Instituto Tecnológico de Aguascalientes

Departamento de Ing. Industrial

SIMULACION

PROYECTO DEL MODELO DE SIMULACION

Profesor: M.C. Sergio Humberto Romo Picazo

Integrantes del equipo:

Sergio Mata Alvarado

Abraham Durán Parra

Juan Pablo Ramírez Ramírez

Gustavo Adolfo Rangel Briano

Samuel Alejandro García Aguilar

Eduardo Alejandro Martínez Zamora

1
ÍNDICE https://www.revistaingenieria.unam.mx/numeros/2019/v20n1-05.pdf

RESUMEN EJECUTIVO
CAPITULO 1 INTRODUCCIÓN
1.1 PLANTEAMIENTO DEL PROBLEMA
1.2 OBJETIVOS
1.2.1 OBJETIVO GENERAL
1.2.2 OBJETIVOS ESPECIFICOS
1.3 JUSTIFICACIÓN
1.4 LIMITACIONES Y DELIMITACIONES
1.4.1 LIMITACIONES
1.4.2 DELIMITACIONES
CAPITULO 2 MARCO TEORICO
2.1 CONCEPTOS GENERALES DE SIMULACIÓN
2.2 GENERACION DE NUMEROS ALEATORIOS Y VARIABLES
ALEATORIAS
2.3 SIMULACIÓN MONTECARLO
2.4 LENGUAJES DE SIMULACION Y SIMULADORES

CAPITULO 3 DESARROLLO
3.1 INTRODUCCIÓN
3.1.1 JORNADA LABORAL DE LOS CAJEROS.
3.1.2 ESTRUCTURA DE ACTIVIDADES EN UNA JORNADA DE
TRABAJO (DE CAJEROS).
3.1.3 DURACIÓN DE LA OPERACIÓN.
3.2 DEFINICIÓN DEL SISTEMA BAJO ESTUDIO
3.2.1 LAYOUT.
3.2.2 DIAGRAMAS DEL SISTEMA
3.2.2.1 Diagrama de operaciones
3.2.2.2 Diagrama de flujo de proceso
3.2.2.3 Diagrama de Flujo
3.3 OBTENCIÓN Y ANÁLISIS DE LOS DATOS DEL SISTEMA.
3.3.1 Análisis de los datos del sistema.
3.3.2 Tamaño de la muestra.
3.3.3 Completar las observaciones faltantes.
3.3.4 Tiempo estándar.
3.3.5 Distribuciones de probabilidad.
3.4 CONSTRUIR EL MODELO
3.5 VALIDAR EL MODELO
3.6 EXPERIMENTACIÓN Y OPTIMIZACIÓN

4. CONCLUSIONES Y RECOMENDACIONES
5. BIBLIOGRAFIA Y REFERENCIAS

2
 Resumen ejecutivo

En los supermercados el acumulamiento de clientes en las cajas de cobro

representa un problema que se ve reflejado en el tiempo que el cliente pasa en la
caja, para nosotros es importante que se brinde un servicio rápido y efectivo, por
que al tener un buen sistema de cobro

El presente trabajo engloba todo un análisis de un sistema el cual se ha estudiado

desde el planteamiento del problema hasta las conclusiones del modelo.

Con esta investigación se busca que maximizar los recursos humanos así como
disminución en los tiempos ya sea de espera y de servicios lo que genera ahorros
económicos así como no solo mantener los clientes sino aumentarlos debido a un
buen servicio.

La metodología presentada más adelante esta contemplada desde el tiempo que

una persona tarda en ser atendido por la cajera así como cada que llega un nuevo
cliente a dicha fila este fue nuestras variables principales a estudiar, esto mediante
software estadísticos que nos auxiliaron en dicho desarrollo para tener la certeza
de como se comportaban tales variables.

También se muestran diagramas de flujo, de proceso y de operaciones esto no

solo para que se vea más grafico el proyecto sino que nos ayudan a entender la
secuencia de las operaciones más detalladamente para con esto analizarlas de
mejor forma y poderlas optimizar.

Para tener una mejor descripción del comportamiento del sistema se realizo una
simulación en el software ProModel, mediante el cual se puede tener un control de
las mismas variables pero apegándonos a la realidad fundamentándonos en los
estudios estadísticos, lo que nos ayudo a lograr una optimización como se
muestra en el presente estudio.

3
Capítulo 1
Introducción.

 Siempre he creído en las metas.,....Ponte una meta y prueba de lograrlo.

Si no funciona, te habrás divertido intentándolo.

Sam Walton.

1.1 PLANTEAMIENTO DEL PROBLEMA.

Muchas empresas de servicio se enfrentan en la actualidad al problema de las

líneas de espera, tal es el caso de BODEGA AURRERA Mariano Hidalgo, ubicada
en Av. Mariano Hidalgo, fraccionamiento Poliducto en Aguascalientes, Ags. Dicha
tienda cuenta con 19 cajas de cobro de las cuales 5 son de cobro rápido (cajas
rápidas), donde los clientes solo pueden llevar un máximo de 5 artículos para
poder ser atendidos en estas.

En BODEGA AURRERA Mariano Hidalgo se cuenta con un total de 3 turnos y 27

cajeros, durante todos los días de la semana, el problema surge cuando en los
días de mayor demanda (viernes, sábado y domingo según el gerente de unidad
Lic. Eduardo Miranda Guerrero) en el turno de cierre de caja (18:00 a 22:00 hrs.)
se suscita el mayor congestionamiento de clientes en caja, sin embargo ofrecer un
servicio muy rápido o abrir todas las cajas a la vez resultaría muy costoso para la
empresa.

Muchos problemas se han resuelto mediante la aplicación de la “Teoría de colas”

de las líneas de espera, ya que busca determinar los niveles óptimos de servicio
que las organizaciones deben de brindar (Moya Navarro, 1991).

4
Un factor determinante en el análisis de este tipo de problemas lo constituye la
característica de las llegadas, que puede ser controlable o incontrolable (de La
Fuente García, 2001).

1.2 OBJETIVOS.

1.2.1 OBJETIVO GENERAL.

Al implantar el proyecto se determinaran los niveles óptimos de servicio para

satisfacer la demanda de atención de los clientes en las cajas rápidas de cobro de
BODEGA AURRERA sucursal Mariano Hidalgo con el costo más bajo posible sin
desmejorar la calidad del servicio.

1.2.2 OBJETIVOS ESPECÍFICOS.

- Lograr una mayor eficiencia en el aprovechamiento de las áreas de trabajo

(cajas).

- Proveer al sistema de gestión cajas nuevos métodos de optimización de tiempos

en la atención de los clientes, debido al incremento de los clientes en horas pico.

- Mejorar la metodología de los cajeros en sus puestos de trabajo, estandarizando

operaciones y tiempos.

- Fomentar medidas y estrategias de mejora continua en las estaciones de trabajo

(cajas) para cumplir la demanda en la hora previamente establecidas.

1.3 JUSTIFICACIÓN.

El siguiente modelo de simulación pretende determinar los factores involucrados

en optimizar el servicio de atención de clientes en las cajas rápidas de cobro de la
tienda comercial BODEGA AURRERA sucursal Mariano Hidalgo, puesto que aquí
se presenta esta situación con regularidad.

5
Con la investigación se busca el beneficia a los administradores y gerencia de
BODEGA AURRERA Mariano Hidalgo ya que se determinarán los niveles óptimos
de servicio de atención de clientes en las cajas rápidas de cobro.

Esta investigación se enfoca en resolver los problemas de llegadas incontrolables

de clientes a cajas rápidas de cobro ofreciendo el servicio al más bajo costo
posible sin comprometer la calidad del mismo y poder controlar la demanda del
servicio de acuerdo a las horas y días de la semana en las que se presente la
determinada demanda.

Así ante lo expuesto, ¿BODEGA AURRERA Mariano Hidalgo cuenta con los
niveles óptimos de servicio para satisfacer la demanda de clientes en cajas
rápidas los días y horario con mayor congestionamiento de clientes al costo más
bajo posible?

Los resultados permitirán minimizar los riesgos en las decisiones estratégicas

(Coss Bu, 2003).

1.4 LIMITACIONES Y DELIMITACIONES.

1.4.1 LIMITACIONES

Los gastos considerados para el desarrollo de este proyecto se limitan a las

posibilidades económicas de los integrantes del equipo, siendo principalmente
gastos de transporte a BODEGA AURRERA Mariano Hidalgo y comida. Así mismo
el tiempo invertido para este proyecto se limita a los fines de semana,
considerando que cada uno de los integrantes son laboran y estudian
actualmente.

6
1.4.2 DELIMITACIONES

El presente proyecto a realizar comprende el semestre en curso, para la entrega

total del proyecto y realizar la evaluación correspondiente a la asignatura. Debido
al número limitado de integrantes del equipo (6 integrantes), se hará el muestreo
tomando como base alrededor de 100 observaciones repartidas entre los
integrantes en cada caja que esté abierta durante las 4 hrs, de toma de
información, la gerencia ha indicado la apertura de 4 cajas rápidas máximo por
turno.

El proyecto se limita a ejecutarse únicamente para el área de cajas rápidas de

BODEGA AURRERA Mariano Hidalgo, ubicada en Av. Mariano Hidalgo,
fraccionamiento Poliducto en Aguascalientes, Ags.

El proyecto analiza los elementos propios del sistema de cajas, centrándose

únicamente en las cajas 15 a 19 ya que estas cajas de cobro son denominadas
“cajas rápidas”, en los días viernes, sábados y domingos de 18:00 a 22:00 hrs.
Pues son considerados por el gerente de unidad el Lic. Eduardo Miranda
Guerrero como los horarios de mayor congestión de clientes en las cajas
anteriormente mencionadas.

Los integrantes del equipo tienen acceso para cronometrar y hacer conteo
solamente en el área de cajas previamente mencionadas con un gafete de
visitante. Los horarios antes mencionados se ajustan a la disponibilidad de todos
los integrantes del equipo.

7
Capítulo 2
Marco Teórico.
Recuerda que lo más importante respecto a cualquier empresa, es que los
resultados no están en el interior de sus paredes. El resultado de un buen
negocio es un cliente satisfecho.
Peter Druker
2.1. CONCEPTOS GENERALES DE SIMULACIÓN

Simulación es el proceso de diseñar y desarrollar un modelo computarizado de un

sistema o proceso y conducir experimentos con este modelo con el propósito de

entender el comportamiento del sistema o evaluar varias estrategias con las

cuales se puede operar el sistema

Robert E. Shannon

La simulación es una técnica numérica para realizar experimentos en una

computadora digital. Estos experimentos involucran ciertos tipos de modelos

matemáticos y lógicos que describen el comportamiento de sistemas de negocios,

económicos, sociales, biológicos, físicos o químicos a través de largos periodos de

tiempo.

Thomas H. Taylor.

8
Características de la simulación.

La simulación tiene características que la hacen una herramienta de planeación y

toma de decisiones poderosa las cuales se mencionan a continuación:

 Captura las interdependencias  Provee información sobre las

en el sistema. mediciones de desempeño

 Explica la variabilidad en el múltiples.

sistema.  Es visualmente atractivo y

 Es suficientemente versátil atrapa el interés de la gente.

como para modelar cualquier  Provee resultados que son

sistema. fáciles de entender y comunicar.

 Es menos costos, consume  Funciona en tiempo

menos tiempo e interrupciones comprimido, real o aún retardado.

que la experimentación sobre el  Fuerza la atención en el detalle

sistema real. en un diseño.

Aplicaciones en las industrias manufactureras y de servicios:

 Programación del  Optimización del tamaño de

mantenimiento lote
 Programación de los recursos  Balanceo de líneas
 Planeación del flujo de trabajo  Prioridad del trabajo
 Planeación de la capacidad  Reducción de costos
 Reducción del tiempo de ciclo  Reducción de inventarios
 Programación de la producción  Análisis del rendimiento total

9
  Mejoramiento de la  Análisis de la distribución
productividad

Simulación de un sistema de líneas de espera:

Con la técnica de simulación es posible estudiar y analizar sistemas de líneas de
espera cuya representación matemática seria muy complicada de analizar en
estos sistemas es posible la llegada al sistema en grupo, la salida de la línea del
sistema, el rehusar entrar al sistema cuando la fila es excesivamente grande.

Simulación de un sistema de inversión:

En la gran cantidad de proyectos de inversión existe una incertidumbre con
respecto a los flujos de efectivo que el proyecto genera a las tasas de interés, a
las tasas de inflación.

Sistema

Un sistema se define como una colección de elementos que funcionan juntos para

lograr una meta deseada (Blanchard, 1991). Los puntos clave en esta definición

incluyen el hecho de que Un sistema consiste de elementos múltiples. Estos

elementos están interrelacionados y función en cooperación. Un sistema existe

para el propósito de lograr objetivos específicos.

La simulación consiste en entidades, actividades, recursos y controles, estos

elementos definen el quién, qué, cuándo y cómo.

10
Entidades

Las entidades son los ítems procesados a través del sistema, tales como

productos, clientes y documentos. Entidades diferentes pueden tener

características únicas tales como costo, forma, prioridad, calidad o condición.

Las entidades pueden subdividirse en los siguientes tipos:

 Humana o animadas (clientes, pacientes, etc.).

 Inanimadas (partes, documentos, recipientes, etc.).

 Intangibles (llamadas, correo electrónico, etc.).

Actividades

Las actividades son las tareas realizadas en el sistema que están directa o

indirectamente involucradas en el procedimiento de las entidades.

Las actividades pueden ser clasificadas como:

 Procesamiento de la entidad

 Movimiento de la entidad y el recurso

 Ajustes, mantenimiento y reparaciones de recursos

Recursos

Los recursos son los medios mediante los cuales las actividades son realizadas.

Proporcionan las instalaciones de apoyo, el equipo y el personal que esta

realizando las actividades.

Tiene una clasificación igual a las entidades que es la siguiente:

11
 Humana o animadas (clientes, pacientes, etc.).

 Inanimadas (partes, documentos, recipientes, etc.).

 Intangibles (llamadas, correo electrónico, etc.).

Controles

Dictan cómo, cuándo y dónde las actividades son realizadas, los controles

imponen orden en el sistema.

Algunos ejemplos de control son los siguientes:

Secuencias de ruta Prioridad de tareas

Planes de producción Hojas de instrucción.

Programas de trabajo

Variables del sistema

Diseñar un nuevo sistema o mejorar un sistema existente requiere más que

simplemente identificar los elementos y metas de desempeño del sistema.

Requiere de un entendimiento de cómo los elementos del sistema afecta a otros y

a los objetivos de desempeño globales.

Para comprender estas relaciones, debemos entender los tres tipos de variables

del sistema:

1. Variables de decisión

2. Variables de respuesta

3. Variables de estado

12
Modelos

Existen distintos tipos de modelos de simulación que permiten representar

situaciones reales de diferentes tipos. La manera en que la simulación funciona

está basada enormemente en el tipo de simulación usado. Hay muchas maneras

de clasificar la simulación. Algunas de las más comunes incluyen:

 Estática o dinámica

 Estocástica o determinista

 Evento discreto o continua

Diferencia entre tipos de modelos

 Simulación estática versus dinámica. Una simulación estática es una que

no está basada en el tiempo. Con frecuencia involucra extracciones de

muestras aleatorias para generar una salida estadística, esto es llamado

algunas veces simulación Monte Carlo. En finanzas, la simulación Monte

Carlo es usada para seleccionar unos portafolios de acciones y valores.

Dado unos portafolios con dividendos probabilistas diferentes, es posible

generar un rendimiento esperado.

La simulación dinámica incluye el paso del tiempo. Observa los cambios de

estado a medida que éstos ocurren en el tiempo. Un mecanismo de reloj se

adelanta en el tiempo y las variables de estado son actualizadas a medida

que el tiempo avanza. La simulación dinámica es apropiada para analizar

sistemas de manufactura y servicios ya que opera en el tiempo.

13
  Simulación estocástica versus determinista. La simulación en las que

una o más variables de entrada son aleatorias son referidas como

simulaciones estocásticas o probabilistas. Una simulación probabilista

produce una salida que por sí misma es aleatoria y por lo tanto da

solamente un dato punto de cómo el sistema podría comportarse.

Las simulaciones que no tienen componentes de entrada que sean

aleatorios se dice que son deterministas. Los modelos de simulación

deterministas son construidos de la misma forma que los modelos

estocásticos excepto que no contienen aleatoriedad. En una simulación

determinista, todos los estados futuros son determinados una vez que los

datos de entrada y un estado inicial han sido definidos.

2.2 GENERACIÓN DE NÚMEROS ALEATORIOS Y VARIABLES ALEATORIAS.

En cualquier experimento de simulación, como también en la mayoría de los

experimentos de muestreo. La utilización de números aleatorios se lleva a cabo
desde hace mucho tiempo, los primeros métodos para ello se desarrollaron en
torno de la creación de algún dispositivo físico que funcionaba de modo que, una
aguja se detuviera en un número que se inscribía en una tabla. Las computadoras
abrieron un nuevo horizonte para el desarrollo de esos números aleatorios.

Los números aleatorios son un ingrediente básico en la simulación de casi todos

los sistemas discretos. La mayoría de los lenguajes tienen una subrutina o función
que generara un número aleatorio. Similarmente, los lenguajes de simulación
generarán un número aleatorio. Similarmente los lenguajes de simulación generan
números aleatorios que son usados para generar los tiempos de eventos y otras
variables aleatorias.

14
Estrictamente hablando, los números generados por una computadora no se
deben llamar números aleatorios porque son predecibles y se pueden reproducir.
Por lo tanto reciben nombres de pseudo aleatorios.

Propiedades de los números aleatorios.

Una secuencia de números aleatorios debe tener dos propiedades estadísticas

importantes: uniformidad e independencia. Cada número aleatorio R1 es una
muestra independiente proveniene de una distribución continua uniforme entre
cero y uno, es decir, la función de densidad de probabilidad está dad por:

f ( x )= {0 , de1 , 0≤otraxforma
≤1

El valor esperado de cada R1 esta dado por:

1 1
x2 1
E ( R )=∫ x dx=
0
[ ] =
2 0 2

Y la varianza está dad por

1 1
x2 1 2 1 1 1
V ( R )=∫ x 2 dx−¿ [ E(R) ] =
0
2
[ ] ()
−
2 0 2
= − = ¿
3 4 12

15
Propiedades de los números pseudo aleatorios.

“Pseudo” significa falso, en este caso se usa para indicar que el solo hecho de
generar números aleatorios mediante un método conocido remueve el potencial de
la aleatoriedad verdadera. Si el método es conocido el conjunto de número
aleatorios puede replicarse. Entonces puede argumentarse que los números no
son ciertamente aleatorios.

La meta es producir una secuencia de números entre cero y uno con las
propiedades ideales de la distribución uniforme e independencia tan cercanamente
como es posible.

Al generar números pseudo aleatorios deben evitarse algunos errores como los
siguientes:

- Los números generados pueden son estar distribuidos uniformemente

- Los números generados pueden ser discretos en lugar de continuos
- La media de los números generados puede ser muy alta o muy baja
- La varianza de los números generados puede ser muy alta o muy baja
- Pudiera haber variaciones cíclicas, tales como:
a. Autocorrelación entre los números
b. Números sucesivamente mas altos o mas bajos que los números
adyacentes
c. Varios números arriba de la media seguidos de varios números
debajo de la media.

Tipos de algoritmos para generar números pseudo aleatorios

 Métodos congruenciales
- Algoritmo de cuadrados medios

Este algoritmo no congruencial requiere de un numero entero detonador (llamado

semilla) con D dígitos.

1 seleccionar una semilla ( X ¿ ¿ 0)¿ con D dígitos (D>3).

16
2 sea ( X ¿ ¿ 0)¿ = resultado de elevar X 0 al cuadrado sesea X 1 = los D dígitos del
centro, y sea r 1=0, D dígitos del centro.

3 Sea Y i = resultado de elevar X j al cuadrado; sea X i +1= los D dígitos del centro, y
sea r 1=0, D dígitos del centro para toda i= 1,2,3….n

4 Repetir el paso 3 hasta obtener los n números r i deseados

- Algoritmo de multiplicador constante

Este algoritmo es similar de productos medios y sigue los pasos que a

continuación se describen:

1 seleccionar una semilla X 0 con D digitos (D>3)

2 seleccionar una constante (a) con D digitos (D>3)

3 Sea Y 0=a X 0; sea X 1 = los D digitos del centro, y sea r i = 0 D dígitos del centro

4 Sea Y 0=a X 0; sea X i +1 = los D digitos del centro, y sea r i +1 = 0 D dígitos del
centro para toda i = 1,2,3 ………….n

 Métodos de Congruencia

Están basados en el algebra de congruencias, entre ellos se encuentran: algoritmo

lineal, algoritmo de congruencia multiplicativo, algoritmo de congruencia aditivo
algoritmo de congruencia cuadrático.

17
 - Algoritmo congruencia lineal

Fue propuesto inicialmente por Lehmer (1951). Produce una secuencia de enteros
por medio de la siguiente ecuación:

X 1 +i=( a X 1+ c ) mod ( m ) i=1,2,3 … . n

Al valor inicial X 0se le llama semilla, a es la constante multiplicativa, c es la

constante aditiva y m es el modulo, X 0> 0 , a>0 , c> 0 y m>0. La operación “mod m”
significa multiplicar X i por a sumar c y dividir el resultado entre m para obtener el
residuo X i +1. La ecuación recursiva del algoritmo de congruencia lineal genera una
secuencia de números S = {0, 1, 2,3,……; m-1} y que para obtener números
pseudo aleatorios en el intervalo (0,1) se requiere:

Xi
r 1=
m−1

- Algoritmo congruencia cuadrático.

Este algoritmo tiene la siguiente ecuación recursiva:

X 1 +i=( a X 2i +b X i +c ) mod ( m ) i=1,2,3 … .n

Xi
Los números r i pueden ser generados por r i =
(m−1)

Pruebas de aleatoriedad

Prueba de medias

Una de las propiedades que deben de cumplir los números del conjunto ri, es el

valor esperado igual a .5. La prueba que busca determinar lo anterior con las

siguientes hipótesis:

18
 Ho: µ = 0.5 H1: µ ≠ 0.5

Consiste en determinar el promedio de los n números que contiene el conjunto

ri, mediante la ecuación siguiente:

n
1
r= ( n ) ∑ ri
i=1

Posteriormente se calculan los límites con las siguientes ecuaciones:

1 ∝ 1
LIr = Z ( )
2 2 √ 12 n

Prueba de varianzas

Consiste en verificar si los números aleatorios generados tienen una varianza

de 1/12 con las siguientes hipótesis:

1
Ho: σ 2 ri=
12

1
H 1:σ 2 ri ≠ Calcule la varianza de los n números generados:
12

V ( r )=¿ ¿

Posteriormente se calculan los límites con las siguientes ecuaciones:

∝ ∝
X2
n−1 X 2 1− n−1
2 2
LIv (r )= LIv (r )=
12(n−1) 12(n−1)

19
Pruebas de uniformidad

Una de las propiedades más importantes que debe cumplir un conjunto de

números ri es el de la uniformidad. Para comprobar su acatamiento se han

desarrollado pruebas como las de Chi-cuadrada y la de Kolmogorov- Smirnov en

las que se aplican las siguientes hipótesis:

Ho: ri se distribuye uniformemente (0, 1)

H1: ri no se distribuye uniformemente (0, 1)

Pruebas de Chi- cuadrada:

Como se menciono anteriormente se trabaja con las mismas hipótesis que en la

de Kolmogorov- Smirnov y el procedimiento es el siguiente:

1.- Generar la muestra de números aleatorios de tamaño n

2.- Subdividir el intervalo (0,1) en m subintervalos

3.- Para cada subintervalo contar la frecuencia observada FOi y calcular la

frecuencia esperada FEi de números aleatorios, la cual se obtiene dividiendo n/m

4.-Se calcula el estimador

m
c=∑ ¿ ¿ ¿
i=1

Prueba de kolmogorov- smirnov

Se aplica a conjuntos ri, pequeños, por ejemplo n<20. El procedimiento es el

siguiente:

20
1.- Ordenar de menos a mayor los números del conjunto ri

r1≤r2≤r3≤…≤rn

2.- Determinar los valores de D+, D- y D con las siguientes ecuaciones:

D+ = Max {1/n – ri}

D- = Max {ri – (i-1)/n}

D= Max (D+, D-)

3.- Determine el valor crítico de acuerdo a tabla de valores críticos de kolmogorov-

Smirnov para un valor dado de α

4.- Si el valor D es mayor que el valor critico D α,n se concluye que los números

del conjunto rin no siguen una distribución uniforme.

Prueba de independencia

Este tipo de pruebas tratan de corroborar si los números en el intervalo (0,1) son
independientes. Para probar la independencia de los números aleatorios de un
conjunto r i primero es necesario formular las siguientes hipótesis

H 0=los numeros aleatorios del conjunto r i son independientes

H 1=los numeros aleatorios delconjunto r i no son independientes

Pruebas de corridas arriba y abajo

De acuerdo con la definición anterior, esta prueba consiste en determinar una

secuencia de nuero (S) que sólo contienen unos y ceros, de acuerdo con una
comparación entre ri y ri-1. Posteriormente se determina el numero de corridas

21
observadas, C 0 luego calcula el valor esperado, la varianza del numero de corridas
y el estadístico Z 0 mediante las ecuaciones:

2 n−1
μ C0 =
3

16 n−29
σ C2 =
0
90

C0 −μ C
Z 0=
| σC0
0

|
Si el estadístico Z 0 es mayor que el valor critico Z a se concluye que los números
2

de conjunto r i no son independientes, de lo contrario no se puede rechazar que el

conjunto r i sea independiente.

Pruebas de corridas arriba y debajo de la media

1 generar la muestra de tamaño n de numeros aleatorios

2 con base en esta muestra, obtener una nueva sucesión binaria, según el criterio
siguiente:

Si r i es menor o igual a 0.5, entonces asignarle r i el símbolo 0

Si r i es mayor que 0.5, entonces asignarle a r i el símbolo 1

3 la frecuencia esperada para cada longitud de corrida i es:

( n−i+3)
FE i=
2i+ 1

4 aplicar la prueba de chi-cuadrada a las frecuencias esperadas y observadas de

las longitudes de corridas i.

22
Prueba Póquer

Esta prueba consiste en visualizar el número r i con cinco decimales, como si fuera
mano de póquer con cinco cartas y clasificarlo como todos diferentes (TD) un par
(1P), dos pares (2P) una tercia (1T), una tercia y un par (TP) póquer (P) y quintilla
(P).

Categoría Cinco decimales

Probabilidad E1
Todos diferentes (TD) 0.3024 0.3024n
Exactamente un par (1P) 0.5040 0.5040n
Dos pares (2P) 0.1080 0.1080n
Una tercia (T) 0.0720 0.0720n
Una tercia y un par (TP) 0.0090 0.0090n
Póquer (P) 0.0045 0.0045n
Quintilla (Q) 0.0001 0.0001n

GENERACIÓN DE VARIABLES ALEATORIAS.

Se dice que una variable aleatoria es una función de valor real cuyo dominio es un
espacio muestral. Las variables aleatorias se representan mediante mayúsculas,
como por ejemplo X, Y, Z. Los valores numéricos reales que puede asumir una
variable aleatoria se represe4ntan mediante minúsculas, como por ejemplo x, y, z.
Se puede hablar de “la probabilidad de que X tome el valor x”, P(X = x) y
representarla mediante p(x).

Existen dos tipos de variables aleatorias: variables aleatorias discretas y variables

aleatorias continuas.

 Variables aleatorias discretas. Se dice que una variable aleatoria X es

discreta si puede tomar sólo un número finito, o un número finito contable,
de valores posibles de x. Este tipo de variables deben cumplir con los
siguientes parámetros:

∞ b
p( x )≥0 , ∑ pi=1 , P ( a≤ x≤b ) =∑ p i= p a +⋯+ pb
i=0 i=1

23
 A la función p(x) se le llama función de probabilidad de X.

Algunas distribuciones discretas de probabilidad son: uniforme discreta,

hipergeométrica, binomial, Bernoulli y Poisson.

 Variables aleatorias continuas. Este tipo de variables se representan

mediante una ecuación que se conoce como función de densidad de
probabilidad. Debe cumplir con los siguientes parámetros.
∞ b
f ( x )≥0 para toda i, ∫−∞ f ( x ) dx=1 P ( a≤x≤b )=∫a f ( x ) dx

La variabilidad de eventos y actividades se representa a través de funciones de

densidad para fenómenos continuos y discretos y mediante distribuciones de
probabilidad para fenómenos de tipo discreto. La simulación de estos eventos se
realiza con la ayuda de la generación de variables aleatorias.

Los principales métodos para generar variables aleatorias son:

 Método de la transformada inversa.

El método de la transformada inversa utiliza la distribución acumulada F(x) de la

distribución que se va a simular. Puesto que F(x) está definida en el intervalo (0,
1), se puede generar un número aleatorio uniforme R y tratar de determinar el
valor de la variable aleatoria para la cual su distribución acumulada es igual a R,
es decir, el valor simulado de la variable aleatoria que sigue una distribución de
probabilidad f(x), se determina al resolver la siguiente ecuación

−1
F( x)=R o x=F ( R)
El método consiste en:

1. Definir la función de densidad f(x) que represente la variable a modelar.

2. Calcular la función acumulada F(x).

24
 3. Despejar la variable aleatoria x y obtener la función acumulada inversa

F( x)−1 .

4. Generar las variables aleatorias x, sustituyendo los valores con números

pseudoaleatorios r i ~. U (0,1) en la función acumulada inversa.

El método de la transformada inversa también puede emplearse para simular

variables aleatorias discretas. La generación se lleva a cabo a través de la
probabilidad acumulada P(x) y la generación de números pseudoaleatorios

r i ~. U (0,1) . El método consiste en:

1. Calcular todos los valores de la distribución de probabilidad p(x) de la

variable a modelar.

2. Calcular todos los valores de la distribución acumulada P(x).

3. Generar números pseudoaleatorios r i ~. U (0,1) .

4. Comparar con el valor de P(x) y determinar qué valores x corresponde a

P(x).

Gráficamente:

Distribución uniforme

Se desea generar números al azar que sigan la siguiente distribución de

probabilidad:

25
 1
f (x)=¿ { b−a
si a≤x≤b ¿ ¿¿¿

La distribución acumulada de esta distribución es:

x 1 x−a
F( x )=∫a dt=
b−a b−a

e igualando esta expresión con el número uniforme con el número pseudoaletorio

r i ~. U (0,1) y despejando x se obtiene

x−a
=F (x )i
b−a
despejando x se tiene
x i=a+(b−a)r i

 Método de convolución.

En algunas distribuciones de probabilidad la variable aleatoria a simular, Y, puede

generarse mediante la suma de otras variables aleatorias X de manera más rápida
que a través de otros métodos. Entonces, el método de convolución se puede
expresar como:

Y = X 1 +X 2 +⋯+X k

Las variables aleatorias de cuatro de las distribuciones más conocidas (de Erlang,
normal, binomial y de Poisson) pueden ser generadas a través de este método.

Distribución normal

La variable aleatoria normal con media μ y desviación estándar σ puede

generarse usando el teorema del límite central:

26
 . N ( kμ x , kσ 2x )
Y = X 1 + X 2 +⋯+ X k ~

Distribución binomial

La v. a. binomial con parámetros N y p puede ser generada a través de la suma de

N variables aleatorias con distribución Bernoulli con parámetro p.

Y =Bi =BE 1 +BE2 +⋯+ BE N ~

. B ( N , p)

 Método de composición.

También conocido como método mixto, permite generar variables aleatorias x

cuando éstas provienen de una función de densidad f(x) que puede expresarse

como una combinación convexa de m distribuciones de probabilidad fi(x).

Entonces, la combinación convexa puede expresarse como

m
F(x)=∑ f i (x)I A (x)
i=1
donde ¿
I A=¿ { 0 si x∈ A ¿ ¿¿
¿
 Método de aceptación y rechazo.

Se utiliza cuando es imposible o extremadamente difícil expresar x en función de

la transformada inversa F-1(U). Sea f la función densidad de probabilidad. Este
método precisa una función que sea mayor que f, tal que g(x) ≥ f(x) para todo x.

g(x) no será una función densidad puesto que

Para c ≤∞, entonces h(x)=g(x)/c es una función densidad.

27
Hay que intentar elegir g de modo que la variable aleatoria Y se pueda generar
rápidamente,

La probabilidad de aceptar Y debiera ser grande (c próxima a 1), lo que significa

que g debe estar próxima a f.

En algunos textos se simplifica el método de la forma siguiente.

Pasos:

1. Normalizar el rango de f utilizando un factor de escala c tal que c.f(x) ≤ 1,

estando x en el rango a ≤ x ≤ b

2. Se define una función lineal de U, x = a + (b-a) U

3. Se generan un par de números aleatorios (U1, U2)

4. Si U2 ≤ c×f[a + (b-a) U1], entonces aceptar el par y utilizar x = a + (b - a) U1

como la variable aleatorio generada.

5. Volver al paso 3.

2.3 MÉTODO DE MONTECARLO.

El método de Montecarlo permite resolver problemas matemáticos mediante la

simulación de variables aleatorias.

John Von Neumann, en los años 40 y con los primeros ordenadores, aplica la
simulación para resolver problemas complejos que no podían ser resueltos de
forma analítica.

Montecarlo y su casino están relacionados con la simulación. La ruleta, juego

estrella de los casinos, es uno de los aparatos mecánicos más sencillos que nos
permiten obtener números aleatorios para simular variables aleatorias.

28
2.4 LENGUAJES DE SIMULACIÓN Y SIMULADORES

El desarrollo de los lenguajes de Simulación comenzó a finales de los años

cincuenta; inicialmente los lenguajes que se usaron fueron los de propósito
general, los cuales tenían las siguientes ventajas:

 El proceso se puede describir con tanta precisión como le sea posible en el

lenguaje conocido.
 Se pueden realizar todas las depuraciones posibles.
 La situación a analizar se puede modelar en forma más o menos sencilla
para el programador por el conocimiento del lenguaje.

Cualquier lenguaje de programación puede ser empleado para Simula, pero los

lenguajes especialmente diseñados presentan las siguientes propiedades:

29
  Acaban la tarea de programación.

 Manejan la flexibilidad en los cambios.

 Ayudan a analizar y a determinar la relación y el número de entidades en el

sistema. Hay un creciente número de lenguajes de programación
disponibles para la implementación de modelos de simulación.

Entre los lenguajes de simulación destacan: GPSS (General Purpose Simulation

System), SLAM (Simulation Language for Alternative Modeling), SIMAN
(Simulation Analysis), y SIMSCRIPT.

La importancia de escribir modelos de simulación en lenguajes de propósitos

generales como FORTRAN radica en:

 Permite conocer los detalles íntimos de la simulación.

 Es imprescindible, cuando no se dispone de software de simulación.

Algunos modelos en lenguajes de simulación permiten interfaces con lenguajes

generales, específicamente FORTRAN (ocurre con SLAM ll, SIMAN, GPSS).

Por otra parte, los lenguajes de simulación ofrecen más ventajas, porque:

 Automáticamente proveen muchas de las facilidades necesarias en la

simulación del modelo.

 Proveen un natural ambiente para modelamiento de la simulación.

 Son fáciles de usar.

 Proveen una gran interacción entre edición, depuración y ejecución.

Alcanzando algunos de ellos implantación de la ingeniería de software.

Simuladores

Clasificación del software para simulación.

30
Existen en el mercado dos grandes clases de software para simulación: los
lenguajes y los simuladores. Un lenguaje de simulación es un software de
simulación de naturaleza general y posee algunas características especiales para
ciertas aplicaciones, tal como ocurre con SLAM 11 y SIMAN con sus módulos de
manufactura. El modelo es desarrollado usando las instrucciones adecuadas del
lenguaje y permitiendo al analista un gran control para cualquier clase de sistema.

Un simulador (o de propósitos especiales) es un paquete de computadoras que

permite realizar la simulación para un ambiente específico, no requiriendo
esfuerzo en programación. Hoy en día existen simuladores para ambientes de
manufactura y sistemas de comunicación permitiendo un menor tiempo en el
desarrollo del modelo, así como también contar con el personal sin experiencia en
simulación.

CACI Products Company autor de SIMSCRIPT 11.5 es también autor de los

simuladores SIMFACTORY 11.5, NETWORK 11.5 y COMNET 11.5, muy
utilizados en estos últimos tiempos para simulaciones de sistemas de
manufacturas, redes de computadoras y redes de telecomunicaciones.

Para procesar transacciones en espera de un ordenamiento, un lenguaje de

simulación debe proporcionar un medio automático de almacenamiento y
recuperación de estas entidades. Atendiendo a la orientación del modelamiento de
una simulación discreta, existen tres formas:

1. Programación de eventos. 3. Exanimación de actividades

2. Procesos.

Una programación al evento es modelada, identificando las características del

evento y luego se escriben un juego de rutinas para los eventos con la finalidad de
describir detalladamente los cambios que ocurren en el tiempo en cada evento.
Lenguajes como SIMSCRIPT 11.5 y SLAM 11 están orientados al evento.

Una interacción al proceso es una secuencia de tiempos interrelacionados,

describiendo la experiencia de una entidad a través del sistema. Por ejemplo, en

31
un modelo de colas esta "historia" se traduce en el paso del tiempo del ingreso a
la cola, ingreso al servidor, paso del tiempo en el servicio y fin del servicio. GPSS,
SIMAN y SIMNET son orientados al proceso.

GASP IV

Es una colección de subrutinas FORTRAN, diseñadas para facilitar la simulación

de secuencia de eventos. Cerca de 30 subrutinas y funciones que proveen
numerosas facilidades, incluyendo:

 Rutinas de avance del tiempo,  Colección de estadísticas.

 Gestión de listas de eventos  Generadores de variables

futuros, aleatorias.

 Adición y remoción de entidades.  Reporte estándar.

GASP IV es un lenguaje de simulación desarrollado por Alan B. Pristker y N. Hurst

en 1973. Es un lenguaje híbrido porque puede ser usado para programadores de
simulación discretos, continuos y combinados; siendo el primero en integrar
completamente estos dos ambientes de función del tiempo. GASP IV es un
derivado del GASP II, y se diferencia por la definición del evento espacio-estado
(state space event).

SIMSCRIPT II.5

Desarrollado en la RAND Corporation por H. Markowtz en los inicios de los

sesenta. SIMSCRIPT 11.5. Es un lenguaje de simulación con orientación al evento
y al proceso, es híbrido porque posee facilidades para simulación de sistemas
discretos y continuos. Un programador SIMSCRIPT 11.5 consiste de las siguientes
partes:

1. Preamble 3. Rutinas de eventos.

2. Main program 4. Rutinas ordinarias.

32
SIMSCRIPT 11.5, producido por CACI Products Company (La Jolla, California),
fue utilizado en el pasado en grandes y complejas simulaciones, como es el caso
de los modelos no orientados a colas; por ejemplo modelos de combates militares.
Se encuentra disponible en versión PC destacando su ambiente de
S11VIGRAPHICS.

SIMSCRIPT 11.5 está basado en entidades, atributos y conjuntos. Visualiza el

mundo a ser simulado como un conjunto de entidades que pueden ser descritas a
través de sus atributos y los eventos que aparecen en el tiempo.

SIMAN/Cinema

La versión original del SIMAN (Simulation and Analysis) fue desarrollada por
Dennis Pegden, en la Universidad de Alabama, cuando era líder del grupo de
desarrollo de la versión original de SLAM (basada en los software de GASP y
Q~GER-r de Pristker and Associates). Más tarde, Pegden inicia su trabajo en el
Pennisylvania State University donde lo diseña como un lenguaje de
modelamiento para propósitos generales, incluyendo facilidades de manufactura
muy útiles en modelamiento de sistemas complejos de manufactura.

Desde su implementación inicial en 1984, ha sido continuamente refinado por

System Modeling Corporation, y en 1998 y 1989 el lenguaje fue completamente
rediseñado dando origen a SIMAN/Cinema.

SIMAN modela un sistema discreto usando la orientación al proceso; es decir, en

un modelo de sistema particular, se estudian las entidades que se mueven a
través del sistema. Una entidad para SIMAN es un cliente, un objeto que se
mueve en la simulación y que posee características únicas conocidas como
atributos. Los procesos denotan la secuencia de operaciones o actividades a
través del que se mueven las entidades, siendo modeladas por el diagrama de
bloques.

33
Usted construye un diagrama de bloque en un flowchart gráfico, seleccionando y
combinando bloques. Después, interactivamente, usando un editor especial se
activa el generador automático de las sentencias del modelo desde el ambiente
gráfico. Los bloques de SIMAN se clasifican en 10 tipos básicos.

Capítulo 3
Desarrollo.
Cuando Contratas gente más lista que tú demuestras ser más listo que ellos.
R. H. Grant

INTRODUCCIÓN:

34
En este capítulo analizaremos el flujo de clientes, el cual está definido por 3
variables de tiempo las cuales son: tiempo de espera del cliente, tiempo de
servicio, tiempo de llegada a caja.

Las variables serán analizadas para buscar la optimización utilizando herramientas

básicas de la ingeniería industrial como son:

Determinación de tamaño de muestra: esto con el fin de conocer el número de

datos que son necesarios tomar para que la muestra sea significativa a la
población y lo cual nos da mayor confianza al estudio.

Toma de tiempos y movimientos: esto nos ayudara a encontrar la herramienta

anterior así como apoyo para los diagramas posteriormente mencionados.

Herramientas Estadísticas: estas herramientas nos ayudan a tener un respaldo a

todos aquellos cálculos que usan en este caso particular las diferentes tipos de
distribuciones ya sean discretas o continuas.

Diagramas de operaciones, diagramas de flujo de proceso y diagrama de

flujo: herramientas que nos ayudaron a mostrar las tareas de una forma más
gráfica y más entendible así como agregar los tiempos en cada tarea a realizar.

Software auxiliar para la simulación (Promodel): este software nos sirvió como
auxiliar para saber cómo se comportaban estadísticamente los tiempos tomados.

Software para diseño (solidworks): este software lo usamos para desarrollar el

diseño del layout ya que buscamos el realizarlo de una forma más gráfica.

JORNADA LABORAL DE LOS CAJEROS.

Horario de entrada: 6:00 p.m.

Horario de salida: 10:00 p.m.
Horario de cajas

35
Cantidad de horas por turno a analizar: 4 horas.

ESTRUCTURA DE ACTIVIDADES EN UNA JORNADA DE TRABAJO (DE

CAJEROS).

Asignación de actividades y chequeo: 3 min.

Necesidades fisiológicas: 5 min.
Apertura de la caja de cobro: 1 min.
Tiempo trabajando: 232 min.

DURACIÓN DE LA OPERACIÓN.

Las actividades fueron cronometradas durante el conocimiento del proceso,

concluyendo que para terminar de atender a un cliente, que se toma un tiempo de
4.288 min.

Dicho dato fue corroborado posteriormente por el supervisor de piso, de la

sucursal.

3.1 DEFINICIÓN DEL SISTEMA BAJO ESTUDIO.

El presente sistema que se encuentra bajo estudio es analizado por medio de

gráficos y diagramas con el fin de conocer de una manera más confiable el
comportamiento de dicho sistema analizando las variables y los componentes del
sistema por ello a continuación se presenta el layout del sistema en estudio:
Bodega Aurrera sucursal Mariano Hidalgo.

3.1.1 LAYOUT.
36
 Fig.1 Layout del sistema cajas de cobro
Bodega Aurrera. (Vista general).

Fig.2 Layout del sistema cajas de cobro

Bodega Aurrera. (Vista isométrica).

37
Fig.3 Layout del sistema cajas de cobro
Bodega Aurrera. (cajas rápidas).

38
 3.7 m

1.2 m

Fig.4 Layout del sistema cajas de cobro

Bodega Aurrera. (Vista superior).

2
1.- Número de cajas = 19
2.- Tiempo de llegada
3.- Tiempo de espera 3
4.- Tiempo de servicio

Fig.5 Elementos del sistema.

39
3.1.2 DIAGRAMAS DEL SISTEMA

Los diagramas ayudan a entender mejo el comportamiento de las variables

además de que nos sirven de apoyo visual como herramienta para conocer y
evaluar los elementos del sistema. A continuación de presentan algunos con la
intención describir las variables del sistema Bodega Aurrera Mariano Hidalgo.

Empresa:

General: La empresa ofrece productos de todo tipo y necesidades es necesario

conocer el flujo de operaciones actual que define al proceso con vista a mejorarlo,
con la ayuda de este diagrama que muestra le secuencia cronológica de todas las
operaciones, inspecciones que se usan en el proceso desde la llegada de los
clientes a la caja de cobro hasta la entrega de su producto embolsado.

MODELO DE SIMULACIÓN
BODEGA AURRERA

40
 3.1.3. Diagrama de operaciones

DIAGRAMA DE OPERACIONES DE PROCESO

OBJETIVO DEL DIAGRAMA Optimizacion de servicio
DIAGRAMA Operaciones 001 METODO Muestral HOJA 06:00 p.m.
ELABORADO POR Samuel Garcia FIRMA FECHA 07/04/2012
AUTORIZO Sergio Humberto Romo Picazo FIRMA FECHA

1 2
Llegada del cliente a caja de cobro
1

2 Espera de servicio

Colocación Producto(s) Barra

3 Transportadora 3 4

4 Registro de Producto por el lector

5 Generacion de Total de Cuenta

5 6
6 Pago de Cuenta

7 Entrega de Comprobante y/o

cambio

8 Revisar cambio
7 8
Toma de producto embolsado
9

3.1.4 Diagrama de flujo de proceso

41
DIAGRAMA DE FLUJO DE PROCESO DIAGRAMA N°. 2 HOJA N°. 2 DE
2
RESUMEN
SISTEMA MATERIAL EQUIPO ACTIVIDAD
X
ACTUAL PROP. AHORROS

Operación 7

ACTIVIDAD: Cobro de productos Demora 1 -

Inspección 1
Almacenamient
o
0
MÉTODO: XD ACTUAL D PROPUESTO Distancia (m.)
LUGAR: Bodega Aurrera Tiempo (seg.) 4.288
OPERARIO:
REALIZADO POR: Samuel García – Abraham Costos:
Duran Información Confidencial
FECHA: 7/ Abr. /12 VoBo. Sergio Humberto
Total
Romo Picazo
Observacion
Símbolo
es
Distanci
Tiemp
Descripción de la actividad a
o          
(metros)
(seg.)

1 Llegada de cliente a caja de cobro - 0.988            

2 Espera de servicio 1.848            
Colocación de producto en barra            
3
transportadora
4 Registro de productos por el lector            
5 Generación de total de cuenta            
6 Pago de cuenta 1.452
           
7 Entrega de Comprobante y/o cambio            
8 Revisar cambio            
9 Toma de producto embolsado            

42
3.1.5 Diagrama de Flujo

4
5
9 8 6
7
3
2

1 Llegada del cliente a caja de cobro

43
2 Espera de servicio

Colocación Producto(s) Barra

3
Transportadora

00

44
4 Registro de Producto por el lector

5 Generacion de Total de Cuenta

45
6 Pago de Cuenta

Entrega de Comprobante y/o

7 cambio

46
8 Revisar cambio

9 Toma de producto embolsado

47
3.2 OBTENCIÓN Y ANÁLISIS DE LOS DATOS DEL SISTEMA.

3.2.1 Análisis de los datos del sistema.

Con base a lo anterior, se obtuvieron los siguientes tiempos que corresponden a

las actividades antes mencionadas:

Muestreo del trabajo: Bodega AURRERA

Fecha ____/____/____
Estudio No. ____1____ Área de estudio:Cajas de cobro rápidas
Observador: _Varios_______________________________
Número de observaciones:________102_______________
RESULTADOS OBTENIDOS
Tiempo entre Tiempo de Tiempo de
Estado No. %
llegada servicio espera
ACTIVO 1 0.130 0.52 0.95
2 2.320 0.68 0.82
3 0.080 1.9 1.46
4 1.500 1.55 1.23
5 1.150 1.23 2.23
6 1.020 0.75 2.76
7 2.100 0.45 0.66
8 1.070 0.71 1.53
9 1.380 0.75 2.09
10 0.730 3.26 2.06
11 1.280 0.87 2.53
12 0.250 2.73 2.46
13 1.620 1.68 2.1
14 3.300 2.65 5.58
15 1.000 1.08 2.93
16 0.050 0.25 3.34
17 0.550 0.42 2.26
18 0.220 0.68 1.78
19 0.420 1.3 1.01
20 1.680 0.85 1.81
21 0.330 0.58 1.66
22 0.280 2.33 1.65
23 0.380 0.92 1.45
24 0.220 0.18 1.83
25 0.260 0.83 1.58
26 0.880 0.71 1.75

48
27 0.280 0.58 1.95
28 0.500 0.91 2.91
29 0.720 1.03 1.23
30 0.880 1.13 2.48
31 3.350 0.76 1.7
32 0.970 3.43 1.68
33 0.530 0.88 1.58
34 0.550 1.25 2.25
35 0.920 0.55 1.33
36 1.260 0.9 1.23
37 0.860 0.8 1
38 1.670 0.9 1.38
39 0.350 0.73 1.23
40 0.300 2.08 1.7
41 0.680 2.82 2.01
42 0.180 1.15 1.78
43 1.800 4.3 2.2
44 3.930 0.5 2.33
45 0.420 1.18 1.66
46 0.470 0.73 1.98
47 0.220 0.8 2.11
48 1.460 1.4 1.23
49 2.960 3.1 2.18
50 0.950 1.26 2.16
51 1.430 6.6 1.85
52 0.680 1.9 1.75
53 1.200 1.63 2.35
54 3.820 2.4 2.2
55 0.080 2.23 1.75
56 0.860 0.45 1.18
57 1.110 1.58 1.95
58 0.250 0.55 2.03
59 0.970 0.46 1.95
60 0.700 2.25 1.7
61 0.930 0.6 2.2
62 0.750 0.73 1.73
63 0.260 0.26 1.71
64 0.030 0.9 1.56
65 0.480 1.08 2.03
66 0.400 1.22 2.05
67 0.900 2.3 1.7
68 1.300 0.6 1.15
69 2.950 0.8 1.58
70 1.250 0.81 2.15
71 1.920 0.8 1.91
72 0.200 0.49 2

49
 73 0.670 2.25 1.5
74 1.120 1.65 1.66
75 0.120 1.48 2.33
76 0.650 0.6 1.85
77 0.520 0.21 1.61
78 0.750 3.47 2.1
79 0.600 3.18 2.25
80 1.280 1.08 1.2
81 0.200 2.48 1.83
82 0.050 2.43 1.78
83 0.820 2.28 1.33
84 1.180 1.46 2.11
85 0.100 1.9 2.16
86 0.720 3.9 2.25
87 2.480 2.03 1.65
88 1.070 0.75 2.01
89 2.300 1.98 1.83
90 0.100 1.75 1.58
91 0.330 0.58 1.41
92 1.970 1.56 1.83
93 1.330 3.1 1.58
94 0.280 2.7 2 92.15%
95 0 0 0
96 0 0 0
97 0 0 0
98 0 0 0
INACTIVO
99 0 0 0
100 0 0 0
101 0 0 0
102 0 0 0 7.84%
Total 102 100%

Para poder realizar un muestreo confiable, se ha realizado el reconocimiento del

área laboral y de las operaciones que se realizan en el turno en estudio de trabajo
(4 horas) durante tres días.

En el muestreo se obtuvieron los siguientes resultados basados en 102

observaciones, las cuales fueron la mayor cantidad de observaciones que el
equipo pudo tomar en dichos 3 días.

50
Comprendiendo que el tiempo de recorrido fue de 3 ½ min, ya que el flujo de
clientes es continuo, por lo tanto la línea tiene mucho flujo y no podíamos interferir
mucho en el proceso:

232min
=33.14 ≈ 34 observaciones /día
2(3.5)
( 34 observaciones ) ( 3 días )=102 observaciones

51
Además, se nos ha pedido que el muestreo involucre a las cinco cajas que la
empresa contempla abrir en estos días.
34 observaciones × día
=7 recorridos/día
5 cajas

Por lo tanto, cada recorrido comprenderá lo siguiente:

34 observaciones × día
=5 observaciones/recorrido
7 recorridos x día

3.2.2 Tamaño de la muestra.

Número de observaciones en tiempo productivo 94

Número de observaciones en tiempo no
8
productivo
Total de observaciones 102

Nota: las observaciones anteriores fueron tomadas como prueba piloto, para
obtener el número de observaciones requeridas para la confiabilidad del estudio.

94
p= =0.9215
102

8
q= =0.0784
102

Con un nivel de confianza del 95% y un error permisible (Precisión), se calcula el

tamaño de la muestra con la siguiente formula:

∝
=0.025(nivel de significancia)
2

52
Z ∝ =1.96(Valor de estadistico )
2

B=5 % (error permisible)

n=( 1.96 )2∗(0.9215∗0.0784)/(0.052 )

n=111.01≈ 112observaciones

En total se tomaran 112 observaciones para el estudio, las cuales aplican en la

toma de tiempos del flujo de los clientes en las cajas de cobro. Estos tiempos
incluyen tiempo entre llegada, tiempo de espera y tiempo de servicio

3.2.3 Completar las observaciones faltantes.

Muestreo del trabajo: Bodega AURRERA

Fecha ____/____/____
Estudio No. ____1____ Área de estudio:Cajas de
cobro_rápidas___
Observador: _Varios_______________________________
Número de observaciones:________112_______________
RESULTADOS OBTENIDOS
Tiempo entre Tiempo de Tiempo de
Estado No. %
llegada servicio espera
ACTIVO 1 0.130 0.52 0.95
2 2.320 0.68 0.82
3 0.080 1.9 1.46
4 1.500 1.55 1.23
5 1.150 1.23 2.23
6 1.020 0.75 2.76
7 2.100 0.45 0.66
8 1.070 0.71 1.53
9 1.380 0.75 2.09
10 0.730 3.26 2.06
11 1.280 0.87 2.53
12 0.250 2.73 2.46
13 1.620 1.68 2.1
14 3.300 2.65 5.58
15 1.000 1.08 2.93

53
16 0.050 0.25 3.34
17 0.550 0.42 2.26
18 0.220 0.68 1.78
19 0.420 1.3 1.01
20 1.680 0.85 1.81
21 0.330 0.58 1.66
22 0.280 2.33 1.65
23 0.380 0.92 1.45
24 0.220 0.18 1.83
25 0.260 0.83 1.58
26 0.880 0.71 1.75
27 0.280 0.58 1.95
28 0.500 0.91 2.91
29 0.720 1.03 1.23
30 0.880 1.13 2.48
31 3.350 0.76 1.7
32 0.970 3.43 1.68
33 0.530 0.88 1.58
34 0.550 1.25 2.25
35 0.920 0.55 1.33
36 1.260 0.9 1.23
37 0.860 0.8 1
38 1.670 0.9 1.38
39 0.350 0.73 1.23
40 0.300 2.08 1.7
41 0.680 2.82 2.01
42 0.180 1.15 1.78
43 1.800 4.3 2.2
44 3.930 0.5 2.33
45 0.420 1.18 1.66
46 0.470 0.73 1.98
47 0.220 0.8 2.11
48 1.460 1.4 1.23
49 2.960 3.1 2.18
50 0.950 1.26 2.16
51 1.430 6.6 1.85
52 0.680 1.9 1.75
53 1.200 1.63 2.35
54 3.820 2.4 2.2
55 0.080 2.23 1.75
56 0.860 0.45 1.18
57 1.110 1.58 1.95
58 0.250 0.55 2.03
59 0.970 0.46 1.95
60 0.700 2.25 1.7
61 0.930 0.6 2.2

54
 62 0.750 0.73 1.73
63 0.260 0.26 1.71
64 0.030 0.9 1.56
65 0.480 1.08 2.03
66 0.400 1.22 2.05
67 0.900 2.3 1.7
68 1.300 0.6 1.15
69 2.950 0.8 1.58
70 1.250 0.81 2.15
71 1.920 0.8 1.91
72 0.200 0.49 2
73 0.670 2.25 1.5
74 1.120 1.65 1.66
75 0.120 1.48 2.33
76 0.650 0.6 1.85
77 0.520 0.21 1.61
78 0.750 3.47 2.1
79 0.600 3.18 2.25
80 1.280 1.08 1.2
81 0.200 2.48 1.83
82 0.050 2.43 1.78
83 0.820 2.28 1.33
84 1.180 1.46 2.11
85 0.100 1.9 2.16
86 0.720 3.9 2.25
87 2.480 2.03 1.65
88 1.070 0.75 2.01
89 2.300 1.98 1.83
90 0.100 1.75 1.58
91 0.330 0.58 1.41
92 1.970 1.56 1.83
93 1.330 3.1 1.58
94 0.280 2.7 2
95 0.580 0.66 1.78
96 1.430 0.78 3
97 0.380 1.2 2.1
98 2.050 0.29 1.35
99 1.350 1.45 1.21
100 1.050 0.25 2.5
101 1.000 0.88 2.31
102 0.290 0.63 2.19
103 0.500 0.35 1.97
104 1.330 1.5 1.83 92.15%
INACTIVO 105 0 0 0
106 0 0 0
107 0 0 0

55
 108 0 0 0
109 0 0 0
110 0 0 0
111 0 0 0
112 0 0 0 7.84%
media 1.41

3.2.4 Tiempo estándar.

Para el cálculo del tiempo estándar es necesario determinar la calificación del

desempeño, en este caso el desempeño de los cajeros al atender a los clientes,
por lo tanto el cálculo del tiempo estándar será enfocado a los cajeros, es decir, al
tiempo de servicio.

De acuerdo con lo anterior, se le ha solicitado al supervisor de piso José Antonio

Salas Vázquez una calificación del desempeño promedio de los cajeros de la
Bodega AURRERA sucursal Mariano Hidalgo, por la experiencia y el tiempo que
ha trabajado con ellos (calificación objetiva).

El supervisor de piso ha determinado una calificación del desempeño para los

cajeros del 85% de efectividad.

Los suplementos se han determinado con base al estándar de un trabajo normal,

que comprenden lo siguiente:

 5% Necesidades personales.
 4% Fatiga básica.

De acuerdo con lo anterior podemos calcular el tiempo normal:

Media del tiempo de

1.41 min
servicio
Calificación del desempeño .85

56
 Tiempo normal 1.2 min

De acuerdo con lo anterior podemos calcular el tiempo normal:

Tiempo normal 1.1985 min

Suplementos 1.09
Tiempo
1.31 min
estándar

3.2.5 Distribuciones de probabilidad.

A continuación se muestran las distribuciones de probabilidad a las que están

sujetos las mediciones observadas en el muestreo anterior:

 TIEMPO ENTRE LLEGADA

57
Se concluye que las mediciones observadas que corresponden al tiempo entre
llegadas de los clientes a caja se adaptan a una distribución exponencial.

 TIEMPO DE ESPERA

Como se muestra en la imagen, la única distribución que no rechaza la distribución

de los datos es la Lognormal

58
Se concluye que las mediciones observadas que corresponden al tiempo de
espera de los clientes en espera de ser atendidos se adaptan a una distribución
lognormal

59
  TIEMPO DE SERVICIO.

Se concluye que las mediciones observadas que corresponden al tiempo de

servicio de los clientes en caja se adaptan a una distribución lognormal.

60
3.2.6 Datos anexos

La gerencia de operaciones de BODEGA AURRERA sucursal Mariano Hidalgo ha

dictaminado algunos datos relevantes al modelo y son los siguientes:

ITEM DESCRIPCIÓN DATO FUENTE

Fila de espera Numero finito de < 15 Lic. Eduardo
entidades Miranda Guerrero
Cerillos Operación en
1 min Lic. Eduardo
tiempo constante Miranda Guerrero
Desbloqueo de Operación en
2 min Lic. Eduardo
caja tiempo constante Miranda Guerrero
Frecuencia de Determinado en
50% de las cajas Supervisor José
bloqueo de cajas estudios previos
abiertas, Antonio Salas
por la empresa
aproximadamente Vázquez
cada dos horas
Descanso de Determinado en Exponencial de 5 Supervisor José
cerillos estudios previos min cada dos Antonio Salas
por la empresa horas Vázquez
Nota: Los datos que se fueron proporcionados para la realización del modelo están relacionados
únicamente a cajas rápidas y tendientes a cambios en el futuro.

3.3 CONSTRUIR EL MODELO

Estructura del problema que enfrenta bodega aurrera en sus cajas de cobro
rápidas:

La empresa Bodega Aurrera sucursal Mariano Hidalgo, enfrenta un problema de

distribución de trabajo en sus cajas rápidas, el problema se presenta con mayor
amplitud los días viernes, sábados y domingos en el último periódo en el que esta
abierta la tienda, que comprende de 6:00 pm a 10:00 pm. La gerencia se interesa
en conocer cual sería la mejor manera de distribuir las cajas, incluso la cantidad
de cajas, ya que mantener una caja rápida abierta involucra un alto costo. Por
política gerencial, no pueden estar abiertas las 5 cajas rápidas al mismo tiempo, y
tampoco puede haber más de 15 clientes formados en la fila común de las cajas.

A la fila de espera del sistema arrivan clientes exponencialmente distribuidos con

una media de 1.0082 min, donde esperan a ser procesados por las cuatro cajas de
cobro abiertas. En dichas cajas se procesa al cliente con una distribución
lognormal con media de 1.2606 min y una desviación estándar de 0.91222 min.

61
Despues el cliente a tomar su producto con los empacadores que trabajan a una
distribución constante de 1 minuto. La empresa ha detectado que el 50% de las
cajas presentaran un bloqueo de cuenta el cual se presenta cada 2 horas.

Para desbloquear la caja el supervisor tarda 2 minutos con una distribucion

constante. Los empacadores toman un descanso cada 2 horas exponencialmente
distribuido con una media de 5 minutos. Actualmente se tiene un empacador por
cada caja.

Realice el modelo de simulación, analice los resultados y determine las medidas

necesarias para optimizar el proceso del sistema, considerando que la empresa
gasta una cantidad considerable por hora en que una caja rápida este abierta.

3.4 VALIDAR EL MODELO

Como se mencionó anteriormente el modelo se construyo a base de 4 cajas

rapidas de cobro por instrucciones de la gerencia, ya que como se indico que
implica un gasto considerable el tener mas cajas rapidas abiertas. Con las
observaciones obtenidas a partir del muestreo que se realizo anteriormente
(viernes, sabado y domingo), se utilizaran para obtener los parametros necesarios
para poder realizar el modelo de simulación.

Tiempo entre llegada

Se distribuye exponencialmente con los siguientes parametros:

Tiempo de servicio

Se distribuye con una distribucion Lognormal con los siguientes parametros:

62
Con los valores de los datos que representan los parametros de cada una de las
distribuciones obtenidas mediante Stat::Fit y con los datos proporcionados por la
empresa procedemos a la realización del modelo de simulación de Bodega
Aurrera sucursal Mariano Hidalgo.

Primeramente para la validación del modelo se procede con las localizaciones que
en este caso son las cajas de cobro, linea de espera y el empaque como se
muestra a continuación:

Como se muestra tenemos una fila de espera con capacidad de 15 clientes

debido a que la gerencia de Bodea Aurrera considera esta cantidad como maxima
en la fila de espera comun hacia las cajas rápidas de cobro, tambien se muestran
las 4 cajas de cobro de las cuales se compone nuestro modelo de simulación asi
como los empacadores (cerillos).

A continuacion se muestran los paros no programados que se pueden presentar

en el modelo de simulación:

Mediante la ayuda de ProModel podemos incluir los paros en las cajas de cobro,
que en este caso seria los bloqueos de cajas que se presentan aproximadamente
cada 2 horas, el cual consume un tiempo de desbloqueo de 2 minutos con una
distribucion constante el cual se presenta aproximadamente en el 50 % de las
cajas (datos proporcionados por la empresa), para llevar a cabo esta situacion y
mostrarlo un poco mas real a la situacion que se presenta en la empresa Bodega

63
Aurrera utilizamos el comando DISPLAY el cual nos muestra en la simulación del
modelo cuando la caja ha sido desbloqueada mediante la siguientye ventana:

Al dar clic en el boton “aceptar” la simulacion continuara, cabe mencionar que este
evento se mostrara varias veces todo dependiendo de cuanto tiempo
programemos el modelo de simulacion. Para poder realizar los desbloqueos en
cajas se utilizo un recurso llamado SUPERVISOR el cual se encargara de la
funcion de desbloqueo de cajas.

Procedemos con las entidades y los recursos

La entidad nos representa al cliente que se procesara en la caja de cobro, los

recursos son los empacadores (cerillos), los cuales son 4 ya que se considera
uno para cada caja de cobro y un supervisor el cual se encargara del desbloqueo
de caja como se menciono anteriormente.

Ahora continuamos con el uso de los recursos:

En esta imagen se muestra la configuracion que se le da a los empacadores

(cerillos), ya que estamos considerando una jornada de 4 horas de trabajo. Lo

64
que indica esta tabla es el descanso que tienen los empacadores (cerillos), cada
hora con una distribución exponencial de 5 minutos ( datos proporcionados por la
gerencia de la empresa).

En esta tabla apreciamos las llegadas de los clientes a la linea de espera con una
distribución exponencial de 1.0082 min ( dato que se obtuvo a partir de las
obserbaciones realizadas en los tres dias de trabajo).

En esta tabla observamos el procesamiento de los clientes en todo el sistema

desde que llegan a la linea de espera, se les da el servicio en caja de cobro,
obtienen sus productos empacados por parte del cerillo y salen del sistema.

En esta tabla se muestra la aplicación de una variable global para cuantificar el

total de clientes procesados en el sistema.

65
En la siguiente imagen se muestra el modelo de simulacion que se construyó en
ProModel.

66
Al modelo de simulación se le agrego una grafica dinámica de la utilizacion de los
empacadores (cerillos), nótese que la ventana se muestra nuevamente donde
indica cuando interviene el supervisor para poder desbloquear la caja.

Contador
(Variable)

Interviene el recurso Grafica dinámica de la

(SUPERVISOR), para poder utilización de los cerillos
desbloquear la caja de cobro

Una vez que la simulación termino en el tiempo que programamos (4 horas),

procedemos a verificar el reporte general de la simulación para observar el
funcionamiento del sistema.

67
Ficha LOCATIONS

Como podemos observar la utilización de las cajas de cobro y de los

empacadores (cerillos), es muy baja en el tiempo programado (4 horas), por lo
que es necesario mejorar la utilización de las cajas.

También se muestra que el total de entradas al sistema son 241 clientes, así
como el contenido máximo de 4 clientes que tuvo la fila de espera.

Ficha LOCATION STATES MULTIPLE

Esta ficha muestra el porcentaje que la fila estuvo parcialmente ocupada 34.48%
y porcentaje que estuvo vacía 65.52%

Ficha LOCATION STATES SINGLE

Esta ficha muestra el porcentaje que las localizaciones (cajas de cobro y

empacadores) estuvieron en operación, estuvieron ociosas, en espera,
bloqueadas y agotadas.
68
Ficha RESOURCES

Esta ficha muestra el estado de los recursos, numero de veces usados, el tiempo
promedio por uso, así como el porcentaje de utilización de los empacadores
(cerillos), podemos observar que la utilización es baja por lo que es otro punto en
cual enfocarnos para mejorar el modelo, en si el supervisor no es muy importante
ya que solo interviene en el sistema cuando hay cajas bloqueadas.

Ficha RESOURCE STATES

En esta ficha observamos el estado de los recursos en porcentaje y podemos

identificar que los empacadores tienen un alto porcentaje de tiempo ocioso.

Ficha ENTITY ACTIVITY

En esta ficha se muestra la cantidad de clientes procesados en el sistema (235

clientes), la cantidad actual que se quedo en el sistema al momento de finalizar la
simulación (6 clientes), y también muestra el tiempo promedio del cliente en el
sistema (2.72 min).

69
Ficha ENTITY STATES

Esta ficha nos muestra el estado de la entidad en el sistema.

Como información importante de este modelo de simulación tenemos:

LOCATIONS

Name % Utilización
FILA ESPERA 2.79
CAJA DE COBRO.1 60.92
CAJA DE COBRO.2 38.33
CAJA DE COBRO.3 23.96
CAJA DE COBRO.4 8.16
CAJA DE COBRO 32.84
EMPACADO.1 50.23
EMPACADO.2 27.08
EMPACADO.3 15.42
EMPACADO.4 5.42
EMPACADO 24.53

RESOURCE STATES

Name % Idle
CERILLO.1 75.42
CERILLO.2 75.42
CERILLO.3 75.42
CERILLO.4 75.60
CERILLO 75.46

ENTITY ACTIVITY

Name Total Exits Avg. Time In System (MIN)

CLIENTE 235 2.72

70
Con esta información obtenida mediante el modelo de simulación anterior
podemos experimentar para encontrar el punto óptimo para mejorar el sistema y
maximizar los recursos.

3.5 EXPERIMENTACIÓN Y OPTIMIZACIÓN

Se realizaron varias pruebas en el modelo de simulación con el fin de analizar y

observar cuales eran los cambios en las variables y con ello poder dictaminar cual
de esos cambios es mas conveniente para la empresa, de acuerdo a las políticas
y lineamientos que establece el corporativo. La primera observación que fue de
vital importancia fue reducir el numero de cajas, ya que las utilizaciones de cada
una de las cajas de cobro estaban mal distribuidas y por consiguiente no tenían un
porcentaje de utilización aceptable, por lo que se determino reducir el numero de
cajas rápidas de cobro a la mitad (2 cajas), considerando que el 50 % de las cajas
en uso reciben un bloqueo cada 2 horas (según datos del supervisor), lo cual
representaría una disminución de paros de caja en un 50 % si se reduce aun
50% la cantidad de cajas abiertas.

La segunda observación fue el porcentaje de tiempo ocio por parte de los

empacadores (cerillos), ya que también su utilización no era aceptable. Los
empacadores (cerillos), así como las cajas de cobro se redujeron a 2, los
empacadores también, aun así al correr el modelo de simulación del modelo con
dos cajas de cobro y dos empacadores, la utilización de estos no era aun
aceptable, por lo que experimentamos con un solo empacador que satisficiera las
dos cajas y nos arrojó una utilización mayor que la consideramos aceptable.

En la siguiente ilustración se muestra la diferencia de utilización con 2

empacadores (cerillos) y con uno solo:

% Tiempo ocio con

dos empacadores
(cerillos)

71
 % Tiempo ocio con
1 empacador
(cerillo)

Por lo tanto la primera optimización del modelo será reducir el número de cajas a
2, las cuales serán operadas por un solo cerillo que empaquetara los productos
terminados de los clientes.

La tercera observación hace referencia a la línea de espera de acuerdo con la

capacidad, ya que como se nos notifico no debería haber mas de 15 clientes en la
fila de acuerdo al supervisor, pero debido a la reducción de cajas a 2 y que estás
serán atendidas por un solo empacador (cerillo), la capacidad de la fila seria de 16
clientes como mínimo para evitar las llegadas fallidas de los clientes.

A continuación se muestra la justificación de la capacidad de la línea de espera:

Si la capacidad como mínimo fuera de 15 clientes, la simulación en el reporte

general nos muestra llegadas fallidas

Como notificamos si la capacidad de la línea de espera es de 15 clientes,

entonces existirá una llegada fallida, pero para optimizarlo y no existan llegadas
fallidas la capacidad de la línea de espera es de 16 como minino para garantizar el
flujo de clientes a caja de cobro.

72
3.6 DOCUMENTACIÓN DEL MODELO

En la siguiente imagen se muestra el modelo de simulación del sistema de Bodega

Aurrera sucursal Mariano Hidalgo, con la optimización adecuada para maximizar
la disponibilidad de los recursos, haciendo uso de dos cajas rápidas y un solo
empacador (cerillo).

Contador
(Variable)

Interviene el recurso Grafica dinámica de la

(SUPERVISOR), para poder utilización del cerillo
desbloquear la caja de cobro

73
A continuación se hace la comparación entre el modelo de simulación original y el
modelo de simulación optimizado.

Ficha LOCATIONS del modelo de simulación original:

Ficha LOCATIONS del modelo de simulación optimizado

Como se puede apreciar en cada una de las fichas de los modelos de simulación,
existe una gran diferencia en cuanto a la utilización de las estaciones de trabajo
(cajas de cobro y empacadores), ya que con modelo optimizado aprovechamos
de una manera mas eficiente las utilizaciones de las locaciones.

Ficha RESOURCE STATES del modelo de simulación original

74
Ficha RESOURCE STATES del modelo de simulación optimizado

La mejora es evidente ya que con el modelo de simulación original teníamos 4

empacadores, los cuales tenían un alto % de tiempo ocioso y con el modelo de
simulación optimizado con un solo empacador (cerillo), podemos satisfacer 2 cajas
aumentando su % de tiempo en uso y disminuyendo su % de tiempo ocio.

Como se muestra el supervisor muestra un tiempo de ocio muy grande aunque en

realidad el estadístico solo representa el tiempo que el supervisor invirtió en
desbloquear la caja, por lo tanto se puede entender que ese 98.33% de ocio en
realidad representa el tiempo que gasta el supervisor gasta en otras operaciones
diferentes a desbloquear caja.

Ficha ENTITY ACTIVITY del modelo de simulación original

Ficha ENTITY ACTIVITY del modelo de simulación optimizado.

La mejora mas significativa que se puede mostrar en el sistema es que en el

modelo de simulación original procesamos 235 clientes en todo el sistema durante
4 horas y por lo consiguiente en el modelo de simulación optimizado procesamos
236 clientes, pero con la diferencia de que solo usamos dos cajas registradoras y

75
un solo empacador (cerillo), esta mejora se refleja económicamente ya que solo
estarán en operación solo dos cajas lo que trae como beneficio un ahorro de
dinero para la empresa.

76
 4. CONCLUSIONES Y RECOMENDACIONES

En este proyecto de simulación implementado al sistema de cajas de la tienda

Bodega Aurrera sucursal Mariano Hidalgo, se logro maximizar la atención al
cliente con el modelo planteado para mejora del sistema ya que se analizaron las
variables se observan en la ejecución de tareas del sistema.

Con la estructuración del modelo podemos tener una noción certera del proceso
real que se tiene en las cajas de cobro de la tienda Aurrera, ya que implico desde
cronometrar las variables de estudio hasta la integración de todos los elementos
del sistema para llevar a cabo la simulación del proyecto.

Para mejorar el proceso de cobro en las cajas de la tienda Aurrera se recomienda

el uso de estándares de tiempo sobre las variables lo que quiere decir es hacer
una programación de locaciones que ayuden en dado caso a reducir el
saturamiento de clientes en el sistema que se verá reflejado en la disminución de
tiempos de servicio y espera.

Lo que nos llevara a tener beneficios como:

 Mejor distribución de los recursos humanos

 Disminución en el tiempo de espera de clientes
 Mejor calidad de servicio
 Mejor flujo de clientes en el sistema
 Ahorros económicos
 Ganar mas clientes

En conclusión específicamente podemos definir gracias a la experimentación del

modelo antes evaluado las siguientes recomendaciones para mejorar la eficiencia
del sistema:

 Disminuir las cajas de 4 a 2; con lo cual se reducirán los costos de energía

eléctrica y salario de cajero además de que los bloqueos de caja antes
mencionados disminuirán en un 50%
 Disminuir el numero empacadores de 4 a 1
 Aumentar la capacidad de la fila de espera de 15 a 16 para no tener
ninguna entrada fallida en otras palabras que ningún cliente deje de
comprar por que la caja esta llena

Con las propuestas antes mencionadas se ha simulado que los clientes

procesados originalmente 235 pueden aumentar a 236 con aproximadamente
el 50% de los recursos que actualmente manejan.

77
 5. BIBLIOGRAFIA Y REFERENCIAS

GARCÍA DUNA EDUARDO, GARCIA REYES HERIBERTO Y CÁRDENAS

BARRÓN LEOPOLDO EDUARDO, SIMULACIÓN Y ANÁLISIS DE SISTEMAS
CON PROMODEL, PRIMERA EDICIÓN, PEARSON EDUCACIÓN, MÉXICO
2006.

GARCÍA, SIERRA Y GUZMÁN, SIMULACIÓN DE SISTEMAS PARA

ADMINISTRACIÓN E INGENIERÍA, CECSA

COSS BU RAÚL. SIMULACIÓN UN ENFOQUE PRÁCTICO, VIGÉSIMA

REIMPRESIÓN 2003. EDITORIAL LIMUSA, S.A de C.V.

PIÑEIRO REDONDO YOLANDA, SIMULACIÓN DE MONTE CARLO DE

SISTEMAS COMPLEJOS EN RED, PRIMERA EDICIÓN.

78