04 14
LQINSPECCION 0.264 0.038 0.0219 0.201 0.317 14
Tabla 46 Aplicando las fórmulas de N
Aplicando las fórmulas de N y e tenemos:
t(14-1,1-0.05/2)= 2.1604 De tablas
e*= 0.1 Error porcentual
142
deseado
INDICADOR
Total
Intervalo
Lq Costo quesos Lead Time
de Salida
producidos
1 2 3 4 5
N= 9.67 5.11 0.64 0.00 0.00
e=h/E[X] 8.3% 6.1% 2.1% 0.0% 0.0%
Ningún indicador supera el 10% de error, por lo tanto, el número de réplicas del modelo
debe quedar en 14.
6.2 Propuesta de diseño o rediseño del sistema
6.2.1 Sustentación del modelo propuesto
Determinación del número de réplicas por ensayo y error en un sistema terminal.
Indicador 1 – La Inspección
Tabla 47 Indicador 1 – La Inspección
Aumentar el número de réplicas hasta que el error (e) sea menor o igual al error máximo
permitido (e*).
Conclusión: Si deseamos un error máximo permisible en nuestros resultados del 10%, el
número de réplicas del modelo debe ser 10.
Indicador 2 - Costo total de la leche
143
Tabla 48 Indicador 2 - Costo total de la leche
permitido (e*).
Indicador 3 - Intervalo de tiempo de los quesos que salen de moldeado
Tabla 49 Indicador 3 - Intervalo de tiempo de los quesos que salen de moldeado
permitido (e*).
Tabla 50 Indicador 4 - Total quesos andinos producidos
Indicador 4 - Total quesos andinos producidos
permitido (e*).
Indicador 5 - Lead Time

144
Tabla 51 Indicador 5 - Lead Time
permitido (e*).
6.2.1.1 Validación del modelo Indicador 1: Longitud de cola en Inspección
PRUEBA DE HIPÓTESIS:
Ho: E[X]=C
H1: E[X]¹C
Método 1: Mediante el estadístico de la prueba:
1. Determinamos el estadístico de la prueba (to)
Reporte del Output Analyzer con 14 réplicas:
Tabla 52 Reporte del Output Analyzer con 14 réplicas:
Muestra de 10 datos del sistema real:
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
2. Aplicamos la regla de decisión:
Conclusión: Para no rechazar la Hipótesis nula, to debe caer en el área de aceptación.
Por lo tanto con un nivel de confianza del 95% y un error máximo permitido del 8.3%
concluimos que nuestro indicador cumple la VALIDACIÓN, evidenciando la
HIPÓTESIS de que la media del modelo y del sistema real son similares.
Para que el modelo quede VALIDADO, todos los indicadores deben validar.
Método 2: Mediante el intervalo de confianza:
1. Determinamos el intervalo de confianza en base a la media y el valor de h
2. Aplicamos la regla de decisión: La media C debe caer dentro del intervalo
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
indicador cumple la VALIDACIÓN, evidenciando la HIPÓTESIS de que la media del
modelo y del sistema real son similares. Para que el modelo quede VALIDADO, todos
los indicadores deben validar.
6.2.1.2 Validación del modelo Indicador 2: Costo total de la leche
Ho: E[X]=C
H1: E[X]¹C
147
Tabla 54 Reporte del Output Analyzer con 14 réplicas
IDENTIFIER AVERAGE STANDARD 0.950 C.I. MINIMUM MAXIMUMNUMBER

DEVIATION HALF-WIDTHVALUE VALUE OF OBS.
COSTO TOTAL 1950.0 2.04E+02 118 1.62E+03 2.25E+03 14
LEAD TIME 2.47E+04 12.8 7.41 2.46E+04 2.47E+04 14
LQINSPECCION 0.264 0.038 0.0219 0.201 0.317 14
to= -0.22009749
t(n-1,1-α/2)= 2.1604 De tablas, con n=14
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
que la media del modelo y del sistema real son similares.
Para que el modelo quede validado, todos los indicadores deben validar.
Ls = 2068.0
Li = 1832.0
indicador cumple la validación, evidenciando la hipótesis de que la media del modelo y
del sistema real son similares.
6.2.1.3 Validación del modelo Indicador 3: Intervalo de tiempo de los quesos que salen
de moldeado
Ho: E[X]=C
H1: E[X]¹C
149

DEVIATION HALF-WIDTH VALUE VALUE OF OBS.
COSTO TOTAL 1950.0 2.04E+02 118 1.62E+03 2.25E+03 14
LEAD TIME 2.47E+04 12.8 7.41 2.46E+04 2.47E+04 14
LQINSPECCION 0.264 0.038 0.0219 0.201 0.317 14
to= 0.30380417
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
150
para que el modelo quede validado, todos los indicadores deben validar.
Método 2: mediante el intervalo de confianza:
Ls = 1.6
Li = 1.5
del sistema real son similares. Para que el modelo quede validado, todos los indicadores
deben validar.
6.2.1.4 Validación del modelo Indicador 4: Total quesos andinos producidos
Ho: E[X]=C
H1: E[X]¹C
151
IDENTIFIER AVERAGE STANDARD 0.950 C.I. MINIMUMMAXIMUMNUMBER

COSTO TOTAL 1950.0 2.04E+02 118 1.62E+03 2.25E+03 14
LEAD TIME 2.47E+04 12.8 7.41 2.46E+04 2.47E+04 14
LQINSPECCION 0.264 0.038 0.0219 0.201 0.317 14
to= 0.2
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
Ls = 52.0
Li = 48.0
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
Ho: E[X]=C
H1: E[X]¹C
IDENTIFIER AVERAGE STANDARD 0.950 C.I. MINIMUMMAXIMUMNUMBER

COSTO TOTAL 1950.0 2.04E+02 118 1.62E+03 2.25E+03 14
LEAD TIME 24700 12.8 7.41 2.46E+04 2.47E+04 14
LQINSPECCION 0.264 0.038 0.0219 0.201 0.317 14
to= -0.64309736
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
2. Aplicamos la REGLA DE DECISIÓN:
|to|< t1-α/2,n-1
154
Ls = 24707.4
Li = 24692.6
155
deben validar.
6.2.2 Propuesta de mejora
Ilustración 68 Optimización
La propuesta de mejora, nuestro objetivo es minimizar el tiempo de producción, pero
por limitaciones de la versión estudiantil del software arena colocamos los tiempos del
proceso de 2 quesos en es de 1. Entonces, como modelo matemático nuestro objetivo y
recargamos, minimizar el tiempo de producción, las restricciones, tenemos a tiempos de
espera.
Moldeado de menor igual a 40 minutos, cortar queso menor igual a 30 minutos,
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
será la prensa, la salmuera, la Cámara de Maduración en personas. Maestro quesero en
ingeniero de Industria alimentaria veterinario, el operario 1 y el operario dos como
mínimo, se estableció 1 y el máximo coma 5 y el valor sugerido sería de 3. En cuanto a
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
de quesos, longitud de cola de desmoldado y longitud de onda de empaquetar al vacío
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
lifetime es de 24658 y logramos reducirlo en 24632 minutos, viendo así la reducción de
lifetime, cumpliendo nuestro objetivo siguiente.
Ilustración 69 OPT Quest por arena
Y la solución sugerida para maximizar el lifet time al máximo de nuestro modelo,
tendríamos que usar dos cámaras de maduración, 3 ingenieros de Industria alimentaria,
3 maestros queseros, 3 operarios, 13 operarios, 23 prensas, 3 salmueras, dos Tinas
157
Queseras y 3 veterinarias.
Ilustración 70 Life time
6.3 Evaluación de las propuestas
6.3.1 Horizonte de vida para la propuesta:
El horizonte de vida para la propuesta de rediseño de la planta de lácteos Yarabamba es
de 5 años. Esto significa que se espera que los cambios implementados en la planta y las
inversiones realizadas tengan un impacto económico y operativo durante ese período de
tiempo. Después de esos 5 años, es posible que se requieran nuevas evaluaciones y
decisiones sobre el rediseño o actualización de la planta, dependiendo de las
condiciones del mercado, avances tecnológicos y otros factores relevantes.
6.3.2 Costo de implementación de la inversión en el rediseño
Tabla 62 Costo de implementación de la inversión
158
6.2.3 Valor de recupero de las inversiones fijas de la propuesta
Tabla 63 Valor de recupero de las inversiones
6.2.4 Costos de la empresa (Situación Actual)
Modelo actual
La planta de lácteos produce 2 lotes de 100 quesos andinos al mes
Precio Queso Andino S/ 25.00
Ingreso por lote S/ 2,500.00
Ingreso al mes S/ 5,000.00
INGRESO ANUAL S/ 348,000.00
Otros productos que

Ingreso promedio al mes por cada producto
vende la planta
- Queso Paria S/ 6,000.00
- Queso Gouda S/ 5,000.00
- Queso Mozarella S/ 3,000.00
- Yogurt de Fresa S/ 2,000.00
- Yogurt de Lúcuma S/ 2,000.00
159
- Yogurt de Durazno S/ 2,000.00
- Yogurt Griego S/ 1,500.00
- Mantequilla S/ 2,500.00
S/ 24,000.00
COSTOS ANUALES DE OPERACIÓN
- 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
6.3.5 Costos de la empresa (Situación Propuesta)
Modelo Propuesto
La planta de lácteos produce 4 lotes de 100 quesos andinos al mes
S/
Precio Queso Andino 25.00
Ingreso por lote S/
160
2,500.00
S/
Ingreso al mes 10,000.00
INGRESO ANUAL S/ 696,000.00
Todos los recursos se duplican o triplican para el modelo Propuesto.
Por tanto, se asume que la producción se duplicará
Otros productos que Ingreso promedio al mes por cada
vende la planta producto
- Queso Paria S/ 12,000.00
- Queso Gouda S/ 10,000.00
- Queso Mozarella S/ 6,000.00
- Yogurt de Fresa S/ 4,000.00
- Yogurt de Lúcuma S/ 4,000.00
- Yogurt de Durazno S/ 4,000.00
- Yogurt Griego S/ 3,000.00
- Mantequilla S/ 5,000.00
S/ 48,000.00
COSTOS ANUALES DE OPERACIÓN
- 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
- Proveedores S/ 270,000.00 cambiará,
solo la producción, por lo que se considera
Costo Fijo)
S/ 677,800.00
CAO S/ 677,800.00
6.3.6 Tasa de descuento para la evaluación económica
Si la tasa de descuento es mayor o igual a la tasa de interés o coste de oportunidad, se
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
OPORTUNIDAD 9.20% costo de oportunidad
TASA DE
Asumiremos esta tasa de descuento para el proyecto.
DESCUENTO 14.00%
162
6.3.7 Flujo de Efectivo e Indicadores
MODELO ACTUAL
Tabla 64 Flujo de Efectivo e Indicadores
Suma Ingresos S/ 1,815,208.24
Suma Egresos S/ 2,147,996.42
Costos - Inversión S/ 2,147,996.42
B/C 0.845070423
B/C 0.84507
Tabla 65 Flujo de Efectivo e Indicadores
163
Suma Ingresos S/ 3,644,407.72
Suma Egresos S/ 3,535,483.19
Costos - Inversión S/ 3,567,383.19
B/C 1.021591326
B/C 1.02159
PER ULT FC ACUM NEG 1
ABS ULT FC ACUM NEG S/ 13,700.00
FC NETO SIG PER S/ 18,200.00
PRI 1.752747253
1 0.752747253
MESES 9.032967033
9 0.032967033
DÍAS 0.989010989
1 AÑO, 9 MESES Y 1 DÍA
1 AÑO, 9 MESES
PRI
Y 1 DÍA
164
6.3.8 Resumen
Tabla 66 Resumen
Modelo Actual Modelo Propuesto
S/
Inversión de Capital 0 31,900.00
S/ S/
Costos Anuales de Operación 411,800.00 677,800.00
S/ S/
Beneficios Anuales 348,000.00 696,000.00
Vida útil del proyecto (años) 5 5
-S/ S/
VAN 332,788.18 67,335.72
TIR 56.73%
B/C 0.84507 1.02159
1 AÑO, 9 MESES Y 1
PRI DÍA
El modelo propuesto es ampliamente aceptable comparado al modelo actual que no
percibe ganancias en su operación
6.4 Modelo de simulación propuesto
Aquí se hizo un modelo se simulación ya mejorado en el que mejoramos el tiempo de
producción , este que nos permite estudiar su comportamiento y predecir su desempeño
165
en diferentes condiciones.
Podemos simular las interacciones y variables relevantes del sistema o proceso de la
empresa quesera.
Este entorno virtual puedo hacer una representación gráfica en 2D o 3D, o simplemente
una serie de ecuaciones y algoritmos que describen el comportamiento del sistema.
El propósito del modelo de simulación es permitir a los usuarios realizar experimentos
virtuales y observar los resultados sin tener que realizar pruebas en el mundo real.
166
6.5 Comprobación de hipótesis
• Primero hicimos el Planteamiento de la hipótesis en lo que queremos que
mediante la aplicación del modelo de simulacion sofware arena 16.1, se lograra
mejorar el proceso de produccion del queso de la empresa Lacteos Yarambamba,
perteneciente a la asociacion de agricultores productores lacteos de Yarabamba –
ASOAGRIPROLACYA, disminuyendo el tiempo de produccion e
incrementando la productividad de la empresa.
• Segundo hicimos el diseño del experimento o recopilación de datos
Determinamos el estadístico de la prueba (to)
Tabla 67 Reporte del Output Analyzer con 14 réplicas:

DEVIATION HALF-WIDTH VALUE VALUE OF OBS.
COSTO TOTAL 1950.0 2.04E+02 118 1.62E+03 2.25E+03 14
LEAD TIME 2.47E+04 12.8 7.41 2.46E+04 2.47E+04 14
LQINSPECCION 0.264 0.038 0.0219 0.201 0.317 14
to= 0.30380417
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
|to|< t1-α/2,n-1
Aplicamos la regla de decisión:
|to|< t1-α/2,n-1
168
Mediante el intervalo de confianza:
Ls = 24707.4
Li = 24692.6
deben validar.
• Tercero hicimos el Análisis de datos
• Cuarto hicimos la Interpretación de resultados
169
CONCLUSIONES
• Se puede concluir que haciendo el estudio y aplicación de un modelo de
simulación en Lácteos Yarabamba ha demostrado la importancia de la
optimización y el análisis de procesos para lograr una producción eficiente. Al
identificar los problemas en la cadena productiva y proponer alternativas de
mejora, se ha logrado una mayor rentabilidad y competitividad en el mercado de
productos lácteos. Este enfoque basado en la simulación no solo ha permitido
resolver problemas específicos, sino que también ha sentado las bases para una
gestión más eficiente y efectiva de los recursos y operaciones en la empresa.
• Se podido concluir que con la aplicación de un modelo de simulación en la
empresa Lácteos Yarabamba ha permitido identificar áreas de mejora y
optimizar el proceso de producción de quesos frescos. Esto ha resultado en una
mayor eficiencia operativa, reducción de costos y mejora en la calidad de los
productos. La simulación ha demostrado ser una herramienta valiosa para la
toma de decisiones informadas y la implementación de cambios estratégicos en
la cadena productiva.
• Mediante el análisis de los indicadores clave obtenidos del modelo de
simulación, se ha logrado una mejor comprensión de los puntos críticos y las
causas de ineficiencias en los procesos de producción. Esto ha permitido
implementar soluciones específicas y medidas correctivas orientadas a optimizar
la utilización de los recursos disponibles y reducir los tiempos ociosos. Como
resultado, se ha logrado un aumento significativo en la productividad y la
rentabilidad de Lácteos Yarabamba.
• La implementación exitosa del modelo de simulación en Lácteos Yarabamba ha
demostrado la importancia de adoptar un enfoque basado en datos y análisis en
170
la gestión de la cadena productiva. La toma de decisiones respaldada por
evidencia cuantitativa y la capacidad de evaluar diferentes escenarios a través de
la simulación han proporcionado una base sólida para la mejora continua y la
innovación en la empresa. Este enfoque orientado a los datos ha permitido una
mayor eficiencia y competitividad en el mercado de productos lácteos.
• El uso de un modelo de simulación en Lácteos Yarabamba ha llevado a una
mejor comprensión de los procesos de producción de quesos frescos y ha
destacado la importancia de la planificación y optimización de recursos. La
simulación ha permitido evaluar el impacto de diferentes variables y estrategias
en el rendimiento general, lo que ha facilitado la toma de decisiones
fundamentadas y la implementación de cambios efectivos. Como resultado, se
ha logrado una mayor agilidad y capacidad de respuesta ante los desafíos y
demandas del mercado.
• A través de la simulación de sistemas es posible optimizar distintos procesos de
producción, incluso un proceso artesanal como la producción del queso andino.
• Los procesos que se desarrollan por lote de producción, no van a obtener tantos
registros de tiempo para su análisis y posterior validación para poderlo plasmar
en una simulación del sistema, por lo que las distribuciones de este tipo de
procesos se deben trabajar de forma empírica, muy diferente a aquellos procesos
donde se trabaja pieza por pieza, cliente por cliente o producto por producto.
• La herramienta OptQuest for Arena llegará a optimizar el sistema actual a través
del aumento de recursos del modelo.
• Las herramientas Input Analyzer y Output Analyzer son muy efectivas e
importantes al momento de obtener estadísticas del registro de datos de cada
proceso del modelo.
171
RECOMENDACIONES
● Es importante contar con la versión profesional del software Arena 16.1, ya que
la versión estudiantil representa una gran limitante al momento de obtener más
de 150 entidades en un trabajo de investigación como este.
● Implementar el modelo de simulación propuesto de manera continua: La
simulación ha demostrado ser una herramienta efectiva para identificar
problemas y proponer soluciones. Se recomienda que Lácteos Yarabamba utilice
el modelo de simulación de forma regular, actualizándolo con datos actuales y
realizando análisis periódicos. Esto permitirá monitorear y optimizar
constantemente los procesos de producción, mejorando la eficiencia y la calidad
de los productos.
● Realizar un análisis detallado de los tiempos ociosos: Identificar y reducir los
tiempos ociosos en la cadena productiva es clave para mejorar la eficiencia. Se
recomienda realizar un análisis exhaustivo de los procesos y las actividades para
identificar las áreas donde se producen tiempos muertos. Una vez identificados,
se deben implementar medidas correctivas, como la reorganización de tareas o la
optimización de los recursos, para minimizar estos tiempos ociosos y maximizar
la productividad.
● Capacitar al personal en la gestión de la simulación: Para aprovechar al máximo
el modelo de simulación, es importante que el personal de Lácteos Yarabamba
esté capacitado en el uso de esta herramienta. Se recomienda proporcionar
capacitación y entrenamiento adecuados para que los empleados puedan
comprender y utilizar eficientemente el software de simulación. Esto permitirá
que el equipo interno pueda realizar análisis y mejoras continuas sin depender
172
exclusivamente de expertos externos.
● Establecer un seguimiento y control de indicadores clave: Se sugiere establecer
un sistema de seguimiento y control de los indicadores clave identificados en el
modelo de simulación. Esto permitirá evaluar regularmente el rendimiento de los
procesos de producción y detectar desviaciones o problemas de manera
temprana. Estos indicadores pueden incluir el tiempo de producción, el costo
total de la leche, la cantidad de productos elaborados, entre otros. El seguimiento
de estos indicadores proporcionará una base sólida para la toma de decisiones
informadas y la implementación de acciones correctivas.
● Fomentar la cultura de mejora continua: Para garantizar el éxito a largo plazo, se
recomienda fomentar una cultura de mejora continua en Lácteos Yarabamba.
Esto implica involucrar a todos los niveles de la organización en la
identificación de problemas, la generación de ideas de mejora y la
implementación de soluciones. Se deben establecer canales de comunicación
abiertos y promover la participación activa de los empleados en la identificación
de oportunidades de mejora. Al hacerlo, la empresa podrá adaptarse y mejorar
constantemente en un entorno empresarial en constante cambio.
BIBLIOGRAFÍA
• Midagri.Gob. (s.f.). Obtenido de Midagri.Gob:
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
• Salud, M. d. (Junio de 2019). Digesa.Min. Obtenido de Digesa.Min:
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
• Midagri.Gob. (s.f.). Obtenido de Midagri.Gob:
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
• Salud, M. d. (Junio de 2019). Digesa.Min. Obtenido de Digesa.Min:
http://www.digesa.minsa.gob.pe/publicaciones/RD_110_2019_DIGESA_SA_P
LAN_QUESOS.pdf
• Sanchez, A. E. (Abril de 2015). Bibdigital. Obtenido de Bibdigital:
https://bibdigital.epn.edu.ec/bitstream/15000/10471/1/CD-6193.pdf
• Vega, P. J. (marzo 2016). Simulación de sistemas con el software arena Lima:
Fondo Editorial.
• Oficina Internacional del Trabajo Ginebra, editor. INTRODUCCIÓN AL
ESTUDIO DEL TRABAJO. Cuarta ed., vol. 1, Ginebra, George Kanawaty,
1996. 1 vols. Palacios Acero, Luis Carlos. Ingeniería de métodos,
movimientos y tiempos. Segunda ed., Bogotá, Ecoe Ediciones,
2016.“pasteurizar | Definición | Diccionario de la lengua española | RAE -
ASALE.” Diccionario de la lengua española, https://dle.rae.es/pasteurizar.
Accessed 13 April 2023.
• Aracil, J., & Gordillo, F. (1986). Dinámica de sistemas. Alianza Editorial.
• Araujo, R. (2016). Utilizacion del Imput Analyzer. Universidad San Ignacio de
loyola.
• Arena. (s.f.). arenasimulation. Obtenido de https://www.arenasimulation.com/
174
• Berger , E., Gambini, I., & Velásquez, C. (2000). Simulacion de Sistemas
Instituto de Investigación en Ciencias Matemáticas, Madrid
ANEXOS
MANUAL OPERATIVO PARA USAR EL SIMULADOR ARENA

VERSIÓN 16.1
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.
Para utilizar el software Arena, se recomienda seguir los siguientes pasos:
1. Descargar e instalar el software en su dispositivo, asegurándose de tener los requisitos

de hardware y software adecuados.
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.
2.1. Identificación de las partes de la ventana principal del simulador
175
Barra general
Pantalla de
edición
Ilustración 71 Barra de herramientas principal
2.2. Identificación de categorías de agrupaciones de módulos según su función
Categorías
de módulos
176
Ilustración 72 Data definition
Ilustración 73 Data definition
Ilustración 74 Discrete Processing
Ilustración 75 Decisions
76 Discrete Processing
Ilustración 77 Decisions
177
Ilustración 78 Grouping
Ilustración 79 Grouping
Ilustración 80 Input Output
Ilustración 81 Input Output
178
Ilustración 82 Animation
Ilustración 83 Animation
Ilustración 84 Material Handing
Ilustración 85 Material Handing
179
180
2.3. Identificación de principales módulos de Discrete Processing
2.3.1. Módulo: CREATE
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:
Seleccionar el módulo ASSIGN dentro del entorno del software Arena.
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:
Seleccionar el módulo DECIDE dentro del entorno del software Arena.
I. Definir las condiciones de decisión que se utilizarán en el modelo de simulación. Estas

condiciones pueden ser en función de variables de estado de las entidades, la
disponibilidad de recursos, el tiempo de la simulación, entre otras.
II. Definir las reglas de decisiones que se utilizarán en el modelo de simulación. Estas
reglas implican establecer las opciones que se derivan de cada condición definida en el
paso anterior.
III. Asignar pesos a las diferentes reglas de decisión en función de su importancia relativa
en el proceso de simulación. Por ejemplo, puede ser necesario que una métrica de costo
tenga mayor peso que una métrica de velocidad.
IV. Utilizar el editor de procesos del software Arena para configurar la secuencia de eventos
que resultan de la toma de decisiones.
V. Validar el modelo de simulación utilizando el software y ajustarlo según sea necesario
para asegurarse de que el proceso de decisiones esté optimizado.
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:
Seleccionar el módulo DISPOSE dentro del entorno del software Arena.
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
4. Validar el modelo de simulación mediante el análisis de los resultados generados en el

software, identificar los cuellos de botella y las ineficiencias, y ajustar el modelo de
manera adecuada para mejorar el proceso.
5. Finalmente, una vez que se ha optimizado el modelo de simulación, se puede utilizar

para tomar decisiones informadas y mejorar el proceso real a través de la
implementación de cambios basados en el conocimiento obtenido de la simulación.
185

Entrega Final Tif

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Entrega Final Tif

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD CATÓLICA DE SANTA MARÍA

FACULTAD DE CIENCIAS E INGENIERÍAS FÍSICAS Y

TEMA: Trabajo Final

todos los necios se conjuran contra él”.

puede hacer el trabajo de un hombre extraordinario”.

Encontrarás cosas que nunca habías visto”.

“El placer más noble es el júbilo de comprender”.

Es nuestro deseo como gesto de gratitud y respeto, dedicar

este trabajo principalmente a Dios, por permitirnos el haber

llegado hasta este momento. A nuestros padres, por ser el pilar

más importante y demostrarnos siempre su cariño y apoyo

incondicional. También queremos dedicar este trabajo a nuestro

Docente Efraín Murillo por su asesoría y motivación a realizar el

Queremos agradecer especialmente al Ingeniero Efraín

Murillo por su enseñanza, asesoría y motivación durante

el proceso de desarrollo del trabajo, y principalmente

al departamento de Promoción Social de la

Municipalidad de Yarabamba por permitirnos el acceso a

su planta de lácteos y brindarnos la información del

desarrollo de sus productos con la cual

fue posible este trabajo de investigación.

El presente trabajo es un estudio hecho para Lácteos Yarabamba, perteneciente a la

Asociación de Agricultores Productores Lácteos de Yarabamba –

ASOAGRIPROLACYA. Quienes se encargan de elaborar productos derivados de leche,

entrando en un mercado y satisfaciendo a muchos consumidores.

forma ir recolectando información y datos suficientes para elaborar un modelo de

Finalizando, se obtuvo una propuesta que permite minimizar el tiempo de producción,

optimizando y mejorando el sistema actual.

of Dairy Farmers of Yarabamba - ASOAGRIPROLACYA. Those who are in charge of

relevant problems and propose alternatives to improve the situation.

and improving the current system.

CAPITULO 1: FORMULACIÓN DEL PROYECTOS DE INVESTIGACIÓN ...................... 13

1.1 Título ................................................................................................................................. 16

1.3 Planteamiento del problema .............................................................................................. 16

1.4 Objetivos de la Investigación ............................................................................................ 18

1.4.1 Objetivo General ......................................................................................................... 18

1.5 Objetivos específicos ......................................................................................................... 18

1.6 Hipótesis de la Investigación ............................................................................................. 18

1.6.1 Hipótesis general ......................................................................................................... 18

1.6.2 Hipótesis específicas ................................................................................................... 18

1.7 Justificación ....................................................................................................................... 19

1.8 Delimitación de la Investigación ....................................................................................... 20

1.9.1 Variable Independiente................................................................................................ 21

1.9.2 Variable Dependiente .................................................................................................. 21

1.10 Plan de Trabajo .................................................................................................................. 21

CAPITULO 2: MARCO TEÓRICO ........................................................................................... 1

2.1 DESCRIPCIÓN DE LOS PRINCIPALES CONCEPTOS ................................................... 1

2.2 HERRAMIENTAS DE SOFTWARE A UTILIZAR ............................................................ 5

2.2.1 Concepto de software arena ............................................................................................. 5

2.2.3 ELEMENTOS DE UN MODELO DE ARENA .............................................................. 7

2.2.4 DESCRIPCIÓN DE LOS MÓDULOS DE PROCESO ................................................. 10

2.2.5 MÓDULOS DE DATOS. BASIC PROCESS ............................................................... 20

2.2.6 MÓDULOS DE FLUJO. ADVANCED PROCESS ...................................................... 27

2.3 ESTADO DEL ARTE ......................................................................................................... 30

2.3.2 INVESTIGACIÓN 2: ..................................................................................................... 31

2.3.3 INVESTIGACIÓN 3: ..................................................................................................... 32

2.3.4 INVESTIGACIÓN 4: ..................................................................................................... 34

2.3.5 INVESTIGACIÓN 5: ..................................................................................................... 35

2.3.6 INVESTIGACIÓN 6: ..................................................................................................... 37

CAPITULO 3: DESCRIPCIÓN DEL SISTEMA ACTUAL .................................................... 38

3.1.2. Datos generales ......................................................................................................... 38

3.1.3. Breve Historia de la empresa..................................................................................... 38

3.1.4. Visión y Misión de la empresa .................................................................................. 39