Simulación de un Modelo de Atención al Usuario en Confiterías

Edna Yissell Pérez Junco

Universidad de La Sabana
Escuela Internacional de Ciencias Económicas y Administrativa
Maestría Gerencia de Operaciones
Chía, Colombia
2018
 ii

Simulación de un Modelo de Atención al Usuario en Confiterías

Edna Yissell Pérez Junco

Trabajo de grado para optar el título de

Magister en Gerencia de Operaciones

Director
Jairo Rafael Montoya Torres, PhD.

Universidad de La Sabana
Escuela Internacional de Ciencias Económicas y Administrativa
Maestría Gerencia de Operaciones
Chía, Colombia
2018
 iii

AGRADECIMIENTOS

En primera instancia agradezco a mis padres Reinaldo Perez y Matilde Junco, quienes con su amor
de padres me impulsaron a realizar la maestría en PRO de un mejor futuro y adquirir conocimiento.
A mis hermanas por su colaboración y asesoría en algunos aspectos y apoyo incondicional.

Agradezco a la Universidad de La Sabana por haberme aceptado en la elaboración de este Posgrado

y poder ser parte de la gran familia SABANA y a mis Profesores quienes se esforzaron para
ayudarme en mi formación y compartir su sabiduría.

Agradezco también a mi director del trabajo de grado Jairo Rafael Montoya Torres, PhD por acoger
mi idea y convertirla en un grandioso trabajo, así como también la dedicación, paciencia y tiempo
brindado para poder elaborar este trabajo.

Por último, agradezco a mis compañeros de clase por acogerme en los grupos de estudio, a la
empresa por aprobar la realización de este programa dándome el tiempo necesario para sacar
adelante este título y a Dios por escuchar mis oraciones y permitirme culminar este estudio
dándome salud y vida.

¡Muchas Gracias a TODOS!

 iv

Tabla de Contenido

Tabla de Contenido ................................................................................................................... iv

Lista de Tablas .......................................................................................................................... vi
Lista de Figuras ........................................................................................................................ vii
Lista de Anexos ....................................................................................................................... viii
Introducción y Presentación del Problema ................................................................................. 1
Contexto ................................................................................................................................. 1
Organización del Documento ................................................................................................. 4
Objetivos ................................................................................................................................ 4
Objetivo general ................................................................................................................. 4

Objetivos específicos ......................................................................................................... 4

Descripción y Caracterización del Sistema Bajo Estudio ...................................................... 5

Capítulo 1 Marco Teórico ......................................................................................................... 8
Problemática de Consumo en las Salas de Cine ......................................................... 8
Teoría de Colas ........................................................................................................... 9
Modelo de Colas Basado en Costos .......................................................................... 11
¿Qué es Simulación? ................................................................................................. 13
Pasos en un Estudio de Simulación .......................................................................... 14
Tipos de Simulación ................................................................................................. 15
Software de Simulación Simio.................................................................................. 19
Revisión de la Literatura ........................................................................................... 22
Capítulo 2 Aspectos Metodológicos del Estudio .................................................................... 24
2.1 Situación Actual ............................................................................................................. 25
2.2 Herramientas Estadísticas .............................................................................................. 27
2.2.1 Recolección de la información ................................................................................ 27

2.2.2 Estimación de tiempos ............................................................................................ 28

2.2.3 Variables aleatorias ................................................................................................. 32

 v

2.2.4 Pruebas de hipótesis ................................................................................................ 33

2.3 Modelo Computacional de Simulación Discreta ............................................................ 34

2.3.1 Definición de réplicas y duración ........................................................................... 38

Capítulo 3 Simulación Caso de Estudio y Validación del Modelo ......................................... 41

3.1 Inputs del Modelo........................................................................................................... 42
3.2 Outputs del Modelo ........................................................................................................ 42
3.3 Validación ...................................................................................................................... 42
Capítulo 4 Descripción de Alternativas ............................................................................. 44
4.1 Primera Propuesta de Mejora ......................................................................................... 44
4.2 Segunda Propuesta de Mejora ........................................................................................ 46
4.3 Tercera Propuesta de Mejora.......................................................................................... 47
4.4 Análisis de Resultados ................................................................................................... 48
4.5 Análisis Financiero ......................................................................................................... 56
4.5.1. Ventas por tipo de producto ................................................................................... 57

4.5.2. Tasa de abandono ................................................................................................... 57

Capítulo 5 Conclusiones y Perspectivas ................................................................................. 61

Referencias ............................................................................................................................... 63
VITA ........................................................................................................................................ 66
ANEXOS.................................................................................................................................. 67
 vi

Lista de Tablas

Tabla 1. Biblioteca estándar de objetos en Simio .......................................................................................................21

Tabla 2 Cantidad promedio de clientes en los días de alta afluencia .........................................................................26

Tabla 3. Pruebas estadísticas para tiempos de llegada de los clientes que consumen en la confitería .....................29

Tabla 4. Tipos de error ................................................................................................................................................33

Tabla 5. Tipo de productos vendidos ..........................................................................................................................36

Tabla 6. Cálculo de réplicas por tipo de entidad …………………………………………………………………………………………………… 39

Tabla 7. Parámetros de la corrida del modelo ............................................................................................................40

Tabla 8. Resultados de los modelos propuestos ..........................................................................................................49

Tabla 9. Análisis descriptivo de la variable tiempo de espera pormedio en fila .........................................................51

Tabla 10. Tiempo de espera promedio en fila .............................................................................................................54

Tabla 11. Medias en los subconjuntos de datos .........................................................................................................56

Tabla 12. Valor de la transacción por tipo de producto ..............................................................................................57

Tabla 13. Tasa de abandono de cada propuesta ........................................................................................................59

Tabla 14. Valor de la transacción de la tasa de abandono .........................................................................................60

 vii

Lista de Figuras

Figura 1. Espectadores por Exhibidor en el año 2016 ....................................................................................................1

Figura 2. Proceso de atención al usuario en confiterías. ...............................................................................................6

Figura 3. Proceso de alistamiento y entrega del pedido ................................................................................................7

Figura 4. Modelo de decisión de colas basado en costos ............................................................................................13

Figura 5. Pasos de una simulación. ..............................................................................................................................15

Figura 6. Espectadores y ventas por día en el año 2016 ..............................................................................................24

Figura 7. Confitería del Multiplex objeto de estudio ....................................................................................................25

Figura 8. Cantidad de equipos de la Confitería objeto de estudio. ..............................................................................26

Figura 9. Promedio de transacciones realizadas por hora ...........................................................................................30

Figura 10. Modelo de cola actual en la confitería .......................................................................................................31

Figura 11. Cantidad de transacciones por hora en los días de alta afluencia..............................................................35

Figura 12. Porcentaje de participación de las entidades sobre la cantidad de productos vendidos............................37

Figura 13. Configuración de réplicas en Simio 9. .........................................................................................................40

Figura 14. Simulación de la situación actual de la confitería en Simio 9. ....................................................................41

Figura 15. Propuesta 1 para el modelo de filas en la confitería ..................................................................................45

Figura 16. Propuesta 2 para el modelo de filas en la confitería ..................................................................................46

Figura 17. Propuesta 3 para el modelo de filas en la confitería ..................................................................................48

Figura 18. Tiempo de espera promedio de los clientes en fila .....................................................................................53

Figura 19. Gráfica de medias por propuesta ...............................................................................................................55

Figura 20. Cantidad de clientes que abandonan el sistema ........................................................................................58

 viii

Lista de Anexos

Anexo A. Cadbox: Asociación Colombiana de distribuidores de películas cinematográficas. Sistema que genera la

información de espectadores de cada teatro del país. ................................................................................................67

Anexo B. Sistema de Gestión de Informes: Sistema contable de la compañía, el cual genera reportes sobre las ventas

generadas en cada punto de venta. ............................................................................................................................68

Anexo C. Sistema Ewave Corporate: sistema para generar informes estadísticos sobre las transacciones realizadas

en cada punto de pago de las confiterías. ...................................................................................................................69

Anexo D. Sistema Ewave Corporate ECOM: Genera informes sobre las ventas realizadas en cada punto de pago de la

confitería de cada punto de venta. ..............................................................................................................................70

Anexo E. Análisis de entrada: distribuciones de probabilidad calculados con la herramienta Stat::Fit de Promodel. 72

Anexo F. Prueba T con la herramienta SPSS entre los datos reales y arrojados por Simio. .........................................77

Anexo G. Lista de precios de la confitería. ...................................................................................................................82

 ix

Resumen: Abstract:

El trabajo consiste en un estudio de Simulación The paper consists of a Discrete Event

de Eventos Discretos (DES) para determinar el Simulation (DES) study to determine the
modelo de líneas de espera de la venta de model of waiting lines for the sale of
products in the process of user attention in
productos en el proceso de atención del usuario
confectionery and how these restrictions
en la confitería y cómo estas restricciones
change under different queuing models.
cambian bajo distintos modelos de colas. Este
This simulation model includes the steps of
modelo de simulación comprende las etapas de
queuing, deciding what to buy, what
realizar la fila, decidir qué comprar, qué medio payment method to use and order delivery.
de pago utilizar y la entrega del pedido.
The main objective of this study was to
El objetivo principal de este trabajo de grado fue propose a simulation model that allows to
proponer un modelo de simulación que permita evaluate the queuing model in a
evaluar el modelo de colas en una confitería para confectionery to guarantee a good level of
garantizar un buen nivel de prestación del service provision and to compare, through
simulation, several models of waiting lines
servicio y comparar, a través de simulación,
applied to the analysis of the current
varios modelos de líneas de espera aplicados al
process, which represents a system in
análisis del proceso actual, el cual representa un
parallel with one queue per server.
sistema en paralelo con una cola por servidor.
SIMIO® software was used for this
Para ello se utilizó el software SIMIO®. Los purpose. The numerical results showed the
resultados numéricos mostraron el behavior in the different operating
comportamiento en los distintos escenarios de scenarios and the model of waiting lines
operación y el modelo de líneas de espera que that best adapts to the operation of the
mejor se adapta a la operación de la confitería. confectionery. Proposal 3 generated more
La propuesta 3 generó más del 60% de ingreso than 60% of revenue than the real system
que el sistema real siendo la mejor propuesta being the best proposal to improve the
service in the confectionery.
para mejorar el servicio en la confitería.

Palabras clave: Confitería, DES, SIMIO, Keywords: Confectionery, DES, SIMIO,

Modelo de Línea de Espera Waiting Line Model
 1

Introducción y Presentación del Problema

Contexto

El presente trabajo sustenta la necesidad de determinar el mejor diseño de colas en una confitería

para minimizar el tiempo que permanece el cliente en fila y satisfacer sus necesidades. Debido al

aumento de la asistencia a cine en las salas de una empresa de entretenimiento, se recibieron a

24.82 millones de espectadores en el año 2016 (archivos contables de CAD BOX), se presenta la

necesidad de minimizar el tiempo que permanece el cliente en fila. Según lo evidenciado en la

Figura 1, en el año 2016 la industria del cine en Colombia recibió a más de 61.4 millones de

espectadores, creciendo un 7.9% en ingresos con respecto al año 2015, contando con 172.817

sillas, 978 salas de cine en 189 teatros del país; esta compañía participó con el 40.4% del mercado

de entretenimiento en Colombia (CAD BOX, 2016). El analista Luis Naranjo, gerente de

[Link], estima que la oferta de alimentos y bebidas pueden llegar a representar cerca

del 35% de los ingresos totales de estas empresas de entretenimiento (Garzón, 2014).

Figura 1. Espectadores por Exhibidor en el año 2016

Fuente: Gerencia de Distribución

 2

Pero este negocio de entretenimiento viene acompañado con la venta de productos alimenticios

que representan cerca del 44.3% de los ingresos totales de la compañía. Aunque en una confitería

se pueden encontrar más de 300 referencias de bebidas y alimentos nacionales e importados, los

productos estrella son las crispetas que representan la mayor participación junto con el perro

caliente: 35,7% y 17% respectivamente (cifras contables, 2016). Con base en lo anterior, Naoui

(2014) hace hincapié en que las campañas de las empresas tienen que ver con los servicios que

integran la entrega rápida y contacto amistoso con los clientes, ya que los productos ofrecen pocas

ventajas competitivas, pero el servicio al cliente proporciona una diferenciación importante. En

este orden de ideas, la importancia de ofrecer una buena atención al cliente se justifica por fuertes

presiones competitivas, que se traducen en particular, en el aumento de las necesidades de los

clientes con respecto a la capacidad de servicio de la confitería, lo cual depende desde el momento

de adquirir las materias primas hasta la entrega oportuna del pedido al cliente.

Los días de la semana con mayor volumen de ventas son el miércoles (debido a la oferta de boletas

a mitad de precio), sábado y domingo con participación en las ventas respectivamente del 21%,

21,4% y 23,7% (cifras contables, 2016). Este alto nivel de asistencia de público genera filas en la

confitería con un tiempo de espera aproximado de 11 minutos (dependiendo de la forma de pago)

a la hora de adquirir alimentos, lo cual puede afectar la decisión de compra de los espectadores

para ingresar a tiempo a la sala antes de iniciar la película. Este problema ha impactado de forma

negativa en el recaudo de las ventas de la compañía, ya que los espectadores al ver filas que pueden

llegar hasta los 9 metros de largo se desmotivan en el momento de comprar. Por lo anterior, la

problemática que presenta la compañía se debe a la longitud que las filas pueden tomar en horas

de alta afluencia debido a que no se tiene un modelo de filas apto para la operación, lo que conlleva
 3

a mejorar el proceso de espera (tiempo en fila) que permanece el consumidor y aumentar las

transacciones accediendo a más personas. Para ello, el objetivo principal del presente trabajo es

proponer un modelo de simulación que permita evaluar la capacidad de servicio (modelo de filas)

en la confitería de las salas de cine para garantizar un buen nivel de prestación del servicio.

Con el fin de brindar una solución al problema anteriormente descrito, se realizó una simulación

con el software SIMIO que consistió en construir un modelo sobre el cual se estudiaron los

comportamientos y respuestas del servicio de atención al usuario en la confitería seleccionada, con

la finalidad de estudiar y analizar la situación real y promover oportunidades de mejora en la

operación.

El impacto de este proyecto permitirá a la compañía tomar decisiones más objetivas para satisfacer

las necesidades de los usuarios e incrementar sus transacciones. La ejecución de este proyecto se

realizó con el fin de determinar cuál es el modelo de filas más adecuado en los nuevos complejos

y aplicar este estudio en todos los puntos a nivel nacional ya existentes, sin importar la ciudad

donde está ubicado el complejo o el tamaño del mismo para aumentar la cantidad de clientes

atendidos e incrementar las ganancias por la venta de alimentos. Sin embargo, para validar la

propuesta formal basada en simulación, se estudió el caso particular en una de las salas de cine de

esta empresa de entretenimiento ubicada en la ciudad de Bogotá y se espera que la metodología de

recolección de datos, diseño del modelo de simulación y análisis de resultados sea de manera

genérica con el fin de transferirla a otras salas de cine nuevas o existentes.

 4

Organización del Documento

La estructura de este documento se divide en cinco (5) capítulos, así: El Capítulo 1 presenta el

marco teórico donde se describen los estudios realizados anteriormente sobre la simulación de

eventos discretos. En el capítulo 2, se observan los aspectos metodológicos del estudio. En el

capítulo 3 se presenta la descripción y análisis de resultados obtenidos. En el capítulo 4 se

describen las propuestas de mejora; finalmente, en el capítulo 5 se mencionan las conclusiones del

trabajo.

Objetivos

Objetivo general

Proponer un modelo de simulación que permita evaluar la capacidad de servicio (estructura de

colas) en una confitería para garantizar un buen nivel de prestación del servicio.

Objetivos específicos

1. Caracterizar el proceso de atención en una de las confiterías de la empresa con el fin de

identificar el comportamiento de la fila en momentos de alta afluencia.

2. Diseñar un modelo de simulación por computador que permita evaluar el impacto del

rediseño del servicio al usuario en confiterías.

3. Validar el modelo propuesto empleando datos reales de la confitería objeto de estudio con

el propósito de evaluar los indicadores del nivel de servicio.

 5

4. Analizar el costo del modelo propuesto con el fin de evaluar el impacto monetario que

representa a la compañía.

Descripción y Caracterización del Sistema Bajo Estudio

El proceso de atención y servicio al cliente en las confiterías de la compañía se conforma en dos

procesos: 1. Proceso de atención del cliente en el momento de tomar su orden. 2. Proceso de

alistamiento y entrega del pedido.

El primer proceso hace referencia cuando el cliente se dirige a la confitería una vez adquirida la

boleta para disfrutar de alguna película. El espectador se dirige a la confitería donde analiza, según

su tiempo disponible, si hace la fila para comprar algún producto. Si decide comprar, da un vistazo

a los monitores donde se proyecta el precio y disponibilidad de combos y alimentos al mismo

tiempo que va haciendo la fila y espera a ser atendido por el Auxiliar en caja. Al llegar su turno,

el Auxiliar da la bienvenida, pregunta que desea consumir y el medio de pago, mientras va

ingresando la orden al POS (terminal punto de venta, point of service) y entrega la factura al

cliente. Acto seguido, el cliente espera hasta que su pedido le sea entregado. En la Figura 2 se

describe el sistema actual de atención al usuario en una confitería de las salas de cine, mientras

que la Figura 3 presenta el proceso de alistamiento y entrega del pedido, según se describe a

continuación.

El segundo proceso hace referencia a las actividades que debe realizar el personal de la compañía

para prestar el servicio y entregar al cliente su pedido oportunamente satisfaciendo sus

necesidades.
 6

Figura 2. Proceso de atención al usuario en confiterías.

Fuente: Elaboración propia.

 7

NOMBRE
CARGO
Auxiliar Operativo (Cajero) Auxiliar Operativo (Impulsador)
DESCRIPCIÓN
PASOS

INICIO

1. Saludar al Cliente mirándolo a los

ojos, sonreír sutilmente diciendo:
"Buenos Días, tardes o noches, 1
bienvenido a Cine Colombia ¿En qué
le puedo servir?".
2.
Promocionar el uso de la Tarjeta
2
Cineco enunciando sus beneficios.

3. Aplicar la venta sugerida y/o

3
sugestiva.
4. Preguntar al cliente el medio de pago
a utilizar, antes de registrar el 4
pedido.
5. Registrar el pedido del cliente,
pulsando los botones
correspondientes a los productos 5
solicitados.
6. Confirmar al cliente el pedido en voz
alta para evitar confusiones e 6
inconvenientes.
7. Comunicar al cliente el valor total de
7
la compra.
8. Recibir el pago al cliente.
8
9. Ejecutar el Procedimiento "Medios de
Pago Negocios de Comidas", para
hacer el registro y validación del 9
pago.
10. Entregar la factura al cliente y en voz
alta confirmar el valor de dinero que 10
se le está devolviendo.
11. Indicar al cliente quién y donde
entregarán los productos y 11
agradecerle por su compra.
12.
Revisar la factura y alistar el pedido. 12
13. Entregar el pedido y factura al
cliente. 13
14. Despedir al cliente con una sutíl
sonrisa y de manera cordial y 14
amable.

FIN

Figura 3. Proceso de alistamiento y entrega del pedido

Fuente: Procesos y Normatividad

 8

Capítulo 1

Marco Teórico

Problemática de Consumo en las Salas de Cine

Una de las causas por las cuales la compra de alimentos en las salas de cine ha presentado demoras

en el servicio es debido al aumento del tamaño del multiplex (complejo multi-pantallas). De

acuerdo con el último estudio de la MPAA (Motion Picture Association of America), en el año

2016, el número de pantallas de cine a nivel mundial aumentó en un 8% a más de 164.000 pantallas

y la taquilla mundial alcanzó $38.6 billones de dólares aumentando 1% en comparación del año

2015 (MPAA, 2016). Esto significa que, al haber más pantallas, hay más películas, por ende, más

recaudación y oportunidad en el incremento de consumo de alimentos en las salas de cine.

Un sistema de venta de comida rápida en confiterías puede ser descrito como un conjunto de

procesos que son necesarios para cumplir con un objetivo predefinido. Usando esta definición, un

modelo de dicho sistema podría incluir las etapas de toma, preparación y entrega del pedido con

el fin de cumplir con la meta de satisfacción al cliente, reduciendo al mínimo el tiempo de espera.

Estos sistemas pueden ser más complejos ya que tienen un cierto grado de variabilidad. Por

ejemplo, el Auxiliar Operativo que está tomando la orden puede ser nuevo, por lo tanto, necesita

más tiempo de lo normal para tomar una orden. Otro ejemplo podría ser el método de pago que

utiliza el cliente y que puede tomar más tiempo en el momento de pagar la orden, el cual varía

entre 3 a 4 minutos. Por lo tanto, no habría un impacto en el tiempo de preparación de alimentos.

Al reconocer estas fuentes de variabilidad, un modelo más preciso tendría que ser usado (Al-Refai,

2016).
 9

Teoría de Colas

La teoría de colas estudia el comportamiento de sistemas donde existe un conjunto limitado de

recursos para atender las peticiones generadas por los usuarios, donde puede haber más demanda

de recursos que recursos disponibles, lo cual genera que estas solicitudes de servicio deberán

esperar a ser atendidas, formándose así una cola de acceso de las tareas a los recursos. Los procesos

de llegada de Poisson y el proceso de servicio demandado se puede modelar por variables

aleatorias con distribución exponencial (Pazos. A, Suárez. G, & Díaz. R, 2003).

El carácter aleatorio de los fenómenos de colas implica evidentemente el análisis de las

distribuciones de probabilidad. El conjunto de formulaciones y relaciones de los datos a una

determinada distribución probabilística constituye un modelo matemático que se denomina

proceso estocástico en el cual una o varias variables pueden variar en forma aleatoria en función

del tiempo.

Una línea de espera está constituida por un cliente que requiere de un servicio que es proporcionado

por un servidor en un determinado periodo. Los clientes entran aleatoriamente al sistema y forman

una o varias colas para ser atendidos. Si el servidor está desocupado, se proporciona el servicio a

los elementos de la cola en un periodo determinado de tiempo, llamado tiempo de servicio y luego

abandonan el sistema. Las líneas de espera se pueden clasificar de acuerdo con (Mathur, Solow,

& Dominguez, 1996):

 10

a) El número de clientes que pueden esperar en la cola y población.

b) Intervalo de tiempo trascurrido entre un cliente y otro.

c) El tiempo de servicio.

d) La disciplina de la cola. (Peps, Ueps, etc.)

e) El número de servidores.

f) La estructura de las estaciones de servicio.

g) La estabilidad del sistema.

El análisis de cola aplicado a este estudio es la cola M / M / S / k, donde la primera “M” señala que

el proceso de llegada es Markoviano; significa que los tiempos entre llegadas son independientes.

La segunda “M” representa la distribución del tiempo del servicio, la cual también es exponencial

y la “S” indica que hay S servidores. Además, el número de clientes que pueden estar en la cola es

como mucho K (Kelton D. S., 2014).

Una cola M / M / S / k es un sistema al que los clientes llegan según una distribución de Poisson

de media λ, la atención se presta según una negativa exponencial y tienen varios servidores (Ayala,

2007). Por tanto:

cantidad de clientes que llegan al sistema

λ=
total de intervalos de tiempo

cantidad de clientes totales atendidos

µ=
total de intervalos de tiempo
 11

Tasa de llegada λ: es la razón o tasa de llegada de clientes en una línea de espera que llegan para

ser atendidos, origina una cola o fila en el Modelo de Colas o Líneas de Espera (Amaya, 2004).

Tasa de servicio µ: o razón de servicio, en un modelo de colas es el tiempo que demora una

estación de servicio en atender a un cliente (Amaya, 2004).

En la empresa, la disciplina de las líneas de espera determina el orden en el cual los espectadores

son atendidos, en este caso se comporta como FCFS (first come, first served), es decir, el primer

espectador que llega al sistema va a ser el primero en ser atendido. Por otro lado, se realizan colas

independientes en los servidores de la confitería, es decir, es un sistema multicanal ya que se realiza

una fila para cada cajero y ellos brindan el mismo servicio. Los espectadores que deseen comprar

solo deben pasar por uno de ellos y pueden desistir en realizar la fila por varias razones, pero al

ser más subjetivas que objetivas no se tomarán en cuenta para el presente estudio. Sin embargo, es

necesario mencionar que una de esas razones es la cantidad de espectadores que ya se encuentran

dentro del sistema, lo cual provoca que el espectador que quiera ingresar desista de hacerlo.

Modelo de Colas Basado en Costos

El resultado del análisis de colas puede incorporarse a un modelo de optimización de costos que

busca minimizar la suma del costo de ofrecer el servicio y la espera por parte de los clientes. El

obstáculo principal al implementar modelos de costos es la dificultad de determinar el costo de la

espera, sobre todo la que experimentan las personas. En la figura 4 se puede observar un modelo

de costos, donde el costo del servicio se incrementa con el aumento del nivel de servicio. Al mismo

tiempo, el costo de esperar se reduce con el incremento del nivel de servicio (Taha, 2012).
 12

El modelo de costos trata dos tipos de costos:

a) El costo del ofrecimiento del servicio.

b) El costo de la demora al ofrecer el servicio (tiempo de espera del cliente).

El incremento de un costo provoca automáticamente una reducción del otro, como se observa en

la figura 4. El modelo de costos se expresa como (Taha, 2012):

ETC (𝑥) = 𝐸𝑂𝐶(𝑥) + 𝐸𝑊𝐶(𝑥)

Donde,

ETC= Costo total esperado por unidad de tiempo

EOC= Costo de operación esperado de la instalación por unidad de tiempo

EWC= Costo de espera anticipado por unidad de tiempo

Las formas más simples de EOC y EWC son las siguientes funciones lineales:

EOC(𝑥) = 𝐶1 𝑥
EWC (𝑥) = 𝐶2 𝐿𝑆

Donde,

C1= Costo marginal por unidad de x por unidad de tiempo.

C2= Costo de espera por unidad de tiempo por cliente (en espera).
 13

Figura 4. Modelo de decisión de colas basado en costos

Fuente: Taha, 2012

Para el estudio de sistemas de modelos de colas cuya solución es muy difícil de obtener, se suele

recurrir a técnicas de simulación debido a que la capacidad de servicio (en algún momento) es

menor que la capacidad demandada, mediante el empleo de programas de computación, permiten

obtener estimaciones de las variables de interés implicadas en el comportamiento del sistema.

¿Qué es Simulación?

Según el autor Kelton (2014) define la simulación como: “un gran conjunto de métodos y

aplicaciones que buscan imitar el comportamiento de sistemas reales, generalmente en una

computadora con un software apropiado, para llevar a cabo experimentos numéricos que den un

mejor entendimiento al comportamiento del sistema en estudio bajo unas condiciones dadas”.

La simulación es uno de los análisis más poderosos utilizados para diseñar un sistema de

manufactura ya que ayuda a su planeación, empleando algoritmos que reproducen el

 14

comportamiento del modelo (Urquía. M & Martín. V, 2013). Según Ispas (2002) “los modelos de

simulación pueden ser usados para estudiar y analizar situaciones reales o predecir el efecto de los

cambios del diseño o desempeño de un nuevo sistema”. Prácticamente cualquier sistema,

entendiendo éste como un conjunto de objetos o entidades, reales o virtuales, que interactúan entre

sí siguiendo una lógica orientada a un objetivo común, es susceptible de ser simulado. Para ello se

construye un modelo sobre el cual se estudian los comportamientos y respuestas del sistema a

acciones instantáneas (eventos) que ocurren en momentos puntuales de la vida del sistema.

Pasos en un Estudio de Simulación

Para diseñar o analizar un sistema complejo por simulación, existen una serie de pasos que

componen un estudio de simulación. No todos los estudios necesariamente contendrán todos los

pasos y en el orden indicado, pues un estudio de simulación no es un simple proceso secuencial.

La figura 5 muestra los pasos a seguir en un modelo de simulación; el número junto al símbolo

enumera cada paso, los cuales son explicados en el libro de referencia.

 15

Figura 5. Pasos de una simulación.

Fuente: Law, 2013.

Tipos de Simulación

Existen tres tipos de simulación por ordenador dependiendo del tipo de programación y de

construcción en las que se base el programa:

Simulación de Monte Carlo: Se emplea en esquemas de números aleatorios, es decir, U (0,1)

variables aleatorias al azar, que son usadas para resolver problemas estocásticos o determinísticos.

Por lo tanto, las simulaciones de Monte Carlo son generalmente estáticas en lugar de dinámicas

(Law A. M., 2013).

 16

Simulación continúa: Este tipo de modelo tiene variables que cambian continuamente con el

tiempo. Por lo general, implican ecuaciones diferenciales que relacionan las tasas de cambio de

las variables de estado con el tiempo. Periódicamente, el programa de simulación resuelve todas

las ecuaciones y usa los resultados para cambiar el valor de las variables de estado de la simulación.

Algunas áreas en donde se usa esta técnica son: producción de químicos, tiendas de productos

médicos que abren 24 horas, análisis de comportamiento del consumidor, en desarrollo

organizacional, y en problemas matemáticos y físicos (Bandyopadhyay, 2014).

Simulación de eventos discretos: En este tipo de simulación se generan y administran eventos en

el tiempo por medio de una cola de eventos ordenada según el tiempo de simulación en que deben

ocurrir y de esta forma el simulador lee de la cola y dispara nuevos eventos. Esta modalidad de

simulación se usa típicamente en el diseño de la mayoría de eslabones de la cadena de suministro

tales como: líneas de producción, plantas de procesamiento, sistemas de control de inventarios,

bodegas de producto terminado, puntos de atención a clientes, hospitales, centros de atención

médica (Allen, 2011).

De acuerdo con Goldman, Nance & Wilson (2010), si bien las ideas hoy en día formalizadas y los

principios de la simulación existen desde hace muchos años (antes de la Segunda Guerra Mundial),

los primeros intentos para simular sistemas de eventos discretos datan de la década de los años

1960, donde se desarrollan las primeras simulaciones en ordenador para planear proyectos de gran

envergadura, aunque a un costo muy alto y utilizando lenguajes de propósito general. Las primeras

herramientas para facilitar el uso de la simulación de evento discreto aparecen en la forma de

lenguajes de simulación en la década de los años 1970 y principios de la década de los años 1980,
 17

utilizada en el sector automotriz. A finales de la década de los años 1980, la simulación empezó a

ser utilizada en los negocios gracias a la difusión de las computadoras personales y a la aparición

de software de simulación que se programan en ambientes gráficos y con capacidades de

animación. Esto, permitió que la simulación se difundiera ampliamente como herramienta para el

diseño y análisis en diversos sectores tanto de la industria de manufacturas como de servicios.

En la simulación de eventos discretos las dos variables más importantes son: el tiempo y el estado.

Entre los eventos, los estados de las entidades que componen el sistema permanecen constantes,

el cambio en el estado es inducido por los eventos que son los elementos motores de cualquier

modelo de simulación de eventos discretos. A parte del tiempo y los estados hay que comprender

los elementos que construyen el sistema, ya que de ellos dependerá el nivel de detalle que se

corresponde con la realidad. En lo que se refiere al tiempo también hay que tener en cuenta el reloj

de simulación, que es la variable que lleva control del tiempo virtual de simulación, el cual no se

debe confundir con el tiempo real de ejecución, ya que se pueden simular 8 horas de reloj de

simulación en 5 minutos de tiempo real (Allen, 2011).

Los elementos en la simulación de eventos discretos se componen principalmente de las entidades,

que pueden ser fijas como los objetos que representen máquinas o temporales, que son las que se

crean y se destruyen a lo largo de la simulación; los atributos, que son las diferentes características

que se le otorgan a las entidades para que estas adquieran un comportamiento adecuado a la

simulación; las variables, que son aquellas que definen el modelo y sus estados como un conjunto

o individualmente; y los recursos, son objetos a los que se les asocia algún tipo de gasto o de
 18

consumo de los mismos para realización de tareas de operación o transporte que pueden ser tanto

para entidades fijas como temporales.

Hoy en día los programas por eventos discretos son los más utilizados en la industria para planificar

posibles cambios en la planificación ya que son programas muy gráficos cuyo entendimiento de

manejo es muy sencillo y los costes que generan sobre otro tipo de simulaciones es mucho menor.

La simulación por eventos discretos tiene una mayor facilidad de modelamiento en cuanto al resto

de tipo de simulaciones, ya que permite modelar situaciones de alto nivel de complejidad con

funciones relativamente sencillas, de esta forma es posible construir modelos que representen la

realidad en el nivel de detalle deseado. También posee una diferenciación en cuanto a indicadores

estadísticos, ya que dada la estructura de la simulación por eventos discretos se pueden obtener

todo tipo de estadísticas e indicadores que nos proporcionen información adicional, incluso

información que no sería posible sacar directamente de un sistema real (Hiro Fujita, 2014).

La simulación ha ayudado a las compañías a lograr beneficios significativos, tales como (Ispas

Constantin, 2002):

 Mejor utilización de los recursos para la eliminación de los cuellos de botella.

 Reducir el tiempo de entrega al mercado

 Mejorar el rendimiento de las líneas existentes

 Mejorar el servicio al cliente con recursos existentes

 19

Las industrias de hoy en día pueden modificar su estructura mediante el diseño de fabricación para

poder examinar la capacidad de reconfiguración con técnicas de modelado de simulación, dicho

sistema necesita ser investigado mediante el uso de software de aplicación para analizar diferentes

cambios que sean necesarios y atender los requisitos del cliente y la variedad de demandas y

productos. No obstante, existen obstáculos que impiden que la simulación se convierta en una

herramienta bien utilizada, como son el tiempo de desarrollo del modelo y las habilidades de

modelado que se necesitan para desarrollar una simulación exitosa.

Para satisfacer la mayor parte de las posibles necesidades de los clientes, es un reto fundamental

que las industrias manufactureras tienen que superar y encontrar las posibles y eficaces formas de

llegar a un modelo de sistema de fabricación inteligente que reducen costos, tiempo, esfuerzo y la

energía para los cambios frecuentes del sistema y modificaciones que aumentan la productividad,

la creación de valor y satisfacción.

Software de Simulación Simio

Simio es un software de simulación basado en objetos inteligentes, el cual permite construir

modelos usando la librería estándar por defecto (para una simulación de eventos discretos), o

creando objetos nuevos de forma gráfica. Un objeto en Simio tiene propiedades, estados y lógica.

La librería estándar la cual tiene 15 definiciones de objetos puede ser modificada y extendida

usando lógicas de procesos; un objeto puede ser un cliente, una máquina, o cualquier cosa que se

pueda encontrar en un sistema. Las entidades son objetos inteligentes que pueden controlar su

propio comportamiento. Simio se puede utilizar para modelar con precisión las relaciones

espaciales y para comunicar el comportamiento del modelo a las partes interesadas proyectos de
 20

simulación. Un modelo puede tener asociado un "experimento" que especifica un conjunto de

escenarios para ejecutar. También puede ser utilizado en un entorno operativo como herramienta

de planificación y programación basado en el riesgo para mejorar el funcionamiento cotidiano de

una organización (Law A. M., 2013).

Dentro de Simio, cada objeto tiene su propio comportamiento definido mediante su modelo interno

que responde a los eventos en el sistema. Por ejemplo, una línea de producción es construida

mediante el emplazamiento de objetos que representan maquinas, transportadores, pasillos y los

objetos necesarios para su funcionamiento. También es posible construir librerías propias de

objetos para que sean específicas para un área de trabajo o modificar y extender el comportamiento

del objeto de la librería usando procesos lógicos (Hiro Fujita, 2014).

En Simio, el concepto básico del marco orientado a objetos es que las clases definen el

comportamiento de los objetos. Esas clases, cuando se colocan juntas en un modelo, resultan en la

aparición del comportamiento del sistema de las interacciones previamente definidas del objeto.

Los tipos de objetos básicos en Simio se muestran en la tabla 1 (Pasupathy et al., 2013, p. 4073):
 21

Tabla 1.
Biblioteca estándar de objetos en Simio

Objetos Descripción
Source Genera objetos entidad para un tipo especificado.
Worker Recurso movible que es aprovechado para tareas y transportar entidades.
Server Modela procesos definidos con un tiempo de procesamiento.
Workstation Incluye configuración, procesamiento, desmontaje y recursos secundarios.
Sink Destruye entidades que han sido procesadas en el modelo.
Node Intersección entre enlaces.
Entity Un agente que se mueve a través de enlaces y entra en objetos.
Transporter Una entidad que lleva otras entidades.
Combiner Asigna los miembros agrupados a una entidad principal.
Separa los miembros agrupados a una entidad principal o realiza copias de los
Separator
objetos entidad.
BasicNode Modelos de una intersección simple entre múltiples enlaces.
TransferNode Modela una intersección compleja para cambiar el destino y el modo de viaje.
Un enlace sobre el cual las entidades pueden moverse independientemente a
Path
sus propias velocidades.
Definición de objetos (Fuente: Elaboración propia)

Simio utiliza algoritmos para generar un modelo de los procesos del sistema y señalar las zonas de

riesgo o cuellos de botella que presenta la operación actual, para así simular el mejor escenario y

obtener mejores resultados en el servicio al cliente (Kelton D. S., 2013).

Esta herramienta de simulación se utilizó para apoyar la toma de decisiones sobre el modelo de

colas que requiere un punto de venta según la cantidad de sillas disponibles en las salas de cine

para minimizar tiempos de espera en la entrega del pedido al cliente en las Confiterías mediante

indicadores en los modelos de simulación de eventos discretos.

 22

Revisión de la Literatura

A continuación, se presenta una breve revisión de algunos artículos académicos relacionados con

el problema bajo estudio enfocado en el sector servicio:

a) La falta de información a los clientes sobre el tiempo de espera es una fuente de

incertidumbre y provoca estrés. Existen dos tipos de información que pueden ser

suministradas a los clientes con relación a la espera: la información sobre la duración de la

espera y la información sobre la causa de la espera. Se concluyó que al colocar música

reduce la percepción del tiempo de espera y aumenta la satisfacción del cliente (Whiting,

2006).

b) Singer, M., Donoso, P., & Scheller, A., (2008) explican la relevancia que tiene el tiempo

que espera un cliente en fila en la calidad del servicio, relacionando la eficacia, la eficiencia

y el diseño del sistema. Para aliviar la molestia del cliente se recomienda colocar

distractores mientras realizan la fila o utilizar la política FIFO (first in first out), es decir,

atender en orden de llegada.

c) Portilla, L., Arias, L. & Fernandez, S, (2010) presentan un contraste entre los modelos de

la Teoría de Colas y la Simulación en un sistema de atención en una entidad bancaria, el

cual está conformado por una línea de espera “fila Preferencial” y un servidor “El Cajero”

encargado de atender los clientes respectivos con el fin de determinar si el sistema está

siendo subutilizado.
 23

Por otro lado, hay estudios que indican que la simulación de este tipo de eventos discretos se puede

realizar de manera más fácil y analítica con la ayuda de un software como Simio que permite

analizar la situación actual del evento y las alternativas que permitirán mejorar el sistema, como

es el caso de un restaurante de comida rápida. Un modelo de dicho Restaurante podría incluir los

pasos de tomar, preparar y servir una comida con el fin de minimizar el tiempo de espera del cliente

(Al-Refai, 2016).

De los artículos analizados, se puede indicar que la simulación de eventos discretos puede ser

utilizada como una poderosa herramienta de apoyo para la planificación, diseño y mejoramiento

de sistemas de producción. Por otro lado, no se identifican artículos que se orienten a la

manufactura de alimentos en establecimientos con alta afluencia de consumidores y que su

decisión de compra dependa de un factor externo como disfrutar de un deporte, película, o

atracción en un parque de diversiones, lo cual se convierte en una oportunidad de investigación.

 24

Capítulo 2

Aspectos Metodológicos del Estudio

Con el fin de determinar los días que representan mayor venta en la confitería del Múltiplex objeto

de estudio, en la Figura 6 se ilustran los días de la semana, la cantidad de espectadores promedio

que ingresaron en el año 2016 y las ventas generadas por día. Como se puede observar en la gráfica,

los días de mayor flujo de espectadores y ventas son: miércoles, sábado y domingo. Razón por la

cual se decidió realizar este estudio en días de alta afluencia de espectadores y ventas ya que son

escenarios ácidos para la operación del punto de venta.

$60,000,000 9,000
8,000
$50,000,000
7,000
$40,000,000 6,000
5,000
$30,000,000
4,000
$20,000,000 3,000
2,000
$10,000,000
1,000
$- 0
Lunes Martes Miércoles Jueves Viernes Sábado Domingo

VENTAS ESPECTADORES

Figura 6. Espectadores y ventas por día en el año 2016

Fuente: Elaboración propia

Se realizó un diagnóstico de la situación actual de la confitería del punto de venta para analizar los

factores que influyen en la entrega oportuna del pedido al cliente, la cual se describe a

continuación.
 25

2.1 Situación Actual

Con el fin de contextualizar la situación actual de una de las confiterías de esta empresa de

entretenimiento, a continuación se explica lo que ocurre actualmente.

Este estudio se realizó en el Multiplex que representa el segundo puesto con la confitería que más

vende en el país, cuenta con 3390 sillas distribuidas en 12 salas de cine. En el año 2016, este

complejo entretuvo cerca de 1.556.000 espectadores con un porcentaje de incidencia en el

consumo de crispetas y perro caliente de 40% y 30% respectivamente (cifras contables, 2016).

Como se puede observar el Figura 7, la confitería está conformada por 11 puntos de pago y 24

colaboradores encargados de la preparación y entrega de pedidos, los cuales están distribuidos en

cada punto de pago para registrar la orden del cliente y un impulsador quien entrega su pedido,

además de un Coordinador de Comidas y Adjunto de Comidas quienes son los responsables de

supervisar las labores de los auxiliares de los negocios de comidas y garantizar la correcta

operación del negocio.

Figura 7. Confitería del Multiplex objeto de estudio

Fuente: Gerencia de Construcciones

 26

Para atender las necesidades de consumo de los espectadores que ingresan a cine a este teatro, en

la Figura 8 se ilustra la cantidad de equipos que actualmente cuenta la confitería del punto de venta.

Por otro lado, en la tabla 2 muestra la cantidad de espectadores promedio que ingresaron en los

días de alta afluencia entre las 3 pm y 9 pm en el año 2016. Cabe resaltar que, durante los días de

alta afluencia de espectadores y vespertina, se utiliza la política de cascada donde los auxiliares de

otras áreas ayudan a impulsar en la confitería para agilizar la entrega de pedidos y minimizar el

tiempo en fila del consumidor.

Figura 8. Cantidad de equipos de la Confitería objeto de estudio.

Fuente: Elaboración propia

Tabla 2
Cantidad promedio de clientes en los días de alta afluencia

DÍAS ESPECTADORES

Miércoles 4,006

Sábado 4,064

Domingo 4,600
Cifras contables 2016 (Elaboración propia)
 27

Lo anterior refleja que del 100% de los espectadores que fueron a cine el año 2016, el 42%

corresponden a los espectadores que fueron en los días miércoles, sábados y domingos de 3 pm a

9 pm con un promedio de 4,223 espectadores diarios.

2.2 Herramientas Estadísticas

A continuación, se explican los conceptos estadísticos necesarios que se utilizaron para la

implementación y validación del modelo. Se realizó la recolección de datos históricos en el año

2016 de la confitería, los cuales se analizaron mediante distribuciones de probabilidad para

encontrar la mejor distribución con el fin de obtener un modelo de simulación que represente de

la mejor manera al sistema real. Dichos resultados, se analizaron mediante diferencia de medias,

para así elaborar las pruebas de hipótesis que permitieron validar el modelo con el sistema real.

Finalmente se determinó el modelo de líneas de espera óptimo-representada en el menor tiempo

que el cliente espera para ser atendido.

2.2.1 Recolección de la información

Debido a que los arribos de los clientes que ingresan al punto por diversidad de razones, tales

como: entrar a ver una película sin consumir ningún alimento, los que compran en otro negocio de

comidas, los que ingresan al servicio sanitario, entre otras. Se tomó en cuenta los arribos de los

clientes que entraron a la confitería y realizaron compra de algún producto, debido a que esta

información se registró en el sistema contable E-WAVE de la compañía ya que no se tiene un

registro de todas las personas que ingresan al punto de venta (incluyendo las personas que no

compran boleta) y desisten en comprar en la confitería.

 28

Los datos de entrada recolectados para realizar el modelo de simulación se obtuvieron a través de

la información obtenida del sistema contable E-wave de la empresa. Este programa arroja la

siguiente información:

 Fecha, día y hora de la transacción

 Nombre del auxiliar que atendió al cliente

 Producto, precio y cantidad que se vendió

 Total de la transacción

 Tipo de pago (efectivo, tarjeta debido…etc.)

 Número del punto de pago

Con la información anterior, se procedió a encontrar la configuración de la distribución estadística

que más se ajustara a los tiempos entre llegada, tasas de abandono y tiempos de servicios del

modelo.

2.2.2 Estimación de tiempos

Este modelo puede incluir los pasos de: decidir hacer la fila, tomar, preparar y servir el pedido

(comida) con el fin de cumplir las expectativas del cliente minimizando el tiempo que permanece

en fila, ya que de esto depende del tipo de pedido que realizará el cliente. Por lo general, los

tiempos entre llegadas y de servicio son probabilísticos ya que provienen de la modalidad aleatoria

de la llegada de los clientes y de las variaciones presentadas en los distintos tiempos de servicio.

En la tabla 3 se muestran los tiempos que fueron analizados con la ayuda de la herramienta Stat::fit

de Promodel, en donde se hizo un análisis descriptivo univariado de los datos históricos obtenidos
 29

por el software contable de la compañía E-wave, simplificando el tipo de distribución de

probabilidad implementado en el modelo. El detalle de los arribos se observa en el anexo E.

En el caso del tiempo de los arribos de las personas que consumen crispetas, combos y productos

unitarios, debido a la alta variabilidad de estas variables, para determinar la distribución de

probabilidad fue necesario eliminar los datos atípicos de la muestra que, según lo observado

durante la operación, son causados por la existencia de situaciones en las que: el servidor no está

disponible porque el auxiliar está haciendo reposición de alimentos o bandejas, los clientes se

arrepienten de alguna elección de alimentos y no deciden comprar o cuando están realizando

cambio de turno en un servidor, entre otras causas posibles que se pueden presentar en la operación.

Tabla 3.
Pruebas estadísticas para tiempos de llegada de los clientes que consumen en la confitería
DISTRIBUCIÓN DE
TIEMPOS ESTIMADOS DESCRIPCIÓN
PROBABILIDAD
Número de arribos en un intervalo
Arribo de los clientes Poisson (1.26, 0.006)
de tiempo, t
Arribo de las personas que Tiempo entre llegadas
Exponential (1.4, 29.9)
consumen crispetas sucesivas, t
Arribo de las personas que Cantidad de llegadas n, durante
Poisson (3.852, 0.277)
consumen combos un periodo de tiempo específico T
Arribo de las personas que Número de eventos en un
Lognormal (1.08, 2.42, 0.952)
consumen productos individuales periodo de tiempo dado t
Distribuciones de Probabilidad (Elaboración propia)

Como se puede observar en la tabla 3, el proceso de llegada de los clientes es Poisson; los tiempos

de llegada son completamente aleatorios con una distribución de probabilidad sobre el periodo

analizado.
 30

Patrón de llegada de los clientes

La llegada de los clientes es estocástica, es decir depende de una variable aleatoria, También es

posible que los clientes sean “impacientes” lo que significa que al llegar a la cola si esta es

demasiado larga se vayan, o tras esperar mucho rato en la fila decidan abandonar. El patrón de

llegada varía con el tiempo, es decir la llegada de los clientes varia con las horas del día como se

puede observar en la Figura 9, su comportamiento es no-estacionario. Esta información se obtuvo

de la cantidad de transacciones realizadas en la confitería desde las 3pm hasta las 9 pm en los días

miércoles, sábado y domingo.

Figura 9. Promedio de transacciones realizadas por hora

Fuente: Elaboración propia

En la figura 10 el trabajo de los servidores es en paralelo y se puede evidenciar el modelo de colas

que presenta actualmente la confitería, cuyo modelo es M / M / S / k, donde la cantidad de
servidores S > 1 y el número de clientes en el sistema es ≤ k, esto hace referencia a la capacidad
máxima de recibo del sistema ya que, si este se encuentra lleno al llegar un cliente, se pierde.
 31

Figura 10. Modelo de cola actual en la confitería

Fuente: Elaboración propia – Simio 9

Uno de los problemas que se pueden presentar en las líneas de espera es que los clientes en el

momento de realizar la fila pueden ser pacientes o impacientes. Un cliente paciente es aquel que

entra al sistema y espera hasta ser atendido; un cliente impaciente es aquel que puede tomar dos

caminos: se arrepiente al ingresar al sistema o desierta y sale del sistema sin ser atendido. En la

situación actual de la confitería, se utilizó como supuesto que todos los clientes fueron pacientes.

Patrones de servicio de los servidores

El sistema de servicio se describe en términos del número de filas y la disposición de los servidores.

En el sistema bajo estudio, las líneas de espera se diseñan en forma de filas múltiples ya que se

disponen de servidores múltiples y cada uno de ellos maneja transacciones de tipo general.
 32

Los servidores (puntos de pago) pueden tener un tiempo de servicio variable, el cual se debe definir

con una función de probabilidad. El tiempo de servicio también puede variar con el número de

clientes en la cola, según el nivel de trabajo de los auxiliares, ya sea siendo ágil (rápido) en atender

un cliente o despacio en caso de ser nuevo; en este caso se llama patrones de servicio dependientes.

Al igual que el patrón de llegadas el patrón de servicio puede ser no estacionario, variando con el

tiempo transcurrido.

2.2.3 Variables aleatorias

Según Law y Kelton (2000), los eventos se pueden definir de muchas maneras y pueden ser muy

complejos. Una forma de cuantificar y simplificar los eventos es definir las variables aleatorias

relativas a ellos. Matemáticamente la variable aleatoria está definida por una función dentro del

espacio muestral de los números reales y pueden ser de dos clases: discretas y continuas.

Según los fundamentos de teoría de colas, a pesar de las variaciones lógicas de la variable en este

estudio, el tiempo entre llegadas de los clientes al sistema es definido por una variable aleatoria

continua con distribución exponencial y por consiguiente las llegadas de los clientes al sistema por

unidad de tiempo son representadas por una variable aleatoria discreta con valores no negativos

que sigue una distribución de probabilidad de Poisson.

En este orden de ideas, según los conceptos de Teoría de cola para el caso de estudio se asume que

los clientes llegan uno a la vez y en intervalos de tiempo, sucesivos e idénticos (Kulkarni, 1999,

pág. 252).
 33

2.2.4 Pruebas de hipótesis

Según (Córdova, 2003), se denomina hipótesis estadística a cualquier afirmación o conjetura que

se hace acerca de la distribución de una o más poblaciones. Se denomina Hipótesis nula,

representada por H0, a la hipótesis que es aceptada provisionalmente como verdadera y cuya

validez será sometida a comprobación. Se denomina hipótesis alternativa, representada por H1, a

la suposición contraria a la hipótesis nula, y es aceptada en caso de que la hipótesis nula H0 sea

rechazada.

Error tipo I: Es el error que se comete al rechazar la hipótesis nula H0 cuando es verdadera.

Error tipo II: Es el error que se comete al aceptar la hipótesis nula H0 cuando es falsa.

Al momento de aceptar o rechazar la hipótesis nula se tiene 4 posibles situaciones que determinan

si la decisión que se toma es correcta o incorrecta, las cuales se muestran en la Tabla 4.

Tabla 4.
Tipos de error

Decisión H0 Verdadera H0 Falsa

Error tipo l Decisión correcta

Rechazar H0
Probabilidad = α Probabilidad = 1-β

Decisión correcta Error tipo ll

Aceptar H0
Probabilidad = 1- α Probabilidad = β

Decisión de cada error (Córdova, 2003)

 34

A partir de la información de la muestra, se utilizó el contraste de hipótesis nula Ho para conocer

si el espectador consumió alguno de los productos de estudio, si no los consumió se rechaza la

hipótesis nula. Cuando la hipótesis nula es falsa y no se rechaza, es la probabilidad de cometer un

error tipo II llamado Beta β. Es decir, se concluye que todos los espectadores consumen perro

caliente y crispetas cuando en realidad no todos los espectadores consumen.

2.3 Modelo Computacional de Simulación Discreta

Para el análisis por simulación de la Atención de Usuarios en la Confitería del Multiplex objeto de

estudio, se utilizó el software de simulación por eventos discretos SIMIO 9 en 2D y 3D, que

permite modelar conceptualmente los procesos y recursos del sistema en estudio. SIMIO

SIMULATION se basa en la utilización de librerías que contienen objetos como: server o

workstation (procesos o actividades), vehicles (equipos de manejo de materiales), resources

(recursos), path (caminos), entities (clientes o personas), entre otros. Adicionalmente, el software

permite programar el tiempo entre llegadas, tiempos de procesos, entre otras variables

considerando condiciones de incertidumbre (Montoya, Vahos, & Espinal, 2016).

La simulación por eventos discretos permite representar las diferentes operaciones (abastecimiento

de insumos, preparación de pedidos, entrega de pedidos, entre otras) y los recursos (auxiliares,

equipos, insumos) en 2D y 3D considerando condiciones de incertidumbre. Debido a la naturaleza

dinámica de la simulación de eventos discretos, es necesario contar con una variable general que

lleve control del tiempo en cada corrida. A esta variable se le conoce como reloj de la simulación

y es necesaria ya que es un determinante en la ocurrencia de un cambio de estado en el sistema.

 35

El reloj de la simulación es el contador de tiempo de la simulación, y su función consiste en

responder preguntas tales como cuánto tiempo se ha utilizado el modelo en la simulación, y cuánto

tiempo en total se quiere que dure esta última. En general, el reloj de simulación se relaciona con

la tabla de eventos futuros, pues al cumplirse el tiempo programado para la realización de un

evento futuro, éste se convierte en un evento actual (Garcia, 2006).

En el proceso de la realización del modelo de simulación, se contó con una base de datos de entrada

que se obtuvo por el sistema real objeto de estudio para poder realizar la simulación. Estos datos

se analizaron de tal forma que fue posible encontrar la mejor distribución de probabilidad con el

fin de obtener un modelo de simulación que representara la mejor manera al sistema real y así

poder determinar los escenarios propuestos. Para la realización de este estudio, se simularon los

días de alta afluencia entre las 3 pm y 9 pm, como se puede observar en la Figura 11, las horas

donde más se presentaron transacciones durante los días miércoles, sábado y domingo fueron

desde las 3 pm hasta 9 pm, las cuales representaron el 73% del total de transacciones realizadas en

el día.

Figura 11. Cantidad de transacciones por hora en los días de alta afluencia

Fuente: Elaboración propia

 36

Por otro lado, para simular la llegada de las entidades (clientes), se analizaron los productos que

se vendieron los días miércoles, sábado y domingo y se dividieron en tres grupos como se muestra

en la tabla 5, tales como:

Tabla 5.
Tipo de productos vendidos
COMBO VENTA
COMBO C Y P
CRISPETA INDIVIDUAL
AGROCAMPOPERRO AGROCAMPO2017 AGUAS
B. EXITO PERRO BONO AGRO SAND BEBIDA ICEE
C.RF8 COMBINAD BONOPUNTOSEXIT BESITOS
[Link] COM C.RF8 SANDWICH CHOCM MICKEY
COM 90AÑOS PER CINE COMBITO CHOCOJOHNNYS
COM NACHOPERRO COM 90AÑOS COM CHOCOLAT JET 3
COM
COM PERSON PER CHOSNICKERS52.
NACHOSANDW
COMBO 3 COMBI ERA HIEL COCOSETTE
COMBO 4 COMBITO PITUFO GALLETAS ALCAG
COMBORF8 PERRO COMBITOPOWRANG GASEOSAGRANDE
COMPENSAR 3 COMBO 1 GASEOSAMEDIANA
COMPENSAR COMB COMBO 2 GASEOSAPEQUENA
PERROCALIENTE COMBO EXITO JUGOS DEL VALLE
[Link] COMBO GRUPON KIT KAT
PLATICOMBO3PER COMPENSAR 1 M&M
PLATICOMBO4PER CRISPETA 85 OZ MANI ALCAGÜETE
PLATINO COMBO2 CRISPGRAN170 MANI PASAS
PREMIO 400 PER CRISPMED130 MILO NUGGETS
PROMO 2 PERROS PAREJA ÉXITO MR TEA
PREMIO 150 NACHOSQUESO
PREMIO 400 SAN PONYMALTA
SANDWICH
SNOW MINT
Productos ofrecidos en la Confitería (Elaboración propia)
 37

1. COMBO C Y P: está compuesto por la venta del perro caliente y todos los combos que lo

contienen, incluidas las crispetas.

2. COMBO CRISPETA: está compuesto por la venta de crispetas y todos los combos que la

contienen sin incluir el perro caliente.

3. VENTA INDIVIDUAL: está compuesto por la venta de los productos de manera

individual sin incluir el perro caliente y las crispetas.

En la Figura 12 se evidencia el porcentaje de participación de cada grupo sobre la cantidad de

productos vendidos en la confitería durante el año 2016 en los días antes mencionados. Por esta

razón, estas son las entidades que se van a simular, ya que categoriza a los clientes según el

producto que compraron en la confitería.

VENTA
INDIVIDUAL
33%

COMBO C Y P
CRISPETA 61%
6%

Figura 12. Porcentaje de participación de las entidades sobre la cantidad de productos vendidos

Fuente: Elaboración propia

 38

2.3.1 Definición de réplicas y duración

La precisión con que se estima una distribución de probabilidad depende del número de

replicaciones a implementar en el simulador, cada ejecución de simulación la controla una

corriente de números aleatorios 0-1 distinta, la cual produce observaciones estadísticamente

independientes.

Con el fin de calcular el número de réplicas se utilizó la formula clásica de Banks (Banks et al.,

2010), así:

Estimación de intervalo de confianza para el indicador θ:

S0 S0
θ̂ − Zα/2 ∗ ≤ θ ≤ θ̂ + Zα/2 ∗
√R0 √R0

En el informe de resultados de Simio se reporta el valor de la mitad de la amplitud del intervalo de

confianza (hw), con un (1-α) = 0.95. Por lo tanto, Zα/2 = 1.96. Se tiene entonces una estimación de

la desviación estándar S0, así:

√R0
S0 = hw ∗
Zα/2

Con esta estimación de la desviación estándar, se puede calcular el número de réplicas requerido

para obtener una precisión de ε, así:

Zα/2 ∗ S0 2
R ≥( )
ε
 39

En la tabla 6 se puede observar el cálculo de R para el indicador clave de número de clientes que

compran en la confitería, discriminado por tipo de entidad (crispetas, combo y venta individual).

Tabla 6
Cálculo de réplicas por tipo de entidad
ENTIDAD Zα/2 R0 hw S0 ꜫ R

COMBOS 157 8.13 51.97 0.1 1,037,721

1.96

CRISPETAS 1.96 157 1.16 7.42 0.1 21,126

VENTA
1.96 157 4.80 30.69 0.1 361,728
INDIVIDUAL
Cálculo de R (Elaboración propia)

Según los cálculos evidenciados, se utilizó una precisión del 10% ya que, al tomar una precisión

más baja, el número de réplicas iba aumentando. Sin embargo, la cantidad de réplicas a realizar

son demasiadas como se observa en la fila R de la tabla 6, lo cual puede afectar la realización de

este trabajo ya que el tiempo de cálculo en el simulador es elevado.

Por lo anterior, el número de réplicas se determinó con el ánimo de simular un año de trabajo en

la confitería como se muestra en la tabla 7; ya que este trabajo hace referencia a la operación en

los días de alta afluencia (miércoles, sábados y domingos) y tomando en cuenta que la empresa

opera todos los días de la semana, el año 2016, tuvo 52 miércoles, 53 sábados y 52 domingos, para

un total de 157 días. Por otro lado, como se explicó anteriormente, las horas pico de la operación

son desde las 3 pm hasta las 9 pm, se simularon 6 horas en un día de la operación.
 40

Tabla 7.
Parámetros de la corrida del modelo
Parámetros de la corrida

Número de réplicas 157

Longitud de la réplica 6

Unidades de tiempo Horas

Parámetros utilizados en el simulador SIMIO 9 (Elaboración propia).

1.
2.

3.

Figura 13. Configuración de réplicas en Simio 9.

Fuente: Elaboración propia

En la figura 13 se puede evidenciar el número de réplicas a utilizar en el simulador SIMIO 9 con

el fin de simular un año de trabajo en la confitería objeto de estudio en los días de alta afluencia,

donde:

1. Primer miércoles de 2016. Hora de inicio de alta afluencia.

2. Horas de atención objeto de estudio.

3. Número de días objeto de estudio.

 41

Capítulo 3

Simulación Caso de Estudio y Validación del Modelo

Este capítulo hace referencia a la validación del modelo computacional realizado en el simulador

SIMIO 9, utilizando datos empíricos de la operación en el año 2016 de la confitería objeto de

estudio, los cuales se analizaron con la ayuda del programa SPSS con el fin de obtener un modelo

de experimentación creíble, para así proponer diferentes escenarios de mejora y tomar decisiones

operacionales.

La animación del proceso hace referencia a la llegada de los clientes y al modelo de las colas en

la confitería, lo cual permite analizar el porcentaje de utilización de los puntos de pago y la cantidad

de productos vendidos. El modelo se puede observar en la figura 14.

Figura 14. Simulación de la situación actual de la confitería en Simio 9.

Fuente: Elaboración propia – Simio 9.

 42

3.1 Inputs del Modelo

En el modelo de simulación de eventos discretos, las llegadas de los clientes son programadas con

base a la decisión de compra como se puede observar en la Figura 11 y se ingresan al simulador

mediante calendario y turnos de atención al cliente. Puesto que las horas donde se ve reflejada la

mayor cantidad de transacciones son de 3pm a 9 pm, a pesar de tener toda la planta del personal

disponible esto condujo a una incertidumbre sobre las causas que generan la formación de colas

largas.

Las variables de entrada consideradas fueron las siguientes:

 Cantidad de clientes atendidos

 Tiempo de atención en caja

3.2 Outputs del Modelo

Las variables de salida se obtuvieron por medio de plantillas Excel®, las cuales se consideraron:

 Tiempo promedio de atención al cliente

 Utilización de los equipos

 Cantidad de clientes que abandonan el sistema

3.3 Validación

A continuación, se presenta la descripción de la validación y resultados del modelo los cuales

demuestran que su comportamiento efectivamente es muy similar al comportamiento real de la

 43

confitería mediante un análisis de varianza. Por lo anterior, se realizó una revisión de los resultados

arrojados en el modelo computacional desarrollado en el software SIMIO SIMULATION®

después de realizar 157 réplicas.

Se realizó la validación por medio del programa estadístico SPSS con el fin de determinar si la

simulación es una representación acertada del sistema bajo estudio utilizando pruebas estadísticas

de igualdad de medias, realizando una comparación entre los valores obtenidos en el modelo

computacional versus la información obtenida por la empresa en el año 2016. Esta comparación

se realizó mediante la prueba T de comparación de medias como se puede observar en el anexo F.

Los resultados obtenidos (nivel de confianza mayor al 95%) fueron concluyentes para determinar

que el sistema que fue modelado, sí representa la realidad que se está viviendo actualmente en el

proceso de atención al usuario en la confitería objeto de estudio. Como se muestra en el anexo F,

se aplicó una prueba Anova para corroborar la hipótesis y contrastar la igualdad de medias entre

la cantidad de combos, crispetas y productos individuales vendidos en la confitería objeto de

estudio y el modelo de simulación, las hipótesis del contraste son:

1. H0: µ1 = µ2 Las medias poblacionales son iguales

2. H1: µ1 ≠ µ2 Las medias poblacionales son diferentes

 44

Capítulo 4

Descripción de Alternativas

Una vez se validó el modelo de simulación del sistema real, se realizaron propuestas para mejorar

la operación del sistema actual, modificando el modelo de las filas para optimizar el servicio.

Dichos resultados se compararon para tomar la decisión más adecuada y escoger el escenario que

favorece de manera positiva el sistema real, aumentando las transacciones del negocio. Se

realizaron 157 réplicas en cada escenario para analizar los resultados.

4.1 Primera Propuesta de Mejora

El sistema actual opera con fila única para cada punto de pago, se decidió realizar una propuesta

dejando solo una fila única para todos los puntos de pago, con el fin de generar orden en el

momento en que el cliente realice la fila y ésta se mueva más rápido. En la figura 15 se puede

observar el modelo realizado para atender los usuarios en la confitería objeto de estudio donde se

tiene una única llegada (entrada a la fila) y múltiples servidores donde el cliente que llega a la

cabeza de la fila, pasa a una caja disponible para ser atendido; la disciplina de la cola sigue el

mismo comportamiento FIFO.

 45

Figura 15. Propuesta 1 para el modelo de filas en la confitería

Fuente: Elaboración propia – Simio 9

Por otro lado, se decidió analizar la cantidad de clientes que abandonan el sistema, para esto se

determinó que esta decisión estaba influenciada al ver más de 60 personas en fila, pues la atención

al cliente dura aproximadamente 2 minutos, valor promedio Time in Station arrojado por el

simulador siendo un tiempo de espera de más de 10 minutos en fila. Por otro lado, el área del lobby

es de aproximadamente 8 metros de largo y si no caben las personas para realizar la fila, los clientes

se desplazan a los otros negocios de comidas para realizar su compra. La salida se realiza por el

sink (salida1) como se observa en la figura 15.

 46

4.2 Segunda Propuesta de Mejora

Para la segunda propuesta, se decidió realizar un escenario dejando dos filas dividiendo la atención

de los 11 puntos de pago en dos grupos, con el fin de generar orden en el momento en que el cliente

realice la fila y ésta se mueva más rápido. En la figura 16 se puede observar el modelo realizado

para atender los usuarios en la confitería objeto de estudio donde se tiene dos entradas y el cliente

puede decidir que fila es más corta para realizar la cola. El cliente que llega a la cabeza de la fila

pasa a una caja disponible para ser atendido; la disciplina de la cola sigue el mismo

comportamiento FIFO.

Figura 16. Propuesta 2 para el modelo de filas en la confitería

Fuente: Elaboración propia – Simio 9

 47

Por otro lado, se decidió analizar la cantidad de clientes que abandonan el sistema, para esto se

determinó que esta decisión estaba influenciada al ver más de 30 personas en cada fila. La salida

de estas personas de cada fila lo realizan por el sink (salida1 y 2) como se observa en la figura 16.

4.3 Tercera Propuesta de Mejora

En la tercera propuesta, se decidió realizar un escenario similar al implementado en los

hipermercados, dejando una fila solo a las personas que deseen comprar productos de manera

individual, ya sea una bebida, un paquete o un perro, dejando dos cajas disponibles de pago para

estos clientes. La segunda fila, la cual es atendida por los 9 puntos de pago restantes, recibe a los

clientes que deseen comprar combos o crispetas. En la figura 17 se puede observar el modelo

realizado para atender los usuarios en la confitería objeto de estudio donde se tiene dos entradas y

el cliente puede realizar la fila según el pedido a realizar. El cliente que llega a la cabeza de la fila

pasa a una caja disponible para ser atendido; la disciplina de la cola sigue el mismo

comportamiento FIFO. Cabe resaltar que, si las cajas de la fila de venta individual están

desocupadas, estas pueden atender los clientes que se encuentran realizando la otra fila.
 48

Figura 17. Propuesta 3 para el modelo de filas en la confitería

Fuente: Elaboración propia – Simio 9

Por otro lado, se decidió analizar la cantidad de clientes que abandonan el sistema, para esto se

determinó que esta decisión estaba influenciada al ver más de 15 personas en la fila de venta

individual y 50 en la fila general. La salida de estas personas de cada fila lo realizan por el sink

(salida1 y 2) como se observa en la figura 17.

4.4 Análisis de Resultados

El simulador se utilizó para: (i) representar el funcionamiento actual del sistema, (ii) llevar a cabo

un análisis de las variables críticas del sistema, evaluando sus límites de operación bajo las

condiciones actuales de funcionamiento, y (iii) plantear el mejor escenario que permita atender la

mayor cantidad de clientes en el menor tiempo posible de espera.

 49

En este capítulo se procederá a analizar los resultados obtenidos en la simulación del caso objeto

de estudio y sus propuestas, así como los costos generados de cada una. Una vez realizadas las

corridas del modelo objeto de estudio y las tres propuestas mencionadas anteriormente durante las

6 horas de trabajo en los 157 días del año, en la tabla 8 se muestran los resultados obtenidos de los

indicadores más relevantes en cada propuesta (P1, P2 y P3) para este estudio con el fin de poder

compararlos con respecto al sistema real.

Tabla 8.
Resultados de los modelos propuestos
REAL P1 P2 P3
2,117 3,106 3,375 3,057
Clientes que compraron
119 154 169 270
Clientes que compraron crispetas
1,311 2,060 2,139 2,212
Clientes que compraron combos
687 892 1,067 575
Clientes que compraron productos individuales
0.430 0.124 0.09 0.05
Tiempo de espera promedio en fila (horas)
50 60 24 35
Cantidad de clientes promedio en fila
1.88 1.87 1.85 1.29
Tiempo promedio de atención de cada cliente (min)
920 835 55
Cantidad de clientes que abandonan el sistema
Utilización de los PDP (porcentaje)
PDP1 99.16 97.30 98.0 97.0
PDP2 98.98 97.80 98.4 96.6
PDP3 99.16 98.20 98.6 89.9
PDP4 99.24 98.70 98.7 90.9
PDP5 99.24 98.80 98.5 91.8
PDP6 99.22 98.60 98.0 92.2
PDP7 99.24 98.20 98.4 92.2
PDP8 99.09 97.70 98.6 91.6
PDP9 99.15 97.30 98.6 90.8
PDP10 99.29 96.70 98.4 89.9
PDP11 99.14 96.20 98.1 89.1
PROMEDIO 99.17 97.77 98.39 92.0
Indicadores más importantes de la simulación (elaboración propia).
 50

Como se puede observar en la tabla 8, la propuesta donde más se registraron compras por parte de

los espectadores fue en la 2, atendiendo a 1,258 personas más que el escenario actual. Por otro

lado, la cantidad de personas que abandonan el sistema es de 835, siendo una de las tasas de

abandono más altas de las tres propuestas. Por esta razón se decide que la mejor propuesta para

aumentar las transacciones del negocio es la propuesta 3, ya que atiende un total de 3,057 clientes

(940 usuarios más que el escenario actual), además es la propuesta que presentó la mayor cantidad

de combos y crispetas vendidas, registrando 2,212 y 270 respectivamente, presentando un aumento

en la cantidad de productos vendidos con base al sistema real, entregando 901 combos y 151

crispetas más.

En la tabla 8 también se puede apreciar la cantidad de productos vendidos en cada propuesta y en

el sistema real, representada por la línea naranja. La propuesta 3, representada con la línea roja, es

la que presenta mayor venta de combos, lo cual genera mayor rotación de productos, por otro lado,

también presenta la mayor cantidad de crispetas vendidas lo cual es el producto estrella del negocio

y genera un porcentaje de rentabilidad mayor a los demás productos ofrecidos en la confitería.

En cuanto al porcentaje de utilización de los puntos de pago (POS), se puede observar que, en el

sistema real, la utilización promedio de los POS es de 99.2%, mientras que en la propuesta 3 es de

92%, lo cual se debe a que el servicio de atención es más rápido (1.29 min) ya que la población es

finita y se tiene más tiempo libre entre cada función, evacuando con tiempo a los compradores

para disfrutar a tiempo de la película.

 51

Análisis Descriptivo

Se realizó un análisis descriptivo de la variable “Tiempo de espera promedio en fila” de cada

propuesta con el fin de determinar las medidas de tendencia central, medidas de dispersión de los

datos y si es un indicador que difiere significativamente según el modelo de líneas de espera el

cual se muestra en la tabla 9. Los datos de esta variable se sustrajeron de los 157 días simulados.

Tabla 9.
Análisis descriptivo de la variable tiempo de espera pormedio en fila

Error
DATOS Estadístico
estándar
Media ,10655 ,000299
Límite
,10596
95% de intervalo de confianza inferior
para la media Límite
,10714
superior
Media recortada al 5% ,10663

Mediana ,10677

Varianza ,000
PROPUESTA 1
Desviación estándar ,003745

Mínimo ,093

Máximo ,116

Rango ,023

Rango intercuartil ,005

Asimetría -,360 ,194
Curtosis ,421 ,385
Media ,10005 ,002616
PROPUESTA 2 95% de intervalo de confianza Límite
,09488
para la media inferior
 52

Límite
,10522
superior
Media recortada al 5% ,09859

Mediana ,09276

Varianza ,001

Desviación estándar ,032781

Mínimo ,020

Máximo ,235

Rango ,215

Rango intercuartil ,029

Asimetría 1,130 ,194
Curtosis 4,380 ,385
Media ,05597 ,000954
Límite
,05409
95% de intervalo de confianza inferior
para la media Límite
,05786
superior
Media recortada al 5% ,05624

Mediana ,05629

Varianza ,000
PRPUESTA 3
Desviación estándar ,011951

Mínimo ,020

Máximo ,080

Rango ,059

Rango intercuartil ,017

Asimetría -,273 ,194
Curtosis -,357 ,385
Análisis descriptivo de datos a través de SPSS (elaboración propia).
 53

En la tabla 9 se puede observar que el tiempo medio de espera más bajo es de la propuesta 3, ya

que el cliente espera en fila aproximadamente 0.055 horas (4 min) desviados en promedio de ese

dato 0.01 horas, mientras que en las propuestas 1 y 2 espera 0.10 horas (6 min), cuya desviación

estándar fue de 0.003 y 0.03 respectivamente. Por otro lado, la propuesta 3 presentó menor

variación en el rango de datos, los cuales variaron de 0.020 a 0.080 horas y la asimetría es negativa,

lo que significa que los valores tienden a agruparse hacia la derecha de la curva (por encima de la

media).

En la figura 18 se muestra el diagrama de caja y bigotes, el cual representa el tiempo de espera

promedio de cada propuesta arrojados en los 157 días de simulación.

Figura 18. Tiempo de espera promedio de los clientes en fila

Fuente: Elaboración propia – Spss

 54

En este diagrama se puede observar que las dispersiones de los datos entre las propuestas difieren.

En la propuesta 2 (P2) se observa el quartil 2 esta hacia abajo, lo que representa una curva asimetría

a la derecha o positiva, además como la caja es más grande que las demás significa que el conjunto

de datos es más variable. La propuesta 3 (P3), el quartil 2 está en la mitad de la caja lo que significa

que es simétrica y tiene un tiempo de espera más corto, además tiene menos datos atípicos. La

mediana en la propuesta 1 (P1) es más alta que las demás propuestas y como su caja es pequeña

significa que los datos tienen poca variabilidad, son más homogéneos. Los datos que se muestran

con círculos significan que la P2 tiene más datos atípicos y los datos con asteriscos reflejan los

tiempos muy inusuales, lo cual significa que los clientes esperan más tiempo en fila para ser

atendidos.

Por otro lado, se realizó un análisis ANOVA de esta variable, cuya hipótesis es:

Ho: Las medias de las distribuciones de la variable cuantitativa (tiempo de espera promedio en

fila) en cada grupo independiente (propuesta) son iguales.

Ha: alguna de las medias de las distribuciones de la variable cuantitativa en cada grupo uno de los

grupos independientes es diferente.

Tabla 10.
Tiempo de espera promedio en fila

Suma de Media
gl F Sig.
cuadrados cuadrática
Entre grupos ,238 2 ,119 289,635 ,000

Dentro de grupos ,192 468 ,000

Total ,430 470

Análisis ANOVA a través de SPSS (elaboración propia).
 55

En la tabla 10 se puede observar que la significancia es menor al 0.05, lo cual significa que alguna

de las medias de las propuestas es diferente. Para llevar a cabo este contraste, se recurre al

estadístico F de Snedecor, que tiene un valor de 289.635 y tiene un p-valor (sig)= [Link] lo cual es

menor a 0.05. Se rechaza la hipótesis nula ya que las variables TIEMPO DE ESPERA PROMEDIO

EN FILA y grupos de DATOS (tipo de propuesta) muestran asociación.

Figura 19. Gráfica de medias por propuesta

Fuente: Elaboración propia – Spss

La figura 19 representa que el tiempo promedio en fila de la propuesta 3 es menor que las otras

dos propuestas.
 56

También se analizaron las medias de las propuestas en los subconjuntos homogéneos como se

muestra en la tabla 11.

Tabla 11.
Medias en los subconjuntos de datos

Subconjunto
DATOS N
1 2 3
PROPUESTA 3 157 ,05597

PROPUESTA 2 157 ,10005

PROPUESTA 1 157 ,10655

Sig. 1,000 1,000 1,000

Prueba Tukey a través de SPSS (elaboración propia).

La prueba Tukey demuestra que la propuesta 3, el tiempo de espera promedio en fila es

estadísticamente menor que el tiempo de las otras dos propuestas.

4.5 Análisis Financiero

Este análisis se hace con el fin de determinar cuál de las propuestas de mejora es la más favorable

en términos de costos para la compañía y se define por dos indicadores: a) ventas realizadas por

tipo de producto y b) mediante la cantidad de gente que abandonó el sistema sin realizar ninguna

compra, debido a diferentes factores que influenciaron en la toma de decisión como la cantidad de

personas en fila o la falta de tiempo, entre otros.

 57

4.5.1. Ventas por tipo de producto

En la tabla 12 se pueden observar las ventas promedio generadas en cada propuesta según el tipo

de producto. En la columna precio promedio se muestra un valor representativo de todos los

productos que se venden de la misma categoría en la confitería.

Se puede evidenciar que la propuesta 2 genera el mayor ingreso con $48,115,202 superando con tan

solo $419.500 de la propuesta 3, pero de los productos de mayor interés para la compañía la propuesta 3

representa el mayor rubro superando las otras dos propuestas, como es el caso de la venta de crispetas y

combos.

Tabla 12.
Valor de la transacción por tipo de producto
PRECIO
TRANSACCIÓN REAL P1 P2 P3
PROMEDIO $
Crispetas $859,180 $ 1,111,880 $ 1,220,180 $ 1,949,400
7,220
Combos $25,340,319 $ 39,816,857 $ 41,343,814 $ 42,754,800
19,329
Venta Individual $3,574,461 $ 4,640,747 $ 5,551,208 $ 2,991,513
5,203
TOTAL $29,773,960 $ 45,569,485 $ 48,115,202 $ 47,695,713
Ventas promedio por tipo de producto (elaboración propia).

4.5.2. Tasa de abandono

Para realizar el análisis de las tasas de abandono, se consideró una probabilidad de abandono de

los espectadores, esto debido a que se ha podido observar en la operación que al llegar los clientes

a la confitería deciden no proseguir en la cola debido a la impaciencia o limitaciones de tiempo,

cantidad de personas en fila o cualquier otra razón que pudiera tener el cliente para no comprar, lo
 58

cual representa para la empresa un costo de imagen, calidad y oportunidad al no poder vender y

satisfacer las necesidades de un cliente.

En el presente trabajo no se profundizará en el estudio e identificación de las razones por las cuales

un cliente decide o no retirarse de la cola debido a que se necesitan estudios relacionados a la

psicología y factores conductuales del individuo, lo cual requiere un estudio más a fondo orientado

a las ciencias sociales y no al mejoramiento de los procesos de la operación como es el objetivo

del presente trabajo.

920
835

55

P1 P2 P3

Figura 20. Cantidad de clientes que abandonan el sistema

Fuente: Elaboración propia

En la figura 20, se puede observar la cantidad de espectadores que abandonan la cola sin culminar

el proceso de compra, siendo la propuesta 1 con la mayor cantidad de personas que abandonan el

sistema. Si en promedio ingresan 4.233 espectadores al día en el Múltiplex objeto de estudio, se

puede determinar el porcentaje de los clientes que no compran sobre el total de personas que

ingresan al punto, así:

 59

n
𝑇𝑎𝑠𝑎 𝑑𝑒 𝑎𝑏𝑎𝑛𝑑𝑜𝑛𝑜 = 100%
N

Donde,

n: Cantidad de espectadores que abandonaron el sistema

N: Cantidad de espectadores que ingresaron al punto

En la tabla 13 se puede apreciar la tasa de abandono que presentó cada propuesta, siendo la P3 con

menor cantidad de clientes que abandonaron el sistema, en cambio las 920 personas que

abandonaros el sistema en la P1, representa el 21.7% de los espectadores que en promedio van a

cine.

Tabla 13.
Tasa de abandono de cada propuesta

n TA %
P1 920 21.7
P2 835 19.7
P3 55 1.3
ESP 4,233
Porcentaje de clientes que abandonan la fila (elaboración propia).

En promedio, cada espectador invierte $19.900 en la confitería (sistema contable E-wave), si se

analiza el valor de las transacciones de las personas que abandonaron el sistema, se puede estimar

la cantidad de ingreso que puede perder la compañía como se observa en la tabla 14.
 60

Tabla 14.
Valor de la transacción de la tasa de abandono

n Venta Perdida $
18,308,000
P1 920
16,616,500
P2 835
1,094,500
P3 55
Venta perdida por propuesta (elaboración propia).

Se puede observar en la tabla 14 que la propuesta 3 genera menos pérdida en las ventas de la

confitería para la compañía.

 61

Capítulo 5

Conclusiones y Perspectivas

La simulación es una herramienta de la investigación de operaciones que permite anticiparnos a

futuros escenarios con el fin de modificar situaciones actuales de una mejor manera para tomar

decisiones, además de representar y analizar el desempeño de las líneas de espera considerando

condiciones de incertidumbre para el mejoramiento del servicio.

El uso de la simulación como herramienta de análisis presenta grandes ventajas, siendo una de las

principales, poder modelar un sistema sin necesidad de tener un modelo físicamente, lo cual

acarrea costos altos, sino que mediante herramientas computacionales es posible programarlo con

gran precisión, incluyendo el análisis de diferentes variables que puedan afectar el sistema o

estudiar distintos escenarios en un tiempo relativamente corto. Este desarrollo tecnológico permite

la aplicación de programas de simulación como Simio que permita la optimización de cualquier

proceso industrial.

Los modelos cuantitativos aplicados en este trabajo son implementados como soporte para la toma

de decisiones, ayudando al mejoramiento de los procesos de atención al usuario en las confiterías.

De este modo se convierte en una vía para la obtención de ventajas competitivas en las empresas

de entretenimiento, donde el tiempo de entrega del producto es el que genera el valor agregado

que perciben los clientes.

 62

La aplicación de herramientas estadísticas es muy elemental para realizar esta simulación, ya que

la elección de la distribución de probabilidad de los tiempos entre llegadas de las entidades debe

ser bien estudiada, de forma tal que represente lo más cercano posible al sistema real ya que ésta

determina sustancialmente el comportamiento del sistema y la medición de su desempeño para la

toma de decisiones.

Con base en los resultados obtenidos de las tres propuestas, la mejor alternativa que favorece a la

operación de la confitería es la propuesta 3, ya que aumenta las transacciones del negocio

atendiendo un total de 3,057 clientes (940 usuarios más que el escenario actual), además es la

propuesta que presentó la mayor cantidad de combos y crispetas vendidas, registrando 2,212 y 270

respectivamente, presentando un aumento en la cantidad de productos vendidos con base al sistema

real, entregando 901 combos y 151 crispetas más, lo cual ayuda a mejorar la rotación de los

productos y rentabilidad del negocio. Además, genera más del 60% de ingreso que el sistema real,

recaudando 18 millones por el aumento de las transacciones y solo representa el 1.3% de la tasa

de abandono con una pérdida de $1,094,500 aproximadamente.

Finalmente, para estudios futuros se plantea complementar el uso de la simulación discreta con

otras herramientas cuantitativas como la estadística descriptiva, el diseño de experimentos y Lean

Manufacturing para optimizar los procesos productivos en las confiterías, determinando la

cantidad de equipos necesarios en la operación con base a la cantidad de espectadores del punto

de venta y datos históricos sobre el consumo de perro caliente y crispetas.

 63

Referencias

Allen, T. T. (2011). Decision Support and Voting Systems Case Study. In T. T. Allen, Introduction

to Discrete Event Simulation and Agent-based Modeling (pp. 87-110). Springer London.

Al-Refai, S. (2016, May). A User-friendly Excel Database Management Toolkit to Model.

International Journal of Computer Science and Network Security, 16(5).

Al-Refai, S. (2016). A User-friendly Excel Database Management Toolkit to Model and Optimize

an Arbitrary System. International Journal of Computer Science and Network Security,

16(5), 63 - 66.

Amaya, J. (2004). TOMA DE DECISIONES GERENCIALES Métodos cuantitativos aplicados a

la administración . Bucaramanga : Ecoe Ediciones.

Anderson, D. R., Sweeney, D. J., & Williams, T. A. (2008). Estadística para administración y

economía (10 ed.). Santa Fe, México: Cengage Learning.

Ayala, M. (2007). Análisis y aplicación de la teoría de colas en un centro médico de consulta

externa. Universidad Nacional Autónoma de México. Tesis de maestria.

Bandyopadhyay, S. B. (2014). Discrete and Continuous Simulation: Theory and Practice . New

York: CRC Press.

Cao, R. (2002). Introducción a la Simulación y a la Teoría de Colas. Coruña, España: NETBIBLO.

Córdova, M. (2003). Estadística Descriptiva e Inferencial (5 ed.). Lima, Perú: Librería

MOSHERA S.R.L.

Garcia, E. G. (2006). Simulación y análisis de sistemas con Promodel. México: PEARSON

EDUCACIÓN.
 64

Garzón, R. L. (2014, Abril 02). Más salas y comidas impulsan ingresos de los cinemas. EL

TIEMPO.

Hiro Fujita, C. L. (2014). Soto’s True Earth Market Optimization. San Luis Obispo: The Faculty

of California Polytechnic State University.

Ispas Constantin, M. C. (2002). Simulation - Tool of Manufacturing Optimization. Pakistan

Journal of Applied Sciences, 167 - 169.

John S. Carson II, B. L. (2010). Discrete-Event System Simulation - International Economy Edition

(5th ed.). Pearson Education Limited.

Kelton, D. S. (2013). Simio and Simulation: Modeling, Analysis, Applications (3 ed.). Createspace

Independent Pub.

Kelton, D. S. (2014). Simulation with Arena (6 ed.). New York, USA: McGraw Hill Education.

Kulkarni, V. (1999). Modeling, Analysis, Design, and Control of Stochastic Systems. New York:

Springer-Verlag New York.

Law, A. K. (2000). Simulation Modeling and Analysis (3 ed.). New York: McGraw-Hill.

Law, A. M. (2013). Simulation Modeling and Analysis (5 ed.). New York: McGraw Hill.

Mathur, K., Solow, D., & Dominguez, A. (1996). Investigación de operaciones: el arte de la toma

de decisiones (primera ed.). México: Prentice Hall.

Montoya, R. G., Vahos, J. H., & Espinal, A. C. (2016). Análisis de un sistema de producción de

cárnicos utilizando simulación discreta. Espacios, 37(01), 12.

MPAA, M. P. (2016). Theatrical Market Statistics. Retrieved from [Link]

content/uploads/2017/03/[Link]

Naoui, F. (2014). Customer service in supply chain. Journal of Enterprise Information, 27, 786 -

801.
 65

Pasupathy, R. K. (2013). Recent Innovations in Simio . Proceedings of the 2013 Winter Simulation

Conference (pp. 4073 - 4084). Sewickley: Simio Corporation.

Pazos. A, J., Suárez. G, A., & Díaz. R, R. (2003). Teoría de Colas y Simulación de Eventos

Discretos. Madrid, España: PEARSON EDUCACIÓN S.A.

Portilla, L. A. (2010, Diciembre). Análisis de líneas de espera a través de teoría de colas y

simulación. Pereira, Colombia.

Singer, M., Donoso, P., & Scheller-Wolf, A. (2008, Octubre). Una Introducción a la teoría de colas

aplicada a la gestión de servicios. ABANTE, 11(2), 93 - 120.

Taha, H. (2012). Investigación de Operaciones (9 ed.). México, México: Pearson Education.

Urquía. M, A., & Martín. V, C. (2013). Modelado y simulación de eventos discretos. Madrid,

España: UNED.

Wessa, P. (2013). Maximum-likelihood Poisson Distribution Fitting (v1.0.3) in Free Statistics

Software (v1.2.1). (O. f. Education, Editor) Retrieved from

[Link]

Whiting, A. (2006). Managing Voice-to-Voice Encounters: Reducing the Agony of Being Put on

Hold. Journal of Service Research, 8(3), 234 - 244.

 66

VITA

NOMBRE: Edna Yissell Perez Junco

LUGAR DE NACIMIENTO: Tunja, Boyacá
AÑO DE NACIMIENTO: 1987
EDUCACIÓN: Universidad Jorge Tadeo Lozano, Bogotá, Colombia, 2011
Pontificia Universidad Javeriana, Bogotá, Colombia, 2011
Cámara de Comercio, Bogotá, Colombia, 2014
CONTACTO: [Link]@[Link]
 67

ANEXOS

Anexo A. Cadbox: Asociación Colombiana de distribuidores de películas cinematográficas.

Sistema que genera la información de espectadores de cada teatro del país.

 68

Anexo B. Sistema de Gestión de Informes: Sistema contable de la compañía, el cual genera

reportes sobre las ventas generadas en cada punto de venta.

 69

Anexo C. Sistema Ewave Corporate: sistema para generar informes estadísticos sobre las

transacciones realizadas en cada punto de pago de las confiterías.

 70

Anexo D. Sistema Ewave Corporate ECOM: Genera informes sobre las ventas realizadas en cada

punto de pago de la confitería de cada punto de venta.

71
 72

Anexo E. Análisis de entrada: distribuciones de probabilidad calculados con la herramienta

Stat::Fit de Promodel.

1. Tiempo entre llegadas de los clientes que arriban a la confitería

Estadísticos

Parameter Estimated Value Standard Deviation

lambda 1.26 0.0061

Fuente: (Wessa, 2013)

En promedio un usuario llega al sistema cada 1.26 minutos con una desviación de 0.006 minutos.

El arribo de los clientes se comporta como una distribución Poisson ya que expresa la probabilidad

que ocurra un determinado número de eventos durante cierto periodo de tiempo. Se puede
 73

evidenciar en la gráfica Cuantil-Cuantil (Q-Q plots) que los datos almacenados en el vector x están

más cercanos al minuto 1 con lambda de 1.26 minutos.

2. Tiempo entre llegadas de la entidad CRISPETAS

Estadísticos

Exponential
minimum = 1.4
beta = 29.8658
Kolmogorov-Smirnov
data points 50
ks stat 0.117
alpha 0.05
ks stat(50,0.05) 0.188
p-value 0.466
result DO NOT REJECT
Anderson-Darling
data points 49
ad stat 0.748
alpha 0.05
ad stat(49,0.05) 2.49
p-value 0.52
result DO NOT REJECT

Se puede evidenciar que los datos tienen distribución exponencial ya que obtienen una calificación

de 100, por lo cual se acepta que los datos siguen esta distribución. También se realizaron las

pruebas de Komolgorov-Smirnov y Anderson-Darling para determinar la distribución de la

 74

variable, obteniendo en ambas pruebas que el p-valor es mayor al 5% por lo que existe evidencia

estadísticamente significativa para afirmar que el tiempo entre llegadas de la entidad CRISPETAS

se distribuye exponencialmente.

3. Tiempo entre llegadas de la entidad COMBOS.

Parameter Estimated Value Standard Deviation

lambda 3.852 0.277560804

Fuente (Wessa, 2013)

Se definió esta distribución como Poisson por el proceso de contar las entidades que consumen

combos ya que representan la mayor cantidad de venta en la confitería, además la compra de

combos es una variable entera no negativa. Según Cao (2002) afirma que “los procesos de contar

sirven para modelizar el número de ocurrencias de un cierto fenómeno habidas desde un inicio de

tiempos (fijado en t = 0) hasta un instante t (p. 120). Debido a que el arribo de esta entidad es la
 75

más recurrente, se tomó como variable aleatoria el arribo de los clientes que compran combos, se

supone una distribución Poisson para calcular la probabilidad de que un cliente tomado al azar

compre combos. Lo anterior indica que en promedio llegan 4 clientes que compran combos en un

intervalo de tiempo. Por otro lado, la gráfica Cuanti-Cuanti indica que el conjunto de datos está

muy cercano a 4.

4. Tiempo entre llegadas de la entidad que consume PRODUCTOS INDIVIDUALES.

Estadísticos

Lognormal
minimum = 1.079
mu = 2.4189
sigma = 0.952
Kolmogorov-Smirnov
data points 50
ks stat 0.115
alpha 0.05
ks stat(50,0.05) 0.188
p-value 0.488
result DO NOT REJECT
Anderson-Darling
data points 50
ad stat 0.733
alpha 0.05
ad stat(49,0.05) 2.49
p-value 0.532
result DO NOT REJECT
 76

Se puede evidenciar que los datos tienen distribución lognormal ya que obtienen una calificación

de 100, por lo cual se acepta que los datos siguen esta distribución. También se realizaron las

pruebas de Komolgorov-Smirnov y Anderson-Darling para determinar la distribución de la

variable, obteniendo en ambas pruebas que el p-valor es mayor al 5% por lo que existe evidencia

estadísticamente significativa para firmar que el tiempo entre llegadas de la entidad que consume

PRODUCTOS INDIVIDUALES se distribuye como lognormal.

 77

Anexo F. Prueba T con la herramienta SPSS entre los datos reales y arrojados por Simio.

1. Tiempo entre llegadas de la entidad de personas que consumen CRISPETAS

Estadísticas de grupo
Desviación Media de error
FUENTE N Media estándar estándar
DATOS 1 50 128,92 25,429 3,596
CRISPETAS 2 50 118,92 33,643 4,758

Lo anterior se refiere a 1 como los datos históricos y 2 son los datos arrojados por el simulador.

Se puede observar que las medias no son muy diferentes, por esta razón se realiza la prueba

estadística t student para verificar si las medias son iguales.

Prueba de muestras independientes

Prueba de Levene prueba t

de igualdad de para la igualdad
varianzas de medias

F Sig. t
DATOS Se asumen varianzas iguales 4,082 ,046 1,677
CRISPETAS
No se asumen varianzas iguales 1,677

Prueba de muestras independientes

prueba t para la igualdad de medias

Diferencia de
gl Sig. (bilateral) medias
DATOS CRISPETAS Se asumen varianzas iguales 98 ,097 10,000
No se asumen varianzas 91,212 ,097 10,000
iguales
 78

Prueba de muestras independientes

prueba t para la igualdad de medias

95% de intervalo de
Diferencia de confianza de la diferencia
error estándar Inferior Superior
DATOS CRISPETAS Se asumen varianzas iguales 5,964 -1,835 21,835
No se asumen varianzas iguales 5,964 -1,846 21,846

Como la prueba arroja una significancia bilateral de 0.097, la cual es mayor a 0.05, por lo tanto,

no hay evidencia estadística para no aceptar la hipótesis de igualdad de medias. Se puede observar

que las medias son muy próximas y no existe una diferencia significativa entre las medias de la

cantidad de crispetas consumidas diariamente arrojados por el simulador SIMIO 9 y los datos

reales obtenidos en la confitería objeto de estudio. La distribución de datos cumple los

presupuestos paramétricos.

2. Tiempo entre llegadas de la entidad de personas que consumen COMBOS

Estadísticas de grupo
Desviación Media de error
FUENTE N Media estándar estándar
DATOS COMBOS 1 50 1302,46 187,408 26,503
2 50 1311,46 78,341 11,079

Lo anterior se refiere a 1 como los datos históricos y 2 son los datos arrojados por el simulador.

Se puede observar que las medias no son muy diferentes, por esta razón se realiza la prueba

estadística t student para muestras independientes, con el fin de verificar si las medias son iguales.
 79

Prueba de muestras independientes

prueba t para la
Prueba de Levene de igualdad de
igualdad de varianzas medias

F Sig. t
DATOS Se asumen varianzas iguales 21,571 ,000 -,313
COMBOS No se asumen varianzas iguales -,313

Prueba de muestras independientes

prueba t para la igualdad de medias

Sig. Diferenci
gl (bilateral) a de medias
DATOS Se asumen varianzas iguales 98 ,755 -9,000
COMBOS No se asumen varianzas 65,618 ,755 -9,000
iguales

Prueba de muestras independientes

prueba t para la igualdad de medias

95% de intervalo de confianza de
Diferencia de la diferencia
error estándar Inferior Superior
DATOS COMBOS Se asumen varianzas iguales 28,726 -66,006 48,006
No se asumen varianzas iguales 28,726 -66,359 48,359

Como la prueba arroja una significancia bilateral de 0.755, la cual es mayor a 0.05, no hay

evidencia estadística para no aceptar la hipótesis de igualdad de medias. Se puede observar que las

medias son muy próximas y no existe una diferencia significativa entre las medias de la cantidad

de combos arrojados por el simulador SIMIO 9 y los datos reales obtenidos en la confitería objeto

de estudio. La distribución de datos del simulador cumple los presupuestos paramétricos.

 80

3. Tiempo entre llegadas de la entidad de personas que consumen PRODUCTOS

INDIVIDUALES.

Estadísticas de grupo
Desviación Media de error
FUENTE N Media estándar estándar
DATOS VENTA INDIVIDUAL 1 50 692,82 146,598 20,732

2 50 687,30 69,598 9,843

Lo anterior se refiere a 1 como los datos históricos y 2 son los datos arrojados por el simulador.

Se puede observar que las medias no son muy diferentes, por esta razón se realiza la prueba

estadística t student para verificar si las medias son iguales.

Prueba de muestras independientes

Prueba de
Levene de igualdad prueba t para la
de varianzas igualdad de medias

F Sig. t
DATOS VENTA Se asumen varianzas iguales 35, ,000 ,241
INDIVIDUAL 194

No se asumen varianzas iguales ,241

Prueba de muestras independientes

prueba t para la igualdad de medias

Sig. Diferencia
gl (bilateral) de medias
DATOS VENTA Se asumen varianzas iguales 98 ,810 5,520
INDIVIDUAL No se asumen varianzas iguales 70,020 ,811 5,520
 81

Prueba de muestras independientes

prueba t para la igualdad de medias

95% de intervalo
de confianza de la
Diferencia de diferencia
error estándar Inferior
DATOS VENTA INDIVIDUAL Se asumen varianzas iguales 22,950 -40,023
No se asumen varianzas iguales 22,950 -40,252

Prueba de muestras independientes

prueba t para la igualdad de medias

95% de intervalo de confianza de la
diferencia
Superior
DATOS VENTA Se asumen varianzas iguales 51,063
INDIVIDUAL No se asumen varianzas iguales 51,292

Como la prueba arroja una significancia bilateral de 0.810, la cual es mayor a 0.05, por lo tanto,

no hay evidencia estadística para no aceptar la hipótesis de igualdad de medias. Se puede observar

que las medias son muy próximas y no existe una diferencia significativa entre las medias de las

cantidades diarias que se vendieron de venta individual arrojados por el simulador SIMIO 9 y los

datos reales obtenidos en la confitería objeto de estudio. La distribución de datos cumple los

presupuestos paramétricos.
 82

Anexo G. Lista de precios de la confitería.

LÍNEA PRODUCTO PRECIOS

CRISPETAS Crispeta Grande 170 Oz (sal) 13,600
Crispeta Mediana 130 Oz (sal) 10,700
Crispeta Pequeña 85 Oz (sal) 8,500
Adición Crispeta Dulce 2,200
Adición Crispeta mezclada 1,100
COMBOS Combo 1 22,700
Combo 2 19,500
Combo 3 31,800
Combo 4 19,400
Combo Nachos 20,100
Cine Combito 8,800
Combo Miércoles 13,000
GASEOSAS Gaseosa Grande 44 oz 6,300
Gaseosa Mediana 32 oz 5,800
Gaseosa Pequeña 22 oz 5,100
COMIDAS Y Perro Caliente 8,100
ADICIONES
Sandwich 8,100
Nachos con queso 8,100
Sandwich light 8,400
Adición Queso Nachos 3,900
Adición Queso Perros 1,600
PAQUETES Tocinetas 7,200
SALADOS
Piquitos 7,200
Nachos 7,200
Mezclas Alcagüete (sólo Bogotá y Cali) 4,300
Maní con pasas La Especial 4,300
 83

PAQUETES Jet - 30 Gramos 3,000

DULCES
Snicker - 52 Gramos 5,600
M&M 7,000
Twix 7,000
Mentas Snow Mint 1,100
Milo Nuggets 40 gr 5,300
Cocosette maxi wafer 50 gr 3,000
Kit Kat 45 gr 7,000
Barra choco krispis 3,000
Barra Special K frutas y nueces 5,300
Jumbo maní 40 gramos 4,300
Turrón Johnny's 48 gr 4,300
BEBIDAS Agua Cristal 3,700
Agua h2oh! 6,000
Agua Manantial 3,700
Mr. Tea 500ml 5,400
Te Fuze 400 ml 5,400
Pony Malta 4,100
Jugo Del Valle Fresh 400 ml 4,100
Jugo Hit 300 ml 4,100
Bebida ICEE 21 Oz 6,500