Instituto Tecnológico Superior

de Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

INSTITUTO TECNOLÓGICO SUPERIOR DE

COMALCALCO
Ingeniería Industrial

Asignatura:
Simulación

Docente:
Rodolfo Hernández Gallegos

Actividad:
Proyecto de asignatura

Alumnos:
Oscar Flores Cruz
Lorena Ramos González
Daniel Antonio Ocaña Pérez
María de Jesús de los Santos de los Santos
José Manuel Copper Fabela

Semestre y grupo:
6 “A”

Turno: Matutino

Fecha de entrega:
04/12/2024

Carretera Vecinal Comalcalco - Paraíso Km. 2, Comalcalco, Tabasco; México. C.P. 86651

Tel. (933) 334-9090, e-mail: [email protected] tecnm.mx | comalcalco.tecnm.mx

 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

INDICE
INDICE .............................................................................................................................. 2

INTRODUCCION ............................................................................................................... 4

Capitulo I. Teoría de colas ............................................................................................. 5

1.1. Antecedentes Históricos....................................................................................... 6

1.2. Marco Conceptual (Fundamentos teóricos) .......................................................... 7

1.2.1. Concepto de Teoría de Colas ........................................................................... 7

1.2.2. Descripción del sistema de una cola ................................................................. 7

1.2.3. Terminología y notación ................................................................................... 9

1.3. Modelos para el sistema de una cola ................................................................. 10

1.3.1. El modelo M/M/1..............................................................................................11

1.3.2. El modelo M/M/c ..............................................................................................11

1.3.3. El modelo G/G/1 ..............................................................................................11

1.4. Redes de cola .................................................................................................... 11

1.4.1. Introducción a las redes de cola ..................................................................... 12

1.4.2. Redes de Jackson Abiertas ............................................................................ 12

1.4.3. Redes de Jackson cerradas ........................................................................... 13

Capitulo II. Simulación de procesos .............................................................................. 15

2.1. Antecedentes Históricos..................................................................................... 16

2.2. Marco conceptual (Fundamentos Teóricos)........................................................ 17

2.2.1. Concepto de simulación ................................................................................. 17

2.2.2. Software ProModel ......................................................................................... 17

2.2.3. Definiciones de Simulación y su evolución ...................................................... 18

2.2.4. Aplicación en la industria ................................................................................ 20

2.2.5. Ventajas y desventajas de la simulación en la industria .................................. 22

Capitulo III. Desarrollo del proyecto ............................................................................... 24

 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

3.1. Planteamiento del problema ............................................................................... 25

3.2. Objetivo general ................................................................................................. 25

3.3. Objetivos específicos ......................................................................................... 25

3.4. Justificación ....................................................................................................... 25

3.5. Muestreo ............................................................................................................ 26

3.6. Ajuste de distribución de probabilidad ................................................................ 30

3.7. Simulación del estado real del servicio ............................................................... 33

Capitulo I. Resultados y propuestas ............................................................................. 38

BIBLIOGRAFIA………………………………………………………………………………………
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

INTRODUCCIÓN
La teoría de colas y la simulación de procesos son disciplinas interrelacionadas que han
cobrado gran relevancia en el análisis y optimización de sistemas complejos. A través de la
teoría de colas, se estudia cómo los "clientes" llegan a un "sistema" para recibir un servicio,
enfrentándose a tiempos de espera y a la disponibilidad de recursos limitados. Esta teoría,
originada en los trabajos de Agner Krarup Erlang a principios del siglo XX, ha evolucionado
a lo largo del tiempo, incorporando modelos matemáticos que permiten analizar y predecir
el comportamiento de sistemas en diversos contextos, desde telecomunicaciones hasta
atención al cliente y manufactura.
La simulación de procesos, por su parte, se ha convertido en una herramienta clave para
modelar y analizar sistemas que presentan complejidades que no pueden ser abordadas
mediante métodos analíticos tradicionales. Con el avance de la tecnología y el desarrollo
de software especializado como ProModel, se ha facilitado la creación de modelos que
replican situaciones del mundo real, permitiendo experimentar con diferentes escenarios y
optimizar la toma de decisiones sin la necesidad de implementar cambios físicos.
En este trabajo, se han explorado los antecedentes históricos de la teoría de colas, los
fundamentos teóricos que la sustentan, así como los modelos y parámetros clave que
caracterizan a los sistemas de colas. Además, se ha analizado la importancia de la
simulación en el ámbito industrial, destacando sus aplicaciones, ventajas y desventajas.
Con un enfoque en la mejora continua y la eficiencia operativa, este estudio busca
proporcionar una comprensión integral de cómo la teoría de colas y la simulación pueden
contribuir al éxito de las organizaciones en un entorno cada vez más competitivo y dinámico.
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

Capitulo I. Teoría de colas

 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

1.1. Antecedentes Históricos

La teoría de colas tiene sus orígenes en el trabajo pionero de Agner Krarup Erlang, un
ingeniero danés que, a principios del siglo XX, comenzó a estudiar la congestión en las
líneas telefónicas. En 1909, Erlang desarrolló un modelo matemático para analizar cómo
las llamadas telefónicas llegaban a un sistema de servidores (líneas telefónicas) y cómo la
capacidad de esos servidores afectaba el tiempo de espera o la probabilidad de que una
llamada fuera bloqueada. Su trabajo se centró en las probabilidades de que las llamadas
fueran atendidas sin ser interrumpidas, lo que le permitió crear las primeras fórmulas para
calcular la cantidad adecuada de líneas telefónicas necesarias para evitar la congestión.
Este modelo fue conocido como el "modelo Erlang" y sentó las bases de la teoría de colas
moderna.
A partir de ahí, la teoría de colas se desarrolló y extendió en las siguientes décadas. En la
década de 1920, el matemático ruso A. M. Khinchin extendió el trabajo de Erlang y formuló
el modelo más general de colas, conocido como el modelo M/M/1. Este modelo describe un
sistema con una sola cola y un único servidor, donde las llegadas de clientes siguen una
distribución de Poisson y los tiempos de servicio siguen una distribución exponencial. Estos
modelos se convirtieron en fundamentales para el estudio de sistemas de colas, siendo
aplicados a una amplia variedad de contextos más allá de las telecomunicaciones, como el
análisis de tráfico en las carreteras o la gestión de procesos industriales.
En la segunda mitad del siglo XX, la teoría de colas experimentó un gran auge con el
desarrollo de la simulación por computadora. A partir de la década de 1950, la teoría se
aplicó en el diseño de sistemas de computadoras y redes de telecomunicaciones,
permitiendo optimizar la utilización de recursos en sistemas con grandes volúmenes de
tráfico. Los avances en la simulación numérica permitieron modelar sistemas más
complejos con múltiples servidores, prioridades de atención y tiempos de espera no
necesariamente exponenciales. A lo largo de las décadas de 1970 y 1980, la simulación se
consolidó como una herramienta clave para estudiar y mejorar la eficiencia de los sistemas
de colas en industrias como la manufactura, el transporte y la informática.
A medida que la teoría de colas se expandía, su aplicación fue clave en sectores como el
análisis de redes de comunicación, la optimización de los sistemas de servicio al cliente, la
programación de la producción en fábricas y la gestión de inventarios. En las últimas
décadas, con el avance de las tecnologías digitales y el análisis de grandes volúmenes de
datos, la teoría de colas ha continuado siendo fundamental para mejorar la eficiencia de
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

una variedad de procesos, desde la gestión de datos en internet hasta el diseño de sistemas
de transporte público. La teoría sigue siendo una disciplina activa y dinámica, con nuevas
aplicaciones y modelos que continúan surgiendo en respuesta a los desafíos de la era
moderna.

1.2. Marco Conceptual (Fundamentos teóricos)

1.2.1. Concepto de Teoría de Colas
La teoría de colas es una rama de la teoría de probabilidades y la investigación operativa
que estudia el comportamiento de los sistemas donde los "clientes" llegan a una "cola" para
recibir algún tipo de servicio. Los fundamentos teóricos de la teoría de colas se basan en la
descripción y análisis de sistemas de espera, y su principal objetivo es modelar, analizar y
optimizar el rendimiento de dichos sistemas. Estos sistemas se caracterizan por la
interacción entre la llegada de clientes, los tiempos de espera y los procesos de servicio, y
pueden aplicarse a una amplia gama de escenarios, desde sistemas de atención al cliente
hasta redes de telecomunicaciones y manufactura.

1.2.2. Descripción del sistema de una cola

Un sistema de cola es un modelo matemático que describe cómo los "clientes" (que pueden
ser personas, productos, datos, etc.) llegan a un servicio y deben esperar en una "cola"
antes de ser atendidos por uno o más servidores. Este tipo de sistema se encuentra en una
amplia variedad de contextos, como en estaciones de servicio, bancos, hospitales,
supermercados, sistemas de comunicación, entre otros.
En su forma más simple, el sistema de cola consta de tres componentes principales:
• Clientes: Son las entidades que requieren un servicio. En un banco, por ejemplo,
los clientes son las personas que esperan ser atendidas en la ventanilla. En otros
contextos, como en un sistema de comunicaciones, los "clientes" pueden ser los
paquetes de datos que necesitan ser procesados por un servidor.
• Cola: Es el espacio donde los clientes esperan su turno para ser atendidos. En un
sistema real, la cola puede tener una capacidad limitada o infinita, dependiendo de
las características del sistema. Los clientes pueden esperar en la cola según reglas
específicas (por ejemplo, la regla FIFO — First In, First Out — en la que el primer
cliente en llegar es el primero en ser atendido). Sin embargo, en algunos sistemas
más complejos, se pueden aplicar reglas de prioridad (como en los servicios de
emergencia, donde los pacientes más graves se atienden primero).
• Servidor: Es el recurso o proceso que atiende a los clientes que han llegado a la
cola. El servidor puede ser un solo recurso (como un cajero en un banco) o varios
recursos (como varios cajeros en un supermercado). El tiempo que un cliente tarda
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

en ser atendido por el servidor se conoce como tiempo de servicio, y generalmente

se modela utilizando distribuciones probabilísticas.
Descripción del proceso de un sistema de cola:
El comportamiento de un sistema de cola se puede describir como una secuencia de
eventos:
• Llegadas: Los clientes llegan al sistema de acuerdo con un proceso de llegada
determinado. En muchos casos, las llegadas se modelan como un proceso Poisson,
lo que significa que los clientes llegan de manera aleatoria, pero con una tasa
constante de llegada por unidad de tiempo. Sin embargo, las llegadas también
pueden seguir otros procesos estocásticos, dependiendo de las características del
sistema.
• Esperas: Una vez que los clientes llegan, se ubican en la cola para esperar ser
atendidos. El tiempo que cada cliente pasa esperando depende de varios factores,
como el número de servidores disponibles, la tasa de llegada de nuevos clientes, y
la duración del servicio de cada cliente. Si hay servidores disponibles, el cliente es
atendido inmediatamente. Si no, el cliente debe esperar en la cola hasta que un
servidor se libere.
• Atención: Cuando un servidor se encuentra disponible, atiende al cliente que lleva
más tiempo esperando (en sistemas FIFO). El tiempo de servicio es aleatorio y se
modela mediante una distribución de probabilidad (por ejemplo, una distribución
exponencial o gamma). El tiempo que un cliente pasa siendo atendido es crucial
para determinar el rendimiento del sistema y las métricas como el tiempo total en el
sistema.
• Salida: Después de ser atendido, el cliente abandona el sistema, y el servidor queda
libre para atender al siguiente cliente en la cola. El proceso se repite continuamente,
con nuevos clientes llegando y otros siendo atendidos o saliendo.

Parámetros clave en un sistema de cola:

Los sistemas de colas se caracterizan por varios parámetros que determinan su
rendimiento. Los más comunes son:
• Tasa de llegada (λ): Es la frecuencia con la que los clientes llegan al sistema,
expresada generalmente en clientes por unidad de tiempo. En un modelo Poisson,
las llegadas ocurren aleatoriamente, pero con una tasa constante de llegada.
• Tasa de servicio (μ): Es la velocidad con la que el servidor puede atender a los
clientes, medida en clientes por unidad de tiempo. Dependiendo del sistema, la tasa
de servicio puede ser constante o variar.
• Número de servidores (c): El número de servidores disponibles en el sistema
puede ser uno o más. Si hay múltiples servidores, el sistema puede manejar a más
clientes simultáneamente, reduciendo los tiempos de espera.
• Utilización (ρ): Es la fracción del tiempo que el servidor está ocupado. Se calcula
como la relación entre la tasa de llegada (λ) y la tasa de servicio (μ), es decir,
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

ρ = λ / μ. La utilización ayuda a entender si el sistema está suficientemente

dimensionado para las llegadas de clientes. Si ρ se acerca a 1, significa que el
servidor está casi siempre ocupado, lo que puede generar largos tiempos de espera.

1.2.3. Terminología y notación

En la teoría de colas, la terminología y la notación son fundamentales para describir y
analizar los sistemas de colas de manera clara y precisa. A continuación, te proporciono
una descripción de la terminología más comúnmente utilizada, así como la notación
estándar que se emplea para representar los diferentes tipos de sistemas de colas.

Terminología en la Teoría de Colas

1. Clientes: Son las entidades que requieren un servicio en el sistema. Pueden ser
personas, productos, trabajos, solicitudes, etc., que llegan al sistema y esperan
para ser atendidos.
2. Cola: Es el lugar donde los clientes esperan antes de ser atendidos. En algunos
sistemas, la cola puede tener una capacidad limitada (es decir, un número máximo
de clientes) o ser infinita. Los clientes se colocan en la cola según reglas
específicas de orden (por ejemplo, FIFO — First In, First Out).
3. Servidor: Es el recurso que atiende a los clientes en el sistema. En algunos
sistemas, puede haber un solo servidor; en otros, puede haber múltiples
servidores disponibles para atender a los clientes de manera simultánea.
4. Tasa de llegada (λ): Es la tasa a la cual los clientes llegan al sistema,
generalmente expresada como número de clientes por unidad de tiempo. En
muchos modelos, las llegadas siguen un proceso estocástico, como el proceso
Poisson.
5. Tasa de servicio (μ): Es la tasa a la que los servidores pueden atender a los
clientes, generalmente medida como el número de clientes que pueden ser
atendidos por unidad de tiempo. Al igual que la tasa de llegada, la tasa de servicio
también se puede modelar de manera estocástica (por ejemplo, distribuciones
exponenciales o gamma).
6. Tiempo de espera: Es el tiempo que un cliente pasa esperando en la cola antes
de ser atendido.
7. Tiempo de servicio: Es el tiempo que un cliente pasa siendo atendido por el
servidor.
8. Tiempo total en el sistema: Es la suma del tiempo de espera y el tiempo de
servicio, es decir, el tiempo total que un cliente pasa en el sistema desde que llega
hasta que se va.
9. Longitud de la cola (Lq): Es el número promedio de clientes que están
esperando en la cola en un momento dado.
10. Longitud del sistema (L): Es el número promedio de clientes en el sistema,
incluyendo tanto los que están en la cola como los que están siendo atendidos por
el servidor.
11. Utilización (ρ): Es la fracción del tiempo que un servidor está ocupado atendiendo
a clientes. Se calcula como la relación entre la tasa de llegada (λ) y la tasa de
servicio (μ). En un sistema con múltiples servidores, la utilización se puede
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

calcular como el cociente entre la tasa de llegada total y la capacidad total del
sistema de servidores.
Fórmula:
𝜆
𝑝=
𝜇
Para sistemas con múltiples servidores, se usa:
𝜆
𝑝=
𝑐𝜇
Donde c es el número de servidores.

12. Probabilidad de que el servidor esté libre (P₀): Es la probabilidad de que no

haya clientes siendo atendidos en el sistema, es decir, la probabilidad de que el
servidor esté disponible para atender a un nuevo cliente.
13. Probabilidad de espera (Pₓ): Es la probabilidad de que un cliente tenga que
esperar en la cola antes de ser atendido. En un sistema con múltiples servidores,
esta probabilidad depende de la tasa de llegada y el número de servidores
disponibles.}

1.3. Modelos para el sistema de una cola

La notación utilizada en la teoría de colas sigue un formato estándar para describir las
características del sistema de forma compacta. La notación más comúnmente utilizada es
A/B/c, donde:
A: Representa el tipo de distribución de llegadas. El tipo de distribución más común es M,
que indica que las llegadas siguen un proceso de Poisson (distribución exponencial de los
tiempos entre llegadas).
B: Representa el tipo de distribución de servicios. Al igual que con las llegadas, M indica
una distribución exponencial (servicio Markoviano).
c: Representa el número de servidores en el sistema.
Por ejemplo:
M/M/1: Un sistema con llegadas y servicios de tipo exponencial (Markoviano) y un único
servidor.
M/M/c: Un sistema con llegadas y servicios de tipo exponencial y c servidores.
M/G/1: Un sistema con llegadas de tipo Poisson y tiempos de servicio con distribución
general (no necesariamente exponencial), con un único servidor.
G/G/1: Un sistema donde tanto las llegadas como los tiempos de servicio siguen
distribuciones generales, con un único servidor.
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

Otras notaciones relevantes:

1.3.1. El modelo M/M/1

Este es uno de los modelos más estudiados en la teoría de colas. La notación "M/M/1" se
desglosa de la siguiente manera:
• El primer M indica que las llegadas siguen un proceso de Poisson (es decir, los
tiempos entre llegadas son exponenciales).
• El segundo M indica que los tiempos de servicio siguen una distribución
exponencial.
• El 1 indica que hay un solo servidor en el sistema.

1.3.2. El modelo M/M/c

Similar al modelo M/M/1, pero con c servidores en lugar de uno. Este modelo describe
sistemas con múltiples servidores, lo que permite atender a más clientes al mismo tiempo.

1.3.3. El modelo G/G/1

Es el modelo más general. El G en ambos casos indica que las llegadas y los tiempos de
servicio siguen distribuciones generales. Este modelo es más flexible pero más difícil de
analizar matemáticamente.
1. Poisson (P): Cuando se dice que un sistema sigue una distribución Poisson,
significa que las llegadas de clientes son independientes y ocurren a una tasa
constante durante el tiempo. Los intervalos entre llegadas se distribuyen de
acuerdo con una distribución exponencial.
2. Distribución Exponencial (E): La distribución exponencial es una de las
distribuciones más comunes para modelar tanto el tiempo entre llegadas de
clientes como los tiempos de servicio. En términos matemáticos, su función de
densidad de probabilidad es:

𝑓(𝑡) = 𝜆𝑒−𝜆𝑡, 𝑡 > 0

donde λ es la tasa de llegada o servicio.

1.4. Redes de cola

Las redes de colas son un tipo más complejo y generalizado de sistema de colas, que
involucra múltiples estaciones o servidores interconectados entre sí, donde los clientes
pueden pasar de una cola a otra en diferentes puntos del sistema. A diferencia de un
sistema de cola simple (como el modelo M/M/1), una red de colas se utiliza para modelar
sistemas que incluyen varios servidores distribuidos o compartidos, donde las llegadas de
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

clientes no se limitan a una única cola, sino que pueden ser redirigidos a otras colas dentro
de la red.

1.4.1. Introducción a las redes de cola

Una red de colas es un modelo matemático utilizado para describir y analizar sistemas en
los que múltiples estaciones de servicio (o servidores) interactúan y están conectadas por
rutas a través de las cuales los clientes, que requieren atención o procesamiento, se
mueven entre estas estaciones. Este tipo de sistema es una extensión de los modelos
tradicionales de cola (como el M/M/1) donde los clientes siguen una única ruta hacia un
único servidor. En una red de colas, los clientes pueden ser redirigidos de una estación a
otra según reglas de enrutamiento, lo que permite representar situaciones más complejas
como aquellas que ocurren en redes de computadoras, procesos de manufactura, sistemas
de transporte o call centers.
Una red de colas está formada por varios nodos de servicio (estaciones), cada uno con su
propia cola, en la que los clientes esperan hasta ser atendidos. Los clientes pueden llegar
a una estación siguiendo diferentes rutas, ser atendidos y, después del servicio, pueden ser
enviados a otra estación dentro de la red para recibir más atención o finalmente abandonar
el sistema.
Las redes de colas se caracterizan por varios factores, como el tipo de distribución de las
llegadas (generalmente Poisson) y el tipo de distribución de los tiempos de servicio (que
pueden ser exponenciales, generales o de otro tipo), el número de servidores en cada
estación, y las reglas de enrutamiento de los clientes entre estaciones. El análisis de estas
redes permite estudiar su comportamiento en términos de tiempos de espera, utilización de
los servidores, número de clientes en el sistema, y otros parámetros que son fundamentales
para optimizar el rendimiento y la eficiencia de los sistemas representados.

1.4.2. Redes de Jackson Abiertas

Las redes de Jackson abiertas son un caso específico de redes de colas que se caracterizan
por ser abiertas (es decir, los clientes pueden entrar y salir del sistema) y conformadas por
estaciones de servicio que siguen una estructura de red donde los clientes pueden moverse
entre diferentes estaciones. Este modelo fue propuesto por Donald Jackson en 1957 y es
uno de los modelos más importantes y fundamentales en la teoría de redes de colas debido
a su capacidad para modelar sistemas de servicio complejos de una manera que resulta
analíticamente tratable.
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

El modelo clásico de red de Jackson abierta se puede describir con la notación

M/M/cM/M/cM/M/c para cada estación, lo que significa que cada estación sigue un proceso
de llegadas de Poisson con tiempos de servicio exponenciales y una tasa de servicio de
ccc servidores.
Estructura de la Red de Jackson Abierta
Una red de Jackson abierta está formada por:
• Estaciones de servicio (S1, S2, ..., Sn): Cada estación iii tiene un conjunto de
servidores y una cola.

• Tasa de llegada (λi): La tasa de llegada de clientes a la estación iii es Poisson, es

decir, los clientes llegan de manera aleatoria y con una tasa constante.

• Tasa de servicio (μi): La tasa de servicio en la estación i es exponencial, es decir,

el tiempo de servicio sigue una distribución exponencial.

• Múltiples servidores: Cada estación puede tener más de un servidor (ci).

• Enrutamiento: Después de ser atendido en la estación i, un cliente puede ser

enrutado a otra estación j con una probabilidad 𝑝𝑖𝑗, o bien puede salir del sistema
con probabilidad 𝑝𝑖0.

1.4.3. Redes de Jackson cerradas

Las redes de Jackson cerradas son un tipo específico de redes de colas en las que un
número fijo de clientes circula entre un conjunto de estaciones de servicio, sin que los
clientes lleguen del exterior ni abandonen el sistema. En otras palabras, el sistema está
"cerrado" porque la cantidad de clientes en el sistema se mantiene constante a lo largo del
tiempo, y estos solo se mueven entre las estaciones de servicio dentro de la red. Las redes
de Jackson cerradas son una extensión de las redes de Jackson abiertas, y comparten
muchas de sus propiedades, pero con la característica distintiva de que no hay entradas ni
salidas de clientes al sistema.
El modelo de red de Jackson cerrada es muy similar al de la red abierta, pero con la
diferencia de que el sistema tiene un número fijo de clientes NNN y estos se redistribuyen
entre las estaciones. A continuación, describimos los componentes clave del modelo:
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

Componentes del Modelo

• Estaciones de Servicio: 𝑆1, 𝑆2, … 𝑆𝑛. Cada estación 𝑖 tiene 𝑐𝑖 servidores que
atienden a los clientes. El número de estaciones es finito, y cada estación tiene un
conjunto de servidores.

• Enrutamiento Probabilístico: Al igual que en las redes abiertas, los clientes

pueden ser dirigidos de una estación a otra según una probabilidad de
enrutamiento 𝑝𝑖𝑗 que indica la probabilidad de que un cliente que ha sido atendido
en la estación 𝑖 se redirija a la estación 𝑗. En este caso, la probabilidad de salir del
sistema es 𝑝𝑖0, pero en una red cerrada, los clientes no pueden abandonar el
sistema, por lo que 𝑝𝑖0 = 0 para todas las estaciones.

• Distribución de Llegadas y Servicio: Las llegadas de clientes a cada estación

siguen un proceso de Poisson en el que el número de llegadas a la estación 𝑗
depende del número total de clientes en el sistema y las probabilidades de
enrutamiento. Los tiempos de servicio en cada estación siguen una distribución
exponencial (como en los modelos de colas clásicos).

• Número de Clientes: En una red cerrada, el número total de clientes N es

constante, lo que significa que ∑𝑛𝑖=1 𝑁𝑖 = 𝑁,donde 𝑁𝑖 es el número de clientes en la
estación 𝑖. A medida que los clientes se mueven entre las estaciones, la distribución
de clientes en cada estación cambia, pero el número total de clientes en el sistema
se mantiene constante.
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

Capitulo II. Simulación de procesos

 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

2.1. Antecedentes Históricos

La simulación de procesos tiene sus raíces en los trabajos realizados a mediados del siglo
XX, aunque sus fundamentos conceptuales pueden rastrearse más atrás en la historia. La
necesidad de estudiar sistemas complejos y estocásticos, que son difíciles de abordar
mediante métodos analíticos tradicionales, impulsó el desarrollo de la simulación como
herramienta de investigación y análisis. Durante la Segunda Guerra Mundial, surgieron
avances clave en la simulación de procesos. En ese período, científicos y militares
empezaron a usar la simulación para modelar y mejorar procesos relacionados con la
logística, el suministro de recursos y las operaciones militares, debido a la creciente
complejidad de los sistemas involucrados y la necesidad de optimizar recursos escasos.
Uno de los primeros desarrollos importantes fue la creación de simuladores de guerra, que
utilizaban modelos simplificados para predecir los resultados de diferentes estrategias y
decisiones en un conflicto bélico.
En la década de 1940, con el advenimiento de las primeras computadoras electrónicas, el
campo de la simulación dio un gran salto. La introducción de máquinas como la ENIAC
permitió que los cálculos que antes habrían requerido enormes cantidades de tiempo y
esfuerzo humano se realizaran en cuestión de horas. Fue en esta época cuando se
comenzó a utilizar la simulación para modelar sistemas más generales, como las redes de
comunicación y los sistemas de colas, fundamentales en el contexto de la teoría de colas
que había comenzado a desarrollarse en las décadas previas. Los trabajos pioneros de
John von Neumann y Stanislaw Ulam en el desarrollo de la simulación de Monte Carlo a
principios de la década de 1950 marcaron un hito en la simulación de procesos estocásticos,
utilizando técnicas probabilísticas para resolver problemas complejos que no podían
resolverse de manera determinista.
A lo largo de las décadas de 1950 y 1960, la simulación se consolidó como una disciplina
científica clave, especialmente en el ámbito de la ingeniería y la investigación operativa. En
este contexto, los métodos de simulación se aplicaron al diseño de sistemas industriales, la
planificación de operaciones y la mejora de procesos logísticos. Durante este período, se
comenzó a formalizar la técnica de simulación mediante algoritmos computacionales que
facilitaban la modelización y análisis de sistemas complejos, permitiendo a los
investigadores probar diferentes configuraciones sin necesidad de realizar costosos
experimentos físicos. Los modelos de simulación también se extendieron a otras áreas
como la economía, la biología y la informática, lo que permitió desarrollar simulaciones de
fenómenos sociales, ambientales y económicos.
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

El auge de la informática en las décadas de 1970 y 1980 permitió a la simulación convertirse

en una herramienta más accesible y sofisticada, al contar con computadoras más rápidas
y potentes, lo que permitió simular sistemas más grandes y complejos con mayor precisión.
Con la evolución de los lenguajes de programación y el desarrollo de software especializado
en simulación, los investigadores pudieron crear simuladores más realistas y detallados
para resolver problemas en áreas como la manufactura, la gestión de inventarios y los
sistemas de transporte. En la actualidad, la simulación de procesos ha evolucionado hasta
convertirse en una herramienta indispensable en una amplia variedad de campos, desde la
ingeniería hasta las ciencias sociales, las finanzas y la salud. La capacidad de modelar,
simular y analizar el comportamiento de sistemas complejos sigue siendo fundamental para
la toma de decisiones en entornos inciertos y dinámicos.

2.2. Marco conceptual (Fundamentos Teóricos)

2.2.1. Concepto de simulación
La simulación de procesos es una técnica utilizada para imitar el comportamiento de
sistemas complejos y dinámicos a lo largo del tiempo. Esta disciplina se basa en la creación
de modelos matemáticos y computacionales que representan un sistema real, permitiendo
experimentar con diversas configuraciones, escenarios y parámetros sin necesidad de
modificar el sistema físico real. La simulación se aplica principalmente en situaciones donde
los modelos analíticos no pueden proporcionar soluciones precisas debido a la complejidad,
la incertidumbre o la variabilidad inherente a los procesos.

2.2.2. Software ProModel

ProModel es un software especializado en la simulación de eventos discretos (DES, por sus
siglas en inglés: Discrete Event Simulation), que se utiliza para modelar, analizar y optimizar
sistemas complejos. A través de su interfaz gráfica de usuario, ProModel permite crear
modelos de simulación visualmente sin necesidad de programación avanzada, aunque
también ofrece opciones para personalizar las simulaciones mediante código y scripting si
es necesario. Este software es ampliamente utilizado en entornos empresariales e
industriales para resolver problemas de optimización de procesos en áreas como:
Manufactura y producción: Para modelar líneas de ensamblaje, plantas de producción,
control de inventarios, gestión de recursos y planificación de la capacidad de producción.
Logística y distribución: En la optimización de redes de distribución, almacenes,
transporte y gestión de inventarios.
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

Atención al cliente: Para simular el comportamiento de sistemas de atención al cliente,

como en call centers o servicios de soporte técnico.
Salud: Para modelar y mejorar procesos hospitalarios, tiempos de espera en salas de
emergencia, planificación de recursos y programación de turnos.
Una de las principales ventajas de ProModel es su capacidad para realizar análisis de
escenarios "what-if" (¿qué pasaría si?), lo que permite experimentar con diversas
configuraciones o políticas operativas antes de implementarlas en un sistema real. Además,
proporciona herramientas de análisis y visualización de resultados que permiten evaluar
indicadores clave como tiempos de espera, utilización de recursos, eficiencia de los
sistemas, cuellos de botella, entre otros. Los resultados obtenidos mediante simulación
pueden ser utilizados para tomar decisiones informadas y mejorar la eficiencia y efectividad
de los procesos modelados.

2.2.3. Definiciones de Simulación y su evolución

La simulación es una técnica de modelado que permite representar, de manera controlada,
el comportamiento de un sistema real, utilizando modelos computacionales o matemáticos.
Su propósito principal es imitar el funcionamiento de un sistema en condiciones que
imponen incertidumbre o complejidad, a fin de predecir su rendimiento, experimentar con
escenarios hipotéticos y analizar diversas alternativas sin la necesidad de intervenir
directamente en el sistema físico. A lo largo de la historia, la simulación ha evolucionado
como una herramienta clave en diversas disciplinas, desde la ingeniería y las ciencias
físicas hasta las ciencias sociales, la biología y la economía.
Los orígenes de la simulación se remontan a la antigüedad, cuando los primeros intentos
de modelar la realidad y predecir comportamientos se realizaron mediante representaciones
simples de fenómenos naturales. Sin embargo, la simulación tal como la conocemos hoy
comenzó a desarrollarse a partir de la mitad del siglo XX, con la aparición de las primeras
computadoras electrónicas. La necesidad de modelar y analizar sistemas cada vez más
complejos, como redes de comunicación, sistemas de transporte, flujos de producción y
procesos industriales, llevó a los científicos y matemáticos a idear métodos para imitar el
comportamiento de estos sistemas de forma computarizada.
El primer gran avance en la simulación moderna ocurrió con el desarrollo del método de
Monte Carlo en la década de 1940, durante la Segunda Guerra Mundial. Este método, que
utiliza la generación de números aleatorios para resolver problemas matemáticos
complejos, fue inicialmente empleado para simular los procesos estocásticos en la física
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

nuclear. A través de la simulación de Monte Carlo, fue posible analizar escenarios inciertos
y evaluar probabilidades de eventos que no podían resolverse mediante cálculos
deterministas. Este enfoque, basado en el principio de aleatoriedad y estadística, abrió
nuevas puertas para la simulación de fenómenos que involucraban incertidumbre, lo que
fue clave en áreas como la estadística, la economía y la ingeniería.
A medida que las computadoras se hicieron más potentes y accesibles durante las décadas
de 1950 y 1960, la simulación pasó de ser una técnica de investigación exclusivamente
científica a una herramienta práctica en la ingeniería y en la optimización de procesos
industriales. Se desarrollaron herramientas y lenguajes de programación específicos para
crear modelos de simulación, que permitían a los ingenieros y planificadores estudiar el
comportamiento de sistemas sin tener que llevar a cabo experimentos físicos costosos o
arriesgados. El campo de la simulación de eventos discretos emergió en esta etapa como
una disciplina central, donde los sistemas se modelaban como secuencias de eventos que
ocurren en momentos específicos. Esta técnica fue utilizada para representar sistemas de
colas, líneas de producción, gestión de inventarios y otros procesos donde el tiempo y las
interacciones entre componentes eran fundamentales.
En la década de 1970, la simulación comenzó a ser adoptada de manera más generalizada
en sectores como la manufactura, la logística, la gestión de recursos y las finanzas. Se
comenzaron a desarrollar lenguajes de programación y plataformas especializadas, como
SIMAN y Arena, que simplificaron el proceso de construcción de modelos de simulación y
facilitaron su adopción en la práctica. Durante este período, las simulaciones también se
aplicaron a la optimización de procesos en fábricas, la gestión de tráfico en redes de
transporte, y el análisis de sistemas de salud y atención al cliente.
Uno de los avances más significativos en el campo de la simulación fue el desarrollo de la
simulación de eventos discretos estocásticos, en la cual se incorporan elementos de
aleatoriedad para modelar comportamientos inciertos, como la llegada de clientes a un
sistema de atención o los tiempos de espera en una cola. En estos modelos, los eventos
son procesos individuales que ocurren a lo largo del tiempo y cambian el estado del sistema,
como la llegada de una llamada en un call center o la finalización de un ciclo en una línea
de ensamblaje. En este contexto, la simulación de eventos discretos se basa en el análisis
de las distribuciones de probabilidad que caracterizan las llegadas de eventos y los tiempos
de servicio. Técnicas como la simulación de Monte Carlo y la simulación de cadenas de
Markov se han utilizado extensamente para este tipo de procesos.
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

Con el crecimiento de la potencia de las computadoras y el desarrollo de software

especializado en la simulación, en las últimas décadas, la simulación ha expandido sus
aplicaciones hacia áreas como la biología computacional, la gestión de riesgos financieros,
la predicción del cambio climático y la inteligencia artificial. Los avances en la simulación
han permitido modelar sistemas más complejos y dinámicos, con múltiples interacciones
entre agentes, lo que ha dado lugar a la simulación basada en agentes, una técnica que se
utiliza para modelar el comportamiento individual de entidades dentro de un sistema, como
clientes, máquinas o incluso personas en un mercado económico.
Hoy en día, la simulación se utiliza no solo para modelar y optimizar procesos, sino también
como herramienta para la toma de decisiones en entornos inciertos y cambiantes. Los
sistemas de simulación permiten evaluar el impacto de diferentes decisiones antes de
implementarlas en el mundo real, lo que proporciona una ventaja significativa en sectores
como la gestión de operaciones, la planificación estratégica, la ingeniería de sistemas y la
investigación científica.
En términos generales, la simulación no solo se refiere a una herramienta matemática o
computacional, sino que se ha convertido en una filosofía y un enfoque metodológico para
abordar problemas complejos en el mundo real. Al proporcionar un marco para explorar
diferentes escenarios sin los costos o riesgos de las pruebas físicas, la simulación ha
demostrado ser una disciplina interdisciplinaria indispensable para la mejora continua de
procesos, la investigación y la innovación tecnológica. La combinación de técnicas
estadísticas, algoritmos computacionales y un enfoque profundo en los sistemas dinámicos
permite que la simulación continúe evolucionando y adaptándose a las necesidades de la
ciencia, la industria y la sociedad en general.

2.2.4. Aplicación en la industria

La simulación en procesos industriales es una herramienta fundamental para la
optimización, el análisis y la toma de decisiones en la gestión de operaciones dentro de las
fábricas, plantas de producción, líneas de ensamblaje y otros entornos industriales.
Utilizando modelos matemáticos y computacionales, la simulación permite imitar el
comportamiento de un sistema industrial en condiciones controladas y bajo diferentes
escenarios, sin necesidad de realizar cambios físicos en el sistema real. Esta capacidad
para experimentar con diversos escenarios permite predecir cómo se comportará un
sistema ante diversas decisiones, sin los costos, riesgos o tiempos involucrados en la
modificación directa de los procesos.
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

Optimización de líneas de producción: La simulación permite modelar y analizar las

operaciones de una línea de producción para identificar cuellos de botella, evaluar la
utilización de recursos y mejorar la asignación de tareas entre las estaciones de trabajo.
Esto es fundamental para maximizar el rendimiento, reducir tiempos muertos y mejorar la
eficiencia general.
Gestión de inventarios y logística: En la gestión de inventarios, la simulación puede
predecir la demanda de productos, analizar las políticas de reabastecimiento y optimizar los
niveles de stock para evitar tanto el exceso como la escasez de inventarios. También es útil
para simular sistemas logísticos, como los flujos de materiales en almacenes o los tiempos
de transporte entre diferentes partes de la planta o de la cadena de suministro.
Planificación y programación de la producción: A través de la simulación, se pueden
evaluar diferentes estrategias de programación de producción, como la programación por
lotes o la programación just-in-time (JIT). La simulación puede ayudar a anticipar problemas
como la falta de capacidad, los retrasos en la entrega de materiales o la incapacidad para
cumplir con las demandas de los clientes.
Análisis de capacidad de planta: La simulación permite determinar si una planta tiene la
capacidad suficiente para satisfacer la demanda prevista y evaluar cómo afectan diferentes
variables (como la disponibilidad de recursos o las paradas de mantenimiento) a la
capacidad productiva. También es útil para planificar expansiones o mejoras en la
infraestructura.
Mantenimiento y confiabilidad de equipos: Mediante modelos de simulación, se pueden
predecir las necesidades de mantenimiento y gestionar las paradas programadas o no
programadas. La simulación ayuda a identificar los equipos críticos, los tiempos de
inactividad y cómo las fallas pueden afectar la producción, lo que permite desarrollar
estrategias de mantenimiento preventivo más eficientes.
Simulación de procesos de fabricación: La simulación de procesos de fabricación, como
el ensamblaje, la fundición, la pintura o el empaquetado, permite analizar el flujo de
materiales, la utilización de maquinaria y los tiempos de proceso. Este tipo de simulación
es particularmente útil cuando se trata de procesos con altos niveles de variabilidad o donde
los procesos son muy complejos y difíciles de modelar analíticamente.
Evaluación de la seguridad: En ciertos sectores industriales, como el químico, el
farmacéutico o el energético, la simulación se utiliza para evaluar la seguridad de los
procesos, analizando el riesgo de fallos, accidentes o emergencias. Las simulaciones
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

pueden ayudar a diseñar procedimientos de respuesta ante desastres y a prever el

comportamiento de los sistemas ante situaciones de emergencia.
2.2.5. Ventajas y desventajas de la simulación en la industria
1. Reducción de costos: La simulación permite optimizar los recursos y la producción
sin necesidad de realizar costosos cambios físicos o de realizar experimentos en la
planta real. Esto puede generar ahorros significativos al identificar las soluciones
más rentables para mejorar la eficiencia, reducir el desperdicio o minimizar los
tiempos de inactividad.

2. Mejora de la toma de decisiones: Gracias a la simulación, los directivos y gerentes

pueden tomar decisiones informadas basadas en análisis de datos simulados en
lugar de intuiciones o suposiciones. Esto reduce el riesgo asociado con las
decisiones operativas, como el diseño de líneas de producción, la programación de
turnos o la gestión de inventarios.

3. Reducción de riesgos: La simulación permite probar diversas estrategias sin los

riesgos asociados a la implementación en un entorno real. Esto es particularmente
útil cuando se deben evaluar situaciones complejas, como el lanzamiento de nuevos
productos, cambios en la producción o en los procesos, o la implementación de
nuevas tecnologías.

4. Mejora en la eficiencia operativa: La simulación ayuda a identificar ineficiencias

en los procesos productivos, como cuellos de botella, tiempos de inactividad,
tiempos de espera innecesarios o sobrecarga de recursos. Esto permite hacer
ajustes en el sistema que resultan en una mayor productividad y en la mejora de los
tiempos de entrega.

5. Flexibilidad y análisis de escenarios "what-if": La simulación permite probar

diferentes escenarios y alternativas sin necesidad de hacer cambios en el sistema
real. Esto permite evaluar las implicaciones de diferentes decisiones o
configuraciones sin el costo de implementarlas físicamente. Por ejemplo, se pueden
simular los efectos de un aumento en la demanda, la implementación de una nueva
tecnología o la introducción de una nueva línea de productos.

6. Mejora de la planificación a largo plazo: Los modelos de simulación permiten

predecir el comportamiento de los sistemas a largo plazo bajo diferentes
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

condiciones, lo que ayuda a las empresas a planificar su capacidad de producción,

inversiones en infraestructura, expansión de plantas y otros aspectos estratégicos.

Desventajas de la simulación en procesos industriales

1. Requiere inversión inicial: La creación de un modelo de simulación preciso puede
ser costosa en términos de tiempo, recursos y personal especializado. Se requiere
experiencia para desarrollar modelos adecuados y calibrarlos correctamente, lo que
puede generar una barrera para pequeñas y medianas empresas con menos
recursos.

2. Complejidad en la construcción del modelo: A pesar de que la simulación

proporciona un análisis poderoso, la construcción de modelos precisos puede ser
compleja, especialmente en procesos industriales muy grandes o multifacéticos. El
modelado erróneo o inexacto puede llevar a decisiones equivocadas, lo que hace
necesario contar con expertos en simulación para garantizar que los modelos sean
representativos del sistema real.

3. Dependencia de la calidad de los datos: Los resultados de una simulación son

tan buenos como los datos utilizados para construir el modelo. Si los datos de
entrada (como tasas de llegada, tiempos de procesamiento, tiempos de inactividad,
etc.) no son precisos o no reflejan adecuadamente la realidad, los resultados de la
simulación pueden ser erróneos o engañosos.

4. No siempre refleja la variabilidad del mundo real: Aunque los modelos de

simulación pueden incluir variabilidad mediante distribuciones de probabilidad,
algunos aspectos complejos de los sistemas industriales pueden no ser fácilmente
modelados. En entornos altamente dinámicos o con interacciones impredecibles, el
modelo de simulación puede no capturar toda la complejidad del sistema real.

5. Tiempo de ejecución de simulaciones grandes: Los modelos muy complejos o

con grandes cantidades de datos pueden requerir mucho tiempo para ejecutar las
simulaciones, lo que puede ser un desafío cuando se necesita realizar múltiples
análisis o ajustes en escenarios complejos. Además, puede ser necesario contar
con infraestructura computacional adecuada para procesar grandes volúmenes de
datos y obtener resultados de manera eficiente.
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

Capitulo III. Desarrollo del proyecto

 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

3.1. Planteamiento del problema

Las gasolineras de Soriana son ampliamente reconocidas en México por su extensa red de
estaciones de servicio y su compromiso con la atención al cliente. Sin embargo, en horarios
de alta demanda, especialmente durante los fines de semana y días festivos, se presentan
situaciones en las que los tiempos de espera para abastecer combustible se incrementan
considerablemente. Esta congestión no solo afecta la experiencia del usuario, sino que
también puede generar insatisfacción y descontento entre los clientes, impactando
negativamente en la imagen y reputación de la marca.

3.2. Objetivo general

Crear un modelo de simulación usando el software ProModel para entender y mejorar cómo
funcionan las gasolineras de Soriana en aquellos días en los que hay más movimiento,
como los fines de semana y festivos. Vamos a analizar los tiempos de espera, la longitud
de las filas y cuánta capacidad tiene el sistema para atender a los clientes. La idea es
encontrar formas de hacer las cosas más eficientes y que los clientes se vayan más
satisfechos. Para hacer esto, utilizaremos datos pseudoaleatorios generados en Excel,
sumando un total de 150 registros que nos ayudarán a comparar lo que sucede en la
simulación con lo que realmente ocurre en las gasolineras.

3.3. Objetivos específicos

• Analizar los patrones de flujo de clientes
• Evaluar la eficiencia del servicio
• Determinar la capacidad óptima de atención
• Simular diferentes escenarios operativos
• Recolectar y analizar datos de satisfacción del cliente
• Desarrollar un plan de acción basado en resultados
• Monitorear el impacto de las mejoras implementadas

3.4. Justificación
Este proyecto de simulación para las gasolineras de Soriana es esencial en un contexto
donde la demanda de servicios de abastecimiento de combustible sigue en aumento y la
competencia es intensa. Los tiempos de espera y la congestión pueden afectar la
satisfacción del cliente, por lo que es crucial abordar estos problemas.
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

Utilizando ProModel, se podrá analizar el funcionamiento actual de las gasolineras y

detectar áreas que necesitan mejoras. Al entender el flujo de clientes y los cuellos de botella
en el servicio, se podrán proponer soluciones que aumenten la eficiencia operativa y
fortalezcan la lealtad del cliente hacia la marca.
Además, optimizar el servicio no solo beneficiará a los usuarios, sino que también mejorará
la imagen y competitividad de Soriana. La inversión en este proyecto puede resultar en un
aumento en la cantidad de clientes atendidos y en las ventas.
Por último, al emplear datos pseudoaleatorios generados en Excel, se garantizará que las
simulaciones reflejen situaciones reales, lo que permitirá tomar decisiones fundamentadas
y asegurar el éxito de las estrategias propuestas.

3.5. Muestreo
En las gasolineras de Soriana, se llevará a cabo un muestreo de los tiempos que los clientes
invierten durante el proceso de abastecimiento de combustible. Esto incluye el tiempo que
tardan en llegar, el tiempo de espera en la fila y el tiempo de servicio, que es el periodo que
transcurre desde que comienzan a cargar combustible hasta que finalizan y abandonan la
estación. Se consideraron tres elementos a cuantificar: los tiempos de llegada de los
clientes, los tiempos de espera en la fila y el tiempo de servicio, es decir, el tiempo necesario
para completar la carga de combustible.
A continuación, se presentará una tabla con los datos obtenidos de las mediciones
realizadas durante este muestreo, que estará dividida en cuatro partes: número de clientes,
tiempo entre llegadas, tiempo de espera y tiempo de servicio. Es importante destacar que
se recopilarán 150 registros y que todos los datos estarán expresados en segundos.

No. LLEGADAS ESPERA SERVICIO

1 8.79 11.07 4.31
2 1.14 22.93 5.73
3 6.00 18.14 5.81
4 1.91 24.84 6.88
5 0.19 19.51 5.21
6 6.59 15.20 3.19
7 7.58 18.77 5.54
8 2.41 20.74 4.30
9 0.26 17.33 6.10
10 1.87 22.85 6.25
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

11 5.55 19.64 3.81

12 1.17 20.86 4.35
13 3.30 15.15 4.33
14 10.92 20.33 6.20
15 10.37 17.60 4.45
16 0.38 15.88 5.41
17 8.15 24.93 6.00
18 0.80 17.75 5.44
19 2.79 19.01 4.88
20 0.08 22.41 4.34
21 0.29 23.33 6.75
22 8.12 20.61 4.48
23 5.11 23.66 3.22
24 1.67 19.30 6.00
25 0.95 16.90 5.74
26 4.08 23.77 5.03
27 0.29 15.40 5.31
28 1.25 18.82 4.89
29 9.77 17.05 4.43
30 0.16 16.56 4.69
31 6.71 22.18 4.58
32 0.13 24.77 7.07
33 6.14 16.26 4.94
34 3.24 16.64 5.07
35 0.11 16.25 4.99
36 5.67 17.61 4.69
37 3.42 23.80 5.33
38 0.97 18.50 5.17
39 0.52 24.08 5.66
40 6.53 21.43 5.55
41 2.76 17.22 3.48
42 4.01 18.87 6.34
43 6.48 23.75 3.92
44 1.77 15.00 4.35
45 2.70 19.73 5.36
46 7.01 16.60 4.47
47 1.41 24.00 3.51
48 0.96 20.57 6.41
49 1.36 16.91 5.40
50 4.61 16.69 5.91
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

51 0.08 18.63 6.13

52 0.70 18.83 4.32
53 3.35 16.51 3.87
54 1.42 20.84 5.16
55 4.73 17.76 4.71
56 0.39 22.75 4.65
57 7.01 18.57 6.67
58 0.34 15.79 2.94
59 4.13 19.07 5.72
60 2.57 18.96 4.57
61 1.58 21.46 5.98
62 6.72 23.26 4.16
63 4.59 20.32 4.64
64 5.58 23.62 4.78
65 2.94 15.35 4.99
66 0.09 15.87 4.95
67 7.73 19.31 2.62
68 0.05 18.48 4.51
69 7.48 16.50 4.47
70 3.27 16.96 5.25
71 0.09 18.92 3.04
72 2.10 17.39 6.00
73 8.83 23.27 6.67
74 7.03 15.51 4.63
75 3.03 18.38 4.37
76 7.75 18.90 3.12
77 2.23 18.80 4.45
78 2.27 18.93 4.19
79 0.23 20.16 5.11
80 0.78 17.11 5.11
81 0.92 21.86 4.93
82 3.32 20.59 4.78
83 10.19 23.67 3.78
84 4.95 23.62 5.79
85 0.95 15.60 5.70
86 1.05 24.60 5.95
87 2.45 24.71 6.24
88 6.42 16.44 5.96
89 1.20 18.76 2.67
90 1.27 20.27 5.03
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

91 4.08 21.09 4.95

92 3.44 21.34 5.68
93 3.37 16.82 3.73
94 1.41 20.33 4.75
95 0.38 17.84 4.78
96 11.31 20.98 5.05
97 8.73 24.43 4.48
98 0.24 22.25 5.44
99 0.34 21.60 4.53
100 17.83 23.57 4.88
101 4.17 17.88 4.38
102 2.51 20.81 4.58
103 1.31 17.83 6.40
104 0.08 23.29 5.49
105 2.35 17.86 4.95
106 0.35 20.82 4.74
107 6.60 17.29 4.05
108 0.49 18.59 5.24
109 3.79 19.36 5.16
110 1.64 16.42 5.11
111 1.34 20.00 4.03
112 4.07 16.57 5.00
113 4.95 20.69 3.44
114 3.76 18.45 5.05
115 1.99 16.46 5.35
116 0.62 24.39 4.73
117 6.04 17.21 6.62
118 3.11 19.26 4.15
119 5.08 17.60 4.54
120 5.08 20.81 4.07
121 0.72 15.57 4.75
122 0.49 23.15 5.77
123 3.73 24.13 4.85
124 4.52 20.62 5.70
125 0.71 18.11 3.44
126 5.04 19.04 4.98
127 2.36 17.12 3.16
128 1.02 19.50 4.50
129 2.20 24.72 4.56
130 3.87 7.61 3.66
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

131 1.42 13.13 1.90

132 0.37 7.09 5.30
133 2.38 13.41 3.38
134 1.20 11.05 4.41
135 0.01 13.88 1.70
136 3.56 13.98 4.57
137 1.53 9.97 5.63
138 3.14 10.75 5.69
139 3.10 9.79 4.64
140 1.74 14.74 6.66
141 0.32 9.63 6.18
142 0.74 14.92 6.56
143 2.39 14.32 3.66
144 1.27 12.00 3.01
145 1.69 13.26 6.21
146 4.77 7.89 3.78
147 0.85 11.42 7.25
148 1.98 6.58 0.94
149 4.29 11.78 2.44
150 1.62 8.43 -0.51
promedio 3.22 18.38 4.81

De acuerdo al promedio se puede observar que las llegadas son muy frecuentes, sin
embargo, el tiempo de espera es de casi 20 min, por no decir 18.38 min, ahora el tiempo
de servicio es mejor se puede observar un 4.81 min por lo general

3.6. Ajuste de distribución de probabilidad

Una vez que se han recopilado los datos necesarios para evaluar el servicio en estudio, se
avanza al siguiente paso utilizando el software ProModel, que también se empleará para
llevar a cabo la simulación. Este programa cuenta con una función muy útil para identificar
la distribución que mejor se adapta a los datos obtenidos, un proceso conocido como ajuste
de distribución de probabilidad.
Para realizar este ajuste, se utilizará la herramienta Stat::Fit.

Ilustración 1 Ubicar la opción de Stat:fit

 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

Se abrirá un nuevo apartado en el cual se pueden colocar los datos de manera muy
intuitiva, cabe recalcar que solo se pueden colocar 50 datos, al tener los 50 datos
se dará clic en el botón superior “AUTO::FIT” y se generará automáticamente. Se
iniciará con los datos de Llegada de clientes.

Ilustración 2 Distribución de llegadas

De acuerdo a Staf::Fit, los datos de llegada de clientes a través del análisis de

ajuste de distribución, arroja que se ajusta un 25.6% en la Lognormal y un 100% a
una Exponencial, con media de 1.39 y 3.32 respectivamente. Por lo que al ser 100%
una Exponencial, se descartan las anteriores que eran Lognormal y Uniforme.
Es de suma importancia saber el tipo de distribución con el que se va a trabajar, ya
es un dato que ayudará para la simulación, porque va en la sección de arribos
como “E(3.32)”.
Ahora bien debemos hacer el mismo procedimiento con los datos de espera, de esta
forma podremos saber la eficiencia en el servicio.

Ilustración 3 Frecuencia en "espera" Lognormal (15,1.19,0.939)

Hay un detalle en este apartado, cabe mencionar que la distribución que mejor se adapta
en esta serie de datos es una “Lognormal(15, 1.19, 0.939)” asi que debemos saber de que
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

forma agregamos esta informacion, asi que debemos transformar los datos de la siguiente
forma:
Abrir Stat:fit: Utilities > Distribution Viewer

Ilustración 4 Ubicacion de la opcion Distribution Viewer

Nos aparecera el siguiente recuadro, para introducir los datos que obtuvimos

En minimum: 15
Mu: 1.19
Sigma: 0.939
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

Con esos datos ahora podemos saber lo que debemos incluir en el comando en su
respectivo lugar que seria en “procesos”.

Ilustración 5 Datos a usar en el comando

Con este análisis, se consigue el segundo y último dato que se va a usar en el

software ProModel para poder llevar a cabo la simulación, en este caso la
distribución de la tasa de espera, que se coloca en la sección de procesos en su
respectiva locación como “wait L(20.1, 6.08) MIN”.

3.7. Simulación del estado real del servicio

Se procederá a ejecutar una simulación que refleje de la manera más precisa posible el
funcionamiento de las gasolineras de Soriana durante un día de alta afluencia, como un fin
de semana o festivo. Para comenzar, se abrirá un nuevo archivo en ProModel, configurando
las especificaciones a trabajar en “metros” y “segundos”. Dado que los datos recopilados
se generaron en estas unidades de tiempo, a continuación, se mostrará cómo configurarlo
adecuadamente
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

Ilustración 6 Configuración de la Inf. Gen.

Una vez configurada el área de trabajo en ProModel, se procederá a diseñar la gasolinera

de Soriana, incorporando las respectivas locaciones que representen de la forma más fiel
posible la operación real. Así, el layout quedará estructurado de la siguiente manera:
• 3 locaciones: Una fila de espera para los clientes, una bomba de gasolina y la
salida, que estará definida por defecto.
• Un contador: Muy útil para conocer cuántos clientes están en la fila en cualquier
momento del proceso.
• Una entidad: El cliente que llega a la gasolinera y se retira del sistema una vez
finalizado el servicio.
Ahora bien, procedemos con el diseño del escenario de la gasolinera de soriana, que será
usada para la simulación.
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

Ilustración 7 Representación de una gasolinera de soriana en ProModel

En la sección de arribos se coloca la tasa de llegadas obtenida anteriormente en la

herramienta Staf:Fit, con este dato se dará la indicación de que los clientes lleguen con una
distribución Exponencial a la fila de espera, de uno en uno. Como se muestra a continuación
E(3.32):

Ilustración 8 Configuración de los Arribos

En la sección de procesos, que constituye la segunda y última parte configurable de esta

simulación, se realizarán las configuraciones necesarias para que los clientes que lleguen
a la fila de espera puedan acceder a la bomba de gasolina y, tras completar su servicio,
abandonen el sistema.
A continuación, se presentan los parámetros utilizados para establecer el proceso; estos
datos se obtuvieron de la herramienta Stat:Fit, incluyendo la media, la desviación estándar
y la distribución de datos, aquí es donde ingresaremos los datos wait “L(20.1, 6.08) MIN”
que sería nuestra distribución en cuanto a la espera.
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

Ilustración 9 Configuración de los procesos con el comando “WAIT L(20.1, 6.08) MIN"

Una vez completada la configuración de la simulación y con todos los datos listos para ser
utilizados, se llevará a cabo una simulación que abarcará un periodo de 24 horas, que es
el tiempo típico de operación de una gasolinera. Posteriormente, se espera obtener los
resultados en otra herramienta denominada Output, donde se generarán tablas que
mostrarán un resumen con información como el total de entradas, el porcentaje de
utilización y las llegadas fallidas.
A continuación, se presenta el estado de la simulación, la cual está funcionando
correctamente:

Ilustración 10 Funcionamiento de la simulación "gasolinera de soriana"

Ahora bien, al finalizar las 24 hrs de la simulación nos arroja los siguientes resultados:
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

Ilustración 11 Resultados de la simulación

Con esta información que hay en la tabla, se procede a hacer un análisis de estos
resultados, en el siguiente capítulo se interpretan estos datos y se da una propuesta
para mejorar el proceso.
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

Capitulo I. Resultados y propuestas

 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

Se interpretan los resultados que se obtuvieron de las tablas de la ilustración 11:

Cajero
• Capacidad y Uso: La bomba de gasolina tiene una capacidad de 1 cliente a
la vez y estuvo ocupado el 99.67% del tiempo, lo que indica un alto nivel de
uso. Esto sugiere que la bomba de gas casi nunca estuvo inactivo.
• Entradas y Tiempo Promedio: Atendió a 74 clientes durante las 24 horas,
con un tiempo promedio por cliente de 19.40 minutos, el tiempo de atención
es muy alto.
• Contenido Promedio: Solo había un cliente presente en promedio (lo
esperado para una entidad que solo puede atender a uno a la vez).

En cuanto a las llegadas fallidas, nos arroja un total de 314. Suponiendo que la cola
tuviera una capacidad INF, aquí se llego a ocupar en un total de 146 clientes.
Supone que está a un 88%.
Esto nos demuestra que no se da abasto una sola bomba de gas, asi que
supongamos que abrimos dos mas.

Ilustración 12 Simulación de una gasolinera de soriana con 3 bombas de gas

 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

Ilustración 13 Las llegadas fallidas disminuyeron de 314 a 145

Regularmente es la cantidad de bombas de gas que hay en una gasolinera, así que
podemos observar que lo resultados en realidad no están tan alejados de la realidad.
 Instituto Tecnológico Superior
De Comalcalco
Dirección Académica
Ingeniería Industrial e Ingeniería en Logística

BIBLIOGRAFIA

• Lifeder ifeder. (2023, October 18). Teoría de colas.

https://www.lifeder.com/teoria-colas/
• Mmartinez, M. (n.d.). TERMINOLOGÍA y NOTACIÓN EN TEORIA DE
COLAS.Scribd. https://es.scribd.com/document/419509027/TERMINOLOGI-A-Y-
NOTACIO-N-EN-TEORIA-DE-COLAS
• Itsnot, M. (2015). SIMULACIÓN: CONCEPTOS y EVOLUCIÓN. Miamihand.
https://www.academia.edu/15178209/SIMULACI%C3%93N_CONCEPTOS_Y_E
VOLUCI%C3%93N
• Ventajas y Desventajas. (2014, September 9). Todo Sobre Simulación.
https://simulacion2.wordpress.com/ventajas-y-desventajas/
• Aula. (2023, May 30). Qué es la simulación de procesos industriales y cómo se
realiza. aula21 | Formación para la Industria. https://www.cursosaula21.com/que-
es-la-simulacion-deprocesos-industriales/
• Vld-Eng. (2020, July 20). Simulación de procesos industriales | Automatización
VLD 2020. VLD Engineering. https://www.vldeng.com/blog/simulacion-procesos-
industriales/