Construccin de un Modelo de Simulacin

IN3702: Investigacin de Operaciones

Profesores: J. Correa, R. Epstein, D. Saur
Coordinador: F. Carrasco
Auxs: D. Bernstein, C. Bonet, M. Muoz, I. Ubeda
Integrantes: Jos Toms Baudet (Seccin 1), Andrs Ferrer (Seccin 2), Camila
Montaa (Seccin 1).

1
Resumen Ejecutivo

En el presente informe se presenta la simulacin del proceso de colas para el

sistema de pesaje de frutas y verduras en el supermercado Jumbo, ubicado en Avda.
Francisco Bilbao 4144, Las Condes mediante el software Arena. Esto considerando las
distribuciones de probabilidad de los tiempos entre llegadas de clientes y tiempos de
atencin obtenidos para la tarea anterior. Esto con el objetivo de comparar el modelo
computacional a los datos observados y analizar cmo usar las simulaciones para
testear mejoras en el sistema.
En base a los resultados encontrados fue posible notar que los modelos no
logran representar al 100% lo que sucedi en la realidad, pero s se asemejan bastante
para efectos prcticos, por lo tanto, son vlidos para hacer predicciones del
comportamiento del sistema.
Al observar la simulacin de los modelos en el software Arena, se puede ver
que en el horario peak las colas son bastante ms largas que en el horario normal, lo
cual hace que las entidades se demoren un tiempo de considerablemente mayor en el
sistema. Esto es exactamente lo que sucedi al momento de tomar las muestras en el
sistema de pesaje de frutas y verduras.
Por otra parte, ambos modelos podran perfeccionarse llevando a cabo una
forma ms prolija de tomar las mediciones, pues esto generara distintos datos con
distintas distribuciones de tiempos, lo cual cambiara la simulacin. Cabe destacar que
el modelo de simulacin del horario peak es ms representativo de la realidad que el
modelo se simulacin del horario normal. Es posible arreglar esta diferencia entre
ambos horarios tomando muestras en intervalos de tiempo de igual duracin en vez de
tomar muestras hasta llegar a un nmero igual de datos.
Se aplicaron reconfiguraciones que buscan un mejoramiento en el servicio del
local, como por ejemplo, diferenciar al tipo de personas que llegan al sistema,
modificar el sistema en su produccin, entre otros. Se observ que cuando se modifica
la cantidad de cajas y se diferencia entre clientes por la cantidad de frutas a pesar, es
mejor que el caso observado en la realidad para el horario peak pero no para el
horario normal.
Finalmente, se propone un sistema con dos tipos de clientes, A y B, que tienen
diferentes probabilidades de llegar al sistema, 75% y 25% respectivamente, y que sus
tiempos de atencin promedio son diferentes, 2 2 respectivamente. Adems por
cada unidad de tiempo que esperan los clientes tipo A y B la empresa tiene un costo de
1 y 2 u.m. respectivamente. Estos costos se comparan con los del sistema original,
donde los costos por unidad de tiempo es el valor de espera promedio. En esta ltima
parte se observ que en el horario peak conviene diferenciar a diferencia del horario
normal que lo ms conveniente es dejarlo de manera original.

2
ndice

1. Introduccin ..........................................................................................................4

2. Marco Terico .......................................................................................................4

3. Descripcin del modelo ........................................................................................5

3.1 Descripcin del Sistema ..................................................................................5
3.2 Construccin del modelo .................................................................................6
3.3 Validacin del modelo .....................................................................................7
3.4 Modificacin al modelo ...................................................................................8
3.4.a Mejoramiento de servicio .......................................................................8
3.4.b Diferenciacin de clientes .....................................................................10

4. Anlisis ................................................................................................................13

5. Conclusiones .......................................................................................................13

3
1. Introduccin

Hoy en da, el consumo de bienes y servicios es algo totalmente cotidiano en la

vida de las personas. Es claro que muchos de estos servicios utilizan colas para ser
utilizados: hay colas en los cajeros automticos, en los supermercados, en tiendas de
ropa, etc. Dado que vivimos en una sociedad consumista y acelerada, cada vez ms
comn ver todo tipo de locales comerciales con gran flujo de consumidores, a los
cuales les importa muchsimo no perder el tiempo. Dicho esto, cada vez se hace ms
importante ofrecer un buen servicio, que sea eficiente y disminuya el tiempo de espera
de los clientes. En el presente informe, se analizar un sistema de atencin en
particular con el fin de buscar soluciones que aumenten su eficiencia.
Este trabajo es una continuacin de la Tarea 2, en la cual se analiz el sistema
de pesaje de frutas y verduras del supermercado Jumbo, ubicado en Avda. Francisco
Bilbao 4144, Las Condes. Se tomaron mediciones el da domingo 1 de noviembre del
2015 en dos horarios distintos: horario peak (entre 18:00 y 18:19 AM) y horario normal
(entre 20:30 y 20:54). Utilizando un software llamado Arena, se encontraron las
distribuciones de los datos obtenidos de la medicin.

Ahora, con el fin de continuar el anlisis, se utilizaran las distribuciones

encontradas para simular el sistema mediante el mismo software, y se analizarn
ciertas variantes o posibles cambios que se puedan hacer de este, con el fin de buscar
soluciones que optimicen su funcionamiento.

2. Marco Terico

Dentro del marco terico del presente trabajo, se encuentra la teora de colas,
la cual estudia los sistemas de atencin. Un sistema de atencin est compuesto por
una o ms colas, uno o ms servidores y entidades que entran y salen del sistema.
Existe un proceso de llegada, mediante el cual las entidades (personas o productos,
por ejemplo) entran al sistema, y tambin existe un proceso de salida. Dichos procesos
se tienen distintas distribuciones de probabilidad y ciertos parmetros (como la tasa
de llegada, por ejemplo) que los caracterizan. Luego, si se conocen las distribuciones y
sus parmetros, es posible saber cul es la tasa con la cual llegan las entidades al
sistema y cmo se comportan estas, ya sea al entrar, al salir o dentro del sistema.

Utilizando las distribuciones encontradas, el software Arena es capaz simular el

sistema y calcular el tiempo promedio de permanencia en el sistema, el tiempo
promedio de espera en la cola, el tiempo promedio de atencin, entre otros. Con estos
datos es posible realizar un anlisis de eficiencia y funcionamiento del sistema.

4
3. Descripcin del modelo
3.1 Descripcin del Sistema

El sistema estudiado anteriormente corresponde al pesaje de frutas y verduras

en el supermercado Jumbo, ubicado en Avda. Francisco Bilbao 4144, Las Condes. Cabe
destacar que este Jumbo es uno de los ms concurridos de Santiago.

El sistema analizado consiste en el siguiente: un servidor es atendido por un

balancero, el cual utiliza una balanza para calcular el precio segn la cantidad y el tipo
de fruta o verdura elegida por el cliente. Los clientes se acumulan en una nica cola.

Se analizaron mediciones reales (60 clientes en cada caso) del sistema en 2

horarios, peak y normal, en donde se obtuvieron los siguientes resultados:

Horario peak: (Horario mediciones: 18:00-18:19 Horas)

Distribucin tiempos de llegada: Gamma

Expresin: Gamma (17.7, 1.08)
Tiempo promedio entre llegadas: 19,14 segundos.
Distribucin tiempos de atencin: Lognormal
Expresin: 5+Lognormal(14.6,16)
Tiempo promedio atencin al cliente: 18,85 segundos.

Horario normal: (Horario mediciones: 20:30-20:57 Horas)

Distribucin tiempos de llegada: Exponencial

Expresin: 3+Expo(24.2)
Tiempo promedio entre llegadas: 27,2025 segundos.
Distribucin tiempos de atencin: Gamma
Expresin: 6+Gamma(9.88,1.22)
Tiempo promedio atencin al cliente: 18,08 segundos.

Estos datos permitirn realizar comparaciones con las simulaciones que se

presentan a continuacin.

5
 3.2 Construccin del modelo

Se utiliz el software Arena para realizar una simulacin del sistema en estudio,
en ambos horarios, los cuales son modelados como una cadena de tipo M/M/1, ya que
el sistema consiste en un servidor, con una nica fila. Las simulaciones sern explicadas
a continuacin.
Simulacin horario peak:

El modelo anterior es una simulacin de un sistema de pesaje de frutas y

verduras en horario peak. Se puede observar que se utilizaron tres mdulos de Arena.
El primero es el mdulo create, el que se nombr Clientes. ste simula la llegada de
clientes al sistema. Se utiliz la distribucin obtenida en la Tarea 2, la cual es una
Gamma (17.7, 1.08). En segundo lugar se us el mdulo process, el cual se nombr
Balanza, este mdulo simula la atencin de los clientes. Se utiliz la distribucin
5+Lognormal(14.6,16), tambin obtenida anteriormente segn datos reales.
Finalmente, el ltimo mdulo es de tipo dispose, nombrado Salida, el cual es
necesario para modelar la salida de clientes del sistema. El tiempo de la simulacin fue
de 19 minutos.

6
Simulacin horario normal:

Anlogamente al caso anterior, para horario normal, se utiliz la distribucin

3+Expo(24.2) para el mdulo Clientes, y la distribucin 6+Gamma(9.88,1.22) en el
mdulo Balanza. El tiempo de simulacin fue de 27 minutos.

3.3 Validacin del modelo

Luego de correr ambos modelos, el programa Arena entreg varias estadsticas

acerca de la simulacin realizada para los distintos horarios, las cuales se encuentran
en los archivos Estadsticas Simulacin Horario Peak y Estadsticas Simulacin Horario
Normal. A continuacin se muestra una tabla con los datos que se consideran ms
importantes obtenidos de la simulacin, los cuales se compararn con las mediciones
reales tomadas del sistema, con el fin de saber si estos modelos son representativos de
la realidad o no.

Resumen Estadsticas Simulacin Horario Peak Horario Normal

Nmero total de clientes ingresados al sistema 61 53
Nmero total de clientes atendidos 54 51
Nmero promedio de personas en la cola 6.02 0.3674
Tiempo promedio de permanencia en el sistema 2.2178 [min] 0.4426 [min]
Tiempo promedio de espera en la cola 1.9235 [min] 0.1891 [min]
Tiempo promedio de atencin 0.3270 [min] 0.2508 [min]

Para el horario peak, el nmero de clientes atendidos en el modelo simulado es

54, el cual se asemeja bastante a 60, que es el nmero real de clientes atendidos
medido en la Tarea 2. Por otro lado, el tiempo promedio de atencin es 0.327 minutos,
lo que equivale a 19.62 segundos. Este nmero es muy similar al promedio de atencin
real, el cual es 18.85 segundos.

7
 Para el horario normal, el nmero de clientes atendidos segn el modelo de
simulacin es 51, el cual es relativamente cercano a 60, el nmero real de clientes
atendidos. Por otro lado, el tiempo promedio de atencin es 0.2508 minutos, lo que
equivale a 15.05 segundos, nmero que es relativamente parecido a los 18.08
segundos obtenidos de las mediciones.
Si bien estos modelos no logran representar al 100% lo que sucedi en la
realidad, s se asemejan bastante para efectos prcticos. Es decir, son una buena
estimacin del nmero de entidades que entran al sistema y del tiempo que en
promedio estarn en ste, por lo tanto, el modelo es vlido para hacer predicciones
del comportamiento del sistema. Al observar la simulacin de los modelos en el
software Arena, se puede ver claramente que en el horario peak las colas son bastante
ms largas que en el horario normal, lo cual hace que las entidades se demoren un
tiempo de considerablemente mayor en el sistema. Esto es exactamente lo que
sucedi al momento de tomar las muestras en el sistema de pesaje de frutas y
verduras.
Por otra parte, ambos modelos podran perfeccionarse llevando a cabo una
forma ms prolija de tomar las mediciones, pues esto generara distintos datos con
distintas distribuciones de tiempos, lo cual cambiara la simulacin. Cabe destacar que
el modelo de simulacin del horario peak es ms representativo de la realidad que el
modelo se simulacin del horario normal. Esto quizs se deba al que el intervalo de
tiempo en el cual se tomaron los datos es mayor, lo que hace que el software
interprete en exceso un flujo menor de personas en el sistema en comparacin con el
horario peak. Es posible arreglar esta diferencia entre ambos horarios tomando
muestras en intervalos de tiempo de igual duracin en vez de tomar muestras hasta
llegar a un nmero igual de datos.
Es importante tomar en cuenta que estos modelos son una herramienta muy
poderosa, pues con ellos es posible simular el sistema manejando ciertas variables
como el nmero de cajeros o el nmero de filas para atender, con el fin de predecir si
estos cambios mejoran la eficiencia del proceso.

3.4 Modificacin al modelo

3.4.a Mejoramiento de servicio

Utilizando el artculo The Psychology of Waiting Lines como motivacin, en

donde se plantea como tiempos de espera en una fila afecta nuestra percepcin
general del servicio, se busca encontrar una modificacin al sistema que permita
disminuir los tiempos de espera.

8
 En base a lo observado en terreno y analizando los datos se propone
diferenciar los clientes por el tiempo de atencin, asignndolos a diferentes servidores.
Se estim que el tiempo de pesar una bolsa de fruta son 6 segundos, luego se
diferenciarn los clientes con tiempo de atencin mayor a 18 segundos (ms de 3
bolsas), se describen los tipos de cliente a continuacin:

Horario Tipo Cliente Media Tiempos de Atencin [s] % del Total

Peak A 31.1 42%
B 12.26 58%
Normal A 29.36 46%
B 11.6 54%

Con esta propuesta se busca disminuir los tiempos de espera de las entidades
dada la diferencia de hasta 2,5 veces que se observ existe entre clientes, es decir, el
servidor que atiende a los clientes tipo A tarda un tiempo 2,5 veces mayor. Adems, al
agregar un servidor, se espera disminuir la cantidad promedio de clientes por fila lo
que puede permitir disminuir los clientes no atendidos del sistema.
Para testear la mejora propuesta se modific el modelo propuesto en la parte
3.2 del presente informe con las consideraciones descritas para llegar al siguiente:

Para la diferenciacin se propuso, basado en la cantidad de clientes con tres o

ms bolsas observados, que un 42% de los clientes corresponde al tipo A en el horario
peak (46% en horario normal).

Resumen Estadsticas Simulacin Horario Peak Horario Peak 2 Servidores

Nmero total de clientes ingresados al sistema 61 71
Nmero total de clientes atendidos 54 61

9
Nmero promedio de personas en la cola 6.02 2.3481
Tiempo promedio de permanencia en el sistema 2.2178 [min] 1.1710 [min]
Tiempo promedio de espera en la cola 1.9235 [min] 1.0157 [min]
Tiempo promedio de atencin 0.3270 [min] 0.4387 [min]

Luego la mejora propuesta para el horario peak aumenta los clientes atendidos,
es efectiva en disminuir el largo promedio de personas en la cola y el tiempo de espera
en la cola pero no as el nmero de clientes no atendidos.

Resumen Estadsticas Simulacin Horario Normal Horario Normal 2 Servidores

Nmero total de clientes ingresados al sistema 53 46
Nmero total de clientes atendidos 51 45
Nmero promedio de personas en la cola 0.3674 0.2962
Tiempo promedio de permanencia en el sistema 0.4426 [min] 0.8633 [min]
Tiempo promedio de espera en la cola 0.1891 [min] 0.3477 [min]
Tiempo promedio de atencin 0.2508 [min] 0.5135 [min]

Por lo que podemos concluir que el modelo implementado, para el horario

normal, no es efectivo para lograr los efectos propuestos. Se cree que esto puede
deberse a un modelo que se ajusta poco a la realidad ya que para los tiempos de
atencin se propone una distribucin Gamma que pese a ser una suma de
exponenciales presenta tiempos de atencin mayores pese a que al haber dos
servidores (solucin trivial) este tiempo debera disminuir.

3.4.b Diferenciacin de clientes

Se evaluar si es conveniente la instalacin de servidores diferenciados para

dos tipos de clientes. El cliente tipo A corresponde al consumidor que lleva entre 1 a 3
bolsas de frutas o verduras, el cual se estima que tiene en promedio un tiempo de

atencin de 2 . Se analizar el caso en que haya un 75% de este tipo de clientes. Por el
contrario el cliente de tipo B corresponde al consumidor que lleva ms de 3 bolsas de
frutas o verduras, el cual se estima que tiene en promedio un tiempo de atencin de
2. Hay un 25% de este tipo de cliente.
Para esto se realizaron 2 modelos de simulacin en el software Arena, el cual
permite diferenciar clientes y diferenciar su tasa de atencin:

10
Horario peak:

Horario normal:

Luego de simular esta nueva situacin, se obtuvieron resultados que

permitieron comparar el funcionamiento de servidores diferenciados con el nico
servidor del caso original. A continuacin se presentan los resultados ms importantes:

11
 Para el caso de horario peak, se presentan dos cuadros con los resultados de la
simulacin para un tiempo de 19 segundos (para ambos casos). El primero de ellos
representa los resultados de la simulacin en el caso con diferenciacin de clientes, y
en el segundo, los resultados de la simulacin para el caso original.

Resumen Estadsticas Simulacin con diferenciacin Horario Peak

Clientes tipo A atendidos 53
Clientes tipo B atendidos 15
Clientes tipo A sin atender 3
Clientes tipo B sin atender 0
Nmero total de clientes ingresados al sistema 71
Tiempo promedio de espera cliente tipo A en la cola 21.816 segundos
Tiempo promedio de espera cliente tipo B en la cola 14.388 segundos
Costo cliente tipo A 1 U.m
Costo cliente tipo B 2 U.m
Costo total 50.592 U.m

Resumen Estadsticas Simulacin del sistema original Horario Peak

Clientes tipo atendidos 54
Clientes tipo sin atender 7
Nmero total de clientes ingresados al sistema 61
Tiempo promedio de espera en la cola 115.41 segundos
Costo cliente 1.5 U.m
Costo total 175.115 U.m

Como es posible apreciar en los resultados obtenidos, en este horario conviene

diferenciar entre tipos de clientes A y B, ya que los costos obtenidos al diferenciar, son
notoriamente menores que en el caso original. Esto se debe a que los tiempos de
espera en la cola al diferenciar los tipos de clientes en son menores en promedio al
caso original.
Anlogamente al caso anterior, pero para el caso de horario no peak, y con un
tiempo de simulacin de 27 segundos (para ambos casos), se obtiene:

Resumen Estadsticas Simulacin Horario No Peak

Clientes tipo A atendidos 33
Clientes tipo B atendidos 17
Clientes tipo A sin atender 0
Clientes tipo B sin atender 0
Nmero total de clientes ingresados al sistema 50
Tiempo promedio de espera cliente tipo A en la cola 2.1 segundos
Tiempo promedio de espera cliente tipo A en la cola 10.434 segundos

12
 Costo cliente tipo A 1 U.m
Costo cliente tipo B 2 U.m
Costo total 22.968 U.m

Resumen Estadsticas Simulacin del sistema original Horario Peak

Clientes tipo atendidos 51
Clientes tipo sin atender 2
Nmero total de clientes ingresados al sistema 53
Tiempo promedio de espera en la cola 11.346 segundos
Costo cliente 1.5 U.m
Costo total 17.019 U.m

Se puede apreciar para este horario que no conviene diferenciar entre clientes
tipo A y B, ya que los costos en este caso aumentan en comparacin con el sistema
original con un servidor. Si bien el tiempo promedio de espera en la cola disminuye al
diferenciar los clientes, para el tipo de clientes B, la disminucin es insignificante, y al
ser estos ms costosos para el sistema en estudio (ya que se demoran ms en la
atencin), el costo total aumenta.

4. Anlisis

Con respecto a la diferenciacin de clientes (parte 3.4.b), se observa que solo

es conveniente en horario peak, esto se explica ya que en este horario el nmero de
clientes aumenta considerablemente, por lo que tener 2 servidores a su disposicin
claramente mejora el servicio. Esta medida es a la vez factible, ya que el supermercado
Jumbo en estudio, cuenta con balanzas sin utilizar, por lo que solo deberan incurrir en
un gasto, el sueldo de un balancero extra para horarios peak.

Sin embargo esta medida no es conveniente para horario normal, ya que los
costos aumentaron. Evidentemente disminuyen los tiempos de espera de los clientes,
pero de manera insignificante, por lo que el costo que est asociado a incorporar un
nuevo servidor (sueldo balancero extra) para la diferenciacin de clientes no se
justifica.

5. Conclusiones
Respecto a la simulacin del sistema en horario peak y en horario normal que
de desarroll utilizando el software Arena, se pudo observar que si bien no logran
representar al 100% lo que sucedi en la realidad, si se asemejan bastante para efectos
prcticos. Es decir, resultaron ser una buena estimacin del sistema en estudio. Por lo
que a partir de este se pueden hacer predicciones del comportamiento del sistema
ante diferentes tipos de cambios y as evaluar posibles mejoras al sistema. Es

13
importante destacar que la simulacin en horario peak logr acercarse ms a la
realidad que la simulacin en horario normal.

Se desprende tambin que una medida de diferenciacin de clientes solo es

conveniente para horarios peak, ya que para este caso se obtuvieron costos menores si
se aplicaba la medida, ya que para horario normal, se reducan los beneficios
esperados en comparacin al modelo general.

Finalmente, se observa que gracias a una buena herramienta computacional

como Arena, se pueden realizar simulaciones complejas que permiten medir el
impacto de mejoras que se deseen implementar en un determinado sistema. Estas
simulaciones logran capturar como se comportarn las entidades frente a
determinados cambios, lo que es realmente til para evaluar tipos de mejoras, sin
incurrir en costos.

14