TP Simulacion

Facultad Regional Santa Fe
Ctedra: SIMULACIN

Trabajo Prctico
Parte 1: Descripcin del sistema
Parte 2: Anlisis Estadsticos de Datos
Parte 3: Modelado del Sistema

Grupo: G2
Integrantes:
Echavarria, Francisco (francisco@echavarria.com.ar)
Frutos, Ramiro (ramirofrutos@gmail.com)
J agou, Leila (leilajagou05@gmail.com)
Miceo, Francisco (fran_332211@hotmail.com)
Docente:
Portillo, Rosana
Ao: 2014

UNIVERSIDAD TECNOLOGICA NACIONAL - Facultad Regional Santa Fe

2
PARTE 1: DESCRIPCIN DEL SISTEMA
Sistema: SM Pizzas
Fronteras del sistema: lmites de las pizzeras con el exterior
Medio Ambiente: ciudad donde se radican las pizzeras
Subsistemas: 50 pizzeras donde cada una cuenta con produccin y delivery

Clasificacin:
- Segn su cambio en el tiempo: Dinmico
- En relacin con el medio ambiente: Abierto
- Por la forma que se producen los cambios: Estocstico
- Segn el comportamiento de las variables de estado: Discreto

ENTIDADES ATRIBUTOS ESTADOS EVENTOS ACTIVIDADES
Pizza - T de arribo pico
- T de arribo No
pico
- Pulgada
- Tipo
- T entrada al
horno
- T salida del
horno
- %grandes
- %medianas
- %chicas
- En rea de
carga
- En horno
- En rea de
descarga
- Arribar
- Esperar en rea
de carga
- Entrar al horno
- Salir del horno
- Comenzar
envo
- Terminar envo
- Arribando
- Esperando
entrar al horno
- Iniciar siendo
horneada
- Finalizar
siendo horneada

Horno - Tipo
- Pulgada
- Costo
- Tamrea carga
- T horneado
- Ocupado
- Desocupado
- Iniciar
horneado
- Finalizar
horneado
- Horneando
- Esperando
Organizador - Costo
- T ensamblaje de
cajas
- En armado de
orden
- En ensamblaje
de cajas
- Desocupado
- Iniciar armado
de orden
- Finalizar
armado de orden
- Iniciar
ensamblaje de
cajas
- Finalizar
ensamblaje de
cajas
- Armando
orden
- Ensamblando
cajas
- Esperando
Delivery - Costo
- T envo
- Ocupado
- Desocupado
- Iniciar envo de
orden
- Finalizar envo
de orden
- Enviando
orden
- Esperando


3
PARTE 2: ANLISIS ESTADSTICOS DE DATOS

Entregas

Tabla de frecuencias
Debido al pequeo rango de valores de datos (1 y 2)
hemos decido optar por demostrarlo mediante un
grafico de torta en vez de un histograma que
consideramos que refleja una mejor apreciacin de
la informacin de las entregas.

Tiempo horneado

Parmetros: a=6.54; b=7.5
NI=100=10
I=
b-u
NI
=0.096
Tabla de frecuencias observadas

37%
63%
Entregas
1 2
1 =Mostrador
2 =Delivery
1=Mostrador
2=Delivery
Cantidad de
Entregas
1 37
2 63
Total general 100
Intervalo (H
i
) Mi Fo
6.540 - 6.636 6,588 13
6.636 - 6.732 6,684 10
6.732 - 6.828 6,78 8
6.828 - 6.920 6,876 12
6.924 - 7.020 6,972 4
7.020 - 7.116 7,068 14
7.116 - 7.212 7,164 12
7.212 - 7.308 7,26 6
7.308 - 7.404 7,356 7
7.404 - 7.500 7,452 14

4
Histograma

Distribucin Uniforme: F(X) =(x - a) / (b - a)

Intervalo (H
i
) Fo Fe
2

6.540 - 6.636 13 10 0.9
6.636 - 6.732 10 10 0
6.732 - 6.828 8 10 0.4
6.828 - 6.924
6.924 - 7.020
12+4=16 10+10=20 0.8
7.020 - 7.116 14 10 1.6
7.116 - 7.212 12 10 0.4
7.212 - 7.308 6 10 1.6
7.308 - 7.404 7 10 0.9
7.404 - 7.500 14 10 1.6

N=100; k=9; m=2
D=9-2-1=6
=0.05
tubIu
2
=12.592
ctco
2
=8.2

Como
ctco
2
<
tubIu
2
, concluimos que los datos se ajustan a una distribucin Uniforme
con [a, b] =[6.54, 7.50]

0
2
4
6
8
10
12
14
16
6,5886,6846,78 6,8766,9727,0687,1647,26 7,3567,452
Mi
F

5
Tiempo arribo
Tabla de frecuencias observadas

Parmetros: a=20.21; b=29.59
NI=40 =7
I=
b-u
NI
=1.34

Histograma

Distribucin Uniforme: F(X) =(x - a) / (b - a)

Intervalo Fo Fe forAcum ferAcum D
+
D
-

20.21 - 21.55 4 1/7 0.1 1/7 0.0428 -
21.55 - 22.89 10 1/7 0.35 2/7 0.0642 0.1857
22.89 - 24.23 5 1/7 0.475 3/7 0.0464 0.0785
24.23 - 25.57 4 1/7 0.575 4/7 0.0035 0.0964
25.57 - 26.91 4 1/7 0.675 5/7 0.0392 0.1392
26.91 - 28.25 9 1/7 0.9 6/7 0.0428 0.1821
28.25 - 29.59 4 1/7 1 1 0 0.1

N=40;
mux
=0.1857
=0.05
0.05
=
c
0.0S
k(40)
=
1.358
40+0.12+
0.11
40
=0.2101

Como
mux
<
0.05
, concluimos que los datos se ajustan a una distribucin Uniforme
con [a, b] =[20.21, 29.59]

0
2
4
6
8
10
12
20.88 22.22 23.56 24.90 26.24 27.58 28.92
Mi
F
Intervalo (A
i
) Mi Fo
20.21 - 21.55 20.88 4
21.55 - 22.89 22.22 10
22.89 - 24.23 23.56 5
24.23 - 25.57 24.90 4
25.57 - 26.91 26.24 4
26.91 - 28.25 27.58 9
28.25 - 29.59 28.92 4

6
PARTE 3: MODELADO DEL SISTEMA
Cdigo en GPSS:
;;;inicializacin de savevalues, funciones y variables

INITIAL X$CAP1,605 ;tamao horno 1 (controlable)

INITIAL X$PizzasHorno1,0 ;cantidad de pizzas ingresadas al horno 1 (variable de respuesta)
INITIAL X$CantPizzasCocinadas,0 ;cantidad de pizzas cocinadas (variable de respuesta)
INITIAL X$CantPizzasEntregadasMostrador,0 ;cantidad de pizzas entregadas en mostrador (variable de
respuesta)
INITIAL X$CantPizzasEntregadasDelivery,0 ;cantidad de pizzas entregadas a delivery (variable de
respuesta)

INITIAL X$CapTotalUsadaHorno1,0 ;capacidad total usada del horno 1 (variable de respuesta)

ARRIBOSFUNCTION (AC1@240),E3 ;funcin para generar pizzas (semilla=1)
120,(UNIFORM(1,1.83,3.83))/165,(UNIFORM(1,1.6841,2.4658))/240,(UNIFORM(1,1.83,3.83))
;ARRIBOSFUNCTION (AC1@240),E3 ;funcin para generar pizzas (semilla=3)
; 120,(UNIFORM(3,1.83,3.83))/165,(UNIFORM(3,1.6841,2.4658))/240,(UNIFORM(3,1.83,3.83))

TRIANG VARIABLE (TRIANGULAR(1,3,12,5)) ;distribucin de entrega de delivery

DELIVERY STORAGE 2 ;deliveries

;;;se generan 12 pizzas segn distribucin "arribos"

GENERATE FN$ARRIBOS ;arribo de pedidos (segn "planilla tiempos de arribos" EN HORAS PICOS)

TRANSFER 0.68,GRANDES,SEGUIR ;32%son grandes
SEGUIR TRANSFER 0.823,PEQUEAS,MEDIANAS;56%son medianas y 12%son pequeas

GRANDES ASSIGN TAM,250 ;tamao grandes=250[pulg2]
TRANSFER ,IRCARGA

MEDIANAS ASSIGN TAM,175 ;tamao medianas=175[pulg2]
TRANSFER ,IRCARGA

PEQUEAS ASSIGN TAM,115 ;tamao pequeas=115[pulg2]

;;;ingresan al sector hornos

IRCARGA QUEUE COLAH ;espera en cola de espera de los hornos, hasta entrar en la zona de carga de algn horno

IRPROX1 TEST GE X$CAP1,P$TAM,IRPROX2 ;consulta si puede entrar en la zona de carga del horno 1
DEPART COLAH ;si logra entrar, sale de la cola de espera de los hornos
SAVEVALUE PizzasHorno1+,1 ;se actualiza el conteo de las pizzas ingresadas en el horno 1
SAVEVALUE CAP1-,P$TAM ;se disminuye la capacidad del horno 1
SAVEVALUE CapTotalUsadaHorno1+,P$TAM ;se actualiza la capacidad acumulada usada del horno
1
ASSIGN IDHORNO,1 ;se usa un parmetro para saber posteriormente en qu horno entr (para luego
actualizar su capacidad)
ADVANCE 1.9 ;demora 1,9[min] en entrar en el horno
TRANSFER ,IRHORNOS ;entra en el horno


7
2
ASSIGN IDHORNO,2 ;se usa un parmetro para saber posteriormente en qu horno entr (para
luego actualizar su capacidad)
TRANSFER ,IRHORNOS ;entra en el horno

3
ASSIGN IDHORNO,3 ;se usa un parmetro para saber posteriormente en qu horno entr (para
luego actualizar su capacidad)

IRHORNOS ADVANCE 7.02,0.48 ;en el horno, la pizza se cocina segn "planilla tiempo horneados"

ACTCAP1 TEST E P$IDHORNO,1,ACTCAP2 ;consulta si haba entrado en el horno 1
SAVEVALUE CAP1+,P$TAM ;se actualiza la capacidad del horno 1
TRANSFER ,ENTREGA ;la pizza est lista para ser entregada

ACTCAP2 TEST E P$IDHORNO,2,ACTCAP3 ;consulta si haba entrado en el horno 2 (si no es as, por descarte entr
en el horno 3)
SAVEVALUE CAP2+,P$TAM ;se actualiza la capacidad del horno 2
TRANSFER ,ENTREGA ;la pizza est lista para ser entregada

ACTCAP3 SAVEVALUE CAP3+,P$TAM ;se actualiza la capacidad del horno 3

ENTREGA SAVEVALUE CantPizzasCocinadas+,1 ;se actualiza la cantidad de pizzas cocinadas, listas para ser
entregadas
TRANSFER 0.37,LLEVAR,SALIR ;segn planilla entrega (37%entregadas en mostrador y 63%para delivery)

LLEVAR QUEUE COLAD ;entra a una cola de espera de deliveries
ENTER DELIVERY ;la toma un delivery desocupado
DEPART COLAD ;sale de la cola de espera de deliveries
ADVANCE V$TRIANG ;se entrega segn distribucin triangular
LEAVE DELIVERY ;ya entregada, el delivery se desocupa
SAVEVALUE CantPizzasEntregadasDelivery+,1 ;se actualiza la cantidad de pizzas entregadas por deliveries
TERMINATE ;salimos del sistema analizado, frontera del sistema (su entrega)

SALIR SAVEVALUE CantPizzasEntregadasMostrador+,1 ;la pizza es entregada directamente al cliente
TERMINATE ;salimos del sistema analizado, frontera del sistema (su entrega)

GENERATE 240 ;se simula para una jornada de 4 [hornas]=240 [minutos]
TERMINATE 1
START 1
ANLISIS DE LA SALIDA
Reporte de la Simulacin:
START TI ME END TI ME BLOCKS FACI LI TI ES STORAGES
0. 000 240. 000 53 0 1

LABEL LOC BLOCK TYPE ENTRY COUNT CURRENT COUNT RETRY
1 GENERATE 89 0 0
2 TRANSFER 89 0 0
SEGUI R 3 TRANSFER 65 0 0
GRANDES 4 ASSI GN 24 0 0

8
5 TRANSFER 24 0 0
MEDI ANAS 6 ASSI GN 53 0 0
7 TRANSFER 53 0 0
PEQUEAS 8 ASSI GN 12 0 0
I RCARGA 9 QUEUE 89 0 0
I RPROX1 10 TEST 89 0 0
11 DEPART 66 0 0
12 SAVEVALUE 66 0 0
13 SAVEVALUE 66 0 0
14 SAVEVALUE 66 0 0
15 ASSI GN 66 0 0
16 ADVANCE 66 1 0
17 TRANSFER 65 0 0
19 DEPART 23 0 0
20 SAVEVALUE 23 0 0
21 SAVEVALUE 23 0 0
22 SAVEVALUE 23 0 0
23 ASSI GN 23 0 0
24 ADVANCE 23 0 0
25 TRANSFER 23 0 0
27 DEPART 0 0 0
28 SAVEVALUE 0 0 0
29 SAVEVALUE 0 0 0
30 SAVEVALUE 0 0 0
31 ASSI GN 0 0 0
32 ADVANCE 0 0 0
I RHORNOS 33 ADVANCE 88 3 0
ACTCAP1 34 TEST 85 0 0
35 SAVEVALUE 64 0 0
36 TRANSFER 64 0 0
ACTCAP2 37 TEST 21 0 0
38 SAVEVALUE 21 0 0
39 TRANSFER 21 0 0
ACTCAP3 40 SAVEVALUE 0 0 0
ENTREGA 41 SAVEVALUE 85 0 0
42 TRANSFER 85 0 0
LLEVAR 43 QUEUE 53 0 0
44 ENTER 53 0 0
45 DEPART 53 0 0
46 ADVANCE 53 1 0
47 LEAVE 52 0 0
48 SAVEVALUE 52 0 0
49 TERMI NATE 52 0 0
SALI R 50 SAVEVALUE 32 0 0
51 TERMI NATE 32 0 0
52 GENERATE 1 0 0
53 TERMI NATE 1 0 0

QUEUE MAX CONT. ENTRY ENTRY( 0) AVE. CONT. AVE. TI ME AVE. ( - 0) RETRY
COLAH 1 0 89 89 0. 000 0. 000 0. 000 0
COLAD 3 0 53 20 0. 693 3. 137 5. 038 0

STORAGE CAP. REM. MI N. MAX. ENTRI ES AVL. AVE. C. UTI L. RETRY DELAY
DELI VERY 2 1 0 2 53 1 1. 463 0. 731 0 0

SAVEVALUE RETRY VALUE
CAP1 0 255. 000
CAP2 0 95. 000
CAP3 0 435. 000

9
PI ZZASHORNO1 0 66. 000
PI ZZASHORNO3 0 0
CANTPI ZZASCOCI NADAS 0 85. 000
CANTPI ZZASENTREGADASMOSTRADOR 0 32. 000
CANTPI ZZASENTREGADASDELI VERY 0 52. 000
CAPTOTALUSADAHORNO1 0 11775. 000
CAPTOTALUSADAHORNO3 0 0

Variables de inters:
Cantidades de pizzas que ingresaron en los hornos
PI ZZASHORNO3 0 0

Estos valores representan las cantidades de pizzas que lograron ingresar en alguno de
los 3 hornos, listas para ser cocinadas.

Cantidad de pizzas que fueron cocinadas, listas para ser enviadas por delivery o
entregadas en el mostrador a los clientes
CANTPI ZZASCOCI NADAS 0 85. 000
El valor dado por sta variable significa la cantidad de pizzas que fueron cocinadas por
el horno, es decir aquellas que fueron ya retiradas y que estn esperando por ser
enviadas por delivery o entregadas directamente al cliente en el mostrador
Cantidad de pizzas que fueron entregadas a los clientes directamente en el
mostrador de la pizzera
CANTPI ZZASENTREGADASMOSTRADOR 0 32. 000
El valor de esta variable representa la totalidad de pizzas que fueron entregadas
directamente a los clientes en el mostrador del local.
Cantidad de pizzas que fueron enviadas por delivery a los domicilios de aquellos
clientes que as lo prefirieron

CANTPI ZZASENTREGADASDELI VERY 0 52. 000
El valor de sta variable refleja todas aquellas pizzas que fueron entregadas por el
personal de delivery
Capacidades totales usadas de los hornos

10
CAPTOTALUSADAHORNO3 0 0

Los valores de estas variables reflejan las capacidades acumuladas utilizadas de los
hornos. Como puede observarse al finalizar la simulacin, el ltimo horno no fue usado
durante toda la corrida.

Otras variables del reporte:

QUEUE MAX CONT. ENTRY ENTRY( 0) AVE. CONT. AVE. TI ME AVE. ( - 0) RETRY
COLAH 1 0 89 89 0. 000 0. 000 0. 000 0
COLAD 3 0 53 20 0. 693 3. 137 5. 038 0

STORAGE CAP. REM. MI N. MAX. ENTRI ES AVL. AVE. C. UTI L. RETRY DELAY
DELI VERY 2 1 0 2 53 1 1. 463 0. 731 0 0

COLAH: Variable que representa la cola de espera de las pizzas para el ingreso a la zona
de carga de los hornos. Al finalizar la simulacin, indica que han pasado por la cola 89
pizzas. Las 89 pizzas que entraron en la cola no tuvieron que hacer fila, es decir pasaron
directamente.

COLAD: Variable que representa la cola de espera de las pizzas a ser llevadas por el
delivery. Como mximo estuvieron a la vez 3 pizzas esperando para ser llevadas. Al
finalizar la simulacin, indica que han pasado por la cola 53 pizzas, de las cuales 20 no
tuvieron que hacer fila. El tiempo promedio por unidad de fila durante el tiempo
simulado (tomando en cuenta la entrada total a cola) es de 3,137 [min]; y el ajustado por
entradas sin hacer fila (entrada total-entrada sin hacer fila) es de 5,038 [min].

DELI VERY: Variable que representa a los encargados de llevar las pizzas al domicilio de
aquellos clientes que as lo deseen. Existen dos personas empleadas para realizar dicha
actividad. Al finalizar la simulacin, hay un empleado que no est realizando ninguna
actividad. Fueron ocupados los 2 empleados para enviar las pizzas. Han tenido que ser
enviadas 53 pizzas. Al final de la simulacin, la entidad de almacenamiento
(DELIVERY) est disponible. Cada empleado fue utilizado en un 73.1%.


11
ANLISIS GRFICO DE VARIABLES EN FUNCIN DEL TIEMPO
Capacidades Totales Usadas de los Hornos

Utilizacin del Delivery

Cola del Delivery


12
Primeras Conclusiones:
Segn lo reportado por la simulacin y por el anlisis de las variables en el tiempo
(segn grficos), podemos acercarnos a una mejor configuracin para la pizzera: usar
slo dos hornos (uno Serie III y el otro Serie II) y contar con dos personas para realizar
el servicio de delivery.
Con respecto a la utilizacin de los hornos, se debe primero comenzar a cargar el horno
Serie III (74% de las pizzas generadas entraron en este horno) y luego, cuando ste no
logre recibir una pizza debido a su capacidad disponible, proceder a cargar las pizzas en
el horno SerieII (26% de las pizzas generadas entraron en este horno). De esta forma, se
logra un uso constante del horno ms grande y luego al comienzo del horario pico es
cuando prcticamente el segundo recibe su mayor utilizacin. En el anlisis grfico,
puede observarse que, con la configuracin nombrada anteriormente, no es necesario
hacer la compra de un tercer horno, ya que ste ser usado pocas veces (aunque podra
conservarse para reposicin, ante falla en alguno de los otros hornos).
En cuanto al delivery, cabe destacar que con una persona es posible realizar el trabajo,
pero sta estara demasiado ocupada (ver ANOVA) durante la jornada; por lo que, si
tiene algn percance o demora extra, se perjudicara totalmente el negocio. Por esto,
hemos decidido agregar un segundo empleado, disminuyendo de esta forma la
utilizacin del cadete. Puede observarse tambin, en el anlisis grfico de la utilizacin
del delivery, que en todo el tiempo simulado ambos cadetes estn siendo empleados y
que slo hay pequeos intervalos en los que ambos estn ociosos.
Debido a lo anteriormente explicado, aseguramos con total tranquilidad que la
configuracin recomendada es claramente la correcta, ya que se puede hacer frente a la
demanda y sobre todo al fuerte incremento de sta en el horario pico; haciendo tambin
un uso eficiente de los recursos, tanto de hornos como de deliveries. Se asegura a su
vez, de esta forma, que un posible futuro aumento en la demanda de pizzas puede ser
tratado de manera segura sin que el negocio sufra algn tipo de modificacin brusca.
Igualmente, para asegurarnos ms de nuestras decisiones, procedemos a analizar los
efectos de algunos factores controlables, asignacin de variacin y ANOVA.
Variables Controlables:
Cap1, Cap2, Cap3: estas variables representa las capacidades de los hornos, las
cuales pueden variar entre los valores 435, 520 y 605 [pulg
2
]
TAM: representa el tamao de las pizzas, el cual es asignado mediante la
distribucin de probabilidad el cual es modificable por el dueo.
Delivery: define la cantidad de personas que van a ser empleadas para realizar el
servicio de delivery.
Duracin de la jornada: se puede optar el tiempo durante el cual ser simulada la
jornada de funcionamiento de la pizzera, en este caso 4[horas]=240[minutos].

13
Duracin del transportador del horno: es posible modificar la velocidad con la
cual sern acercadas las pizzas a la puerta del horno, previas a la coccin.
Variables de Salida: todas las funcionalidades de estas variables fueron explicadas
anteriormente.
ColaD
ColaH
PizzasHorno1, PizzasHorno2 y PizzasHorno3
CantPizzasCocinadas
CantPizzasEntregadasMostrador
CantPizzasEntregadasDelivery
CapTotalUsadaHorno1, CapTotalUsadaHorno2 y CapTotalUsadaHorno3
Variables controlables que a priori son ms influyentes:
Capacidad de los hornos: para esta variable proponemos tres niveles: 435, 520 y
605 [pulg
2
].
Cantidad de deliveries a emplear: para la cual proponemos dos niveles: 1 y 2
[personas].
Diseo unifactorial:
Variable de respuesta: CantPizzasEntregadasDelivery
Factor: Cantidad de personas empleadas para delivery
Niveles: 1 y 2 [personas]
Repeticiones: 2
Nmero de Corridas: 2 * 2 =4

Diseo 2
k
r:

Variable de respuesta: CantPizzasCocinadas
Factor: Capacidad Horno 1. Niveles: 435(-1), 605(1) [pulg
2
]
2
]
2
]
Repeticiones: 2
Nmero de Corridas: 2
3
* 2 =16

Diseo 2
k-p
r (p=1):

Variable de respuesta: CantPizzasCocinadas
2
]
2
]
2
]
Repeticiones: 2

14
3-1
* 2 =8
Diseo Multifactorial sin repeticiones:
Variable de respuesta: CapTotalUsadaHorno3
Factor: Capacidad Horno 1. Niveles: 435, 520, 605 [pulg
2
]
2
]
2
]
3
=27
Nota: Realizaremos dos ANOVAs a partir del diseo multifactorial sin repeticiones y
del diseo unifactorial con dos repeticiones, sealando con rojo los factores ms
estadsticamente significativos y con celeste los efectos ms significativos.
A (tamao horno 1) NIVEL
A
EFECTO 345,83 140,83 -486,67 435,00
PROMEDIO 1332,50 1127,50 500,00 520,00
SUMA 23985,00 20295,00 9000,00 605,00
A C(tamao horno 3)
435,00 520,00 605,00 SUMA PROMEDIO EFECTO NIVEL
C
435,00 1965,00 2100,00 1100,00 1600,00 480,00 750,00 1350,00 2100,00 1100,00 850,00 615,00 750,00 750,00 1250,00 0,00 500,00 0,00 500,00 17760,00 986,67 0,00 435,00
520,00 1965,00 2100,00 1100,00 1600,00 480,00 750,00 1350,00 2100,00 1100,00 850,00 615,00 750,00 750,00 1250,00 0,00 500,00 0,00 500,00 17760,00 986,67 0,00 520,00
605,00 1965,00 2100,00 1100,00 1600,00 480,00 750,00 1350,00 2100,00 1100,00 850,00 615,00 750,00 750,00 1250,00 0,00 500,00 0,00 500,00 17760,00 986,67 0,00 605,00
435,00 520,00 605,00 435,00 520,00 605,00 435,00 520,00 605,00
B(tamao horno 2)
B
NIVEL435 28545,00 1585,83 599,17
NIVEL520 15450,00 858,33 -128,33
NIVEL605 9285,00 515,83 -470,83 gran media (u) 986,67
SUMA PROMEDIO EFECTO

AB SUMA PROMEDIO EFECTO AC SUMA PROMEDIO EFECTO BC SUMA PROMEDIO EFECTO
435-435 12195,00 2032,50 100,83 435-435 7995,00 1332,50 0,00 435-435 9515,00 1585,83 0,00
435-520 8100,00 1350,00 145,83 435-520 7995,00 1332,50 0,00 435-520 9515,00 1585,83 0,00
435-605 3690,00 615,00 -246,67 435-605 7995,00 1332,50 0,00 435-605 9515,00 1585,83 0,00
520-435 10350,00 1725,00 -1,67 520-435 6765,00 1127,50 0,00 520-435 5150,00 858,33 0,00
520-520 5850,00 975,00 -24,17 520-520 6765,00 1127,50 0,00 520-520 5150,00 858,33 0,00
520-605 4095,00 682,50 25,83 520-605 6765,00 1127,50 0,00 520-605 5150,00 858,33 0,00
605-435 6000,00 1000,00 -99,17 605-435 3000,00 500,00 0,00 605-435 3095,00 515,83 0,00
605-520 1500,00 250,00 -121,67 605-520 3000,00 500,00 0,00 605-520 3095,00 515,83 0,00
605-605 1500,00 250,00 220,83 605-605 3000,00 500,00 0,00 605-605 3095,00 515,83 0,00


16
ABC SUMA PROMEDIO EFECTO ERRORES
435-435-435 4065,00 2032,50 100,83 -67,50 67,50 -250,00 250,00 -135,00 135,00 -375,00 375,00 125,00 -125,00 -67,50 67,50 -250,00 250,00 -250 250 -250 250
435-435-520 4065,00 2032,50 100,83 -67,50 67,50 -250,00 250,00 -135,00 135,00 -375,00 375,00 125,00 -125,00 -67,50 67,50 -250,00 250,00 -250 250 -250 250
435-435-605 4065,00 2032,50 100,83 -67,50 67,50 -250,00 250,00 -135,00 135,00 -375,00 375,00 125,00 -125,00 -67,50 67,50 -250,00 250,00 -250 250 -250 250
435-520-435 2700,00 1350,00 145,83
435-520-520 2700,00 1350,00 145,83
435-520-605 2700,00 1350,00 145,83 SSA 6773025,00
435-605-435 1230,00 615,00 -246,67 SSB 10748775,00
435-605-520 1230,00 615,00 -246,67 SSC 0,00
435-605-605 1230,00 615,00 -246,67 SSAB 1001625,00
520-435-435 3450,00 1725,00 -1,67 SSAC 0,00
520-435-520 3450,00 1725,00 -1,67 SSBC 0,00
520-435-605 3450,00 1725,00 -1,67 SSABC 1001625,00
520-520-435 1950,00 975,00 -24,17 SSE 2601525,00
520-520-520 1950,00 975,00 -24,17 SST 22126575,00
520-520-605 1950,00 975,00 -24,17
520-605-435 1365,00 682,50 25,83
520-605-520 1365,00 682,50 25,83
520-605-605 1365,00 682,50 25,83
605-435-435 2000,00 1000,00 -99,17
605-435-520 2000,00 1000,00 -99,17 ASIG. VARIACION ANOVA
605-435-605 2000,00 1000,00 -99,17 FUENTE %VARIACION GL MS F Fcrt (=0,05)
605-520-435 500,00 250,00 -121,67 A 30,61 1 6773025,00 70,29 4,21
605-520-520 500,00 250,00 -121,67 B 48,58 1 10748775,00 111,56 4,21
605-520-605 500,00 250,00 -121,67 C 0,00 1 0,00 0,00 4,21
605-605-435 500,00 250,00 220,83 AB 4,53 1 1001625,00 10,40 4,21
605-605-520 500,00 250,00 220,83 AC 0,00 1 0,00 0,00 4,21
605-605-605 500,00 250,00 220,83 BC 0,00 1 0,00 0,00 4,21
ABC 4,53 1 1001625,00 10,40 4,21
yijkl=u+i+j+k+ij+ik+jk+ijk+eijkl ERROR 11,76 27 96352,78

y=ocupacin delivery yij=+i+eij
Cant Delivery Y1 Y2 Ypromedio efecto
NIVEL
1 0,949 0,905 0,927 0,12375 gran media 0,80325
2 0,731 0,628 0,6795 -0,12375
ANOVA
%variacion GL MS F Fcrt (=0,05)
SSA 0,06125625 95,1294794 1 0,06125625 39,0633719 18,513
SSE 0,00313625 4,87052064 2 0,00156813
SST 0,0643925
CONCLUSIONES FINALES

Para el primer diseo multifactorial con tres factores (A, B y C: tamao del horno
1, 2 y 3 respectivamente) con tres niveles cada uno y con 2 repeticiones (un total
de 54 corridas), elegimos como variable de respuesta la capacidad total usada del
horno 3, porque adems de ser uno de los objetivos del trabajo prctico
(satisfacer la demanda con el mejor uso de los hornos), es la salida en la que mejor
se pueden interpretar los efectos producidos por los cambios (realistas) en los
factores (tamaos de los hornos).
Sea un nivel de significancia del 5% para el clculo del F
crtico
.
Podemos concluir entonces, segn el ANOVA de nuestro modelo, que los factores
A y B (tamao del horno 1 y 2 respectivamente) y la interaccin de los tres
factores se destacan por ser estadsticamente significativos para los niveles
elegidos; por lo que se deben considerar a la hora de pensar en elegir los tamao
de cada horno.
Como una mejora para aumentar la cantidad de pizzas ingresadas a los hornos
para satisfacer la demanda, disminuir la espera en cola para dicho ingreso y cuidar
los costos innecesarios, lo recomendado es operar principalmente con dos hornos,
el primero Serie III y el segundo Serie II; y tener el tercero para casos especiales
con demasiada demanda (o para sustituir momentneamente algn horno
averiado, en caso de fallas).

Para el segundo diseo unifactorial (factor: cantidad de deliveries) con dos niveles
(un delivery y dos deliveries), elegimos como variable de respuesta la utilidad de
cada empleado (dato observado en el reporte en el STORAGE DELIVERY en
UTIL.).
Sea un nivel de significancia del 5% para el clculo del F
crtico
, el efecto que causa
el factor en la variable de respuesta supera al del error; por ende, este factor es el
ms estadsticamente significativo.
Como se puede apreciar, la utilizacin disminuye en un 12,375% respecto del
promedio general (80,325%) cuando se tienen 2 personas en el rea de delivery, lo
que es considerablemente aceptable; dado que, si hay un solo delivery operando al
mximo y ste tiene algn problema, se generar una notable demora, al no poder
ser sustituido.
Respecto a lo analizado, es recomendable contar con dos deliveries, satisfaciendo
as los pedidos realizados por los clientes.

TP Simulacion

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

TP Simulacion

Încărcat de

Drepturi de autor:

Formate disponibile

Facultad Regional Santa Fe

S-ar putea să vă placă și