Simulación Gerencial

Aplicaciones de la Simulación de Montecarlo

Trabajo presentado por:

Yenny Polo Villa

Rosa Herminda Cruz Cárdenas
Wuilfredo Andrade Rojas
Luis Alberto Cruz Lozano
Mauricio José Terán Montiel

Docente:
María Alejandra Restrepo Trompa

Institución Universitaria Politécnico Grancolombiano

Facultad de Negocios, Gestión y Sostenibilidad
Pregrado Virtual 2023
 Preguntas a Desarrollar.

1. Haga una descripción breve del problema a tratar, ¿cuáles son los parámetros
de la línea de ensamble?
2. ¿Cuál fue el procedimiento utilizado para generar las variables aleatorias?
Describa brevemente los principales pasos.
3. Explique el modelo de simulación utilizado.
4. ¿Cuáles fueron los principales resultados presentados en el artículo? y ¿cuáles
las alternativas de mejora?
Según el caso de estudio, “Uso de la Simulación Monte Carlo para la Toma de
Decisiones en una Línea de Montaje” se trata de una empresa ubicada en Brasil
fabricante de termostatos para productor de hogar(plancha), una nueva línea de ensamble
integrada por 3 estaciones A, B, C, la cual recientemente instalo 3 estaciones de trabajo
con un único operario, las cuales no están produciendo la cantidad semanal que se
debería. Tiene un déficit 540 piezas menos y un 11% entre los tiempos
diseñados de los procesos y los tiempos de procesos actuales.

Esta fue diseñada para producir 3500 termostatos por semana, después de 3 meses solo
llego a un 85% de la meta, lo que represento un mayor gasto para la empresa ya que
debió pagar tiempo extra a los trabajadores cumpliendo con la meta de 3500 piezas, para
no afectar su producción general. Se presenta un problema de balanceo de línea.

El departamento de producción identifico una problemática y llego a la conclusión que

para solucionarlo se tiene que identificar las modificaciones en el balance de las líneas de
montajes así obtener la taza de producción requerida trabajando de una manera normal
durante el día.

Al realizar un pronóstico del proceso lo principal es el tiempo de producción. Se tomaron

una cantidad de muestras de cada ciclo, de esta manera realizar cálculos fundamentales
como la media y la desviación estándar. También se evidencio que el cuello de botella de
este proceso es estación A.

Los parámetros son:

Estación A: Ciclo 85 piezas/hora.0.706 min/pieza o 3740 piezas por semana.

Estación B: Ciclo 100 piezas/hora.0.600 min/pieza.

Estación C: Ciclo110 piezas/hora.0.545 min/pieza.

El sistema fue diseñado para la Producción de 3500 ensambles por semana.

Después de tres meses se alcanzó el 85%de la producción esperada.

El procedimiento utilizado para la generación de variables aleatorias consiste en el
diagrama de la frecuencia relativa acumulativa, este proceso permite determinar un
tiempo de proceso aleatorio para una estación de trabajo en particular.
Antes de realizar este diagrama es muy importante realizar medidas de tiempos reales,
estás se obtienen por medio de un cronómetro, para este caso de estudio se realizaron
120 lecturas de cada ciclo para cada una de las estaciones, cuyo propósito, es el de
aumentar la precisión e incorporar los posibles sucesos aleatorios y de está manera
empezar con el diagrama de la frecuencia relativa acumulativa.
A continuación, se detallan los principales pasos para realizarlo:
 Se utiliza un generador de números aleatorios, y de estos números, se escoge uno
de ellos.
 Una vez que se obtiene el número a este se le asocia la frecuencia acumulativa
respectiva, este valor, está representado en porcentaje.
 Dicho porcentaje define el primer tiempo de ciclo aleatorio para cada una de las
estaciones, en este caso, para las estaciones A, B y C
 Por ultimo se determina el número deseado de rondas o ciclos en los cuales se
hará dicha simulación.

Para este caso en particular se realizaron con 50 ciclos de los cuales permiten descubrir e
identificar los eventuales problemas operativos, así como la tasa de producción simulada
por la línea, una vez obtenidos los resultados se determinan cuáles son esos factores que
están afectando la producción y tomar las medidas correctivas.
El modelo de simulación Monte Carlo es un método numérico que utiliza la aleatoriedad
para simular eventos futuros y predecir resultados. Esta técnica se utiliza en una amplia
variedad de campos, como la ingeniería, la física, la economía y las finanzas.

El modelo de simulación Monte Carlo se basa en la generación de números aleatorios

para simular eventos futuros. Estos números aleatorios se utilizan para representar
variables inciertas que afectan el resultado final de un modelo. Por ejemplo, en un modelo
financiero, las variables inciertas pueden incluir los precios de las acciones, las tasas de
interés y los tipos de cambio.

Se deben tener en cuenta los siguientes pasos:

- Se debe configurar el modelo predictivo, identificando la variable dependiente

que se debe predecir y las variables independientes (también conocidas como
variables de entrada, de riesgo o predictivas) que permitirán la predicción.

- Se tiene que especificar las distribuciones de probabilidad de las variables

independientes. Utilice datos históricos y/o el juicio subjetivo del analista para
definir un rango de valores probables y asignar ponderaciones de probabilidad
para cada uno.

- También se debe ejecutar simulaciones repetidamente para generar valores

aleatorios de las variables independientes. Hágalo hasta que se hayan reunido
suficientes resultados para crear una muestra representativa del número infinito de
combinaciones posibles.

El proceso de simulación comienza con la definición de un conjunto de variables de

entrada y un modelo matemático que describe cómo estas variables interactúan para
producir un resultado final. Luego, se generan números aleatorios para cada variable de
entrada y se ejecuta el modelo matemático utilizando estos valores aleatorios. Este
proceso se repite muchas veces, generando un conjunto de resultados que reflejan la
variabilidad inherente en las variables de entrada.

Finalmente, se analizan los resultados para determinar la probabilidad de diferentes

escenarios y el impacto potencial en el resultado final. El modelo de simulación Monte
Carlo es particularmente útil para analizar situaciones complejas y tomar decisiones
informadas en un entorno incierto.
Los principales resultados que se obtuvieron en el artículo fueron:
 EL resultado de montaje de la línea actual las variaciones estadísticas de los
tiempos de procesos generan inactividad en los operarios B y C lo que deduce el
resto de la limitación observada en la medida de producción.

 La costumbre de vaciar la línea al finalizar el día genera un retraso diario de 1.40

minutos, lo que lleva a la pérdida de más de 200 piezas por semana

 Los tiempos de ciclo estándar para cada estación de trabajo con sus respectivas
medias y desviaciones estándar muéstrales.

 Se identifica que al finalizar el modelo de simulación una producción de 3.476

unidades actuales frente a 3.500 que era el objetivo inicial

 Diferencias porcentuales entre los tiempos de proceso diseñados y los tiempos de

proceso actuales.

 Percepción de problemas que afectan el nivel de producción de la línea actual, así

como los tiempos de procesos vigentes los cuales son un 11% superiores a los
que se diseñaron inicialmente.

 El índice de producción semanal actual, que tiene 3.200 termostatos como

promedio y la calculada con la simulación, la cual es superior en 276 unidades de
producto terminado

Las alternativas de mejora son:

 Realizar ajustes en el conteo y las prácticas de la línea de producción.
 Mejorar la tasa de producción, llevándola de 3200 a
3740termostatos/semana, gracias a la simulación y por lo tanto sin incurrir en pago
de horas extras y agotamiento del personal y manteniendo el mismo horario y la
misma carga laboral para cada operario de las líneas de producción, lo
cual deriva en aumento de costos.

 Realizar modificaciones evaluadas en el modelo de simulación en la realidad.

 Ejecutar de manera practica este proceso con el fin de alcanzar la producción

deseada. Quedo atenta a sus comentarios

 Fueron arregladas entre las tres estaciones dejando a la estación C con el proceso
de tiempo más alto, ya que esta por lo general va a tener tiempos de espera
mientras llegan piezas de las otras dos líneas A y B

 Las estaciones A y B tienen ahora tiempos de proceso más bajos que la estación
C, un número creciente de WIP (Work in Process) se acumularía después de A y B
si sus respectivos operarios trabajaran continuamente, esto quiere decir que se
vería una acumulación de piezas en C.
Referencias
IBM. (s.f.). Obtenido de https://www.ibm.com/es-es/topics/monte-carlo-simulation

Vanalle, R., Lucato, W., Vieira, M., Sato, I., Uso de la Simulación Monte Carlo para la
Toma de Decisiones en una Línea de Montaje de una Fábrica, Información Tecnológica.
Vol. 23, N˚ 4, pag 33-44, 2012.
Disponible en el enlace https://scielo.conicyt.cl/pdf/infotec/v23n4/art05.pdfLinks to an external site.