Professional Documents
Culture Documents
SIMULACIN DE SISTEMAS
CUARTO INFORME
TEMA: SIMULACIN DE SERVICIO PRE DELIVERY INSPECTION (PDI)
Profesor: CARBAJAL LPEZ, EDUARDO
Horario: 932
Integrantes:
RESUMEN
20082157
20105203
20111516
20111900
20114827
100%
100%
100%
100%
100%
VARI ALMACENES S.A. es una empresa de almacn de vehculos nuevos a los cuales
les ofrece la prestacin de servicios de inspeccin, mantenimiento y reparacin de
vehculos automotores. Dentro de estos servicios se encuentra el acondicionamiento de
automviles (PDI Pre Delivery Inspection). Asimismo, los vehculos que recibe VARI
ALMACENES S.A. son de la marca KIA y en los siguientes modelos: Carens, Rio y
Picanto.
En el presente informe se especificarn cada uno de los procesos que realiza VARI
ALMACENES S.A. para ofrecer el servicio de PDI. Para ello, se identificarn las variables
aleatorias, probabilidades o proporciones y datos determinsticos presentes en el proceso.
Luego, se realizar el respectivo anlisis del tamao de muestra obtenido para cada
variable aleatoria, segn los pasos vistos en clase para cada uno de los procesos.
El paso anterior es imprescindible para ingresar la data en el Input Analyzer y, de este
modo, obtener la distribucin que sigue cada variable aleatoria. A continuacin, se
describen las hiptesis planteadas segn los resultados de la actividad anterior:
Ho: Los datos siguen la distribucin que dicen ser (depender que distribucin se analice).
H1: Los datos no siguen la distribucin que dicen ser (depender que distribucin se
analice).
Por lo tanto, con el planteamiento anterior, se obtendrn las distribuciones que siguen las
variables aleatorias. A continuacin, estos datos se utilizarn como input en el software
Arena para la posterior simulacin del proceso.
Finalmente, los datos de salida de la simulacin en el software, se corroborarn con los
datos reales tomados al inicio del trabajo, con lo cual se podr concluir con la aceptacin
o rechazo de la hiptesis planteada.
NDICE
RESUMEN............................................................................................................ 2
I.
II.
III.
IV.
ANLISIS DE LOS DATOS: DETERMINACIN DE LOS TAMAOS DE
MUESTRA............................................................................................................ 9
Clasificacin de datos....................................................................................... 9
Tiempo de duracin del proceso de recepcin..................................................10
Tiempo de duracin del proceso de lavado.......................................................13
Tiempo de duracin del proceso de secado......................................................15
Tiempo de duracin del proceso de PDI bsico.................................................18
Tiempo de duracin del proceso de acondicionado...........................................21
Determinacin del tamao de muestra..............................................................23
V. ANLISIS DE LOS DATOS: PRUEBAS DE BONDAD DE AJUSTE Y
DETERMINACIN DE DISTRIBUCIONES DE PROBABILIDAD A USAR EN LA
SIMULACIN...................................................................................................... 26
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
Variable: Tiempo de duracin del proceso de acondicionado Autos
Picanto........................................................................................................... 50
14.
Variable: Tiempo de duracin del proceso de acondicionado Autos
Rio-Carens...................................................................................................... 52
15.
VI.
IDENTIFICACIN ENTIDADES, RECURSOS, VARIABLES DE ESTADO Y
ATRIBUTOS........................................................................................................ 54
VII.
VIII.
MODELO.................................................................................................. 59
IX.
ANIMACIN.............................................................................................. 59
XI.
PLANTEAMIENTO DE ALTERNATIVAS DE MEJORA / PTIMAS PARA EL
SISTEMA SIMULADO EN FUNCIN DE INDICADORES DEFINIDOS EN EL MODELO
63
XII.
Observaciones.......................................................................................... 68
XIII.
Conclusiones............................................................................................ 68
XIV.
ANEXOS................................................................................................... 69
Anexo 1........................................................................................................ 69
Anexo 2........................................................................................................ 70
Anexo 3........................................................................................................ 71
Anexo 4........................................................................................................ 72
Anexo 5........................................................................................................ 73
Anexo 6........................................................................................................ 74
Anexo 7........................................................................................................ 74
I.
seleccionado.
Analizar y clasificar las variables aleatorias, proporciones y datos determinsticos
II.
Elaboracin propia
III.
Clasificacin de datos
En este punto se identific los datos requeridos de los procesos antes mencionados.
A continuacin, se muestra una lista con datos relevantes en cada etapa del sistema:
1. Numero de autos que llegan por da al sistema.
2. Tiempo entre llegadas al sistema.
3. Proporcin de cada modelo de auto que llega al sistema.
4. Tiempo de traslado del almacn hacia recepcin.
5. Tiempo de duracin del proceso de recepcin.
6. Tiempo de traslado de recepcin hacia lavado.
7. Tiempo de duracin del proceso de lavado.
8. Tiempo de traslado de lavado hacia secado.
9. Tiempo de duracin del proceso de secado.
10. Tiempo de traslado de secado hacia PDI bsico.
11. Tiempo de duracin del proceso de PDI bsico.
12. Tiempo de traslado de PDI bsico hacia acondicionado.
13. Tiempo de duracin del proceso de acondicionado.
La variable de proporcin se consider debido a que luego de realizar un anlisis de
los tiempos de duracin de cada proceso se obtuvo que dependiendo del modelo
este tiempo era distinto. En seguida se muestra el anlisis de varianza (Anova) de un
solo factor, realizado para cada una de las variables con el objetivo de demostrar que
existen diferencias significativas en la media para los tiempos de duracin.
C1
C1
1000
500
C2
C2
1000
500
C3
C3
1000
500
60%
62.420
Potencia
90%
100%
133.35
Diferencia
Diferencia
Potencia
62.420
93.286
103.94
116.34
133.35
30.1 - 60.0%
60.0 - 92.7%
70.0 - 97.1%
80.0 - 99.3%
90.0 - 100.0%
La potencia es una funcin de los tamaos de las muestras y de las desviaciones estndar. Para detectar
diferencias menores que 116.34, considere aumentar los tamaos de las muestras.
Estadsticas
Muestra
C1
C2
C3
Tamao de la
muestra
Media
Desviacin
estndar
IC individual
95% para media
30
30
30
914.30
568.55
236.60
161.35
117.43
62.103
(854.05, 974.55)
(524.70, 612.40)
(213.41, 259.79)
0.05
0.1
> 0.5
No
P < 0.001
Muestra
Difiere de
C3
C2
C1
C2 C1
C3 C1
C3 C2
Comentarios
Prueba: usted puede concluir que existen diferencias entre las
medias en el nivel de significancia de 0.05.
Grfica de comparacin: busque intervalos de comparacin
rojos que no se superpongan para identificar las medias que
difieren entre s. Considere el tamao de las diferencias para
determinar si tienen implicaciones prcticas.
C3
C2
C1
200
400
600
800
1000
De los grficos se concluye que existen diferencias entre las medias de las tres variables
(C1, C2, C3) con un nivel de confianza del 95%. En ese sentido, se escogern tres variables
aleatorias distintas; es decir, el anlisis se realizar segn el tipo de carro que ingresa al
proceso de recepcin.
Elaboracin propia
Elaboracin propia
Imagen Nro. 06: Informe de resumen
Elaboracin propia
De los grficos se concluye que existen diferencias entre las medias con un nivel de
confianza del 95%. Es decir, hay evidencia suficiente para afirmar que las medias de
los modelos Carens, Rio y Picanto difieren entre s; por lo tanto, se consider
C1
1600
C1
1200
800
C2
1600
C2
1200
800
C3
1600
1200
800
800
1000
1200
1400
Elaboracin propia
C3
60%
129.10
Potencia
90%
100%
199.85
Diferencia
Diferencia
Potencia
129.10
139.92
155.86
174.40
199.85
52.8 - 60.0%
60.0 - 67.5%
70.0 - 77.3%
80.0 - 86.3%
90.0 - 94.3%
La potencia es una funcin de los tamaos de las muestras y de las desviaciones estndar. Para detectar
diferencias menores que 174.40, considere aumentar los tamaos de las muestras.
Estadsticas
Muestra
C1
C2
C3
Tamao de la
muestra
Media
Desviacin
estndar
IC individual
95% para media
30
30
30
1148.1
994.73
1157.4
208.17
182.01
216.06
(1070.3, 1225.8)
(926.77, 1062.7)
(1076.7, 1238.0)
Elaboracin propia
0.05
0.1
> 0.5
No
P = 0.003
Muestra
Difiere de
C2
C1
C3
C1 C3
C2
C2
Comentarios
Prueba: usted puede concluir que existen diferencias entre las
medias en el nivel de significancia de 0.05.
Grfica de comparacin: busque intervalos de comparacin
rojos que no se superpongan para identificar las medias que
difieren entre s. Considere el tamao de las diferencias para
determinar si tienen implicaciones prcticas.
C2
C1
C3
900
1000
1100
1200
Elaboracin propia
De los grficos se concluye que existen diferencias entre las medias con un nivel de
confianza del 95%. Sin embargo, para el caso de los modelos Rio y Carens no existe
evidencia para decir que las medias no difieren entre s; por ello, se consider
conveniente juntar los tiempos de los dos modelos en este proceso, obteniendo dos
variables aleatorias distintas segn el tipo de carro que ingresa al proceso de secado.
Cabe mencionar que las muestras utilizadas para este anlisis se encuentran en el
archivo Excel anexado.
CARENS
1000
CARENS
750
500
RIO
1000
RIO
750
500
PICANTO
1000
750
500
300
400
500
600
700
800
900
Elaboracin propia
PICANTO
60%
83.998
Potencia
90%
100%
163.09
Diferencia
Diferencia
Potencia
83.998
114.10
127.11
142.27
163.09
35.7 - 60.0%
60.0 - 86.7%
70.0 - 93.3%
80.0 - 97.6%
90.0 - 99.7%
La potencia es una funcin de los tamaos de las muestras y de las desviaciones estndar. Para detectar
diferencias menores que 142.27, considere aumentar los tamaos de las muestras.
Estadsticas
Muestra
Tamao de la
muestra
Media
Desviacin
estndar
IC individual
95% para media
CARENS
RIO
PICANTO
30
30
30
647.1
643.77
569
158.92
185.51
82.082
(587.76, 706.44)
(574.50, 713.04)
(538.35, 599.65)
Elaboracin propia
0.05
0.1
> 0.5
No
P = 0.023
# Muestra
Difiere de
1
2
3
2
1
PICANTO
CARENS
RIO
Comentarios
Prueba: usted puede concluir que existen diferencias entre las
medias en el nivel de significancia de 0.05.
Grfica de comparacin: los intervalos con la menor cantidad
de superposicin se muestran en rojo, e indican las medias con
ms probabilidades de diferir. Considere el tamao de la
diferencia para determinar si tiene implicaciones prcticas.
PICANTO
CARENS
RIO
550
600
650
700
Elaboracin propia
De los grficos se concluye que existen diferencias entre las medias con un nivel de
confianza del 95%. Es decir, hay evidencia suficiente para afirmar que las medias de
los modelos Carens, Rio y Picanto difieren entre s; por lo tanto, se consider
conveniente separar los tiempos de los 3 modelos, obteniendo variables aleatorias
distintas segn el modelo de auto que ingresa al proceso de PDI bsico. Asimismo,
las muestras utilizadas para este anlisis se encuentran en el archivo Excel anexado.
Elaboracin propia
Imagen Nro. 14: Intervalos de confianza para cada muestra
Elaboracin propia
Imagen Nro. 15: Informe de resumen
Elaboracin propia
De los grficos se concluye que existen diferencias entre las medias con un nivel de
confianza del 95%. Sin embargo, para el caso de los modelos Rio y Carens no existe
evidencia para decir que las medias no difieren entre s; por ello, se consider
conveniente juntar los tiempos de los dos modelos en este proceso, obteniendo dos
variables aleatorias distintas segn el tipo de carro que ingresa al proceso de
acondicionado. Cabe mencionar que las muestras utilizadas para este anlisis se
encuentran en el archivo Excel anexado.
d=xe .
En la tabla resumen mostrada lneas abajo se puede observar los tamaos de muestra de
trabajo para cada dato, los clculos se encuentran en el archivo Excel adjunto.
Coeficiente
de
variacin(C.V)
Tamao de
muestra piloto
Error
porcentual
Tamao
Tamao de
muestra
calculado
133
25%
30
0.05
3000
135
105
19%
30
0.05
3000
48
210
20%
30
0.05
3000
65
385
25%
30
0.05
3000
102
105
12%
30
0.05
3000
19
210
23%
30
0.05
3000
63
385
11%
30
0.05
3000
16
385
21%
30
0.05
3000
68
315
19%
30
0.05
3000
54
105
23%
30
0.05
3000
90
Nr
o
Variable/Proporcin
210
24%
30
0.05
3000
123
385
11%
30
0.05
3000
32
385
12%
30
0.05
3000
31
315
15%
30
0.05
3000
42
700
30
0.05
700
242
Elaboracin propia
V.
Elaboracin propia
Descripcin
Elaboracin propia
Descripcin
Esta variable representa el tiempo de duracin del proceso de recepcin Autos
Carens.
Aplicabilidad de pruebas
Para esta variable analizada, se usa una muestra de 48 datos ya que es el nmero
de muestras necesarias para encontrar la distribucin que mejor se ajuste.
Esta variable es continua, por lo que solo cumple con los criterios de seleccin de la
prueba de bondad de ajuste K-S (Kolmogorov-Smirnov).
Anlisis p-value
Para determinar la distribucin de mejor ajuste, realizamos las pruebas de bondad de
ajuste en el software Input Analyzer con un nivel de significancia del 95%.
Planteamos las siguientes hiptesis:
Ho: Los datos siguen una distribucin BETA.
H1: Los datos no siguen una distribucin BETA.
En base a los resultados obtenidos en la prueba de bondad de ajuste K-S, el p-value
es mayor que 0.15, al ser este valor mayor que 0.05, no existe evidencia suficiente
para rechazar la hiptesis nula. Lo cual indica que los datos se ajustan mejor a la
distribucin BETA.
Errores cuadrticos
Se obtienen otras distribuciones que tambin se ajustan a los datos; sin embargo,
podemos observar que en el resumen de Fit All summary, la distribucin que posee el
menor error cuadrtico es la distribucin BETA.
Distribucin: 637+ 542*BETA (0.609,0.866)
Elaboracin propia
Descripcin
Esta variable representa el tiempo de duracin del proceso de recepcin Autos Rio
Aplicabilidad de pruebas
Para esta variable analizada, se usa una muestra de 65 datos ya que es el nmero
de muestras necesarias para encontrar la distribucin que mejor se ajuste.
Esta variable es continua, por lo que solo cumple con los criterios de seleccin de la
prueba de bondad de ajuste K-S (Kolmogorov-Smirnov).
Anlisis p-value
Elaboracin propia
Descripcin
Esta variable representa el tiempo de duracin del proceso de lavado Autos Picanto
Aplicabilidad de pruebas
Para esta variable analizada, se usa una muestra de 102 datos ya que es el nmero
de muestras necesarias para encontrar la distribucin que mejor se ajuste.
Esta variable es continua ya adems el tamao de la muestra es mayor a 90, por lo
que cumple con los criterios de seleccin de la prueba de bondad de ajuste K-S
(Kolmogorov-Smirnov) y Chi - Cuadrado.
Anlisis p-value
Para determinar la distribucin de mejor ajuste, realizamos las pruebas de bondad de
ajuste en el software Input Analyzer con un nivel de significancia del 95%.
Imagen Nro. 23: Tiempo de duracin del proceso de lavado Autos Carens
Elaboracin propia
Descripcin
Esta variable representa el tiempo de duracin del proceso de lavado Autos Carens.
Aplicabilidad de pruebas
Para esta variable analizada, se usa una muestra de 19 datos ya que es el nmero
de muestras necesarias para encontrar la distribucin que mejor se ajuste.
Esta variable es continua, por lo que solo cumple con los criterios de seleccin de la
prueba de bondad de ajuste K-S (Kolmogorov-Smirnov).
Anlisis p-value
Para determinar la distribucin de mejor ajuste, realizamos las pruebas de bondad de
ajuste en el software Input Analyzer con un nivel de significancia del 95%.
Planteamos las siguientes hiptesis:
Ho: Los datos siguen una distribucin BETA.
H1: Los datos no siguen una distribucin BETA.
En base a los resultados obtenidos en la prueba de bondad de ajuste K-S, el p-value
es mayor que 0.15, al ser este valor mayor que 0.05, no existe evidencia suficiente
para rechazar la hiptesis nula. Lo cual indica que los datos se ajustan mejor a la
distribucin BETA.
Errores cuadrticos
Se obtienen otras distribuciones que tambin se ajustan a los datos; sin embargo,
podemos observar que en el resumen de Fit All summary, la distribucin que posee el
menor error cuadrtico es la distribucin BETA.
Distribucin: 622 + 258 * BETA (0.753, 1.17)
Imagen Nro. 24: Tiempo de duracin del proceso de lavado Autos Rio
Elaboracin propia
Descripcin
Esta variable representa el tiempo de duracin del proceso de lavado Autos Rio.
Aplicabilidad de pruebas
Para esta variable analizada, se usa una muestra de 63 datos ya que es el nmero
de muestras necesarias para encontrar la distribucin que mejor se ajuste.
Esta variable es continua, por lo que solo cumple con los criterios de seleccin de la
prueba de bondad de ajuste K-S (Kolmogorov-Smirnov). Por otro lado, a pesar de
que el software nos muestra el test Chi-Cuadrado, no cumple con los criterios de este
porque el tamao de muestra es menor a 90.
Anlisis p-value
Para determinar la distribucin de mejor ajuste, realizamos las pruebas de bondad de
ajuste en el software Input Analyzer con un nivel de significancia del 95%.
Planteamos las siguientes hiptesis:
Ho: Los datos siguen una distribucin UNIFORM.
H1: Los datos no siguen una distribucin UNIFORM.
En base a los resultados obtenidos en la prueba de bondad de ajuste K-S, el p-value
es mayor que 0.15, al ser este valor mayor que 0.05, no existe evidencia suficiente
para rechazar la hiptesis nula. Lo cual indica que los datos se ajustan mejor a la
distribucin UNIFORM.
Errores cuadrticos
Se obtienen otras distribuciones que tambin se ajustan a los datos; sin embargo,
podemos observar que en el resumen de Fit All summary, la distribucin que posee el
menor error cuadrtico es la distribucin UNIFORM.
Distribucin: UNIF (409, 919)
Imagen Nro. 25: Tiempo de duracin del proceso de lavado Autos Picanto
Elaboracin Propia
Descripcin
Esta variable representa el tiempo de duracin del proceso de lavado Autos
Picanto.
Aplicabilidad de pruebas
Para esta variable analizada, se usa una muestra de 16 datos ya que es el nmero
de muestras necesarias para encontrar la distribucin que mejor se ajuste.
Esta variable es continua, por lo que solo cumple con los criterios de seleccin de la
prueba de bondad de ajuste K-S (Kolmogorov-Smirnov).
Anlisis p-value
Para determinar la distribucin de mejor ajuste, realizamos las pruebas de bondad de
ajuste en el software Input Analyzer con un nivel de significancia del 95%.
Planteamos las siguientes hiptesis:
Ho: Los datos siguen una distribucin BETA.
H1: Los datos no siguen una distribucin BETA.
En base a los resultados obtenidos en la prueba de bondad de ajuste K-S, el p-value
es mayor que 0.15, al ser este valor mayor que 0.05, no existe evidencia suficiente
para rechazar la hiptesis nula. Lo cual indica que los datos se ajustan mejor a la
distribucin BETA.
Errores cuadrticos
Se obtienen otras distribuciones que tambin se ajustan a los datos; sin embargo,
podemos observar que en el resumen de Fit All summary, la distribucin que posee el
menor error cuadrtico es la distribucin BETA.
Distribucin: 659 + 262 * BETA (0.474, 0.758)
Elaboracin Propia
Descripcin
Elaboracin Propia
Descripcin
10. Variable: Tiempo de duracin del proceso de PDI bsico Autos Carens.
Imagen Nro. 28: Tiempo de duracin del proceso de PDI bsico Autos Carens
Elaboracin Propia
Descripcin
Esta variable representa el tiempo de duracin del proceso de PDI bsico Autos
Carens.
Aplicabilidad de pruebas
Para esta variable analizada, se usa una muestra de 90 datos ya que es el nmero
de muestras necesarias para encontrar la distribucin que mejor se ajuste.
Esta variable es continua, por lo que solo cumple con los criterios de seleccin de la
prueba de bondad de ajuste K-S (Kolmogorov-Smirnov).
Anlisis p-value
Para determinar la distribucin de mejor ajuste, realizamos las pruebas de bondad de
ajuste en el software Input Analyzer con un nivel de significancia del 95%.
Planteamos las siguientes hiptesis:
Ho: Los datos siguen una distribucin BETA.
H1: Los datos no siguen una distribucin BETA.
En base a los resultados obtenidos en la prueba de bondad de ajuste K-S, el p-value
es igual a 0.094, al ser este valor mayor que 0.05, no existe evidencia suficiente para
rechazar la hiptesis nula. Lo cual indica que los datos se ajustan mejor a la
distribucin BETA.
Errores cuadrticos
Se obtienen otras distribuciones que tambin se ajustan a los datos; sin embargo,
podemos observar que en el resumen de Fit All summary, la distribucin que posee el
menor error cuadrtico es la distribucin BETA.
Distribucin: 416 + 468 * BETA (0.618, 0.592)
11. Variable: Tiempo de duracin del proceso de PDI bsico Autos Rio.
Imagen Nro. 29: Tiempo de duracin del proceso de PDI bsico Autos Rio
Elaboracin Propia
Descripcin
Esta variable representa el tiempo de duracin del proceso de PDI bsico Autos
Rio.
Aplicabilidad de pruebas
Para esta variable analizada, se usa una muestra de 123 datos ya que es el nmero
de muestras necesarias para encontrar la distribucin que mejor se ajuste.
Esta variable es continua y adems el tamao de muestra es mayor a 90, por lo que
cumple con los criterios de seleccin de la prueba de bondad de ajuste K-S
(Kolmogorov-Smirnov) y la prueba Chi - Cuadrado.
Anlisis p-value
Para determinar la distribucin de mejor ajuste, realizamos las pruebas de bondad de
ajuste en el software Input Analyzer con un nivel de significancia del 95%.
Planteamos las siguientes hiptesis:
Ho: Los datos siguen una distribucin BETA.
H1: Los datos no siguen una distribucin BETA.
En base a los resultados obtenidos en la prueba de bondad de ajuste K-S y Chi Cuadrado, el p-value es mayor que 0.15 en ambos casos, al ser este valor mayor que
0.05, no existe evidencia suficiente para rechazar la hiptesis nula. Lo cual indica que
los datos se ajustan mejor a la distribucin BETA.
Errores cuadrticos
Se obtienen otras distribuciones que tambin se ajustan a los datos; sin embargo,
podemos observar que en el resumen de Fit All summary, la distribucin que posee el
menor error cuadrtico es la distribucin BETA.
Distribucin: 350 + 561 * BETA (0.809, 0.835)
12. Variable: Tiempo de duracin del proceso de PDI bsico Autos Picanto.
Imagen Nro. 30: Tiempo de duracin del proceso de PDI bsico Autos Picanto
Elaboracin Propia
Descripcin
Esta variable representa el tiempo de duracin del proceso de PDI bsico Autos
Picanto.
Aplicabilidad de pruebas
Para esta variable analizada, se usa una muestra de 32 datos ya que es el nmero
de muestras necesarias para encontrar la distribucin que mejor se ajuste.
Esta variable es continua, por lo que solo cumple con los criterios de seleccin de la
prueba de bondad de ajuste K-S (Kolmogorov-Smirnov).
Anlisis p-value
Para determinar la distribucin de mejor ajuste, realizamos las pruebas de bondad de
ajuste en el software Input Analyzer con un nivel de significancia del 95%.
Planteamos las siguientes hiptesis:
Ho: Los datos siguen una distribucin BETA.
H1: Los datos no siguen una distribucin BETA.
En base a los resultados obtenidos en la prueba de bondad de ajuste K-S, el p-value
es mayor que 0.15, al ser este valor mayor que 0.05, no existe evidencia suficiente
para rechazar la hiptesis nula. Lo cual indica que los datos se ajustan mejor a la
distribucin BETA.
Errores cuadrticos
Se obtienen otras distribuciones que tambin se ajustan a los datos; sin embargo,
podemos observar que en el resumen de Fit All summary, la distribucin que posee el
menor error cuadrtico es la distribucin BETA.
Distribucin: 436 + 258 * BETA (0.644, 0.628)
Elaboracin propia
Descripcin
Esta variable representa el tiempo de duracin del proceso de acondicionado Autos
Picanto.
Aplicabilidad de pruebas
Para esta variable analizada, se usa una muestra de 31 datos ya que es el nmero
de muestras necesarias para encontrar la distribucin que mejor se ajuste.
Esta variable es continua, por lo que solo cumple con los criterios de seleccin de la
prueba de bondad de ajuste K-S (Kolmogorov-Smirnov).
Anlisis p-value
Para determinar la distribucin de mejor ajuste, realizamos las pruebas de bondad de
ajuste en el software Input Analyzer con un nivel de significancia del 95%.
Planteamos las siguientes hiptesis:
Ho: Los datos siguen una distribucin NORMAL.
H1: Los datos no siguen una distribucin NORMAL.
En base a los resultados obtenidos en la prueba de bondad de ajuste K-S, el p-value
es mayor que 0.15, al ser este valor mayor que 0.05, no existe evidencia suficiente
para rechazar la hiptesis nula. Lo cual indica que los datos se ajustan mejor a la
distribucin NORMAL.
Errores cuadrticos
Se obtienen otras distribuciones que tambin se ajustan a los datos; sin embargo,
podemos observar que en el resumen de Fit All summary, la distribucin que posee el
menor error cuadrtico es la distribucin NORMAL.
Distribucin: NORM (1.23e+003, 146)
Rio-
Elaboracin propia
Descripcin
Esta variable representa el tiempo de duracin del proceso de acondicionado Autos
Rio-Carens.
Aplicabilidad de pruebas
Para esta variable analizada, se usan de 42 datos ya que es el nmero de muestras
necesarias para encontrar la distribucin que mejor se ajuste.
Esta variable es continua, por lo que solo cumple con los criterios de seleccin de la
prueba de bondad de ajuste K-S (Kolmogorov-Smirnov).
Anlisis p-value
Para determinar la distribucin de mejor ajuste, realizamos las pruebas de bondad de
ajuste en el software Input Analyzer con un nivel de significancia del 95%.
Planteamos las siguientes hiptesis:
Ho: Los datos siguen una distribucin BETA.
H1: Los datos no siguen una distribucin BETA.
En base a los resultados obtenidos en la prueba de bondad de ajuste K-S, el p-value
es mayor que 0.15, al ser este valor mayor que 0.05, no existe evidencia suficiente
para rechazar la hiptesis nula. Lo cual indica que los datos se ajustan mejor a la
distribucin BETA.
Errores cuadrticos
Se obtienen otras distribuciones que tambin se ajustan a los datos; sin embargo,
podemos observar que en el resumen de Fit All summary, la distribucin que posee el
menor error cuadrtico es la distribucin BETA.
Distribucin: 495 + 378 * BETA (0.933, 0.729)
Probabilida
d
0.54
0.32
0.14
Elaboracin propia
VI.
Autos
Recursos
Se definen los recursos como las personas y/o mquinas que realizarn las labores
descritas en sus respectivas estaciones de trabajo. Los recursos son:
rea de Recepcin
- Operario de Recepcin (2)
rea de Lavado
- Operario de Lavado de Lnea 1
- Operario de Lavado de Lnea 2
rea de Secado
- Operario de Secado de Lnea 1 (2)
- Operario de Secado de Lnea 2 (2)
rea de PDI
- Operario mecnico
- Operario elctrico
rea de Acondicionado
- Operario de Acondicionado de Lnea 1
- Operario de Acondicionado de Lnea 2
Variables de estado
Se define como variable de estado a la condicin que presentarn los recursos
involucrados en el sistema. Estos pueden ser:
Operario de Recepcin
- Ocupado: Este estado se da cuando el operario est ejecutando la
-
iniciar su recepcin.
Inactivo: Este estado se define cuando el operario de Recepcin se
iniciar su lavado.
Inactivo: Este estado se define cuando el operario de Lavado se encuentra
en el horario de refrigerio.
Operario de Secado
- Ocupado: Este estado se da cuando el operario est ejecutando la
-
iniciar su secado.
Inactivo: Este estado se define cuando el operario de Secado se
encuentra en el horario de refrigerio.
Operario de Acondicionado
- Ocupado: Este estado se da cuando el operario est ejecutando la
-
iniciar su acondicionado.
Inactivo: Este estado se define cuando el operario de Acondicionado se
encuentra en el horario de refrigerio.
Variables adicionales
Nombre de Contadores Internos
CantidadCarrosMalos
Este
Descripcin
contador
representa
cantidad
de
autos
que
la
fueron
de
autos
que
la
fueron
adicional de Pintado.
Este
contador
representa
cantidad
de
autos
que
la
fueron
adicional de Mecnica.
Este
contador
representa
la
de
la
emergencia
aplicacin
en
y
las
CantidadCarrosServicio3
y Acondicionado
Este
contador
representa
la
de
la
emergencia
aplicacin
en
y
las
Lavado y Secado
Este
contador
representa
la
Modelo de auto:
- Picanto (Modelo==1)
- Rio (Modelo==2)
- Carens (Modelo==3)
Cantidad de autos: Nmero de autos que llegan al da.
Calidad de autos: Define si el auto sale a despacho o reparacin.
Tipo de servicio: Define el servicio que va recibir el auto.
- Servicio Regular PDI (TipoDeServicio==1)
- Servicio Mecnico (TipoDeServicio==2)
- Servicio Pintura (TipoDeServicio==3)
Lnea de Atencin: Define la lnea en la que se atendi el auto.
Reparacin Regulares: Define los autos que reciben servicio regular y requieren
alguna reparacin, ya sea mecnica o de pintura.
VII.
VIII.
MODELO
Adjuntado en Arena
IX.
ANIMACIN
Adjuntado en Arena
X.
6pm.
Las condiciones iniciales son conocidas. La llegada de los carros que sern
atendidos durante el da ya ha sido programada el da anterior. Asimismo, las
condiciones iniciales de las entidades programadas, como de las entidades
que llegan con situacin de emergencia, son conocidas.
Ho: E(Y) = C
H1: E(Y) C
Lo cual quiere decir que, la hiptesis planteada indica que los valores obtenidos
del modelo son iguales al levantamiento de informacin de los mismos
indicadores en la realidad; mientras que la hiptesis nula indica lo contrario.
Debido a que el sistema analizado es un sistema terminal, bastar con realizar el
clculo de los Intervalos de Confianza relacionados al modelo.
Para el anlisis, se evaluar la siguiente variable, en donde se analizarn 11
indicadores en total, utilizando 30 rplicas con el fin de hallar el nmero de
rplicas final necesario:
En la siguiente tabla se muestra el clculo respectivo del nmero de rplicas necesarias para obtener resultados
correctos del modelo. Finalmente, podemos afirmar que se necesitarn 33004 rplicas.
Al correr el modelo una vez ms con las 33004 rplicas necesarias, se proceder al clculo de los Intervalos de
confianza para la validacin de resultados, obtenindose los siguientes resultados:
De la tabla anterior, se observa que de la validacin de las 11 variables no existe evidencia para rechazar la hiptesis
nula en 3 de ellas; sin embargo, en 8 de ellas no se logra validar el modelo.
Finalmente, se realizar la validacin de resultados mediante las pruebas de hiptesis de t-student con un nivel de
significancia del 5%:
Luego de las pruebas de hiptesis con los parmetros de t-student, se observa que de la validacin de las 11 variables
no existe evidencia para rechazar la hiptesis nula en 3 de ellas; sin embargo, en 8 de ellas no se logra validar el
modelo.
XI.
alternativa
Costos
mejora.
Operarios
Mensual
Horario
S/.
La
Operario Recepcin 1
1,256.00 S/. 6.04
utilidad se
S/.
Operario Recepcin 2
1,256.00 S/. 6.04
S/.
los costos Operario Lavado 1
1,256.00 S/. 6.04
S/.
directa y las
Operario Lavado 2
1,256.00 S/. 6.04
(ingresos)
S/.
por
cada Operario Secado 1
1,256.00 S/. 6.04
S/.
atendido
Operario Secado 2
1,256.00 S/. 6.04
proceso de
S/.
Operario
PDI
1
1,256.00
S/. 6.04
se presenta
S/.
costos
Operario PDI 2
1,256.00 S/. 6.04
Operario
S/.
Acondicionado 1
1,256.00 S/. 6.04
Operario
S/.
Acondicionado 2
1,256.00 S/. 6.04
S/.
S/.
Operario Pintura
3,925.00
18.87
S/.
Operario Mecnico
1,884.00 S/. 9.06
estructura
de
de
la
define
principalmente por
de la mano de obra
ganancias
son
consideradas
unidad
que
de
termina
carro
el
PDI. A continuacin
el detalle de los
asumidos.
Tabla de costos
Los costos mensuales de los operarios son considerando los pagos adicionales por
estar en planilla; es decir los pagos de CTS, seguros y otros beneficios.
en el
Ingresos
45
($/Carro)
28
($/Carro)
15
($/Hora)
Tabla de Ingresos
En la siguiente figura se muestran los valores mximos y mnimos de los controls
tomados en cuenta.
Para la funcin objetivo definida, se multiplicar a cada control por los costos
descritos en la tabla anterior.
Recursos
Mecnico
Operario Acondicionado 1
Operario Acondicionado 2
Operario Lavado 1
Operario Lavado 2
Operario PDI 1
Operario PDI 2
Operario Pintura
Operario Recepcin
Operario Secado 1
Operario Secado 2
Total
Cantidad
actual
1
2
2
1
1
2
2
1
2
2
2
18
Cantidad
sugerida
2
2
3
2
2
2
2
2
3
4
4
28
Tiempo promedio
Recepcin
Tiempo promedio
Lavado 1
Tiempo promedio
Lavado 2
Tiempo promedio
Secado 1
Tiempo promedio
Secado 2
Tiempo promedio
PDI bsico 1
Tiempo promedio
PDI bsico 2
Tiempo promedio
Acondicionado 1
Tiempo promedio
Acondicionado 2
Tiempo promedio
mecnica
Tiempo promedio
pintura
de Espera en Cola
de Espera en Cola
de espera en Cola
de Espera en Cola
de Espera en Cola
de espera en cola
de espera en cola
de espera en Cola
de espera en Cola
de espera en cola
de espera en cola
Actual
Luego de Porcentaj
(segundo
la
e
s)
Optimizaci respecto
n
al valor
(segundos
actual
)
2730.0730
4700.4
-42%
95
210.15
-100%
507.7
131.2
-74%
1.2037
-100%
4.411
-100%
71.34
-100%
142.17
34.0685
-76%
561.4
-100%
1409.1 20.649583
-99%
1260.2
1292.99
3%
3883.3
3149.0635
15
-19%
12751.37 7358.0446
47
93
TOTAL
-42%
XII.
Observaciones
XIII.
XIV.
A partir de la mejora propuesta, se obtiene una reduccin del 42% del total de
tiempos de cola. Lo que conlleva a que se pueda cubrir una demanda futura
con tendencia creciente como viene sucediendo en la realidad.
ANEXOS
Anexo 1
Tiempo en cola de lavado
Correlativ
o
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
Tiempo
553
430
740
726
581
525
694
603
697
680
551
501
530
410
757
777
604
562
553
698
529
460
724
678
620
755
27
28
29
30
558
697
771
765
Anexo 2
Tiempo en cola de secado
Correlativ
o
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
Tiempo
358
386
274
343
377
282
262
376
267
269
327
369
376
370
343
314
367
366
354
317
293
336
352
264
306
305
308
360
29
30
377
311
Anexo 3
Tiempo en cola de PDI bsico
Correlativ
o
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
Tiempo
574
593
642
392
442
610
432
476
582
582
470
559
413
414
410
421
399
452
610
551
440
559
468
485
592
536
27
28
29
30
620
400
493
543
Anexo 4
Tiempo en cola de Acondicionado
Ti
e
m
Correlat p
ivo
o
4
4
1
3
3
1
2
0
4
4
3
4
5
4
4
6
2
6
5
0
2
7
6
1
5
2
7
1
3
2
8
7
4
8
9
4
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
3
9
3
3
3
7
3
2
4
5
4
3
4
1
0
3
2
1
2
7
1
3
1
8
2
7
7
3
6
6
4
6
8
3
5
9
4
0
1
3
6
9
3
7
1
3
8
0
4
2
27
28
29
30
0
4
5
7
4
8
5
3
1
7
5
4
1
Anex
Tiempo
en cola
de
Pintura
6
1
0
4
.
9
6
0
8
8
.
7
10
11
6
1
4
5
.
2
6
0
7
5
.
3
6
1
2
9
.
5
6
0
7
4
.
1
6
0
7
0
.
1
6
0
8
5
.
3
6
0
9
2
.
9
6
0
8
0
6
1
1
7
12
13
14
15
16
17
18
19
20
.
1
6
1
4
4
.
8
6
0
8
0
.
7
6
0
7
1
.
2
6
0
5
6
.
5
6
0
5
6
.
7
6
0
5
2
6
0
7
8
.
6
6
1
4
3
6
0
9
4
21
22
23
24
25
26
27
28
.
6
6
1
4
8
.
7
6
0
4
7
.
4
6
1
3
2
.
2
6
0
8
6
.
8
6
0
7
2
.
2
6
0
4
5
.
7
6
0
6
7
.
2
6
0
8
0
.
8
6
1
0
7
.
9
6
0
7
6
.
5
29
30
Anexo 6
Tiempo en cola de Mecnica
Correlativo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
Tiempo
1521
1524
1515
1527
1537
1517
1512
1514
1521
1518
1529
1537
1529
1512
1527
1518
1511
1521
1520
1533
1522
1530
1531
1515
25
26
27
28
29
30
1536
1509
1532
1525
1526
1533
Anexo 7
Tiempo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
5774.9
5767.9
5769.1
5760.2
5774.5
5773.7
5760.3
5771.4
5766.8
5763
5770.7
5758.8
5758
5762.2
5759
5765.5
5759.2
5762.4
5772.4
5758.9
5765.8
5771.9
5775.3
5768.4
5764.7
5759.7
5774.8
5759.8
5758.7
5761.7