DEFINICIN E IMPORTANCIA SIMULACION EN INGENIERIA

Simulacin es una tcnica numrica para conducir experimentos en una computadora digital. Estos experimentos comprenden ciertos tipos de relaciones matemticas y lgicas, las cuales son necesarias para describir el comportamiento y la estructura de sistemas complejos del mundo real a travs de largos periodos de tiempo.

Importancia de la simulacin en la Ingeniera. A travs de un estudio de simulacin, se puede estudiar el efecto de cambios internos y externos del sistema, al hacer alteraciones en el modelo del sistema y observando los efectos de esas alteraciones en el comportamiento del sistema. Una observacin detallada del sistema que se est simulando puede conducir a un mejor entendimiento del sistema y por consiguiente a sugerir estrategias que mejoren la operacin y eficiencia del sistema. La simulacin de sistemas complejos puede ayudar a entender mejor la operacin del sistema, a detectar las variables ms importantes que interactan en el sistema y a entender mejor las interrelaciones entre estas variables. La tcnica de simulacin puede ser utilizada para experimentar con nuevas situaciones, sobre las cuales tiene poca o ninguna informacin. A travs de esta experimentacin se puede anticipar mejor a posibles resultados no previstos. Cuando nuevos elementos son introducidos en un sistema, la simulacin puede ser usada para anticipar cuellos de botella o algn otro problema que puede surgir en el comportamiento del sistema. Aplicaciones de la Simulacin

Las reas de aplicacin de la simulacin son muy amplias, numerosas y diversas, basta mencionar slo algunas de ellas: Anlisis del impacto ambiental causado por diversas fuentes Anlisis y diseo de sistemas de manufactura. Anlisis y diseo de sistemas de comunicaciones. Anlisis de grandes equipos de cmputo. Anlisis de un departamento dentro de

una fbrica. Adiestramiento de operadores. Anlisis financiero de sistemas econmicos. Evaluacin de sistemas tcticos o de defensa militar. La simulacin se utiliza en la etapa de diseo para auxiliar en el logro o mejoramiento de un proceso o diseo o bien a un sistema ya existente para explorar algunas modificaciones.

Campo de accin de las aplicaciones de la simulacin

Se ha empleado para analizar dos diferentes tipos de problemas: Problemas tericos en reas de ciencias bsicas, como ser:Matemticas, Fsica, Qumica: A) Estimacin del rea encerrada por una curva, incluyendo la evaluacin de integrales mltiples. B) Solucin de ecuaciones diferenciales parciales. C) Estudio de movimiento de partculas en un plano. D) Estudio de la difusin de partculas. E) Solucin de ecuaciones lineales simultaneas. Problemas prcticos en diversos aspectos del mundo real. F) Simulacin de procesos empresariales. Ejemplo: diseo de procesos qumicos, control de inventarios, diseo de sistemas de distribucin, programacin de mantenimiento, diseo de sistemas de espera, programacin del trabajo en el taller, diseo de sistemas de comunicacin. G) Simulacin de problemas comerciales y econmicos, por ejemplo: operacin de la compaa, conducta de los clientes, evaluacin de gastos de capital propuestos, determinacin de precios, procesos del mercado, estudio de economas nacionales en problemas de recesin e inflacin, planes, planes de desarrollo y polticas de balance de pagos en economas subdesarrolladas, prediccin econmica. H) Problemas conductuales y sociales, por ejemplo, dinmicos de poblacin, conducta individual y de grupo. I) Simulacin de sistemas biomdicos, por ejemplo, equilibrio de lquidos, distribucin de electrolitos en el cuerpo humano, representacin del cerebro a travs de modelos, proliferacin de clulas sanguneas. J) Simulacin de estrategias y tcticas de guerra.

VENTAJAS Y DESVENTAJAS EN EL USO DE SIMULACION Aunque la tcnica de simulacin generalmente se ve como un mtodo de ltimo recurso, recientes avances en las metodologas de simulacin y la gran disponibilidad de software que actualmente existen en el mercado, han hecho que la tcnica de simulacin sea una de las herramientas mas amplias usadas en el anlisis de sistemas es necesario presentar las siguientes ventajas:

*A travs de un estudio de simulacin, se puede estudiar el efecto de cambios internos y externos del sistema al hacer alteraciones en el modelo del sistema y observando los efectos de esas alteraciones en el comportamiento del sistema. *La tcnica de simulacin puede ser utilizada como un instrumento pedaggico parra ensear a estudiantes habilidades bsicas en anlisis estadsticos. *La simulacin de sistemas complejos puede ayudar a entender mejor la operacin del sistema. *La tcnica de simulacin puede ser usada para experimentar con nuevas situaciones sobre las cuales se tiene poca o ninguna informacin. *La tcnica de simulacin se puede utilizar tambin para entrenamiento de personal. En algunas ocasiones se puede tener una buena representacin de un sistema.

Que diferencia existe entre simulacin y optimizacin la simulacin es la posibilidad de replicar situaciones reales o que podran serlo para determinar estadsticamente su comportamiento. La optimizacin en cambio permite escoger entre una multitud de opciones la que ms se adapte a las necesidades del problema. Aunque existen ms consideraciones, a continuacin presento algunas de las principales consideraciones que servirn de gua en el Conceptos bsicos de Simulacin Simulacin: Es el desarrollo de un modelo logico-matematico de un sistema que tal forma que le obtiene una imitacin de la operacin de un proceso de la vida real o de un sistema a travs del tiempo Sistema: Es un conjunto de elemento que se interrelacin para funcionar como un todo, desde el punto de vista de la simulacin esos elementos deben de tener una frontera clara. Por ejemplo: Se puede hablar de un sistema de atencin a clientes de un banco, sistema de inventario de alguna empresa, de un sistema de atencin en la sala de emergencia de un hospital. Cada uno de ellos se puede dividirse en los elementos que son relevantes pero concluir con un modelo de simulacin.

Entidad: Es la representacin de los flujos de entrada de un sistema. Este elemento es responsable del estado del sistema cambie. Ejemplos: Clientes de un banco que llega alguna caja, o la piezas que llegan a un proceso. Estado del Sistema: Es la condicin que guarda el sistema bajo estudio en un momento determinado, es como una fotografa de la que est pasando en el sistema en cierto instante. Evento: Es un cambio actual en el sistema. Por ejemplo: La entrada o salida de una entidad, la finalizacin de un proceso en un equipo o de la computadora de una mquina. Localizaciones: Son todos aquellos lugares en donde la pieza o entidad puede detenerse para ser transformada o esperar a serlo. Ejemplo: Almacenes, bandas transportadoras, maquinas, estaciones de inspeccin. Recursos: Son aquellos dispositivos (diferentes a las localizaciones) necesarios para llevar a cabo una operacin. Por ejemplo: Un monta cargas que transporta una pieza de un lugar a otro, una persona que realiza una inspeccin en una estacin toma turnos para descansar o una herramienta necesaria para realizar un proceso pero que no forma parte de una localizacin. Atributos: Es una caractersticas de una entidad. Por ejemplo: En la entidad es un motor, los atributos seria color, peso, tamao, cilindraje. Variables: Son mediciones cuyos valores se crean o se modifican por medio de ecuaciones matemticos y/o relaciones lgicas. Pueden ser continuas o discretas las variables son tiles para realizar conteos de piezas y ciclos de operacin, as como para determinar caractersticas de operacin de sistemas. Reloj de Simulacin: Es el contador del tiempo de la simulacin y su funcin consiste en responder preguntas como Cunto tiempo se ha utilizado el modelo en la simulacin? Cunto tiempo en total se quiere que dure la simulacin? En general relojes de simulacin se relaciona con los eventos futuros pues al cumplirse el tiempo

programado para la realizacin de un evento futuro, se convierte en un evento actual. Modelo continuo: El estado de las variables cambia continuamente como una funcin del tiempo. Modelo discreto: El estado del sistema cambia en tiempos discretos del tiempo Modelo esttico: Si el estado de las variables no cambian mientras se realiza algn clculo. Modelo dinmico: Si el estado de las variables puede cambiar mientras se realiza algn clculo. Modelo determinstico: Si el estado de la variable en el siguiente instante de tiempo se puede determinar con los datos del estado actual. Modelo probabilstico: producen salidas que son aleatorias y deben ser tratadas como tales, momento de escoger entre estas dos herramientas.

1.3 METODOLOGIA DE LA SIMULACION

1.3.1.- Formulacin del problema Se definen las cuestiones para las que se buscan las respuestas, las variables implicadas y las medidas de ejecucin que se van a usar. Esta fase es muy importante para poder alcanzar un modelo vlido, se puede dividir a su vez en 5 fases 1.3.1.1.- Identificacin del Problema Se hace una abstraccin del tipo de problema que se va a tratar. Se identifican los recursos a utilizar, los requisitos que se van a exigir (relaciones a establecer). 1.6.1.2.- Reconocer las variables del sistema

Se han de identificar las variables que interviene en el sistema y que son de inters para nuestro modelo, stas se pueden clasificar en: Variables exgenas: son variables externas al modelo y existen con independencia de l. Se consideran variables de entrada. stas a su vez se pueden dividir en dos grupos: Variables controlables o de decisin (factores): son aquellas sobre las que el analista puede decidir su valor dentro de ciertos lmites. Variables incontrolables o parmetros: sus valores no se pueden decidir sino que vienen fijados. Las variables sern controlables o incontrolables dependiendo de quin las defina. Variables endgenas: son variables internas y las variables de salida del modelo. Son funcin de las variables exgenas y de la estructura del modelo. 1.3.1.3.- Especificacin de las restricciones de las variables de decisin Incluso en el caso de que las variables sean controlables, estn limitadas o restringidas a ciertos lmites dentro de los cuales se pueden modificar. Es importante considerar cuidadosamente las restricciones sobre las variables de decisin, ya que definen el posible espacio de soluciones dentro del cual se buscar una buena solucin o la ptima usando el modelo de simulacin. 1.3.1.4.- Desarrollar una estructura preliminar del modelo que interrelacione las variables del sistema y las medidas de ejecucin. Para evaluar la efectividad de un sistema, se debe identificar una medida o medidas de comportamiento (o ejecucin) para juzgarlo. Estas medidas se seleccionan del conjunto de variables endgenas. La medida o medidas que se pretenden optimizar se conocen como funcin objetivo.

Hay veces en las que existe una nica funcin objetivo dominante y entonces se intenta optimizar sta sin tener en cuenta las otras variables, aunque siempre considerando las restricciones. En otras ocasiones existe ms de una funcin dominante, en este caso, hay que estudiar las distintas funciones objetivo e intentar encontrar valores para los cuales las funciones son ptimas.

Cuando se quiere tener en cuenta varias medidas de comportamiento, a menudo no se podrn optimizar simultneamente. Lo ideal sera hacer mnimas ambas medidas, el tiempo de espera y el costo de tener los empleados, pero si se minimiza una de ellas la otra aumenta. Se tienen tres formas de abordar este problema: Establecer compromisos implcitos entre las medidas. Esta aproximacin es muy subjetiva y no se va a considerar. Se dan los resultados a quin tenga que tomar la decisin y l ser quien establezca la relacin entre las variables conflictivas.

Establecer compromisos explcitos, realizando una combinacin de todas las medidas usando una dimensin comn tal como el costo. A estas tcnicas se les suele conocer como anlisis de toma de decisiones multiatributo o multiobjetivo. Para realizar esta tcnica se tiene que decidir una dimensin comn para todas las medidas, factores pesos, y formar una funcin que las combine. Restriccin y corte: seleccionar una medida como la que ms interesa optimizar y hacer que las otras estn dentro de un rango de valores aceptable. Esto reduce la posibilidad de encontrar un ptimo, o al menos las mejores soluciones. 1.3.1.5.- Desarrollo de un modelo apropiado Los modelos son abstracciones de las partes esenciales del sistema. Se ha de intentar ver si con las variables que se han especificado se tiene suficiente para describir estos aspectos importantes del sistema (si no se tienen suficientes entonces el

modelo no ser una buena representacin del sistema), o por el contrario se han definido ms de las necesarias (esto puede oscurecer las relaciones entre las variables realmente importantes). En resumen, lo que se tiene que fijar en este paso es el nivel de detalle al que se debe llegar en el modelo. El nivel de detalle depende de: Propsito del modelo. Contribucin de las variables al modelo. No es igual si lo que se desea hacer es un modelo para una previsin a largo plazo, en cuyo caso la precisin puede ser menor, debido a que al transcurrir el tiempo las variables van a cambiar e incluso podrn aparecer otras nuevas, que si se desea una previsin a corto plazo, entonces se deber profundizar ms en el nivel de detalle. 1.3.2.- Coleccin de datos y Anlisis Aunque la recogida de datos se va a ver como el segundo paso, es bastante posible que se hayan tenido que recoger datos para la formulacin del problema. Sin embargo, durante este paso se recoge el mayor volumen de datos, se reduce y se analiza. Los mtodos de recogida de datos son tan variados como los problemas a los que stos se pueden aplicar. Si se clasifican por su sencillez, se puede ir desde las aproximaciones manuales hasta las tcnicas ms sofisticadas de alta tecnologa. En la seleccin de un mtodo se pueden tener en cuenta los siguientes factores: Capacidad de quien recoja los datos. El impacto que pueda producir el proceso de recoleccin sobre el comportamiento del sistema real. Puede producir perturbaciones reales o fsicas en el sistema o psicolgicas. La facilidad de conversin de los datos a una representacin procesable por el ordenador. El coste del mtodo.

En muchas situaciones es suficiente con la observacin directa y la recogida manual de los atributos de inters. Pero si la medida que se quiere observar depende de una persona, su comportamiento se puede ver afectado por estar siendo observada. Otras veces puede ocurrir que la accin que se quiere observar sea muy rpida y que no sea posible realizar una observacin humana. Para decidir el nmero de muestras necesarias, se ha de establecer una relacin costo-exactitud y hacer una optimizacin de dicha relacin. Una vez realizado el muestreo, los datos se han de analizar e introducir en el modelo. Los datos usados para definir el modelo pueden ser de dos tipos: Deteminsticos: son datos conocidos con certeza. stos se pueden introducir fcilmente en el modelo. Probabilsticos: hay dos formas de incluirlos en el modelo: Usar la muestra de datos recogida para representar la distribucin de probabilidades. Determinar una distribucin probabilstica terica que se comporte como la muestra y usar sta en el modelo. Esto permite tener una mejor comprensin (generalizacin) del modelo. 1.3.3.- Desarrollo del modelo Incluye la construccin y depuracin del modelo del sistema real, incluyendo la seleccin de un lenguaje de programacin, codificacin del modelo. Esta etapa se va a dividir en dos partes: Comprensin del sistema y Construccin del modelo. 1.3.3.1.- Comprensin del sistema

Una de las tareas ms difciles en el anlisis de simulacin es adquirir el suficiente conocimiento del sistema para poder desarrollar un modelo apropiado, es decir, conocer el comportamiento del sistema. Dos tcnicas comnmente usadas son

la aproximacin de flujo fsico y la aproximacin de cambio de estado. Aproximacin de Flujo Fsico. Se ha de identificar las entidades cuyo procesamiento o transformacin constituye el propsito principal del sistema. Estas entidades pueden tomar diferentes caminos en el sistema, las rutas que siguen se determinan mediante reglas de decisin. La representacin del sistema vendr dada mediante un diagrama de flujo de entidad y los elementos de procesamiento del sistema. Aproximacin de Cambio de Estado. Para describir esta aproximacin, se debe definir unas variables endgenas adicionales que son las variables de estado e introducir un nuevo concepto, el de suceso o evento. Las variables de estado describen el estado del sistema en cada momento. Dados los valores actuales de las variables de estado, las variables exgenas y la estructura del modelo, se puede determinar el estado futuro del sistema. Un evento es un instante particular en el tiempo en el que el sistema cambia de estado. La evolucin del sistema se puede representar mediante un grafo de sucesos. 1.3.3.2.- Construccin del Modelo Las tareas principales en la construccin de un modelo son:

Eleccin Mecanismo de avance del tiempo. Este depender de la aproximacin elegida para describir el comportamiento del sistema. Si se eligi la aproximacin de flujo fsico, este diagrama de flujo podra refinarse para convertirse en el diagrama de flujo del programa. Si se sigui la aproximacin de cambio de estado, el diagrama de flujo desarrollado debera describir el procedimiento que efecta los cambios de estado en el tiempo. Otros dos factores inciden en la construccin del diagrama de flujo del programa: elegir un mecanismo de avance del tiempo y el lenguaje de programacin que se seleccione. Hay fundamentalmente dos formas de considerar el avance del tiempo en un modelo de simulacin:

 Incrementos fijos de tiempo: se considera un intervalo fijo de tiempo y el estado del modelo se comprueba despus de transcurrido cada uno de estos incrementos constantes.

Incrementos por los eventos (N.E.T.A., Next Event Time Advance): las comprobaciones y modificaciones de las variables afectadas se realizan slo despus de la ocurrencia de un evento. Aqu el incremento de tiempo es variable, va desde la ocurrencia de un evento a otro.

El avance del tiempo de simulacin depende de cul de las aproximaciones se elija. Si se elige el incremento por eventos, el reloj se inicializa a 0, y se incrementa al siguiente tiempo en que vaya a ocurrir un suceso, en ese momento, en este momento de actualizacin del reloj se modifican las variables que se vean afectadas por la ocurrencia del suceso. Si por el contrario se elige un incremento de tiempo fijo, el reloj se inicia a 0 y se va actualizando cada vez que pase el incremento de tiempo fijado. En esos instantes se observar el sistema para realizar los cambios. En ese momento puede ocurrir que no haya sucedido ningn cambio o que por el contrario que hayan ocurrido ms de un suceso con lo cual se tendr que decidir cul atender antes (por ejemplo dando prioridad a los sucesos). En esta aproximacin pueden ocurrir errores de redondeo, que hacen referencia a la diferencia de tiempo que pasa desde que sucede un suceso hasta que ste se computa (cuando el reloj se incrementa). Hay que tener cuidado en la eleccin del incremento de tiempo. Si ste es demasiado pequeo se realizar trabajo intil, ya que se comprobarn cambios cuando en realidad no ha ocurrido ningn suceso. Por el contrario si es demasiado grande se producirn muchos errores de redondeo y la dinmica del modelo ser ineficiente.

Eleccin de un Lenguaje de programacin. Hay un creciente nmero de lenguajes de programacin disponibles para la implementacin de modelos de simulacin. Entre los lenguajes de simulacin destacan: GPSS (General Purpose Simulation System), SLAM (Simulation Language for Alternative Modeling), SIMAN (Simulation Analysis), y SIMSCRIPT. Muchos lenguajes de propsito general son completamente adecuados para la simulacin, por ejemplo, FORTRAM, PASCAL,, pero los lenguajes de simulacin proporcionan una serie de caractersticas que hacen la programacin, depuracin y experimentacin ms eficientes en tiempo y esfuerzo, aunque consuman ms tiempo en la ejecucin. Quizs la ms importante ventaja de los lenguajes de simulacin es la correspondencia entre los elementos del sistema y los elementos del lenguaje. Por ejemplo, en GPSS hay bloques de diagramas de flujo y conjuntos de sentencias de programa llamados QUEUE que procesan entidades a travs de una cola de espera y acumulan datos de variables de salida tales como tiempo de espera en la cola. El lenguaje seleccionado puede influir en la forma exacta del diagrama de flujo del programa de computador. Generacin de nmeros y variables aleatorias. Se van a necesitar muestras aleatorias para representar valores de variables de entrada probabilsticas. Utilizando estos nmeros aleatorios podemos obtener valores de variables aleatorias que sigan ciertas distribuciones de probabilidad. Aunque se ha hecho referencia a que los nmeros usados en simulacin son aleatorios, no lo son totalmente, ya que se producen a partir de algoritmos determinsticos. Sin embargo las propiedades de los nmeros producidos se pueden hacer lo suficientemente cerradas de forma que stos sean completamente utilizables para la simulacin. Si el modelo se implementa con un lenguaje de propsito general, se puede seleccionar e incluir algoritmos necesarios para generar las variables aleatorias requeridas. Pero si se utiliza un lenguaje de simulacin estos algoritmos estn incluidos y pueden ser fcilmente accesibles por el usuario.

Implementacin y depuracin del modelo. La facilidad o dificultad en esta etapa dependen en gran medida del lenguaje de programacin que se haya elegido. 1.3.4.- Verificacin y Validacin del modelo La Verificacin del modelo consiste en ver cul es la consistencia interna del modelo. La Validacin consiste en asegurar que existe la una correspondencia entre el sistema real y el modelo. Un buen mtodo para la validacin es hacer un test para ver cmo el modelo predice el comportamiento del sistema ante determinadas entradas. La verificacin y validacin del modelo se realiza en todas los niveles de modelizacin: modelo conceptual, modelo lgico y un modelo de ordenador. La verificacin se centra en la consistencia interna del modelo, mientras que la validacin se interesa por la correspondencia entre el modelo y la realidad. Se dice que un modelo es vlido si sus medidas de salida tienen una correspondencia apropiada con las mismas medidas en el sistema real. La comprobacin ltima para la validez de un modelo es ver cmo el modelo puede predecir un comportamiento futuro del sistema ante unas determinadas entradas. 1.3.5.- Experimentacin y Anlisis de las salidas Se han de disear los experimentos que se van a llevar a cabo sobre el modelo y luego analizar las salidas obtenidas, de forma que podamos responder a las cuestiones que se plantearon. 1.3.5.1.- Experimentacin con el modelo El propsito ltimo de la experimentacin con el modelo es obtener informacin acerca del comportamiento del sistema para que esto nos ayude en la toma de decisiones. Cuando consideramos la ejecucin de un sistema se puede desear conocer cmo se comporta dicho sistema en sentido absoluto, o comparativamente, para poder contrastar varias configuraciones alternativas del sistema. O se podran considerar dos medidas simultneamente.

Es evidente que el nmero de exploraciones que se tendran que realizar es extremadamente largo. Hasta para los diseos de experimentos ms modestos, la exploracin de todas las posibles soluciones en la bsqueda de la mejor solucin, no es algo factible. Se necesita una aproximacin estructurada ms directa para encontrar una solucin que merezca la pena. Podemos considerar dos aproximaciones diferentes para abordar este problema: conjunto predeterminado de experimentos y tcnicas de bsqueda de ptimos. Conjunto de experimentos predeterminado: esta aproximacin impone identificar factores que podran afectar a la medida de salida y ejecutar los experimentos con los factores puestos a determinados valores. Una vez realizados los experimentos se aplicaran unas tcnicas estadsticas denominadas anlisis de la varianza (ANOVA), para decidir cul o cules de los factores seleccionados tiene realmente algn impacto en la medida de salida. Las medidas de salida se pueden adaptar de forma que las suposiciones estadsticas de esta tcnica se satisfagan de forma razonable y puedan ser aplicadas en la experimentacin del modelo. Un diseo experimental particularmente general es el diseo factorial. Se consideran dos o ms factores pudiendo estar cada uno a dos o ms niveles. El uso de un conjunto predeterminado de experimentos es efectivo para encontrar buenas soluciones si se puede aproximar una regin de optimalidad con experimentos previos o con la experiencia que se tenga sobre el problema. Sin embargo esta tcnica no puede conducir a la mejor solucin global, ni siquiera puede garantizar un ptimo local. Tcnicas de bsqueda de ptimos: un conjunto de estas tcnicas se conoce como Metodologa de Superficie de Respuesta (RSM). La superficie de respuesta es la funcin que describe las relaciones de las medidas de ejecucin con los factores o variables de decisin. Dos factores definen una superficie de 3 dimensiones, la cual puede ser vista como un terreno en donde se puede escalar. De hecho, la

representacin en 2 dimensiones de la respuesta de superficie es como las lneas de contorno de un mapa topogrfico. Usando varias estrategias se pueden alcanzar puntos altos en el terreno, y quizs llegar a la cumbre. Una estrategia es el mtodo de escalado ascendente. Esta requiere que el modelo se ejecute suficientemente para hacer que se pueda determinar qu direccin (qu cambios en los valores de los factores) parece conducir a un incremento en la altitud (incremento en la medida de salida). Las variables de decisin se van cambiando de esta forma y el proceso contina hasta que ya no se puede llegar ms alto, en ese momento se ha alcanzado un ptimo local o global. 1.3.5.2.- Anlisis de las salidas En la interpretacin de las salidas del modelo, hay algunos aspectos que son nicos de la simulacin. Mientras que los modelos analticos proporcionan soluciones con medidas de ejecucin completamente definidas, los modelos de simulacin producen estimaciones de las medidas que estn sujetas a error. Las salidas del modelo de simulacin se consideran muestras. Las principales cuestiones en la obtencin de estimaciones tiles a partir de muestras son: que la muestra sea representativa del comportamiento del sistema, y que el tamao de la muestra sea lo suficientemente grande para que las estimaciones de las medidas de ejecucin alcancen un buen nivel de precisin. El tamao de la muestra es algo que est bien definido, pero la representatividad del comportamiento del sistema depende de la naturaleza de las cuestiones que tienen que ser contestadas por el modelo. Se pueden realizar dos tipos de anlisis con un modelo de simulacin: Anlisis para sistemas con final definido: la ejecucin del modelo finaliza cuando ocurre un evento especfico. Se tomara una muestra por ejecucin.

Anlisis para sistemas con final no definido (sistemas en estado de equilibrio o estacionario): el inters est en medias de las medidas de comportamiento de ejecuciones largas, despus de que el sistema ha pasado por algn periodo de comportamiento transitorio. Las medidas en estado estacionario se pueden definir como el valor de las medidas en el lmite, cuando la longitud de la ejecucin tiende a infinito. En ambos casos, las condiciones inicia les (estado del sistema el empezar la ejecucin) pueden influir en la estimacin de las medidas de comportamiento.

El tamao de la muestra es importante ya que la precisin de las estimaciones depende de la varianza de la media de la muestra, y la varianza cambia de forma inversamente proporcional al tamao de la muestra (si se cuadriplica el tamao de la muestra la desviacin estndar se reduce a la mitad). La definicin de tamao de muestra para simulacin depende del tipo de anlisis que se haya hecho. Para el anlisis de un sistema con final definido se podra reproducir el periodo de inters, con las condiciones iniciales apropiadas, un determinado nmero de veces hasta conseguir la precisin deseada de la estimacin. En cada ejecucin de obtendr un elemento de la muestra. Con un anlisis en estado estacionario el tamao de la muestra est estrechamente enlazado con el tamao de la ejecucin del modelo o cantidad de tiempo de simulacin. 1.3.6.- Implantacin de los resultados de la Simulacin Se ha de asegurar que los resultados son aceptados por el usuario. Este paso final es uno de los ms importantes y el que ms se descuida de todo el proceso. Parece obvio que los beneficios de un largo y costoso anlisis no se realizarn sin una implementacin apropiada y una aceptacin por parte de los usuarios.

Entre las razones por las que los esfuerzos de implantacin son a menudo intiles, se incluyen las siguientes: Existe un vaco de comunicacin entre el analista de la simulacin y los encargados y usuarios del sistema. Falta de entendimientos por parte de los encargados del sistema debido a los tecnicismos utilizados. El compromiso de implementacin es tardo. Resistencia al cambio. Falta de coincidencia entre el personal disponible y los objetivos marcados por el modelo. Hay aproximaciones que tratan estos obstculos potenciales. Estas aproximaciones requieren que los usuarios y los analistas estn implicados desde el comienzo en el proyecto simulacin.