Simulación de un Proceso de Despacho en una compañía de Consumo masivo 
 
Magister en Control de Operaciones y Gestión Logística 
Cristian Alfredo Hernández Mariscal 1, Leovigildo de Jesús Toro Marín 2, Phd. Kleber Barcia Villacreses 3 
Instituto de Ciencias Matemáticas 1 
Escuela Superior Politécnica del Litoral 1 
Campus Gustavo Galindo, Km 30.5 vía Perimetral, Apartado 09-01-5863, Guayaquil, Ecuador 1 
cristian720521@hotmail.com, cris_2174@yahoo.com 1 
Instituto de Ciencias Matemáticas 2 
Escuela Superior Politécnica del Litoral 2 
Campus Gustavo Galindo, Km 30.5 vía Perimetral, Apartado 09-01-5863, Guayaquil, Ecuador 2 
ldejesust@hotmail.com, ldejesust@yahoo.com 2 
Director de Tesis 3 
Instituto de Ciencias Matemáticas 3 
Escuela Superior Politécnica del Litoral 3 
Campus Gustavo Galindo, Km 30.5 vía Perimetral, Apartado 09-01-5863, Guayaquil, Ecuador 3 
kbarcia@espol.edu.ec3 
 
 
Resumen 
 
En este documento se propone el Diseño de un Proceso de Despacho de Productos Agroindustriales usando 
Simulación Dinámica, para mejorar el proceso de despacho actual de un Centro de Distribución; este modelo 
incluye tecnología en el sistema de Almacenamiento y equipos eléctricos para transportar los productos a 
comercializar. La investigación empieza con un contexto de general de los problemas que existían en el antiguo 
Centro de Distribución, donde los espacios se redujeron con el incremento de ventas y la introducción de nuevos 
productos en  los últimos cinco años, luego se construye el nuevo Centro de Distribución el cual tiene los espacios 
y formas de almacenamiento apropiadas para contrarrestar los picos de ventas del mes de diciembre que es de 
aproximadamente el 40% de ventas normales. Después continua la toma de tiempos y movimientos para construir 
el modelo que se utilizará para validar con el proceso actual y encontrar el modelo ideal del Proceso de 
Despachos. Los resultados que se encontraron en el modelo ideal de despacho es que se puede mejorar en un 3,4% 
la productividad en ventas en toneladas del Centro de Distribución. Este estudio puede ser utilizado como modelo 
para otras simulaciones donde se busque mejorar procesos industriales o agroindustriales. 
 
 
Palabras Claves: Proceso de Despacho de Productos Agroindustriales, Simulación Dinámica con Witness. 
 
Abstract 
 
This paper proposes the design  of a   upload  process  Agro Products using Dynamic Simulation, to improve the 
current clearance process a distribution center, this model includes technology in the storage system and electrical 
equipment to transport produce to market. The investigation begins with a general context of the problems that 
existed in the former distribution center, where space is reduced with increased sales and new product 
introductions over the past five years, then built the new Distribution Center which has the storage space and 
appropriate ways to counter the surge in December sales to be approximately 40% of normal sales. After making 
continuous time and motion to build the model to be used to validate the current process and find the ideal model of 
the clearance process. The results were in the ideal model for release is that it can improve productivity by 3.4% in 
sales in tons Distribution Center. This study can be used as a model for other simulations which seeks to improve 
agro-industrial processes. 
 
 
Keywords: Clearance Process Agro Products, Dynamic Simulation with Witness. 
 
  
1. Introducción 
 
La simulación es una potente metodología que 
consiste en reproducir en un computador el 
comportamiento de un sistema de interés, de manera 
que facilite su estudio y análisis en situaciones en las 
que un análisis en la vida real no es posible o deseable 
por ejemplo, por qué el sistema no exista aún, o 
porque su estudio real comportaría una disrupción 
demasiado costosa de su funcionamiento.     
Prácticamente cualquier sistema, entendiendo este 
como un conjunto de objeto y entidades, reales o 
virtuales, que interactúan entre sí siguiendo una lógica 
común, es susceptible de ser simulado; para ello se 
construye un modelo sobre el cual se aplican y 
experimentan las situaciones para las que nos va a 
interesar conocer el comportamiento del mencionado 
sistema. Un modelo es por tanto, una réplica 
construida, en nuestro caso mediante una herramienta 
informática de simulación por ordenador (“computing 
simulation”), que nos permitirá obtener las respuestas 
a las cuestiones que en la vida real necesitamos 
conocer para asegurar el funcionamiento, dentro de 
los parámetros de calidad y eficiencia requeridos de 
nuestro sistema. 
Existen investigaciones en las que se utiliza el 
software Witness[1] para modelar un proceso y 
mejorarlo implementando tecnología y reingeniería de 
procesos; entre ellos podemos mencionar 
simulaciones en el área informática, de ciencias 
matemáticas y estadísticas.  
 
2.  Conceptualización del Modelo 
Dinámico. 
 
El diseño conceptual del modelo se basa en el 
comportamiento de los equipos  antes y después de 
propuestas ejecutadas y por ejecutar en el proceso de 
despacho en una compañía de distribución de tamaño 
promedio, con una flota de distribución de 40 
vehículos, una capacidad de almacenamiento de 450 
ton/día  y  una capacidad de despacho inicial de 80 
ton/día máximo. El sistema está definido por todo el 
conjunto descrito a continuación: 
Sistema: Operaciones de la Empresa de Estudio, 
específicamente la operación de despacho, desde que 
baja el producto de los racks, se mueven por las 
instalaciones, son pesados y cargados al vehículo de 
red secundaria.  
Entidad: Los artículos a despacharse en  la operación. 
Atributo: El peso de cada entidad.  
Actividad: Proceso desde que se baja una entidad 
hasta que llega a su destino final.  
Máquinas: Elemento que representa  a los racks  y a 
las balanzas en la  operación de traslado de una 
entidad, desde los racks hasta las balanzas.  
Vehículos: Son los que trasladan los elementos o 
entidades a través del proceso, estos pueden ser 
paletizadoras o montacargas. 
Cola: Acumulador donde se transfiere la carga entre 
vehículos 
Variables de estado: Mejorar el tiempo de despacho, 
es decir las horas trabajadas y las toneladas a 
distribuir. 
R
E
S
T
R
I
C
C
I
O
N
E
S
ENTRADAS SALIDAS
OPERACIONES DENTRO DE 
LA EMPRESA DE ESTUDIO
M
E
C
A
N
I
S
M
O
S  
 
Diagrama Box del Sistema 
 
Entradas:   
· Horarios de despacho 
· Programación de Despachos 
 
Restricciones: 
· Capacidad de transporte de los vehículos 
· Horarios de trabajo del personal. 
· Velocidad de los vehículos despachados 
· Dimensiones de las instalaciones 
· Cantidad de equipos disponibles 
 
Mecanismos:  
· Montacargas Electro-Hidráulico 
· Paletizadoras mecánicas 
· Paletizadoras Electro-Hidráulicas 
· Elevadores Electro-Hidráulicos 
· Elevadores Mecánicos 
· Personal operativo para el manejo de 
montacargas y paletizadoras 
 
Salida:  
· Número de rutas atendidas.  
· Número de toneladas despachas. 
. 
 
 
  
2.  Análisis de los datos. 
 
2.1. Análisis de Localización del 
Producto. 
 
La localización del producto se hace de forma 
manual, el ruteador le entrega a los distintos 
despachadores el listado de productos a despachar por 
rutas, estos los ubican en las distintas cámaras de 
mantenimiento dentro del almacén. 
Una vez localizado el producto este lo envía mediante 
Palletjack, que es un elevador de cargas manual, este 
equipo es manipulado por 2 personas, puesto que su 
capacidad es de 2 toneladas y media.  
Este va desde la cámara hasta la balanza que captura 
el peso y es depositado en orden según la hoja de ruta. 
 
2.2. Análisis de datos de las balanzas. 
 
 
Tiempo de pesado de cada balanza 
 
De la tabla mostrada, se toma la información y se 
procesa el análisis de los datos, para esto se utiliza el 
software estadístico Statu Fit. [2] 
Realizando el análisis con el programa Stat::Fit [2] se 
obtiene los siguientes resultados bajo estos parámetros 
de análisis : 
· Pruebas de aceptación de K_S 
· Prueba de  aceptación de A_D  
 
Ambas pruebas con un nivel de confianza del 95%, se 
obtienen los siguientes datos: 
 
Datos obtenidos de las pruebas realizadas 
 
En base a estas distribuciones se comprueba el modelo 
y se muestra cual fue el proceso seguido para hallar 
estas distribuciones: 
a.- Se obtiene los resultados vía observación y toma 
de dato in situ. 
b.- Con ayuda de Stat::Fit[2], se procesa los datos 
bajos los parámetros descritos. 
c.- Se selecciona las posibles funciones que se 
acerquen a los datos, según la estadística descriptiva. 
 
2.3. Análisis de datos de las ventas. 
 
Bajo las mismas consideraciones, se realiza el 
análisis de datos de las ventas de esta compañía, estos 
datos representan los 6 primeros meses de venta reales 
del año, recopilados por el sistema de información de 
la compañía. Estos  datos son estocásticos por lo que 
se busca su distribución. 
 
Para esto se realizan las siguientes pruebas: 
· Nivel de confianza en las pruebas del 95% 
· Pruebas de aceptación de Kolmogorof –
Smirnof [3] 
· Prueba de  aceptación de Anderson – 
Darling. [4] 
 
Utilizando el Stat::Fit[2], se obtienen los siguientes 
datos: 
  
 
Ingreso de datos de Ventas con Stat::Fit 
 
Se obtiene la siguiente distribución: 
 
Resultados de los datos ingresados 
 
De los resultados obtenidos se escoge la siguiente: 
 
Gráfica obtenida con la Distribución Normal 
 
De lo que se obtiene la curva normal, que mejor se 
ajusta al modelo de ventas, la que sería  un 
distribución Normal (126,1,26,1).  
 
Curva obtenida utilizando Cristal Ball 
 
Se observa que la distribución ajustada a la normal 
por el software Cristall Ball[5], se acerca mucho a la 
encontrada por Stat::Fit[2], por lo cual se da por 
aceptada. 
 
3.  Construcción del Modelo. 
 
Para la construcción del modelo se tomará en cuenta 
las características físicas y operacionales dadas en el 
Centro de distribución de la compañía en estudio, que 
es de distribución de productos de consumo masivo. 
El modelo contiene los siguientes elementos y 
asunciones para facilitar el análisis: 
 
a.- Cámaras, cuya característica para el análisis es 
que tienen capacidad infinita, lo que ayudará a tener 
un abastecimiento continuo a lo largo de la 
simulación. 
 
Gráfica de Cámaras Frigoríficas 
 
b.- Paletizadoras  o palletjack, estos equipos son los 
vehículos con los que se transporta el producto. Este 
equipo es manual e hidráulico y  es operado por 2 
personas, la capacidad de carga máxima de diseño es 
de 2,5 toneladas, pero se cargará máximo con 2 
toneladas. 
 
 
Gráfica de Paletizadora a utilizar 
 
c.- Calles o tracks, son los caminos por donde se 
desplazan los vehículos, para darle un ordenamiento 
se limitará a una capacidad de 1 vehículo por entrada 
o salida.   
Existen 2 tipos de tracks o calles, las que son de 
entrada hacia la cámara y las de salida que van desde 
las cámaras hasta las balanzas. Las primeras miden 10 
mts y las segundas miden 12 mts. 
 
 
Gráfica de Tracks o calles 
 
d.- Balanzas, estos son elementos importantísimos en 
el desarrollo de la simulación, puestos que estos son 
  
los que clasifican, pesan las rutas y cargan los 
vehículos, definen finalmente las rutas. 
 
Gráfica de Balanzas a utilizar 
 
e.- Bodegueros, representan al personal que trabaja 
dentro de la cámara ubicando  y  mandando el 
producto hacia las balanzas por medio de los 
vehículos. 
 
 
Gráfica de Bodeguero 
 
f.- Despachadores, son muy importantes, pues ellos 
operan las balanzas, capturan el peso y permite la 
carga de los vehículos. 
 
 
Gráfica de Despachadores 
 
g.- El departamento de información, que envía las 
ordenes de carga a los bodegueros y despachadores. 
 
h.- Shift u horarios, estos están basados en el 
histórico por 6 meses de los horarios promedio 
trabajados por el personal los diferentes días de la 
semana. 
 
i.- Las variables de control, que son el numero de 
rutas y principalmente el número de toneladas 
despachadas que son las que finalmente validarán el 
modelo. 
 
j.- Por último las Entities, o partes, son los 
elementos más importantes porque la suma de ellas en 
la simulación da el comportamiento de las ventas. 
Estas representan a producto fresco, congelado y 
embutidos. 
 
3.1. Verificación del Modelo. 
 
El modelo esta básicamente diseñado para que 
simule el despacho y se debe comportar como la venta 
que tiene la empresa en meses estables, es decir se 
deja de lado los meses de noviembre, diciembre, 
enero, febrero, porque introducen una estacionalidad 
marcada que distorsiona el análisis por simulación. 
La verificación del modelo será mediante las 
toneladas despachadas. 
 
 
Gráfica de dimensiones de rutas en el modelo 
 
En la figura se observa una corrida en Witness[1] 
donde se muestra el resultado de un mes, del número 
de rutas despachadas (camiones) 153 rutas pequeñas, 
342 rutas medianas y 111 rutas grandes que suman el 
total de 606 rutas; también muestra la cantidad de 
producto despachado en toneladas (3807 ton). 
 
3.2. Validación del Modelo. 
 
El objetivo de esta parte es determinar la 
coherencia de los resultados del modelo en Witness[1] 
con la realidad. Para esto se hace correr el modelo en 
Witness para el año 2009, para poder comparar el 
despacho realizado contra las ventas de ese periodo. 
Los resultados para la corrida del primer modelo se 
detallan en la siguiente tabla: 
 
 
Resultados de la corrida en Witness 
 
Esto se comparará con los datos reales del 
inventario del año anterior y se realizará una prueba 
de hipótesis para demostrar que las medias del 
inventario por artículo son iguales. 
De la simulación se obtiene los resultados procesados 
por medio de Stat::Fit[2]. 
 
  
 
Datos obtenidos en Stat::Fit 
 
 
Las pruebas estadísticas son las descritas: 
 
 
Valores obtenidos con la Distribución seleccionada 
 
Se selecciona los valores de K_S y A_D más altos. 
 
 Datos obtenidos con las pruebas realizadas 
Para el efecto se utilizará una prueba bilateral de 
hipótesis de diferencia de medias con varianzas 
conocidas.  
 
H0: u1 = u2     vs…     H1: u1 ¹ u2. 
El estadístico de prueba es el siguiente: 
2
2
1
1
21
22
nn
XXz
ss
+
-
=
 
Los datos son los siguientes: 
1,1261 =X  
74,1352 =X  
1,261 =s  
4,372 =s  
Con estos datos el estadístico de prueba se obtiene a 
continuación: 
07,1
30
4,37
30
1,26
1,12674,135
22
=
+
-
=z
 
En este caso 05,0=a por tanto el valor crítico es 
z0.025 = 1,96 entonces se concluye que lzl < z0.025. 
Por tanto se concluye que hay evidencia estadística, 
que las medias de las ventas reales en toneladas como 
las simuladas son iguales.  
 
4. Implementación del Modelo. 
 
El implementar un modelo nuevo de trabajo en 
una compañía requiere de etapas que se deben cumplir 
paulatinamente, se deben realizar cambios de 
infraestructura, cambiar el  modo de trabajo en el 
personal operativo y administrativo. Incluir en el 
proceso, maquinaria y estanterías para el transporte y 
almacenamiento de productos que no se contaba 
anteriormente y para lo cual tiene que haber un 
proceso de inducción al personal operativo para el 
manejo de estos equipos. 
En la implementación del modelo se deben tener 
en cuenta los siguientes temas: 
· Ubicación 
· Capacidades 
· Pruebas 
Se muestra un boceto de la simulación a implementar. 
 
 Distribución de Planta modelo en la Simulación 
 
 
En ella se prueban el modelo inicial y también se 
proponen mejoras y se escoge la más óptima. 
  
a.- Simulación del despacho en las instalaciones 
antiguas, que en meses es  normal (4000,108) 
b.- Simulación del despacho en las instalaciones 
nuevas, que en meses es  normal (5550,138) 
c.- Simulación después de una mejora  de la 
variabilidad en un 50%, en la nueva instalación, que 
en meses es  normal (5550,140). 
d.- Simulación después de una mejora  en el promedio 
del tiempo de despacho del 10%, en la nueva 
instalación, que en meses es  normal (5570,141). 
e.- Simulación después de una mejora  en el promedio 
del tiempo de despacho del 20%, en la nueva 
instalación que en meses es  normal (5590,142). 
f.- Simulación después de una mejora  en el promedio 
del tiempo de despacho del 20%, en la nueva 
instalación, que en meses es  normal (5670,150). 
g.- Simulación después de una mejora  en el promedio 
de la velocidad de los vehículos de despacho del 10%, 
en la nueva instalación, que en meses es  normal 
(5750,127). 
A continuación se define cuantas réplicas se deben 
simular para que los resultados del modelo sean 
confiables a un nivel de significancia dado[6]. 
Se tiene una muestra de 30 datos con la desviación 
que es de 108 toneladas, se asume un error de 54 
toneladas porque es 50% de la desviación. Primero se 
calcula el R Mínimo con la siguiente fórmula: 
 
 
Y se obtiene el siguiente resultado que se muestra a 
continuación: 
 z 1,96
s0 108,00
error 54,00
Rmin 15,37  
Cálculo de Réplicas mínimas 
Con estos valores se encuentra el valor R utilizando la 
siguiente fórmula 
 
Se realiza el cálculo obteniendo los valores que se 
muestran en la siguiente tabla: 
23 24 25
T(0,025,R-1) 2,07 2,07 2,06
T(0,025*R-1*So/error)^2 25,04 24,91 24,80
R
NUMERO DE REPLICAS
 
Calculo de Replicas Adicionales 
Se observa que mientras el número de replicas 
aumenta, se satisface la condición de R-Rmin<= 0. 
Esta condición se obtiene a partir de Rmin = 25, por lo 
tanto el número de réplicas realizadas se mantiene. 
Luego se aplica el método de Bonferroni[6], para 
determinar cuál de las mejoras después de la 
implementación inicial sería la más conveniente. 
Para analizar los diseños de los literales a y b se usa el 
método de Bonferroni[6] con la siguiente hipótesis 
 
Donde Ѳi son los promedios de los resultados de las 
replicas. Entonces se realiza la comparación para la 
Instalación nueva y se obtiene la siguiente tabla: 
 
 
5. Modelo ideal propuesto. 
 
Se observa que en la quinta comparación, 
“Simulación después de una mejora  en el promedio 
de la velocidad de los vehículos de despacho del 
10%”; la mejora es más significativa y corresponde a 
aumentar la velocidad a los vehículos eléctricos que 
tiene la nueva instalación en un 10% como se muestra 
en la siguiente tabla. 
 
 
Yr2 Yr3 Yr4 Yr5 Yr6 Yr7
promedio 5548,2 5550,4 5573,9 5593,9 5669,6 5749,2
diferencias 0 -2,2 -25,7 -45,7 -121,4 -201,0  
Diferencias entre el modelo nuevo y sus mejoras 
 
 
Con la quinta comparación (-265,3;-136,6), se cumple 
la Hipótesis Ho, que la diferencia de los promedios es 
menor que cero, da una fuerte evidencia que Ѳ2 es 
menor que el promedio del modelo Ѳ6, y el número 
de toneladas despachadas con el modelo 1 es menor al 
modelo 6. 
 
Esto acepta la mejora propuesta, qué seria la 
seleccionada. En la siguiente tabla se muestran los 
resultados. 
 
Descripcion de la mejora despacho de toneladasrutas atendidas % de mejora en produccion
Viejo CD Gye 4001,0 606
Nuevo CD Gye 5548,2 1189 39%
Mejora de la variabilidad 50% 5550,4 1190 0,04%
mejora del promedio del 10% 5573,9 1200 0,46%
mejora del promedio del 20% 5593,9 1214 0,82%
mejora del promedio del 50% 5669,6 1264 2,19%
mejora de la velocidad al 10% 5749,2 1221 3,62%  
Resultados de la comparación de los modelos 
 
  
En la tabla se observan los resultados finales y se halla 
un % simple de mejora en función de los promedios 
obtenidos con los 30 datos.  
 
6. Resultados obtenidos 
 
Los resultados que muestran la simulación realizada 
es beneficiosa y que se podrían seguir optimizando 
con el ciclo mejora  continua, se menciona los 
resultados obtenidos: 
Hay fuerte evidencia que el promedio del modelo Ѳ1 
es menor que el promedio del modelo Ѳ2, es decir el 
número de toneladas despachadas con el modelo 1 es 
menor al modelo 2, lo que quiere decir que es más 
productiva la nueva instalación. 
 
 
Esquema del modelo de simulación 
 
7. Conclusiones y Recomendaciones 
 
Con la nueva infraestructura se puede asegurar la 
mejora en el servicio al cliente con el incremento del 
número de rutas, esto aumenta la capacidad de 
respuesta a una mayor cantidad de clientes. 
Con la nueva instalación se asegura que, se puede 
hacer frente a un incremento de ventas 
aproximadamente del 40% como se presenta en 
temporadas. 
También se pudo observar que de mantenerse una 
venta estable y según el pronóstico realizado, el 
proyecto no puede pagarse en 5 años sino que el 
horizonte de pagos será a 7 años. 
Se obtiene una desmejora en el índice de 
accidentabilidad. 
 
8. Referencias. 
 
[1] Witness. © 2007 Lanner Group Ltd.  
Manufacturing Performance Edition.  Tutorial 
Manual. 
  
[2] STAT::FIT® Geer Mountain Software 
Corporation, Statistically Fit software. Version 
2.0. User's Guide, South Kent, 2001. 
 
[3] Prueba de Kolmogórov-Smirnov, Wikipedia, la 
Enciclopedia libre.  Disponible en 
http://es.wikipedia.org/wiki/Prueba_de_Kolmog
%C3%B3rov-Smirnov  
 
[4] Prueba de Anderson Darling. Wikipedia, la 
Enciclopedia libre. Disponible en: 
http://es.wikipedia.org/wiki/Anderson_Darling_t
est. 
 
 [5]  Cristall Ball  Oracle© Crystal Ball, Fusion 
Edition, Release 11.1.2.0.00. This is the latest 
update to the sophisticated Crystal Ball suite of 
simulation, forecasting, and risk-analysis tools 
for spreadsheet users ,2010. 
 
[6] Barcia Kleber.  Apuntes de clases de la materia 
Simulación matemática dictada en la Maestría de 
Control de Operaciones y logística.  Febrero 
2009. 
 
 
 
 
  
 
APROBACIÓN DIRECTOR DE TESIS 
 
 
 
 
 
------------------------------------------- 
Dr. Kleber Barcia Villacreses