Proyecto de Simulacin

CAPITULO 1. INTRODUCCIN

PLANTEAMIENTO DEL PROBLEMA.

Al analizar el proceso de un auto lavado, los dueos no saban con exactitud el tiempo en el cual se realizaba el lavado entero de un automvil ni horas pico de trabajo, para mejorar el proceso nos enfocaremos en esta investigacin a predecir con ayuda de un modelo de simulacin y un anlisis estadstico el comportamiento del flujo en el lavado de automviles (entradas y salidas de clientes, tiempos muertos y tiempos productivos de los trabajadores) principalmente, generando as mayor nmero de clientes y un incremento en las ganancias.

OBJETIVO GENERAL. Mejorar el tiempo de lavado estandarizando operaciones y movimientos. Conocer el tiempo promedio para el lavado de un automvil y el uso que se le da a cada una de las estaciones de trabajo.

JUSTIFICACIN.

El equipo de trabajo de la asignatura de simulacin de la carrera de Ingenieria Industrial elegimos aplicar nuestros conocimientos a travs de la consecucin de los objetivos ya mencionados para este proyecto debido a la necesidad que observamos que tiene la empresa de una mejor asignacin de sus recursos y una optimizacin de sus procesos para lograr una mayor velocidad de respuesta y as lograr la satisfaccin de los clientes, puesto que consideramos que en GUT BALL existen necesidades logsticas, administrativas y operativas que de ser cubiertas, la empresa podra utilizar al mximo su capacidad, maximizando asi sus utilidades, y logrando mas beneficios como son, evitar cuellos de botella,
1

Proyecto de Simulacin

eliminar tiempos ociosos, generar un mejor ambiente de trabajo entre sus trabajadores. Es por ello que esta empresa nos pareci la idnea para aplicar los conocimientos de la ingeniera Industrial, y en especial de la simulacin, puesto que adems de lo ya mencionado, se tienen bien definidas las variables en sus distintos elementos como son, Items (clientes, trabajadores), Actividades (servicios que se ofrecen, lavado, encerado, etc), Recursos (Instalaciones, insumos, capacidad productiva), Controles (Supervision del servicio), asi como tambin Entidades de salida (clientes servidos). Es una estructura en cadena en la que el proceso va desde que se recibe el cliente para conocer el tipo de servicio, se lleva a cabo la fase de produccin o transformacin (que en este caso es brindarle el servicio del lavado de su automvil) hasta que sale como cliente servido.

Creemos que gracias a las condiciones que nos ofrece este proyecto es idneo para aplicar las tcnicas de la ingeniera Industrial como la simulacin para lograr las metas y objetivos trazados.

LIMITACIONES. Este proyecto, solo simulara la operacin de un auto lavado automatizado el tiempo de operacin, la media de autos que lo utilizan, el procedimiento de lavado, etc. Resistencia al cambio por parte del empleado o encargado de no implementar las medidas que se prevean para mejorar el funcionamiento del establecimiento. El programa de simulacin PROMODEL versin estudiantil no permite insertar todos los datos necesarios para el modelo ya que cuenta con un lmite de locaciones, entidades y llegadas.

DELIMITACIONES: El proyecto se llevara a cabo dentro del tiempo establecido, ste ser del 08 de septiembre al 08 de diciembre, o depender de la fecha de entrega que nos indique el profesor. Se usara el software ProModel para llevar a cabo la simulacin, as como el estudio del auto lavado para conseguir los estadsticos.
2

Proyecto de Simulacin

CONCEPTOS GENERALES DE LA SIMULACIN. La simulacin es una de las ms importantes herramientas para analizar el diseo y operacin de sistemas o procesos complejos. Esto ha sido posible a partir de la aparicin de las computadoras. El uso moderno de la palabra simulacin data de 1940, cuando los cientficos Von Neuman y Ulam que trabajaban en el proyecto Monte Carlo, durante la Segunda Guerra Mundial, resolvieron problemas de reacciones nucleares cuya solucin experimental sera muy cara y el anlisis matemtico demasiado complicado. En la actualidad, la simulacin es una tcnica poderosa para la resolucin de problemas. Sus orgenes se encuentran en el muestreo estadstico y en el anlisis de sistemas fsicos probabilsticas complejos. Thomas H. Taylor la define de la siguiente manera: Simulacin es una tcnica matemtica para conducir experimentos en una computadora digital. Estos experimentos comprenden ciertos tipos de relaciones matemticas y lgicas, las cuales son necesarias para describir el comportamiento y la estructura de sistemas complejos del mundo real a travs de largos periodos de tiempo.

GENERACIN DE NMEROS ALEATORIOS.

La utilizacin de nmeros aleatorios se lleva a cabo desde hace mucho tiempo. Los primeros mtodos para ello se desarrollaron en torno de la creacin de algn dispositivo fsico que funcionaba de modo que, por ejemplo, una aguja se detuviera en un nmero que se inscriba en una tabla. Las computadoras abrieron nuevos horizontes para el desarrollo de mtodos de generacin de esos nmeros aleatorios.

Los nmeros aleatorios son un ingrediente bsico en la simulacin de casi todos los sistemas discretos. La mayora de los lenguajes tienen una subrutina o funcin
3

Proyecto de Simulacin

que generar un nmero aleatorio. Similarmente, los lenguajes de simulacin generan nmeros aleatorios que son usados para generar los tiempos de eventos y otras variables aleatorias.

Existen diferentes algoritmos para generar nmeros pseudoaleatorios que son los congruenciales y no congruenciales.

METODOS NO CONGRUENCIALES.

ALGORITMO DE CUADRADOS MEDIOS

Este algoritmo no congruencial requiere de un nmero entero detonador (llamado semilla) con D dgitos, el cual es elevado al cuadrado para seleccionar del resultado los D dgitos del centro; el primer nmero se determina simplemente anteponiendo el 0. a esos dgitos. Para obtener el segundo se sigue el mismo procedimiento, slo que ahora se elevan al cuadrado los D dgitos del centro que se seleccionaron para obtener el primer. Este mtodo se repite hasta obtener n nmeros. El algoritmo es el siguiente:

ALGORITMO DE PRODUCTOS MEDIOS

Proyecto de Simulacin

Este mtodo es similar al anterior, slo que en este caso se requiere de dos semillas, ambas con D dgitos; adems, en lugar de elevarlas al cuadrado, las semillas se multiplican y del producto se seleccionan los D dgitos del centro, los cuales formarn el primer nmero pseudo aleatorio Dri.0= dgitos. Despus se elimina una semilla, y la otra se multiplica por el primer nmero de D dgitos, para luego seleccionar del producto los D dgitos que conformarn un segundo nmero ri. Entonces se elimina la segunda semilla y se multiplican el primer nmero de D dgitos por el segundo nmero de D dgitos; del producto se obtiene el tercer nmero ri. Siempre se ir eliminando el nmero ms antiguo y el procedimiento se repetir hasta generar los n nmeros pseudo aleatorios. El algoritmo es el siguiente:

ALGORITMO MULTIPLICADOR CONSTANTE.

Proyecto de Simulacin

GENERACIN DE NUMEROS ALEATORIOS

Nmeros aleatorios: los que generan variables aleatorias con distribucin uniforme entre 0 y 1. Importante: Poder reproducir exactamente el mismo experimento: Detectar casos singulares Comparar sistemas similares bajo condiciones idnticas.

Objetivo: U(0,1) Secuencia de nmeros independientes linealmente: Incorrelados Secuencia reproducible a partir de pocos datos Coste computacional reducido

GENERACIN DE NUMEROS ALEATORIOS (II) Existen varias familias de mtodos de generacin de nmeros aleatorios. Aqu explicaremos el funcionamiento de los ms usuales: tipo congruencial lineal Frmula: Genera una secuencia de enteros {zi} como:

m es el mdulo a es el multiplicador c es el incremento m>0 , m>a , m>c

El nmero aleatorio entre 0 y 1 se obtiene como:

GENERACIN DE NUMEROS ALEATORIOS (III)

Proyecto de Simulacin

Propiedades: Ecuacin recursiva: con un valor inicial (zo) se define la secuencia completa. A este valor se el denomina semilla aleatoria. Como mximo se pueden conseguir m nmeros aleatorios distintos. Tiene comportamiento cclico. Longitud del ciclo como mximo m, depende de z0. No puede salir cualquier nmero, solo los de la forma z/m. Dependencia fuertemente no lineal Ejemplo: funcin rand de MATLAB 4:

GENERACIN DE NUMEROS ALEATORIOS (IV) Otros mtodos, con carcter general, mantienen misma estructura: Ecuacin recursivas, reproducibles a partir de valor inicial seleccionable. Dependencias no lineales => lineales implican correlacin entre muestras. Tienen comportamiento cclico.

GENERACION DE VARIABLES ALEATORIAS.

Se dice que una variable aleatoria es una funcin de valor real cuyo dominio es un espacio muestral. Las variables aleatorias se representan mediante maysculas, como por ejemplo X, Y, Z. Los valores numricos reales que puede asumir una variable aleatoria se represe4ntan mediante minsculas, 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.

Proyecto de Simulacin

Variables aleatorias discretas. Se dice que una variable aleatoria X es discreta si puede tomar slo un nmero finito, o un nmero finito contable, de valores posibles de x. Algunas distribuciones discretas de probabilidad hipergeomtrica, binomial, Bernoulli y Poisson. son: uniforme discreta,

Variables aleatorias continuas. Este tipo de variables se representan mediante una ecuacin que se conoce como funcin de densidad de probabilidad.

GENERACIN DE VARIABLES ALEATORIAS (II)

Esquema general de generacin de variables aleatorias y muestras de procesos estocsticos:

{Ui}: Conjunto de nmeros generados en el computador, que siguen una distribucin uniforme entre 0 y 1, independientes. {xi}: Conjunto de nmeros que pueden verse como: Muestras de una determinada variable aleatoria
8

Proyecto de Simulacin

Muestras de un proceso estocstico en distintos instantes de tiempo

GENERACIN DE VARIABLES ALEATORIAS Sabemos generar U(0,1). Aqu generalizaremos para conseguir muestras que: Sigan una distribucin deseada (funcin de distribucin FX(x) o densidad de probabilidad fX(x)). Sean independientes (linealmente). Como debe ser f(U) para conseguir la distribucin deseada

MTODO DE LA FUNCIN INVERSA Mtodo para funciones continuas:

Demostracin de su validez: Definimos Y=f(U) Queremos calcular FY(y)=P(Yy) FX(.) es montona creciente => P(Yy)=P(FX(Y)FX(y)) FY(y)=P(FX(f(U))FX(y)) FY(y)=P(FX(FX1(U))FX(y)) FY(y)=P(UFX(y)) Como U es una variable aleatoria uniforme, si 0<p<1 P(Up)=p. Por tanto FY(y)=FX(y)
9

Proyecto de Simulacin

MTODO DE LA FUNCIN INVERSA (II)

MTODO DE LA FUNCIN INVERSA (III) Generacin completa de una muestra de una variable aleatoria: Se genera un numero aleatorio ui con un generador de nmeros aleatorios. Se transforma utilizando

Propiedades del mtodo: Si podemos asumir que los nmeros aleatorios son independientes, las muestras de las variables aleatorias transformadas tambin sern independientes General, vale para cualquier distribucin. Problema: Generar

MTODO DE LA FUNCIN INVERSA (IV) Extensin a variables aleatorias discretas: Solo los puntos xk tienen una cierta probabilidad de aparecer (p(xk)).

10

Proyecto de Simulacin

Al fin y al cabo, son distribuciones como cualquier otra Veamos grficamente MTODO DE LA FUNCIN INVERSA (V)

MTODO DE LA FUNCIN INVERSA (VI) Lo que cambia es el mtodo de generacin: Generacin completa de una muestra de una variable aleatoria discreta: Se genera un numero aleatorio ui con un generador de nmeros aleatorios. Se transforma seleccionando el menor xk tal que ui<F(xk). Implementacin prctica: Ordenar xk, ir recorriendo hasta que se cumpla la anterior condicin, devolver xi=xk. Generalizacin a distribuciones mixtas es inmediata.

OTROS MTODOS Problema del mtodo anterior es sintetizar

En ocasiones, mas sencillo emplear propiedades de distribuciones. Ejemplos: Composicin

Proyecto de Simulacin

Convolucin Transformaciones conocidas

COMPOSICIN Mtodo tpico para generar distribuciones multimodales:

Si una distribucin es mezcla estadstica de otras, por que no: Generar una variable aleatoria discreta coherente con la probabilidad de cada modo Seleccionar el modo resultante Generar la variable aleatoria con la distribucin asociada al modo.

COMPOSICIN (II) Ejemplo: distribucin de Laplace

Puede verse como composicin de dos exponenciales, una positiva y otra negativa Generando dos nmeros aleatorios u1 y u2 se puede calcular decidiendo con el primero el signo (equiprobable) y con el segundo el mdulo (exponencial). MATLAB:

CONVOLUCIN En otras ocasiones, se sabe que una variable aleatoria es resultado de la suma de varias otras variables.

12

Proyecto de Simulacin

Si dos variables aleatorias (X e Y) son independientes, la funcin densidad de probabilidad se la suma Z=X+Y puede demostrarse (ISA) que es: fZ(z)=fX(z)*fY(z) => de hay el nombre del mtodo. Si sabemos que Z cumple esta propiedad, por que no: Generar muestras (en el ejemplo xi e yi) de las variables aleatorias originales (X e Y en el ejemplo) utilizando el mtodo que sea preciso. Sumarlas (en el ejemplo, zi=xi+yi)

CONVOLUCIN (II) Ejemplo 1: mErlang que es la suma de m exponenciales. MATLAB:

CONVOLUCIN (III) Ejemplo 2: Sntesis de gaussianas como suma de uniformes Teorema de lmite central. Sumando suficientes uniformes, tenderemos a una gaussiana. Mtodo clsico usa 12 => resultado: N(6,1)

13

Proyecto de Simulacin

TRANSFORMACIONES CONOCIDAS En ocasiones, se conocen relaciones entre variables aleatorias que permiten transformar unas en otras. Ejemplo clsico: Generacin de variables aleatorias gaussianas Propiedad conocida: Si tenemos dos variables aleatorias gaussianas X e Y (media nula y varianza igual): Cual es la distribucin de |X+jY|? La de M=|X+jY|2 ? Y la de F=arg(X+jY)? Hay dependencia entre M y F? Generar variables aleatorias exponencial y uniforme no es complicado.

14

Proyecto de Simulacin

SIMULACIN MONTECARLO.

El mtodo de Montecarlo es un mtodo no determinstico o estadstico numrico usado para aproximar expresiones matemticas complejas y costosas de evaluar con exactitud. El mtodo se llam as en referencia al Casino de Montecarlo (Principado de Mnaco) por ser la capital del juego de azar, al ser la ruleta un generador simple de nmeros aleatorios. El nombre y el desarrollo sistemtico de los mtodos de Montecarlo datan aproximadamente de 1944 y se mejoraron enormemente con el desarrollo de la computadora. El uso de los mtodos de Montecarlo como herramienta de investigacin, proviene del trabajo realizado en el desarrollo de la bomba atmica durante la segunda guerra mundial en el Laboratorio Nacional de Los lamos en EE.UU. Este trabajo conllevaba la simulacin de problemas probabilsticos de hidrodinmica

concernientes a la difusin de neutrones en el material de fisin. Esta difusion posee un comportamiento eminentemente aleatorio. En la actualidad es parte fundamental de los algoritmos de Raytracing para la generacin de imgenes 3D.

Montecarlo En la primera etapa de estas investigaciones, John von Neumann y Stanislaw Ulam refinaron esta ruleta rusa y los mtodos "de divisin" de tareas. Sin embargo, el desarrollo sistemtico de estas ideas tuvo que esperar al trabajo de Harris y Herman Kahn en 1948. Aproximadamente en el mismo ao, Enrico Fermi, Metropolis y Ulam obtuvieron estimadores para los valores caractersticos de la ecuacin de Schrdinger para la captura de neutrones a nivel nuclear usando este mtodo. El mtodo de Montecarlo proporciona soluciones aproximadas a una gran variedad de problemas matemticos posibilitando la realizacin de experimentos con muestreos de nmeros pseudoaleatorios en una computadora. El mtodo es
15

Proyecto de Simulacin

aplicable a cualquier tipo de problema, ya sea estocstico o determinista. A diferencia de los mtodos numricos que se basan en evaluaciones en N puntos en un espacio M-dimensional para producir una solucin aproximada, el mtodo

de Montecarlo tiene un error absoluto de la estimacin que decrece como virtud del teorema del lmite central.

en

La invencin del mtodo de Montecarlo se asigna a Stanislaw Ulam y a John von Neumann. Ulam ha explicado cmo se le ocurri la idea mientras jugaba un solitario durante una enfermedad en 1946. Advirti que resulta mucho ms simple tener una idea del resultado general del solitario haciendo pruebas mltiples con las cartas y contando las proporciones de los resultados que computar todas las posibilidades de combinacin formalmente. Se le ocurri que esta misma observacin deba aplicarse a su trabajo de Los lamos sobre difusin de neutrones, para la cual resulta prcticamente imposible solucionar las ecuaciones ntegro-diferenciales que gobiernan la dispersin, la absorcin y la fisin. La idea consista en probar con experimentos mentales las miles de posibilidades, y en cada etapa, determinar por casualidad, por un nmero aleatorio distribuido segn las probabilidades, qu sucedera y totalizar todas las posibilidades y tener una idea de la conducta del proceso fsico. Podan utilizarse mquinas de computacin, que comenzaban a estar disponibles, para efectuar las pruebas numricas y en efecto reemplazar el aparato experimental del fsico. Durante una de las visitas de von Neumann a Los lamos en 1946, Ulam le mencion el mtodo. Despus de cierto escepticismo inicial, von Neumann se entusiasm con la idea y pronto comenz a desarrollar sus posibilidades en un procedimiento sistemtico. Ulam expres que Montecarlo comenz a tener forma concreta y empez a desarrollarse con todas sus fallas de teora rudimentaria despus de que se lo propuse a Johnny.

16

Proyecto de Simulacin

A principios de 1947 Von Neumann envi una carta a Richtmyer a Los lamos en la que expuso de modo influyente tal vez el primer informe por escrito del mtodo de Montecarlo. Su carta fue encuadernada junto con la respuesta de Richtmyer como un informe de Los lamos y distribuida entre los miembros del laboratorio. Von Neumann sugera aplicar el mtodo para rastrear la generacin istropa de neutrones desde una composicin variable de material activo a lo largo del radio de una esfera. Sostena que el problema era adecuado para el ENIAC y estimaba que llevara 5 horas calcular la accin de 100 neutrones a travs de un curso de 100 colisiones cada uno. Ulam estaba particularmente interesado en el mtodo Montecarlo para evaluar integrales mltiples. Una de las primeras aplicaciones de este mtodo a un problema determinista fue llevada a cabo en 1948 por Enrico Fermi, Ulam y von Neumann cuando consideraron los valores singulares de la ecuacin de Schrdinger. Ejemplo Si deseamos reproducir, mediante nmeros aleatorios, la tirada sucesiva de una moneda, debemos previamente asignarle un intervalo de nmeros aleatorios a CARA y otro a CRUZ, de manera de poder interpretar el resultado de la simulacin. Tales intervalos se asignan en funcin de las probabilidades de ocurrencia de cada cara de la moneda. Tenemos as:

CARA Probabilidad: 0,50 Nmeros aleatorios: 0,000 al 0,499 CRUZ Probabilidad: 0,50 Nmeros aleatorios: 0,500 al 0,999

17

Proyecto de Simulacin

Despus, al generar un nmero aleatorio a partir de la funcin RAN de la calculadora, por ejemplo, obtenemos el resultado simulado. As, si obtenemos el nmero aleatorio 0,385, observamos que est incluido en el intervalo asignado a CARA. En otras aplicaciones, se asocian intervalos de nmeros aleatorios segn las probabilidades de ocurrencia de los eventos a simular.

LENGUAJES DE SIMULACIN Y SIMULADORES SIMPACK SIMPACK es un software de fines generales de la simulacin del Multi-Cuerpo (MBS) que se utiliza para el anlisis dinmico de cualquier sistema mecnico o mechatronic. Esta herramienta de la simulacin permite a ingenieros generar y solucionar los modelos virtuales 3D para predecir y visualizar el movimiento, juntndose fuerza y las tensiones. SIMPACK - usado sobre todo dentro del automotor, del motor, del HiL/SiL, de la transmisin de energa, del ferrocarril, y de los sectores industriales de la energa elica - se puede aplicar a cualquier rama de la ingeniera industrial. El software de simulacin de SIMPACK est particularmente bien adaptado a los anlisis transitorios de alta frecuencia (incluso para arriba en la gama acstica) de los sistemas no lineares complejos que incluyen el contacto spero del choque. Este software rpido, exacto, robusto y verstil ayuda a nuestros usuarios a optimizar diseos, a reducir al mnimo vibraciones del sistema, a reducir la necesidad de la creacin de un prototipo y a acortar el tiempo-a-mercado.

De diseos de concepto iniciales, a travs a la produccin y los reajustes, SIMPACK se utilizan para ayudar a ingenieros completamente comprenda y optimice los sistemas, reduzca sumamente la necesidad de la creacin de un
18

Proyecto de Simulacin

prototipo fsica, reduzca el tiempo-a-mercado y mejorar calidad del producto y vida til. Esencialmente SIMPACK permite los fabricantes para ganar una posicin competitiva ofreciendo la capacidad crean productos de la alta calidad en una poca y una manera materialmente eficiente que reducen as costes totales en diseo, la produccin y el mantenimiento. SIMPACK se utiliza sobre todo dentro del automotor, ferroviario, motor, turbina de viento, transmisin de energa y espacio areo industrias. Dentro de todas las industrias SIMPACK se utiliza para los anlisis del solo diseo componente y de sistema completo. Adems tomando en cuenta dinmica y control internos, SIMPACK puede tambin considerar cualquier influencia externa en el sistema, e.g. disturbios de tierra y cargamento aerodinmico. SIMPACK se despliega en la gama de frecuencia completa de investigaciones estticas y quasiestticas completamente a los anlisis no lineares transitorios completos, incluso dentro de la gama acstica. SIMPACK es particularmente excepcional en anlisis de alta frecuencia transitorio. Las primeras especificaciones del software de SIMPACK pidieron una simulacin no linear tridimensional del Multi-Cuerpo Software (MBS) capaz de incluir vibraciones de alta frecuencia de cuerpos flexibles. Mtodos de anlisis lineares rpidos de sistema adentro Ingenieros de la ayuda de SIMPACK en la comprensin de pequea amplitud vibraciones. Como resultado de usos en la industria ferroviaria, el disolvente de SIMPACK es capaz de manejar los sistemas dinmicos tiesos (contacto metal sobre metal es decir de la rueda/del carril) y es nicamente conveniente para el contacto del choque (que funciona sobre los interruptores del carril). Estos activos inherentes de SIMPACK permita la investigacin del transente extremo los fenmenos dentro de todo el uso colocan, e.g. cambio del engranaje, fractura de la emergencia, prdida de contacto o de juego, etc.

19

Proyecto de Simulacin

MILITRAN

El sistema de MILITRAN proporciona un procedimiento para un desarrollo ms fcil y ms rpido de la realizacin de los programas de computadora para la simulacin de las situaciones del conflicto militar. El estmulo primario para MILITRAN ha sido doble: (1) la importancia cada vez mayor del acercamiento de la simulacin en el anlisis de sistemas militares, y (2) el lon. periodos de tiempo y niveles de esfuerzo requeridos para producir un programa de la simulacin del funcionamiento. MILITRAN alcanza mejorado cifrando eficacia proporcionando un lenguaje de programacin--la lengua de MILITRAN--el whach se orienta a los problemas y a los procedimientos especiales de la simulacin militar. Debido a esta orientacin especial, los cdigos de la simulacin se pueden escribir generalmente en la lengua de MILITRAN ms fcilmente, ms rpidamente, y con menos probabilidad del error. La ltima comunicacin con la computadora se efecta a travs del recopilador de MILITRAN, un programa especial que traduzca los cdigos fuente escritos en la lengua de MILITRAN en una forma directamente comprensible por la computadora.

DESARROLLO DEFINICION DEL SISTEMA BAJO ESTUDIO.

Las variables a estudiar en este proyecto son

El tiempo de llegada de cada auto. Tiempo de proceso en cada una de las estaciones de trabajo. El tiempo entre estaciones.

20

Proyecto de Simulacin

Elementos:

Entidad: los autos que llegan al servicio del auto lavado.

Evento: el lavado de un auto.

El atributo en un auto lavado pueden ser el tamao del auto a lavar, que tan sucio este y qu tipo de servicio es el que requiera o el que decida el cliente. Esto es muy til para poder determinar el tiempo que se llevara lavarlo. Las variables continuas son los precios de cada servicio dependiendo del tamao del auto, y las variables discretas son el numero de autos que se lavan por da, son muy tiles para realizar conteos de autos y cuando se tarda en ser atendidos y realizarle el servicio.

El reloj de la simulacin nos indica el tiempo de simulacin que tiene un auto lavado en este caso haremos la simulacin de 10 das. Para tener ms preciso cuantos autos podemos atender en un da y tener el equipo adecuando para que los clientes no tengan que esperar tanto y el sistema sea de calidad.

Modelos continuos en este tipo se puede determinar la cantidad de producto que se debe de utilizar para cada auto dependiendo de su tamao, o el tiempo que tarda el encerado en la pintura de los autos.

Modelo discretos en el comportamiento que nos interesa analizar es el numero de autos que llegan al auto lavado en lapso de tiempo determinado.

Modelo dinmico en este se puede determinar el nmero de autos que hacen fila para ser atendidos varia con el tiempo.

21

Proyecto de Simulacin

Modelo esttico representa un resultado de varias condiciones como puede ser que solo lleven autos compactos, autos sedan y camionetas, de manera que solo puede tocar cualquiera de estos.

GENERACIN DEL MODELO DE SIMULACIN BASE.

SIMULACIN DE AUTO LAVADO

LLEGADA DE AUTOS

ENTRADA AL SISTEMA DE SIMULACIN.

OPERACIN DE MQUINA DE MOJADO

OPERACIN DE MAQUINA DE SECADO. SALIDA DEL SISTEMA

OPERACIN DE MQUINA DE ENJABONADO Y ENJUAGUE

22

Proyecto de Simulacin

RECOLECCIN Y ANLISIS DE DATOS.

Toma de muestras de llegada entre cada automvil.

10 11 13 12 13 17 12 21 8 17

11 9 12 6 11 15 11 11 5 12

6 12 16 12 12 14 7 9 12 21

5 15 18 14 13 12 7 18 11 9

La prueba arrojo una distribucin viable P(12)

Proyecto de Simulacin

Toma de tiempo de proceso de mquina de mojado

3 4 5 3 6 5 3 5 6 8

3 8 3 5 4 7 5 6 6 4

6 4 4 4 5 3 7 5 8 4

4 4 3 5 5 6 8 8 3 7

Metemos los datos en ProModel y vaciamos los datos en Stat: Fit.

24

Proyecto de Simulacin

La prueba arrojo 3 posibles distribuciones de probabilidad, se escogi la binomial ya que es la mas viable para el proyecto, sus parmetros son BI(11,0.459).

Toma de tiempos de operacin de mquina de enjabonado y enjuague

9 12 15 9 18 15 9 15 18 24

9 24 9 15 12 21 15 18 18 12

18 12 12 12 15 9 21 15 24 12

12 12 9 15 15 18 24 24 9 21

Metemos los datos en ProModel y vaciamos los datos en Stat: Fit.

25

Proyecto de Simulacin

El resultado de la prueba arrojo un distribucin poisson P(15.2)

Toma de tiempos de operacin de mquina de secado

1 3 3 1 1 1 2 3 1 4

3 3 2 1 2 2 1 1 3 2

2 2 2 3 3 1 1 4 3 2

3 3 2 4 4 3 2 1 1 2

Metemos los datos en ProModel y vaciamos los datos en Stat: Fit.

Proyecto de Simulacin

El resultado de de la distribucin de probabilidad arrojo una distribucin binomial como la ms viable. Sus parmetros son BI(4,0.55)

Resumen de tiempos de operacin y frecuencia

Actividad Tiempo de llegada de los autos Tiempo de operacin mquina de mojado. Tiempo de operacin de mquina de enjabonado y enjuague. Tiempo de operacin de mquina de secado.

Distribucin de Probabilidad P(12) BI(11,0.459) P(15.2)

BI(4,0.55)

27

Proyecto de Simulacin

GENERACION DEL MODELO PRELIMINAR

PROBLEMA EN PROMODEL

Se desea simular el sistema de un autolavado, que cuenta, una maquina de mojado, una maquina de enjabonado y enjuague y una maquina de secado.

El tiempo de las llegadas de los clientes cuenta con una distribucin poisson P(12). De ah los automviles pasan a la maquina de mojado. El tiempo en mojar los automviles esta dado por una distribucion binomial BI(11,0.459), despus de este proceso el automvil pasa a un ciclo de enjabonado y enjuague, el tiempo de este ciclo esta dado por una distribucin poisson P(15.2).

28

Proyecto de Simulacin

Por ultimo el automvil pasa a el proceso de secado, este esta dado por una distribucin binomial BI(4,0.55).

El tiempo entre estacin es de 0.5 minutos y las maquinas cuentan con una capacidad de 2 unidades.

a) Simule el sistema por 10 dias. b) Determine la utilizacin de cada estacin de trabajo

INFORMACION GENERAL DE LA SIMULACION

29

Proyecto de Simulacin

Aqu se muestra el porcentaje de la utilizacin de cada maquina pedida en el inciso b del problema: Maquina de mojado 22.72 Maquina de enjabonado y enjuague 63.19 Maquina de secado 9.35

30

Proyecto de Simulacin

CONCLUSION
Despus de la realizacin de la investigacin, una vez detectadas las probabilidades con que se presentan los clientes para recibir el servicio y el tiempo de atencin para salir de el, siendo que no es causa de baja calidad de servicio en los auto lavados con el fin de reducir en su totalidad la problemtica, y despus de la realizacin de la recoleccin de los datos para su anlisis se procedi a la evaluacin para obtener las estadsticas necesarias para la toma de las decisiones correspondientes.

Y por lo tanto se tiene que el servicio en los auto lavados no son un factor que limita los niveles de competitividad deseada aunque muchos de ellos no afectan en al calidad de servicio, debido a los resultados de la muestra.

31

Proyecto de Simulacin

BIBLIOGRAFIA

SIMULACION Y ANALISIS DE SISTEMAS CON PROMODEL Eduardo Garca Dunna Heriberto Garca Reyes Leopoldo Eduardo Crdenas Barrn

32