Está en la página 1de 60

E = mc2

i

3

Qué es?

niversidad Icesi – Departamento de Ingeniería Industrial

- La respuesta corta:forma resumida, Factory Physics es la descripción En

sistémica del comportamiento fundamental de un sistema de manufactura. El entender este comportamiento le permitirá a la dirección y a los ingenieros trabajar a favor de las tendencias naturales del sistema de manufactura, permitiendo: • Identificar oportunidades de mejoramiento en el sistema existente. • Diseñar nuevos sistemas que verdaderamente son efectivos.

Qué es?

i3

• Facilitar las negociaciones necesarios para coordinar las políticas - La respuesta originadas en áreas diferentes.

larga:

- Introducción:

Qué es variabilidad? estudio.

Variabilida d

i3

* Cualquier desviación de cierta uniformidad bajo

Cuál es la diferencia entre: Variación Controlable vs. Variación Aleatoria? Ejemplos:

Variación Controlable
-Tamaño de Lote -Temperatura de Proceso -Secuencia de Producción

Variación Aleatoria
-Cantidad Pedida -Tiempo entre Fallas (MTTF) -Calidad de una Materia Prima

Variabilida d i3 . esto no seria suficiente para predecir el futuro. Si mucho nos daría unas estimaciones estadísticas de un posible futuro/comportamiento. Lo anterior no quiere decir que debemos olvidarnos de la gestión de una planta. los efectos son los mismos en el día a día. Aunque contáramos con una descripción completa del universo y de todas las leyes físicas que lo definen. mas bien debemos dedicarnos en diseñar procesos robustos y no quedarnos estancados buscando procesos óptimos.2: El comportamiento del universo es aleatoriedad.Introducción: Cuáles pueden ser las causas de la aleatoriedad? * Interpretación No.. Independientemente de las dos interpretaciones.1: La aleatoriedad ocurre por falta de información o por información imperfecta. son inherentemente impredecibles. * Interpretación No.

entender y administrar (apalancar) la variabilidad en un sistema de manufactura.Introducción: Entonces.. Dando como resultado una gestión efectiva del mismo. Variabilid ad i3 . para poder diseñar dichos procesos robustos y efectivos en un entorno aleatorio el individuo debe poseer una buena intuición probabilística. Solo así se podrá medir.

tiempos de procesamiento de una pieza o de un lote? -Cuál es mas perjudicial. Desde la forma como conducimos hasta la forma como avisamos nuestras intenciones de asistir a la fiesta de fin de año.Variabilida . En la mayoría de los casos nuestra intuición es buena cuando se basa en efectos de primer orden (primer momento). -Cuál es mas variable.Intuición d Probabilística: La intuición juega un papel importante en nuestro día a día. -WIP aumenta con el tamaño de lote. cuál es la diferencia entre: Primer Momento vs. Entonces. -TH aumenta con la disponibilidad de una maquina. reducir tiempos de procesamiento al comienzo o al final de la línea? . la i3 utilizamos de una manera u otra para tomar todo tipo de decisiones. Segundo Momento? Ejemplos: Primer Momento Segundo Momento -TH aumenta con la velocidad de una maquina. paradas largas e infrecuentes o cortas y frecuentes? -Cuál brinda el mejor desempeño. Pero las cosas no son tan claras cuando basamos nuestra intuición en efectos de segundo orden (segundo momento).

-Otros tiempos ¿Por qué? Son los tiempos que causan que la Estación 2 no pueda iniciar su tarea.Variabilid i3 . Estación 1 Estación 2 -Tiempo de Procesamiento -Tiempo de Alistamiento La suma de estos tiempos -Tiempo de Reparación nos da el Tiempo Efectivo -Tiempo de Reproceso de Procesamiento.Variabilidad en el Tiempo de ad Proceso: La variable aleatoria de interés primario para Factory Physics es el Tiempo Efectivo de Procesamiento de un trabajo en una estación. .

Medidas y clases de d Variabilidad: -Medidas de Variabilidad Absoluta: i3 2 s2 = ∑ (t i =1 n i −t ) 2 n −1 s= ∑ (t i =1 n i −t ) n −1 Varianza Desviación Estándar -Medidas de Variabilidad Relativa: σ c = 2 t 2 2 σ c= t Coeficiente de Coeficiente de Variación al Cuadrado(SCV) Variación(CV) .Variabilida .

33 i3 representados por distribuciones que tienen una forma de campana.75 ≤ c < 1. Tiempos de procesamientos con ajustes menores (alistamientos). Alta (VA) c ≥ 1. Ejemplo Tiempos de procesamientos sin faltantes.75 0.33 .Variabilida . En estos casos el CV tiende a ser inferior a 0. Por lo tanto la variabilidad se puede clasificar en baja.Variabilidad Baja y d Moderada: de los tiempos de procesos reales pueden ser La mayoría Clase de Variabilidad Baja (VB) Moderada (VM) CV c < 0. Tiempos de procesamientos con ajustes mayores (reparaciones).75. moderada y alta.

Variabilidad Alta: .Variabilidad Baja y d Moderada: Densidad de Probabilidad Densidad de Probabilidad Distribución de Variabilidad Baja i3 Distribución de Variabilidad Baja Distribución de Variabilidad Moderada 20 Tiempo de Proceso 20 Tiempo de Proceso Qué efectos tiene un tiempo de procesamiento con una variabilidad moderada en una línea de producción? .Variabilida .

Reproceso.Variabilida . .75) asociada a sus tiempos de procesamiento. . .Disponibilidad de mano de obra. La mayoría de los sistemas tienen una VB (c0 < 0. Variabilidad Natural: σo co = to Desviación estándar del tiempo de proceso natural. Tiempo promedio del proceso natural.Variabilidad Natural del proceso causada por cambio de operarios.Causas de Variabilidad : d Incluyen: i3 .Fallas aleatorios. . .Alistamientos. maquinas y materiales.

Otros ejemplos incluyen. inclusive durante el mismo procesamiento de una pieza. .Variabilida . Esta disponibilidad se determina de la siguiente manera: mf A= mf + mr Tiempo el recurso esta disponible para procesar. Tiempo el recurso esta en reparación. para el calculo del tiempo efectivo de proceso debemos tener en cuenta la disponibilidad (Availability) del recurso bajo estudio. en esta categoría se incluye información de MTTF y MTTR.Causas de Variabilidad : d Variabilidad por fallas (Interrupciones Dominantes): i3 Este tipo de fallas sucede aunque queramos o no. Entonces. apagones o falta de un consumible necesario para el proceso. Obviamente.

Variabilida . La capacidad efectiva esta dada por: m m re = = A = Aro te to Numero de maquinas. Capacida d Natural.Causas de Variabilidad : d Variabilidad por fallas (Interrupciones Dominantes): to te = A Tiempo natural de proceso. i3 Ahora es necesario tener en cuenta la disponibilidad para calcular el tiempo de procesamiento efectivo promedio. . este esta dado por: Disponibilida d.

Causas de Variabilidad : d Variabilidad por fallas (Interrupciones Dominantes): La varianza del tiempo de procesamiento efectivo esta dada por: i3 Varianza de los tiempos de reparación.  σo  ( mr + σr )(1 − A) to σe =   + Amr  A 2 2 2 2 El coeficiente de variación al cuadrado (SCV) efectivo esta dado por: σe mr 2 2 ce = 2 = co + (1 + cr ) A(1 − A) te to 2 2 CV de los tiempos de reparación.Variabilida . .

Causas de Variabilidad : d Variabilidad por fallas (Interrupciones Dominantes): El coeficiente de variación al cuadrado (SCV) esta dado por: i3 mr mr 2 ce = co + A(1 − A) + cr A(1 − A) to to 2 2 Variabilidad natural del proceso Fallas Aleatorias.Variabilida . existiría aun si las Componente totalmente dependiente fallas fueran constantes de la variabilidad en los tiempos de reparación. .

Causas de Variabilidad : d Variabilidad por fallas (Interrupciones Dominantes): i3 Consideremos un ejemplo para entender el efecto de fallas sobre la variabilidad de una maquina. debemos determinar el CV del tiempo efectivo de proceso.Variabilida . en la maquina Liebre se presentan fallas de larga duración e infrecuentes.05. Ambas maquinas tienen una disponibilidad a largo plazo igual a 0. . ósea una variabilidad moderada. En este caso tanto la maquina Tortuga como la Liebre tienen un tiempo de proceso natural promedio To = 15 minutos y una desviación estándar natural σo = 3. Sin embargo. En el caso de la Tortuga el MTTF es de 114 minutos y el MTTR de 38 minutos. Por lo tanto ambas maquinas tienen una SCV = 0. supongamos que los tiempos de reparación son variable y tienen un CV = 1. Específicamente. Finalmente. Entonces.35 minutos.75%. el MTTF en la Liebre es de 744 minutos y el MTTR de 248 minutos.0. mientras que en la maquine Tortuga se presentan fallas cortas y frecuentes.

Variabilida - Causas de Variabilidad : d Variabilidad por fallas (Interrupciones Dominantes):
Ejemplo del texto (pagina 256): Liebre to σo mf mr cr co A te re ce 15 minutos 3.35 minutos 744 minutos 248 minutos 1.0 ? ? ? ? ? Tortuga 15 minutos 3.35 minutos 114 minutos 38 minutos 1.0 ? ? ? ? ?

i3

Variabilida - Causas de Variabilidad : d Variabilidad por fallas (Interrupciones Dominantes):
Liebre to σo mf mr cr co A te re ce Conclusiones: ? 15 minutos 3.35 minutos 744 minutos 248 minutos 1.0 0.05 0.75 20 minutos 3 trabajos/hora 2.5 Tortuga 15 minutos 3.35 minutos 114 minutos 38 minutos 1.0 0.05 0.75 20 minutos 3 trabajos/hora 1.0

i3

Variabilida - Causas de Variabilidad : d Variabilidad por fallas (Interrupciones No-Dominantes):

i3

Este tipo de fallas tienen que suceder pero en este caso se tiene mas control sobre cuando se llevan acabo. En este caso se puede terminar de procesar el trabajo actual para luego detener la maquina. Ejemplos incluyen, alistamientos, mantenimiento preventivo, descansos y cambio de turnos. Bajo estas condiciones utilizamos las siguientes ecuaciones para determinar la media, varianza y el coeficiente de varianza al cuadrado para el tiempo de procesamiento efectivo: El tiempo de procesamiento efectivo promedio, este esta dado por:
Tiempo de alistamiento promedio.

ts te = t o + Ns
Tiempo natural de proceso promedio.

Numero promedio de piezas procesadas entre alistamientos.

Variabilida .Causas de Variabilidad : d Variabilidad por fallas (Interrupciones No-Dominantes): La varianza del tiempo de procesamiento efectivo esta dada por: Varianza de los tiempos de alistamiento. i3 σs Ns − 1 2 σe = σo + + ts 2 Ns Ns 2 2 2 El coeficiente de variación al cuadrado (SCV) esta dado por: σe ce = 2 te 2 2 .

5 ---------? ? .Variabilida .25 10 unidades 2 horas 0.25 ? ? to CV(co) Ns ts CV(cs) re ce Qué maquina es menos variable? 1.2 horas 0.Causas de Variabilidad : d Variabilidad por fallas (Interrupciones No-Dominantes): Ejemplo del texto: Maquina No.1 Flexible/Sin Alistamiento i3 Maquina No.2 ---1.0 horas 0.

1 Flexible/Sin Alistamiento i3 Maquina No.50 .5575 to CV(co) Ns ts CV(cs) re ce Qué maquina es menos variable? 1.8333 0.25 10 unidades 2 horas 0.5 ---------0.0 horas 0.8333 0.Variabilida .2 ---1.2 horas 0.25 0.Causas de Variabilidad : d Variabilidad por fallas (Interrupciones No-Dominantes): Ejemplo del texto: Maquina No.

Lo anterior combinado con la perdida de capacidad hacen que el reproceso se considere como un verdadero problema. .Variabilida . i3 Por lo tanto. mas WIP y mayores tiempos de ciclo. mas reproceso implica mayor variabilidad y mas variabilidad causa mas congestión.Causas de Variabilidad : d Variabilidad por reproceso: Qué tiene en común la variabilidad causada por fallas y alistamientos con la variabilidad causada por reproceso? Las tres causas reducen la capacidad efectiva de un recurso.

co to 2 2 mf .Causas de Variabilidad : d Resumen de las formulas para determinar los parámetros Tiempo Efectivo de Procesamiento: Situación Natural Ejemplos Parámetros Fallas (AP) Fallas Aleatorias (básicas mas) Fallas (BP) Alistamientos (básicas mas) Recurso Confiable (básicas) to . mr . cr to mf . cs to + ts Ns 2 te σe 2 ce 2 to co co 2 2 ( mr 2 + σr 2 )(1 − A) to σo + A2 Amr mr co 2 + (1 + cr 2 ) A(1 − A) to σs 2 Ns − 1 2 σo + + ts 2 Ns Ns 2 σe 2 te 2 Qué seria varianza apilada (Stacked Variance)? .A= A mf + mr 2 2 Ns .Variabilida i3 . ts .

Esta se denomina variabilidad en el flujo. sin embargo en la vida real una línea de producción esta compuesta de varias estaciones. así: Tasa de llegada. o su capacidad efectiva re la llegada a una estación también se puede caracterizar por el tiempo promedio entre llegadas. lo cual nos conduce a otro tipo de variabilidad.Variabilidad en el d Flujo:lo visto hasta ahora se ha estudiado la variabilidad en una En i3 estación aislada. Así como una estación se caracteriza por su tiempo promedio de proceso te. Por esta razón es importante estudiar y entender la relación entre estaciones. El primer elemento a tener en cuenta es la tasa de llegada (arrival rate).Variabilida . 1 ra = ta Tiempo promedio entre llegadas. Las dos medidas anteriores son el inverso del otro. medido en trabajos por unidad de tiempo. Para mayor consistencia las unidades de la tasa de llegada deben ser las mismas de la capacidad de la estación bajo estudio. .

un CV bajo implica llegadas regulares y espaciadas igualmente. Intuitivamente.Variabilida .Variabilidad en el d Flujo: que una estación no se recargue de trabajo la siguiente Para relación se debe cumplir: Capacidad Efectiva. Así como existe variabilidad en el tiempo de proceso también lo hay en el tiempo entre llegadas y se define de la misma manera que en el primer caso: σa ca = ta Desviación estándar de los tiempos entre llegadas. Tiempo promedio entre llegadas. i3 r e > ra Tasa promedia entre llegadas. . mientras un CV alto implica llegadas irregulares y con picos.

Para esto haremos uso de medidas similares a las usadas para describir las llegadas.Variabilidad en el d tener en cuenta para entender la Flujo: El siguiente elemento a Las dos medidas anteriores son el inverso del otro. 1 rd = td Tiempo promedio entre salidas. El coeficiente de variación correspondiente a las salidas esta representado por cd.Variabilida . así: Tasa de salidas. i3 variabilidad del flujo es la caracterización de las salidas de una estación. . específicamente el tiempo promedio entre salidas (td) y la tasa de salidas (departure rate).

así: Tiempo promedio entre llegadas de la estación i+1. Entonces la tasa de salida de i debe ser igual a la tasa de llegada de i+1. ta ( i + 1 ) = td ( i ) Tiempo promedio entre salidas de la estación i.Variabilida i3 . en una línea de Flujo: Es importante considerar producción en serie la salida de una estación i es la llegada de la siguiente estación i+1. ca ( i + 1) = cd ( i ) Coeficiente de Variación de salidas de la estación i. en una línea de producción en serie sin mermas o reproceso la tasa de llegada de cada estación es igual al TH de la línea. el CV de salida de la estación i es igual al CV de llegada de la estación i+1. Adicionalmente. en una línea serial donde las salidas de i son las llegadas de i+1. . Así: Coeficiente de Variación de llegadas de la estación i+1.Variabilidad en el d la siguiente condición. Por supuesto.

los conceptos anteriores se pueden ver de la siguiente manera: Variabilida d rd ( i ) = ra ( i + 1 ) cd ( i ) = ca ( i + 1) i3 Tasas : ca ( i ) CVs: ra ( i ) re ( i ) Estación i re ( i + 1) Estación (i+1) ce ( i ) ce ( i + 1) ..Variabilidad en el Flujo: Gráficamente.

Así: cd = ce .Variabilida . Formalmente se define así: (ra )(te) u= m Corresponde al numero de maquinas idénticas que compone la estación. Por lo tanto se puede esperar que el CV de salida de dicha estación sea igual al CV del tiempo de proceso. Recordemos que la utilización de una estación es la fracción de tiempo que está esta ocupada en el largo plazo. es necesario i3 variabilidad de salidas de una estación a partir de la información existente de la variabilidad de llegada y del tiempo de proceso. esto quiere decir que la estación casi siempre esta ocupada. Para lograr lo anterior se debe tener en cuenta la contribución relativa de ambos factores en la utilización de la estación bajo estudio.Variabilidad en el d determinar como caracterizar la Flujo: Finalmente. A medida que u se acerca a 1.

Variabilidad en el Flujo: Variabilida d cd = ca i3 El otro extremo. Por lo tanto se puede esperar que el CV de salida de dicha estación sea igual al CV de llegada. cuando u=0. Así: Para interpolar entre los dos extremos anteriores se puede utilizar la siguiente ecuación: cd 2 = u 2 ce 2 + 1 − u 2 ca 2 Observe que cuando u=1.. implica que la estación casi siempre esta desocupada. Igualmente. entonces: 2 ( ) cd 2 u = 1 + 1 − u ca − 1 + ce 2 − 1 m 2 2 ( )( ) ( ) . cuando u se acerca a 0. se obtiene cd2 = ce2. se obtiene cd2 = ca2. Para determinar cd2 cuando hay mas de una maquina por estación.

Variabilida .Variabilidad en el d Flujo:este momento es importante considerar el concepto de En propagación de la variabilidad. . Caso 1: Estación con Alta Utilización LV HV LV HV Qué podemos concluir? HV HV LV LV HV HV LV LV i3 La variabilidad en el flujo que sale de una estación de alta utilización esta determinado primordialmente por la variabilidad en el proceso de dicha estación.

.Variabilidad en el d Flujo:este momento es importante considerar el concepto de En propagación de la variabilidad. Caso 2: Estación con Baja Utilización LV HV LV HV Qué podemos concluir? HV HV LV LV LV HV LV HV i3 La variabilidad en el flujo que sale de una estación de baja utilización esta determinado primordialmente por la variabilidad que entra a dicha estación.Variabilida .

Variabilida .Propagación de la Variabilidad: d Materiales (LV/HV) Materiales (LV/HV) Materiales (LV/HV) Materiales (LV/HV) Estación 1 (LV/HV) Estación 1 (LV/HV) Estación 1 (LV/HV) i3 Estación 1 (LV/HV) Materiales (LV/HV) Materiales (LV/HV) Materiales (LV/HV) Estación 2 (LV/HV) Estación 2 (LV/HV) Estación 2 (LV/HV) Materiales (LV/HV) Materiales (LV/HV) Estación 2 (LV/HV) Materiales (LV/HV) Materiales (LV/HV) Estación 3 (LV/HV) Estación 3 (LV/HV) Materiales (LV/HV) Estación 3 (LV/HV) Estación 3 (LV/HV) PT PT PT PT JIT1 JIT2 JIT3 JIT4 .

) .E = mc2 i 3 Variabilida d (cont.

etc.Variabilida .). ahora entenderemos como estos caracterizan y afectan la variabilidad de una línea de producción. Solo después de entender esta causas podemos entrar a proponer maneras de mejorar el desempeño del sistema. siendo estos. Un sistema de colas tiene en cuenta todo lo visto hasta el momento.Interacciones dentro de la Variabilidad d “Colas”el momento hemos considerado la variabilidad en los Hasta i3 tiempos de procesamiento y en el flujo. WIP. Los procesos de llegada pueden ser constantes o aleatorios. un proceso de llegadas. Específicamente. Pero antes. un proceso de “servicio” y una cola. Las estaciones pueden estar compuestas por una o varias maquinas en paralelo. es importante resaltar que el tiempo efectivo de procesamiento solo representa una fracción pequeña del tiempo de ciclo total dentro de una planta y que el tiempo restante es causado por que el trabajo debe esperar a algún recurso (estación de trabajo. las cuales pueden tener tiempos de procesamiento constantes o aleatorios. nos interesa evaluar el impacto de estos tipos de variabilidad sobre los principales indicadores de desempeño de una línea cualquiera. CT y TH. La ciencia que estudia la espera en un sistema se conoce como la Teoría de Colas. equipo de transferencia. Por esta razón Factory Physics dedica tanto esfuerzo en entender las causas que generan esta espera. un operario. la . Finalmente.

• CTq: tiempo de espera en cola. • WIP: nivel promedio de WIP (trabajos) en la estación.. Capacidad efectiva de una estación es re = m/te. • ca: CV de llegada. • CT: tiempo esperado en la estación (tiempo en cola mas tiempo de proceso). Igual a 1/ra.Teoría de Colas: Nomenclatura Variabilida d i3 • ra: tasa de llegadas. especificada en trabajos por unidad de tiempo. • ce: CV del tiempo efectivo de proceso. • te: tiempo efectivo promedio de proceso. • Ta: tiempo promedio entre llegadas. ra es igual a TH de cada estación. Medidas de . En una línea sin reproceso. • b: tamaño del buffer (máximo numero de trabajos permitidos en el sistema). • WIPq: WIP (trabajos) esperados en cola. • m: numero de maquinas en paralelo en una estación. desempeño: • pn: probabilidad que haya n trabajos en una estación.

Teoría de d Colas: Finalmente. uniforme).Variabilida . en cuyo caso la nomenclatura queda: A/B/m . Por lo general se asumen valores grandes para la cola (b). • M: distribución exponencial (Markoviana). B describe la distribución de tiempos de proceso. utilizaremos la nomenclatura de Kendell para A/B/m/b i3 caracterizar un sistemas de colas. • G: distribución completamente general (normal. En general los parámetros A y B pueden asumir cualquiera de los siguientes valores: • D: distribución constante (deterministica). Esta hace uso de 4 parámetros. siendo estos: Donde A describe la distribución de tiempos entre llegadas. m el numero de maquinas que conforman la estación y b es el numero máximo de trabajos permitidos en el sistema.

. Tiempo efectivo promedio de proceso. Tiempo esperado en la estación CT = CTq + te Tiempo de espera esperado en cola..Teoría de Colas: Relaciones Variabilida d i3 Fundamentales: Antes de entrar a analizar cualquier sistema de colas es necesario anotar que algunas relaciones se mantiene en un sistema compuesto por una estación única. Estas son: Utilizació n Tasa de llegada ra (ra )(te) u= = re m Tasa Efectiva.

Teoría de Colas: Relaciones Fundamentales: Variabilida d WIP = TH × CT i3 WIP en la estación (aplicando la Ley de Little) Tiempo de ciclo de la estación.. . Throughput de la estación. WIP en la cola (aplicando la Ley de Little) Tasa de llegada WIPq = ra × CTq tiempo de espera esperado en cola.

su verdadera contribución esta en entender que información se requiere para caracterizar el mismo. que esta compuesto por una sola maquina y que esta tiene un tiempo de proceso exponencial.Variabilida . Dado que este modelo es el mas sencillo.Teoría de Colas – Caso d M/M/1: i3 Este modelo asume los tiempos entre llegadas es exponencial. Entonces: Tiempo promedio entre llegadas Tiempo efectivo promedio de proceso ta te Tasa de llegadas Tasa efectiva 1 ra = ta 1 re = te . La cola se comporta como PEPS y tiene un espacio ilimitado para trabajos en espera. solamente necesitamos las medias. Como los tiempos entre llegadas y de proceso son exponencial.

Con esta información se puede caracterizar el desempeño a largo plazo del sistema (CT. CTq y WIPq).Fuera de lo anterior. WIP.Teoría de Colas – Caso d M/M/1: i3 Utilización u WIP( M / M / 1) = 1− u . el estado del sistema se puede expresar como un solo numero n. el tiempo desde la ultima llegada y el tiempo que el trabajo actual lleva en proceso son irrelevantes. la única otra información que necesitamos seria el numero de trabajos en el sistema. Como ambos tiempos anteriores son exponenciales. Medidas de desempeño para M/M/1: WI P Variabilida . Entonces. que representa el numero de trabajos en el sistema.

Variabilida .Teoría de Colas – Caso d M/M/1: Medidas de desempeño para M/M/1: CT (a partir de la Ley de Little) i3 Tiempo efectivo promedio de proceso WIP( M / M / 1) te CT ( M / M / 1) = = ra 1− u CTq (a partir de la relaciones fundamentales) ute CTq ( M / M / 1) = CT ( M / M / 1) − te = 1− u .

Teoría de Colas – Caso d M/M/1: Tasa de llegada.Medidas de desempeño para M/M/1: WIPq (a partir de la Ley de Little) Variabilida . Por lo tanto maquinas lentas causan mas tiempo de espera. observen que estas medidas implican congestión y todas tienen en el denominador el termino 1-u. CT y CTq aumentan en términos de te.CT. • Finalmente. CTq y WIPq aumentan a medida que u aumenta.. . • Manteniendo u fijo. Por esta razón sistemas ocupados tienden a demuestran mayor congestión que sistemas desocupados. igual a TH i3 u2 WIPq ( M / M / 1) = CTq ( M / M / 1) × ra = 1− u Conclusiones: • WIP. lo que tiene como consecuencias que a medida que u se aproxima a 100 % la congestión aumenta en forma no lineal.

. En el caso anterior. 269): i3 Recordemos el caso de la Tortuga. la tasa de efectiva era de 3 trabajos por hora y el CV correspondiente era de 1.Variabilida . Determinen las medidas de desempeño correspondientes al sistema bajo estudio. donde el tiempo entre llegadas era de 2. Ahora supongamos que los tiempos entre llegadas están distribuidos exponencialmente (puede ser el caso cuando los trabajos llegan de diferentes fuentes).Teoría de Colas – Caso d M/M/1: Ejemplo (pag.875 trabajos por hora.0.

Medidas de desempeño para M/M/1: CTq (ecuación VUT) Termino de tiempo T  ca 2 + ce 2  u   CTq (G / G / 1) =   2  1 − u te    Termino de variabilidad V Termino de utilización U . Como en el caso anterior. Por esta razón es necesario ampliar el modelo al caso mas general.Variabilida i3 . representado pos G/G/1. Cuando una estación es alimentada por estaciones que tienen tiempos de procesamiento no exponenciales es difícil mantener el supuesto que el tiempo entre llegadas es exponencial.Teoría de Colas – Caso dla mayoría de los sistemas de manufactura G/G/1: Desafortunadamente. reales no cumplen con los supuestos del modelo M/M/1. primero se desarrolla la formulación para CTq y luego obtenemos las otras medidas de desempeño.

Teoría de Colas – Caso d G/G/1: Ejemplo (pag. Ahora queremos determinar el CTq de la Tortuga. recordemos que dicha maquina presentaba una alta variabilidad CVS efectivo de 6. que no hay perdidas entre las dos maquinas y que por lo tanto la tasa de llegadas de la Tortuga es la misma de la Liebre. Como ambas maquinas tienen una tasa efectiva igual. CTq(Tortuga)? . Ahora supongamos que la Liebre alimenta la Tortuga.Variabilida . Asumamos que el tiempo entre llegadas esta exponencialmente distribuido y que la utilización es 0. 271): i3 De nuevo volvamos al caso de la Liebre. tendrán la misma utilización.9583.25. Recuerden que: ca ( i + 1) = cd ( i ) Qué podemos concluir de los valores de CTq(Liebre) vs. Determinen el tiempo esperado en la cola CTq.

dando 2. Pero ahora supongamos que las llegadas ocurren a una tasa de 207 trabajos por día.875 trabajos por hora y tienen tiempos entre llegadas exponencialmente distribuidos (ca = 1). 272): Retomando de nuevo el caso de la Tortuga.Variabilida . donde el tiempo efectivo de proceso presentaba un CV igual a 1 permitiéndonos utilizar el modelo exponencial.Teoría de Colas – Maquinas en Paralelo d M/M/1: i3 La ecuación VUT nos permite analizar estaciones compuestas por una sola maquina. sin embargo en el mundo real se pueden encontrar estaciones de trabajo conformadas por múltiples maquinas en paralelo. En este caso se deben hacer ajustes a la formulación original. Como esto excede la capacidad de la Tortuga. . consideremos cuando tenemos tres de estas maquinas en paralelo. dando: u 2 ( m +1) −1 CTq ( M / M / m) = te m(1 − u ) Ejemplo (pag.

1: Caso No.Teoría de Colas – Maquinas en Paralelo d M/M/1: Ejemplo (pag.1 Tortuga No.1 Tortuga No.3 Tortuga No.2 Tortuga No.3 Determinar el CTq de cada caso.2 Tortuga No. 272): i3 Caso No. .Variabilida .2: Tortuga No.

Variabilida . Este caso se puede escribir de la siguiente manera:  ca 2 + ce 2  CTq ( M / M / 1) CTq (G / G / 1) =   2    Lo anterior sugiere que una aproximación para el caso G/G/m se puede construir basándose en la aproximación M/M/m. tiempos entre llegadas y de proceso generales se representa por G/G/m. así: CTq (ecuación VUT) Termino de tiempo T (idéntico) ca 2 + ce 2  u 2( m +1) −1   te CTq (G / G / m) =    2  m(1 − u )    Termino de variabilidad V (idéntico) Termino de utilización U . partamos de la aproximación para el caso G/G/1. Para llegar a una aproximación de esta situación.Teoría de Colas – Maquinas en Paralelo d G/G/m: i3 Una estación con m maquinas en paralelo.

por lo general existen restricciones físicas. Este sistema se comporta idéntico al caso M/M/1. Sin embargo en el mundo real esta situación no es común. de tiempo o de política que limitan el tamaño permitido de la cola. Cuando esto ocurre se dice que el sistema se encuentra bloqueado. con la excepción que cuando el sistema se llena el proceso de llegadas se detiene.Variabilida . Caso M/M/1/b Consideremos el caso donde los tiempos entre llegadas y de proceso están distribuidos exponencialmente como en el caso M/M/1. Por tal motivo Factory Physics considera el caso de sistemas de colas con una capacidad finita.Teoría de Colas – Bloqueo y sus efectos: d i3 Hasta el momento hemos considero sistemas sin ningún limite en la forma de crecimiento de las colas. En los casos presentados podemos observar como el tamaño promedio de la cola y el tiempo de ciclo crecen indefinidamente a medida que u se aproxima a 100 %. . pero solamente hay espacio en el sistema para b unidades.

Ahora representa el nivel de utilización si ningún trabajo es rechazado. ya no se trata de la probabilidad a largo plazo de encontrar la maquina ocupada. Dado esta explicación obtenemos los siguientes casos: Cuando u es diferente a 1 ( b + 1) u u WIP( M / M / 1 / b) = − b +1 1− u 1− u 1− ub TH ( M / M / 1 / b) = ra b +1 1− u b +1 .Teoría de Colas – Bloqueo y sus efectos: d Caso M/M/1/b i3 En este nuevo caso el significado de u es diferente que en los casos anteriores.Variabilida . Por esta razón el valor de u puede ser uno o mayor.

Teoría de Colas – Bloqueo y sus efectos: d Caso M/M/1/b Cuando u es igual a 1 i3 b WIP( M / M / 1 / b) = 2 b b TH ( M / M / 1 / b) = ra = re b +1 b +1 En ambos casos podemos usar la Ley de Little para calcular CT. CTq y WIPq. CT ( M / M / 1 / b) = WIP( M / M / 1 / b) TH ( M / M / 1 / b) CTq ( M / M / 1 / b) = CT ( M / M / 1 / b) − te WIPq ( M / M / 1 / b) = TH ( M / M / 1 / b) × CTq ( M / M / 1 / b) .Variabilida .

la única manera de reducir WIP y CT sin sacrificar TH es la reducción de la variabilidad. Qué podemos concluir del análisis de los dos casos anteriores? • El reducir el tamaño de la cola entre estaciones reduce considerablemente WIP y CT. Sin embargo esta ultima no es tan significativa. Por esta razón se puede ver que el implementar kanban es mas que simple reducción del tamaño de una cola. Determinen las medidas de desempeño en los siguientes casos: 1. • Una segunda conclusión es que las colas finitas establecen estabilidad en el sistema.Teoría de Colas – Bloqueo y sus efectos: d Caso M/M/1/b – Ejemplo : (pag.Variabilida . La primera en promedio tiene un tiempo efectivo te1 = 21 minutos por trabajo. sin importar ra y re. Ambas maquinas tienen tiempos de proceso exponencial (ce1 = ce2 = 1). Entre ambas maquinas hay suficiente espacio para permitir almacenar temporalmente hasta 2 trabajos.275) i3 Consideremos una línea de producción en serie compuesta por dos maquinas. La perdida en TH es muy grande. 2. en un sistema de colas . La razón es sencilla. pero también lo hace al TH. Buffer con tamaño finito. La segunda maquina toma te2 = 20 minutos. Buffer con tamaño infinito.

Variabilida . se consideran los siguientes tres casos: • Cuando ra < re (u<1). Tasa de llegada menor que la tasa efectiva: derivada de VUT y Little 2 2 i3  ca + ce  u   WIPnb ≈ ra  2  1 + u te + te     ca 2 + ce 2  u 2    =  2  1 + u  + u    . • Cuando ra = re (u=1).Teoría de Colas – Bloqueo y sus efectos: d Caso G/G/1/b Para poder analizar el efecto de la variabilidad debemos extender el modelo M/M/1/b y considerar distribuciones de tiempo entre llegadas y de procesos mas generales. Para lograr esto. • Cuando ra > re (u>1).

Variabilida .Teoría de Colas – Bloqueo y sus efectos: d Caso G/G/1/b Del modelo M/M/1 obtenemos: i3 WIP − u u= WIP Usando el WIPnb obtenemos la utilización corregida: WIPnb − u ρ= WIPnb .

b − 1} min{WIPnb.Variabilida . b − 1} CT > TH .Teoría de Colas – Bloqueo y sus efectos: d Caso G/G/1/b Reemplazando la utilización corregida en la formulación de TH del modelo M/M/1/b obtenemos: i3 1 − uρ TH ≈ ra 2 b −1 1− u ρ b −1 Para determinar WIP y CT usamos la siguiente formulación: WIP < min{WIPnb.

Teoría de Colas – Bloqueo y sus efectos: d Caso G/G/1/b Tasa de llegada mayor que la tasa efectiva: derivada de M/M/1/b “inversa” i3 1  ca 2 + ce 2  u 2  1    WIPnb ≈   1 − 1  + u  2  u   De igual forma que en el caso anterior. obtenemos: WIPnb − 1 u ρR = WIPnb .Variabilida .

Posteriormente usamos las mismas desigualdades para obtener unos limites de WIP y CT. .Teoría de Colas – Bloqueo y sus efectos: d Caso G/G/1/b Ahora definimos: i3 1 ρ= ρR En este momento estamos listos para calcular TH con la misma formulación anterior.Variabilida .

Teoría de Colas – Bloqueo y sus efectos: d Caso G/G/1/b Tasa de llegada igual a la tasa efectiva: i3 ca 2 + ce 2 + 2( b − 1) TH ≈ 2 ca 2 + ce 2 + b − 1 ( ) De igual forma que en el caso anterior.Variabilida . . usamos esta aproximación de TH y las desigualdades para obtener unos limites de WIP y CT.