Simulacin

La simulacin es un procedimiento cuantitativo que describe un

proceso al desarrollar un modelo del mismo y despus conducir una
serie de experimentos de tanteos organizados para predecir el
comportamiento del mecanismo con el tiempo. El observar los
experimentos es muy parecido a observar el proceso en operacin.
Para encontrar cmo reaccionara el proceso real a ciertos cambios,
podemos producir estos cambios en nuestro modelo y simular la
reaccin del proceso real a ellos.

Por ejemplo, al disear un avin, el diseador puede resolver varias

ecuaciones que describen la aerodinmica del avin. O, si aquellas
ecuaciones son demasiado difciles de resolver, se puede construir un
modelo a escala y observar su conducta en el tnel de viento. En la
simulacin, nosotros construimos modelos matemticos que no se
pueden resolver y los corremos con datos de prueba para simular la
conducta del sistema. Otros ejemplos: la prueba de medicinas en
animales de laboratorio, las pruebas simulan las respuestas de los
humanos. El manejo de automviles en pistas de prueba, simulan el
ambiente que enfrentar el automvil.

En los problemas estudiados hasta el momento hemos podido

encontrar una solucin matemtica. Sin embargo, en cada uno de
esos casos el problema fue simplificado con ciertas suposiciones para
que las tcnicas matemticas apropiadas se pudieran utilizar. No es
difcil pensar en situaciones de toma de decisiones tan complejas que
es imposible la solucin matemtica, dado el estado actual del arte en
las matemticas. En estos casos la simulacin ofrece alternativas
razonables.

En muchas situaciones, las soluciones que resultan de simplificar las

suposiciones son apropiadas para el que toma la decisin; en otros
casos, simplemente no lo son.

La simulacin es un sustituto apropiado para la evaluacin matemtica

de un modelo en muchas situaciones. Aunque tambin involucra
suposiciones, stas son tratables. El uso de la simulacin nos permite
proporcionar una percepcin clara a ciertos problemas de toma de
decisiones donde la evaluacin matemtica de un modelo no es
posible.

En general los modelos de simulacin difieren de los modelos

matemticos en dos aspectos:

1. Los modelos de simulacin normalmente no se disean para

encontrar soluciones ptimas o mejores, como se hace en la
programacin lineal. En su lugar se evalan diversas
alternativas propuestas y se toma una decisin con base en la
comparacin de resultados. Es decir, se evala el rendimiento
de un sistema previamente especificado.

2. Los modelos de simulacin generalmente se centran en las

operaciones detalladas, ya sean fsicas o financieras, del
sistema. El sistema se estudia mientras opera durante el tiempo
y se incluyen los efectos de los resultados de un perodo en el
siguiente. A diferencia de los modelos matemticos, los modelos
de simulacin pueden representar al sistema como un todo y no
en forma parcial. Como resultado de esto, todas las relaciones
de causa y efecto entre los diferentes componentes del modelo
son consideradas en todos los experimentos del sistema. Por
otro lado, la simulacin permite calcular no slo los valores
esperados (medias) de las medidas descriptivas del rendimiento
de un sistema, sino tambin sus valores extremos. Esto es, la
simulacin nos brinda no slo los valores esperados de las
medidas de rendimiento relevantes, sino que adems nos da
sus variancias.

Por ejemplo: considere la construccin de un modelo de una fbrica

que elabora una serie de productos. Un modelo de programacin
lineal podra desarrollar la combinacin ptima de productos. Un
modelo de simulacin detallado podra tratar los aspectos especficos
de cmo se programara la fbrica para obtener la combinacin de
productos deseada, teniendo en cuenta los tiempos de preparacin de
las mquinas, el tiempo de espera antes del procesamiento y otros
detalles que no pueden incluirse en la formulacin de la programacin
lineal.

De aqu la importancia de tratar una de las herramientas de la ciencia

de la administracin, utilizada con mayor frecuencia, la
simulacin. Se presentarn los conceptos y procedimientos de la
simulacin en computadora. Se hablar de los distintos lenguajes de
simulacin.

El mundo moderno nos impone grandes demandas en el mbito

tecnolgico y profesional. Para que las grandes corporaciones, los
medianos y pequeos negocios puedan subsistir o fortalecer sus
ventajas competitivas, sus directivos o dueos tienen que emplear los
medios y los procesos adecuados para levantar datos sobre la
operacin y funcionamientos de sus organizaciones y el medio
ambiente que las rodea. Posteriormente se procesan esos datos para
convertirlos en informacin que les permita identificar nuevas
oportunidades para hacer negocios y concretizarlas mediante la
asignacin ptima de los recursos disponibles de sus organizaciones.

El mundo de hoy pide productos y servicios de excelente calidad, de

bajo precio, a la medida del cliente y con un tiempo de entrega
inmediato. En este ambiente de negocios los directivos requieren de
herramientas de anlisis para apoyar su Toma de Decisiones y hacer
frente a la revolucionada y dinmica incertidumbre que rodea a sus
negocios. Cul sera la herramienta para un tomador de decisiones
que le permitiera analizar no slo el funcionamiento presente de su
organizacin o de alguno o varios de sus componentes, sino tambin
su comportamiento futuro a la luz de diferentes diseos o diversos
escenarios? Esto es, una herramienta con la habilidad de comprimir el
tiempo para observar el comportamiento y evolucin de un sistema
bajo diferentes alternativas de diseo.

Qu valor tendra para el directivo o responsable de conducir un

proyecto aquella herramienta que le permita administrar ms
efectivamente el comportamiento aleatorio de los elementos internos
de su organizacin o el de los componentes de su medio ambiente?
Qu herramienta dara margen al "What if" en forma solvente,
tangible y objetiva?

La simulacin computacional es la respuesta a todas estas

preguntas. Es por mucho la herramienta ms empleada en el
modelado organizacional. Su empleo requiere del diseo de un
modelo del sistema bajo estudio, de la ejecucin de dicho modelo en
una computadora bajo condiciones especficas de experimentacin y
del anlisis de los resultados arrojados por el proceso de
experimentacin con el objetivo de brindar pautas de comportamiento
en la toma de decisiones.

Existen distintas tcnicas para imitar o simular las diferentes

operaciones o procesos que se realizan en la vida real y que son
objeto de inters. A este conjunto de procesos se le conoce
comnmente como Sistema. Para ser estudiado dicho sistema por lo
general se efectan suposiciones sobre su comportamiento, las cuales
llegan a tomar una forma matemtica y constituir un modelo que es
utilizado para poder comprender con mayor facilidad el
comportamiento del sistema.

Sin embargo, en la mayora de los casos los sistemas de inters son

muy complejos, lo cual no permite que los modelos que los
representan sean evaluados analticamente. Surge aqu la posibilidad
de que dichos modelos pueden ser estudiados mediante la simulacin
computacional.

La simulacin es una herramienta de la Investigacin de Operaciones

y de gran utilidad para la toma de decisiones. Esta tcnica, como ya lo
mencionamos, es til para representar sistemas reales y as visualizar
todos y cada uno de sus componentes, las formas en que interactan
y las polticas que los rigen.

La simulacin ha evolucionado hasta alcanzar una gran complejidad y

se ha podido utilizar para resolver problemas en disciplinas asociadas
no slo al diseo, planeacin y control de sistemas de manufactura,
sino en otras como Mercadotecnia, Recursos Humanos y Finanzas.
La simulacin debe ser considerada como una de las mejores
herramientas para observar un sistema real en operacin, con la
ventaja de que no es necesario detener todo el sistema para poder
analizarlo. Los modelos de simulacin son una alternativa a los
modelos matemticos, y la simulacin es utilizada cuando los sistemas
que se estn analizando son muy complejos y no es posible obtener
una solucin analtica.

Ventajas de la Simulacin:

Permite una experimentacin controlada.

Permite comprimir el tiempo al experimentar.

Permite el anlisis de sensibilidad.

Evita costos o riesgos ya que no es necesario interrumpir el

desarrollo del sistema, para estudiar su comportamiento.

No es necesario destruir al sistema si se desea investigar sus

lmites de resistencia.

Si slo es un sistema propuesto no es necesario construirlo

fsicamente.

Es una herramienta de entrenamiento efectiva.

 SIMPLIFICACIN de los procesos productivos.

EVALUACIN de diseos alternativos de sistemas.

Sistemas, Modelos y Simulacin

Para iniciar con el estudio de la simulacin, definiremos algunos

conceptos bsicos que es importante que se conozcan y se manejen
adecuadamente desde la perspectiva de la simulacin.

Problema o rea de Oportunidad

La mayora de los problemas prcticos son inicialmente comunicados

al equipo de trabajo en una forma vaga e imprecisa. Por tal motivo, el
primer paso para toda investigacin es estudiar los defectos o
necesidades del sistema y el desarrollo para una buena definicin del
problema a ser considerado (simplificado). Este proceso es crucial ya
que afecta de una manera relevante las conclusiones finales. Adems,
es difcil obtener el resultado correcto proveniente de un problema mal
planteado. Los problemas en los sistemas suelen ser importantes por
la magnitud econmica de los recursos involucrados. Tambin son
relevantes porque el problema es nuevo, no est definido y requiere
de una solucin inmediata. O bien el problema es importante porque
es muy complejo y se requiere de un equipo multidisciplinario que lo
aborde cuantitativamente y cualitativamente. Para fines prcticos
sealaremos que un problema surge si:

a. Existe el deseo de transformar la realidad o parte de sta debido

a que su comportamiento no es el esperado o deseado,

b. Existe ms de una manera (solucin) de lograr esa

transformacin de la realidad y

c. No se sabe cul de todas las maneras (soluciones) es la ms

adecuada, la mejor.

Sistema

El trmino sistema ha ido evolucionando desde su concepcin por

Ludwing Von Bertalanffy (1901-1972), el creador de la Teora General
de los Sistemas, hasta nuestros tiempos. De tal forma que cada
disciplina posee una interpretacin que se adecua a su campo de
estudio. Las siguientes definiciones ayudan a entender desde la
perspectiva de la simulacin qu debemos entender por sistema:

Un sistema es una entidad que mantiene su existencia a travs de

la interaccin de sus partes. Los sistemas existen y operan en un
tiempo y un espacio.

Un sistema es una coleccin de objetos o cosas (ideas, hechos,

principios) de un sector especfico de la realidad que es objeto de
estudio o inters. Las cosas u objetos se encuentran relacionados
lgicamente entre s para realizar una funcin o alcanzar un objetivo
mediante la ejecucin de un proceso.

Harrell y Tumay ("Simulation Made Easy. A Managers Guide".

Industrial Engineering and Management Press. Institute of Industrial
Engineers Norcross, Georgia U.S.A. 1995.) aumentan claridad a la
definicin anterior mediante definir los elementos que integran un
sistema. stos se ilustran en la siguiente figura:
 Segn Smith and Taylor (Hamdy A. Taha. "Simulation Modeling and SIMNET".
Prentice Hall. Primera edicin. New Jersey, 1988) un sistema est definido por una
coleccin de entidades, por ejemplo, personas o mquinas, las cuales
actan e interactan entre s para obtener un mismo fin. Un ejemplo
sera una firma de negocios, la cual puede ser vista como un sistema
que produce y vende productos, mantiene inventarios, contrata
personal y realiza otras funciones para sobrevivir y crecer
econmicamente en el sector industrial en el que participa.

Por las definiciones anteriores se puede apreciar que los sistemas son
entidades holsticas organizadas. Esto es: su totalidad es mayor que la
suma de sus partes y poseen una estructura jerrquica de
subsistemas y a la vez forman parte de suprasistemas, lo cual lleva al
analista que emplea este enfoque de solucin de problemas a definir
la frontera del sistema con su medio ambiente.

Los sistemas pueden ser vistos desde mltiples perspectivas:

Origen: naturales, aqullos creados por la naturaleza; artificiales,

los creados por el hombre, o mixtos.

Tamao: suprasistemas, sistema, subsistema.

Comunicacin con su medio ambiente: cerrados, aqullos que

no interactan con su medio ambiente, como los tomos, la
molculas y los sistemas mecnicos; y abiertos, los que si
interactan con su medio ambiente como los sistemas orgnicos
(plantas y animales).

Comportamiento: determinsticos o probabilsticos.

 Evolucin en el tiempo: estticos o dinmicos.

Desde la perspectiva de la simulacin, un sistema que es objeto de

estudio puede ser discreto o continuo, esttico o dinmico,
determinstico o probabilstico. Estos calificativos dependen en
cierta medida del comportamiento de las denominadas variables de
estado, es decir, aquellas variables que estn en funcin del tiempo y
que muestran cmo el sistema evoluciona a travs de ste.

El estado de un sistema se define como la coleccin de variables

necesarias para describir a un sistema en un punto particular del
tiempo relativo a los objetivos de un estudio. Un sistema est
caracterizado por un conjunto de variables; cada combinacin de
valores de las variables representa un estado del sistema.

Estado Transitorio: Condiciones iniciales de un sistema.

Cambios bruscos en la variable de respuesta del sistema.

Estado Estable: La distribucin de probabilidad de la

variable de respuesta no cambia en el
tiempo. Matemticamente: El periodo de tiempo durante el
cual la variable de respuesta ya no
cambia. Pragmticamente: Cuando la respuesta del sistema
no afecte al siguiente sistema/ proceso.

Centraremos nuestra atencin en los sistemas discretos y continuos.

Un sistema discreto es aqul en el que las variables de estado
cambian slo en un nmero finito (contable) de puntos en el tiempo,
mientras que en un sistema continuo las variables de estado
cambian continuamente con respecto al tiempo. Un ejemplo de
sistema discreto sera un banco en el que sus variables de estado es
el nmero de clientes presentes, ya que slo cambia cuando llega un
cliente o cuando se le ha proporcionado el servicio. Por otra parte, el
vuelo de un avin es un ejemplo de un sistema continuo, pues sus
variables de estado, tales como velocidad y posicin, cambian
continuamente con respecto al tiempo. Cabe aclarar que pocos son
los sistemas en la prctica que son completamente discretos o
continuos.

La mayora de los sistemas no estn aislados, sino que se encuentran

en un medio ambiente que afecta a su comportamiento. Por ejemplo,
la demanda de los consumidores sobre los productos de una
compaa afecta al sistema de produccin de la organizacin. Por otro
lado, la calidad de los productos de la compaa puede ser un factor
de influencia sobre los consumidores. Con esto se quiere sugerir que
existe una continua interaccin entre el sistema y el medio ambiente
que lo rodea.

Definir la frontera de un sistema (alcance) resulta generalmente algo

complicado, puesto que hay que decidir qu elementos deben ser
considerados como parte del sistema y cules no. Esta dificultad se
deriva primeramente porque los sistemas estn compuestos de varios
subsistemas, y segundo porque la mayora de los sistemas son
subsistemas de otros ms grandes. Considerar sistemas muy
pequeos puede orillar a la suboptimizacin; por otro lado, los
sistemas tienden a interactuar o empalmarse con otros sistemas. Por
ltimo, aun cuando la frontera ha sido determinada, con frecuencia se
requiere que haya conexiones con el medio ambiente.

Aunque la frontera de un sistema puede ser fsica, al determinar el

contexto o frontera de un sistema es mejor pensar en trminos de
causa y efecto. De esta manera, una vez establecida una definicin
tentativa del sistema, ste puede verse afectado por algunos factores
externos. Si dichos factores controlan su funcionamiento en forma
total, no hay razn para experimentar con dicho sistema, pero si la
influencia de tales factores es parcial, entonces hay que decidir si:

1) Redefinir el sistema para incluir estos factores.

2) Ignorar dichos factores.

3) Considerar a dichos factores externos como insumos al sistema.

Se denomina medio ambiente del sistema a aqul conformado por

todos aquellos objetos que estn fuera de la frontera del sistema, pero
que pueden influenciarlo. De ah que un sistema pueda ser visto como
una coleccin de objetos que interactan entre s que son afectados
por fuerzas externas y que es objeto de estudio.

Un sistema de comportamiento, continuo, dinmico y probabilstico

sera una planta procesadora de agua potable o una planta de energa
elctrica. Por otro lado, un sistema de comportamiento discreto,
dinmico y probabilstico sera una fbrica de automviles o un
hospital.

Elementos de un sistema: Bsicamente, un sistema est compuesto

por entidades, actividades, recursos y controles; estos elementos
definen quin, qu, dnde, cundo y cmo acerca del procesamiento
del sistema.

Entidades: son los artculos procesados a travs del sistema, tales

como productos, clientes y documentos. Se pueden clasificar en tres
tipos:

* Humanos o animados (clientes, pacientes, etc.).

* Inanimados (partes, papelera, etc.).

* Intangibles (llamadas, correo electrnico, proyectos, etc.).

Actividades: son las tareas que se realizan en el sistema, tales como

llenado, corte, reparacin, atencin al cliente, etc. Las actividades
tiene una duracin y por lo general utilizan recursos.

Recursos: son los medios por los cuales se ejecutan las actividades,
por ejemplo: personal, equipo, herramientas, energa, tiempo, dinero,
etc. Los recursos pueden tener caractersticas tales como capacidad,
velocidad, tiempo de ciclo y confiabilidad, asimismo, son los que
definen quin o qu realiza la actividad y en dnde.

Controles: son los que deciden cmo, cundo y dnde se realizan las
acciones, as como tambin, determinan la accin cuando se
presentan ciertos eventos o condiciones. En el ms alto nivel, los
controles los podemos encontrar en forma de polticas, planes u
horarios, mientras que en un nivel bajo estn en forma de
procedimientos o programas.

Medidas del rendimiento de un sistema: el rendimiento de un

sistema se mide por su efectividad y eficiencia en alcanzar los
objetivos para los cuales fue diseado. En muchas situaciones, los
objetivos se fijan en funcin de la efectividad en costos o la utilidad
generada por el sistema. Los datos para determinar tales medidas de
rendimiento suelen ser:precios, costos, y caractersticas cuantitativas
del funcionamiento del sistema. Los objetivos del sistema se
satisfacen cuando las medidas del rendimiento alcanzan los niveles
deseados.

Enfoque de sistemas: debido a que los elementos de un sistema son

interdependientes, no es posible conocer la respuesta del sistema
estudiando aisladamente a cada elemento es por esto que se requiere
realizar un enfoque de sistemas pues ste puede ser dividido en su
estructura, pero tal vez no en sus funciones. Para poder ver a un
sistema como un todo es necesario entender las relaciones causa-
efecto as como las de decisin-respuesta.

Modelo
Los modelos son abstracciones de los sistemas. Para poder disear
nuevos sistemas y optimizar los ya existentes, se utilizan modelos, ya
que experimentar con el sistema mismo puede ser muy costoso,
puede destruirse el sistema o por lo menos interrumpirse
temporalmente en su funcionamiento, o simplemente puede ser
imposible experimentar con l. As, un modelo debe ser lo
suficientemente vlido para tomar decisiones similares a las que se
tomaran en caso de experimentacin directa con el sistema. Sin
embargo, los resultados de la simulacin, aunque vlidos, no se
utilizaran en el proceso de toma de decisiones si el modelo no es
creble. Dicho de otra forma, tenemos dos tareas: construir un modelo
apegado a lo real (vlido) y convencer a "los de arriba" de que lo es
(creble).

Tratndose de simulacin, los modelos utilizados son por lo general

descriptivos pues estudian el comportamiento de sistemas a travs del
tiempo. Y es con base en esta investigacin que es posible determinar
las condiciones bajo las cuales el sistema operara ms efectiva y
eficientemente. Los modelos de simulacin no se disean para
encontrar soluciones ptimas. Es una tcnica de experimentacin
(eventos aleatorios), se evalan diversas alternativas y se toman
decisiones con base en la comparacin de resultados.

Puesto que los modelos de simulacin suelen ser utilizados para

estudiar sistemas complejos, por lo general pueden emplearse modos
numricos de anlisis en vez de los analticos. En su mayora, los
modelos de simulacin son probabilsticos y estn hechos a la medida
del cliente.

Con relacin a la simulacin los modelos de inters pueden ser:

En cuanto al tiempo:

1) Estticos: Representacin de un sistema en un instante particular

del tiempo.

2) Dinmicos: Representacin de un sistema a lo largo de un periodo

de tiempo.

En cuanto a las variables:

1) Determinsticos: Si no contiene variables aleatorias.

2) Estocsticos: Si contiene una o ms variables aleatorias.

Tambin pueden ser discretos o continuos, cuyas caractersticas ya se
definieron para los sistemas.

La simulacin es una herramienta de la investigacin de

operaciones que nos permite conocer y analizar el
comportamiento de un sistema real o propuesto para decidir
cursos de accin: modificarlo, aceptarlo o rechazarlo.

Se considera a la Simulacin como un proceso que consiste en

construir un modelo descriptivo de un sistema real, con el propsito de
estudiar el comportamiento de dicho sistema a travs del tiempo; con
la ventaja de que no es necesario interrumpirlo (si es muy costoso),
destruirlo (si se desea saber sus lmites mximos de resistencia) o
construirlo (si es slo un propuesto).

El proceso para el desarrollo exitoso de un modelo de simulacin,

consiste en empezar con un modelo simple, el cual puede ser
enriquecido de una manera evolutiva para satisfacer los
requerimientos de solucin de un problema. A. M. Law y M.G.
McComas (Hctor Vargas."Simulacin: Mucho ms que una herramienta". Revista
Vanguardia de Agosto de 1994. Facultad de Ingeniera del CETYS ) mencionan los
siguientes elementos para el xito de un proyecto de simulacin:

* Conocimiento de la metodologa de la simulacin, modelos

probabilsticos de investigacin de operaciones, teora de probabilidad
y estadstica.

* Formulacin correcta del problema.

* Informacin adecuada sobre la operacin del sistema.

* Modelacin adecuada de la aleatoreidad del sistema.

* Escoger el software adecuado y utilizarlo correctamente.

* Validar el modelo y su credibilidad.

* Utilizar los procedimientos estadsticos adecuados para interpretar

los resultados de la simulacin.

* Utilizar tcnicas adecuadas de administracin de proyectos.

Los pasos que a continuacin se presentan son una gua para

desarrollo de un estudio de simulacin. Cabe aclarar que el tiempo
requerido para cada paso depende del sistema a modelar; asimismo,
algunos proyectos de simulacin pueden requerir algunos pasos no
incluidos.

Pasos del Proceso de Simulacin:

1.Planeacin estratgica y Establecer las condiciones experimentales para

Tctica el uso del modelo.

2. Formulacin del Problema Definicin del problema y enunciado del

objetivo

3. Construccin del Modelo Abstraccin matemtica del problema

4. Obtencin de Informacin Identificacin, especificacin y obtencin de

datos

5. Desarrollo del Programa Preparar el modelo para su procesamiento

6. Verificacin Asegurar el correcto funcionamiento del

programa

7. Validacin Correspondencia entre el modelo y la realidad

8.Experimentacin Uso del modelo para obtencin de resultados

9.Anlisis de Resultados Inferencias y recomendaciones basadas en el

modelo

10.Implementacin y Usar resultados para toma de decisiones y

documentar el funcionamiento y uso del modelo
Documentacin

Aplicaciones y Usos de la Simulacin

Hoy en da existe una gran variedad de aplicaciones de la simulacin

debido a las diferentes ventajas que sta ofrece sobre otras
herramientas utilizadas. Algunas de estas aplicaciones son:

En la reduccin de costos.

En un sistema:

En el desarrollo del mtodo de anlisis, ya que con los mtodos

existentes para resolver problemas se invierte un tiempo
considerable en poder desarrollar el mtodo de anlisis.

En la Programacin computacional.

En la modelacin de un sistema.

En la experimentacin de prueba y error.

En la industria:

En la capacitacin del personal.

En la aviacin:

En el entrenamiento de pilotos.

En finanzas: Puede usarse para calcular presupuestos, analizar

alternativas de inversin, flujo de efectivo.
 En mercadotencia: El analista debe tomar decisiones para
colocar la promocin de un producto en diferentes medios de
comunicacin: peridico, radio, televisin, etc.

En Recursos Humanos: Beneficios de la movilidad en el trabajo,

del tipo de personas para un determinado empleo, de las
diferentes estructuras jerrquicas y de relacin dentro de una
empresa.

As tambin, la simulacin ha sido empleada en sistemas tales como:

biolgicos, econmicos, de la salud, de negocios, de produccin, de
transportacin, sociales, urbanos, etc.

Con el transcurso del tiempo el uso de la simulacin como una

herramienta de trabajo ha aumentado, Algunos de los factores que
han acentuado el uso son:

- El constante desarrollo de lenguajes y simuladores computacionales.

- La flexibilidad del modelaje va simulacin.

La simulacin es una herramienta verstil que ha sido usada de

diferentes maneras, incluyendo:

* Diseo de sistemas

* Administracin de sistemas

* Entrenamiento y capacitacin

* Comunicacin

* Relaciones pblicas

Esto ha hecho de la simulacin la tcnica ms utilizada dentro de la

Administracin Cientfica/Investigacin de Operaciones y la
herramienta de excelencia de la Ingeniera Industrial.

Cundo es adecuado usar la simulacin?

Paul Fishwick ("Simulation Model Design and Execution: Building Digital Worlds." Prentice-
Hall. Estados Unidos, 1995) seala que la simulacin es recomendable
cuando:
(1) El modelo que representa al sistema bajo estudio es muy complejo,
posee muchas variables y componentes que interactan.

(2) Las relaciones entre las variables son no lineales.

(3) El modelo contiene variables aleatorias.

(4) Se requiere una visin animada de los resultados arrojados por el

modelo.

No obstante que la simulacin es por mucho la mejor herramienta para

estudiar y observar el comportamiento o la operacin de un sistema,
es necesario hacer algunas advertencias relativas a su uso:

En ocasiones los proyectos de simulacin consumen mucho

tiempo.

Por lo general los modelos de simulacin requieren de muchos

datos.

Los resultados pueden ser malinterpretados.

Algunos factores tcnicos y humanos pueden ser ignorados.

La validacin de los modelos de simulacin suele ser difcil.

Generacin de Nmeros Aleatorios

Los modelos de simulacin se usan con frecuencia para analizar una
decisin bajo incertidumbre, es decir, un problema en el que el
comportamiento de uno o ms factores puede representarse mediante
una distribucin de probabilidad. Este tipo de simulacin a veces se
llama Mtodo de Monte Carlo.

Simulacin Monte Carlo

Histricamente el Mtodo Monte Carlo se consideraba como una

tcnica para solucionar modelos utilizando nmeros aleatorios o
pseudoaleatorios. Los nmeros aleatorios son bsicamente variables
aleatorias independientes uniformemente distribuidas en un intervalo
de 0 a 1. Realmente, lo que podemos conseguir con una computadora
electrnica es generar una secuencia de nmeros pseudoaleatorios
(aparentemente aleatorios, donde cada dgito del 0 al 9 ocurren casi
con la misma probabilidad).

El trmino "Monte Carlo" fue introducido por Von Neumann y Ulam

durante la Segunda Guerra Mundial como un cdigo para una misin
secreta en Los lamos. Monte Carlo es una ciudad dentro de Mnaco
famosa por sus casas de juego, de ah que se les ocurriera ese
nombre. En ese entonces, el mtodo fue aplicado en los problemas
relacionados a la bomba atmica, cuyas pruebas experimentales se
hicieron precisamente en Los lamos, Nuevo Mxico.

El mtodo Monte Carlo se usa no solamente para problemas

estocsticos sino tambin determinsticos. Este Mtodo es
actualmente la tcnica ms poderosa y comnmente usada para
analizar problemas complejos.

Es importante sealar algunas diferencias entre el mtodo Monte

Carlo y la simulacin estocstica:

En el Mtodo Monte Carlo el tiempo no juega un papel tan

importante como en la simulacin estocstica.

En el Mtodo Monte Carlo las observaciones son

independientes. En cambio, en la simulacin estocstica las
observaciones son serialmente correlacionadas, ya que se
experimenta en relacin al tiempo.

En el Mtodo Monte Carlo es posible expresar los resultados

simplemente en funcin de variaciones estocsticas de entrada.
En cambio, en simulacin estocstica la respuesta por lo general
es muy complicada y puede ser expresada slo por el propio
programa.

Generacin de nmeros aleatorios.

Para generar nmeros aleatorios, al principio se utilizaban mtodos

manuales como lanzar una moneda, una ruleta, entre otros. Estos
mtodos fsicos eran lentos para uso general, ms an, las secuencias
generadas por ellos no podan ser reproducidas. Con la llegada de las
computadoras fue ms fcil obtener nmeros aleatorios. John Von
Neumann sugiri el mtodo "mid-square" (el cuadrado medio), usando
las operaciones aritmticas de una computadora. Su idea fue tomar el
cuadrado del nmero aleatorio precedente y tomar los dgitos
ubicados en medio. Por ejemplo, si tenemos el nmero 3456, lo
elevamos al cuadrado y obtenemos 11943936; ahora nuestro nuevo
nmero ser 9439, y as sucesivamente. Estos nmeros no son
realmente aleatorios, simplemente aparentan serlo, y se denominan
pseudoaleatorios o quasi-aleatorios. Esperemos no encontrarnos con
ceros porque entonces estaramos en aprietos.

La eficiencia de un mtodo para generar nmeros aleatorios se puede

medir dependiendo de la ocurrencia de los nmeros, si son
uniformemente distribuidos, estadsticamente independientes y
reproducibles. Ms an, un mtodo ser bueno si el generador es
rpido y ocupa poco espacio de memoria. El siguiente ejemplo ilustra
la aplicacin del Mtodo Monte Carlo.

Ejemplo:

Simulacin Probabilstica (Simulacin de Monte Carlo)

Considere un almacn con un andn para descargar vagones de

ferrocarril. Los vagones de carga llegan al almacn durante la noche.
Se requiere exactamente medio da para descargar un vagn. Si hay
ms de dos vagones en espera de descarga, se pospone la descarga
de algunos hasta el da siguiente.

La experiencia anterior indica que el nmero de vagones que llega

durante la noche tiene las frecuencias que se muestran en la Tabla 4-
1.

Adems, no hay patrn aparente, por lo que el nmero que llega una
noche es independiente del nmero que llega en otra.

Tabla 4-1.

Nmero de vagones Frecuencia relativa

que llegan

0 0.23
 1 0.30

2 0.30

3 0.10

4 0.05

5 0.02

6 ms 0.00

1.00

Promedio = 1. 5 vagones por noche

Se trata de un problema de colas de un canal con tasa promedio de

dos por da y tasa promedio de llegadas de 1.5 por da.

El primer paso para simular el proceso de colas es generar una

historia o series de tiempos de las llegadas para varias noches. Esto
se hace con un proceso aleatorizado o de Monte Carlo. Una manera
de hacerlo consiste en tomar 100 fichas y escribir el nmero 0 en 23
de ellas, el nmero 1 en 30, el nmero 2 en 30 fichas, etctera,
correspondiendo a las frecuencias de la Tabla 4-1. Despus se puede
extraer una ficha de un sombrero y el nmero en la ficha indicara el
nmero de vagones de carga que llegan en el periodo de la
simulacin.

Un procedimiento ms sencillo es usar una tabla de nmeros

aleatorios, como la Tabla 4-2. Cada entrada que aparece en la
tabla se obtuvo de manera que cada dgito (cero a nueve) tuviera la
misma probabilidad de extraccin.
Despus se pueden asignar nmeros aleatorios de dos dgitos a cada
uno de los resultados posibles (es decir, el nmero de llegadas), como
se muestra en la Tabla 4-3.

Hay cien pares de nmeros de dos dgitos. Observe que 23 de ellos se

asignan al suceso "llegada de cero vagones"; 30 a "llegada de un
vagn"; 30 a "llegada de dos vagones"; etctera. Como cada nmero
de dos dgitos tiene 1/100 de probabilidad de aparecer, la probabilidad
de que ocurra el suceso "llegada de cero vagones" es 23/100, o 23%,
como se desea.

Ahora estamos preparados para simular el proceso de cola, lo cual se

realiza en la Tabla 4-4.

Se usan tres das para iniciar el proceso (marcados con x). El nmero
aleatorio (de la Tabla 4-2) para el primer da es 97. Como 97
corresponde al suceso "llegada de cuatro vagones" de la tabla 4-3, se
marca cuatro en la tercera columna. De estos cuatro vagones, se
descargan dos y la descarga de los otros dos se pospone hasta el da
siguiente. El nmero aleatorio para el segundo da es 02 (tambin de
la Tabla 4-2). Esto significa que no llegan vagones y se descargan los
dos vagones del da anterior. Contina el procedimiento. Sin embargo,
no se cuentan los resultados de los primeros tres das, ya que se trata
del periodo de inicializacin. La simulacin comienza sin vagones de
ferrocarril, lo cual no es una situacin tpica. El periodo de
inicializacin permite que la simulacin llegue a su comportamiento
tpico o de "estado estable" antes de contar los resultados.

La Tabla 4-4 simula 50 das de operacin (adems de los tres das

iniciales). En la mayor parte del periodo hay poca demora, pero hay
una demora considerable que comienza alrededor del periodo 36. El
nmero promedio de llegadas por da (1.58) durante el periodo de
muestra de 50 das es un poco mayor que el nmero esperado por da
(1.50). En promedio se atrasan 0.90 vagones por da. La simulacin
debe efectuarse para ms das con el propsito de que los resultados
sean ms precisos.

Se puede emplear el modelo de simulacin como se usaron los

modelos matemticos de colas de espera. Es decir, se puede
comparar el efecto de las alternativas factibles sobre el tiempo de
espera y el costo. Por ejemplo, en este caso se pueden comparar las
demoras con la tasa actual de servicio de dos por da con una tasa de
servicio de tres por da. Otra opcin sera introducir ms canales.
Tabla 4-2 Tabla de dgitos aleatorios

97 95 12 11 90 49 57 13 86 81

02 92 75 91 24 58 39 22 13 02

80 67 14 99 16 89 96 63 67 60

15
66 24 72 57 32 49 63 00 04

96 76 20 28 72 12 77 23 79 46

55 64 82 61 73 94 26 18 37 31

50 02 74 70 16 85 95 32 85 67

29 53 08 33 81 34 30 21 24 25

58 16 01 91 70 07 50 13 18 24

51 16 69 67 16 53 11 06 36 10

04 55 36 97 30 99 80 10 52 40

86 54 35 61 59 89 64 97 16 02

24 23 52 11 59 10 88 68 17 39

50
39 36 99 74 27 69 48 32 68
47 44 41 86 83 50 24 51 02 08

60 71 41 25 90 93 07 24 29 59

65 88 48 06 68 92 70 97 02 66

44 74 11 60 14 57 08 54 12 90

93 10 95 80 32 50 40 44 08 12

20 46 36 19 47 78 16 90 59 64

86 54 24 88 94 14 58 49 80 79

12 88 12 25 19 70 40 06 40 31

42 00 50 24 60 90 69 60 07 86

29 98 81 68 61 24 90 92 32 68

36 63 02 37 89 40 81 77 74 82

01 77 82 78 20 72 35 38 56 89

41 69 43 37 41 21 36 39 57 80

54 40 76 04 05 01 45 84 55 11

68 03 82 32 22 80 92 47 77 62
 21 31 77 75 43 13 83 43 70 16

53 64 54 21 04 23 85 44 81 36

91 66 21 47 95 69 58 91 47 59

48 72 74 40 97 92 05 01 61 18

36 21 47 71 84 46 09 85 32 82

55 95 24 85 84 51 61 60 62 13

70 27 01 88 84 85 77 94 67 35

38 13 66 15 38 54 43 64 25 43

36 80 25 24 92 98 35 12 17 62

98 10 91 61 04 90 05 22 75 20

50 54 29 19 26 26 87 94 27 73

Tabla 4-3

Nmero de Dgitosaleatorios Frecuencia Relativa

vagones que
llegan

0 00 a 22 .23
 1 23 a 52 .30

2 53 a 82 .30

3 83 a 92 .10

4 93 a 97 .05

5 98 y 99 .02

1.00

Tabla 4-4. Simulacin del sistema de cola

Nmero de Nmero Nmero de Nmero Nmero de Nmero

da aleatorio llegadas total para vagones demorado hasta
descarga descargados el da siguiente

x 97 4 4 2 2

x 02 0 2 2 0

x 80 2 2 2 0

1 66 2 2 2 0
2 96 4 4 2 2

3 55 2 4 2 2

4 50 1 3 2 1

5 29 1 2 2 0

6 58 2 2 2 0

7 51 1 1 1 0

8 04 0 0 0 0

9 86 3 3 2 1

10 24 1 2 2 0

11 39 1 1 1 0

12 47 1 1 1 0

13 60 2 2 2 0

14 65 2 2 2 0

15 44 1 1 1 0

16 93 4 4 2 2
17 20 0 2 2 0

18 86 3 3 2 1

19 12 0 1 1 0

20 42 1 1 1 0

21 29 1 1 1 0

22 36 1 1 1 0

23 01 0 0 0 0

Tabla 4-4. Conclusin

Nmero de Nmero Nmero de Nmero Nmero de Nmero

da aleatorio llegadas total para vagones demorado hasta
descarga descargados el da siguiente

24 41 1 1 1 0

25 54 2 2 2 0

26 68 2 2 2 0

27 21 0 0 0 0
28 53 2 2 2 0

29 91 3 3 2 1

30 48 1 2 2 0

31 36 1 1 1 0

32 55 2 2 2 0

33 70 2 2 2 0

34 38 1 1 1 0

35 36 1 1 1 0

36 98 5 5 2 3

37 50 1 4 2 2

38 95 4 6 2 4

39 92 3 7 2 5

40 67 2 7 2 5

41 24 1 6 2 4

42 76 2 6 2 4
 43 64 2 6 2 4

44 02 0 4 2 2

45 53 2 4 2 2

46 16 0 2 2 0

47 16 0 0 0 0

48 55 2 2 2 0

49 54 2 2 2 0

50 23 1 1 1 0

Totales 79 45

Promedio 1.58 0.90

Simulacin y computadoras

Los clculos de la tabla 4-4 son tediosos y en una aplicacin real

se llevaran a cabo en una computadora. La implantacin ms
sencilla en una computadora se realizara con una hoja de
clculo; muchos de estos programas tienen la capacidad de
generar nmeros aleatorios.

La simulacin de Monte Carlo recurre al uso de un muestreo aleatorio

para estimar la salida de un experimento. Se le considera el precusor
de la simulacin actual.
 4.3 Lenguajes de Simulacin
La simulacin de eventos discretos ha sido caracterizada por dos
tendencias significantes en aos recientes. El primero fue el uso
creciente de simulacin con respecto a lo complejo de sistemas
industriales. El segundo ha sido el uso creciente de grficos de la
computadora por displays animados en movimiento. Estas tendencias
han originado una nueva generacin de software o paquetes de
simulacin; sin embargo, ningn software podra utilizarse nica y
necesariamente con todos los usuarios probables.

Factores a considerar al seleccionar un paquete de simulacin

computacional

El primer paso al seleccionar un software es identificar a los usuarios y

analizar las caractersticas que ofrece el paquete, por ejemplo, la
forma en que construye los modelos de simulacin, los grficos de la
animacin incluidos, los costos de operacin, etc.

Una de las caractersticas ms importantes es el costo del software,

ya que se debe justificar que se ha adquirido el paquete ptimo a
nuestras necesidades; es decir, se considera la variedad y
"especializacin" de todas las caractersticas que se desean en un
software de simulacin apegado a lo que nosotros buscamos y con los
recursos para que stos se vean justificados.

Un lenguaje de propsito general, un lenguaje de simulacin o un

simulador, qu es lo ms conveniente?
 En las tres situaciones lo importante es traducir el modelo
conceptual de simulacin a un modelo que la computadora
pueda ejecutar.

Los lenguajes de propsito general como FORTRAN, PASCAL,

C, C++, BASIC, etc.; poseen una enorme flexibilidad de
modelado, mientras que los lenguajes de simulacin estn ms
limitados en este sentido y los simuladores lo estn an ms.

Por otro lado la traduccin del modelo conceptual a cdigo que

la computadora pueda ejecutar se realiza con mucho ms
rapidez en un simulador, luego en un lenguaje de simulacin y
finalmente lo ms tardado es emplear un lenguaje de propsito
general.

Los lenguajes de propsito general requieren de una mayor

destreza de programacin por parte de los usuarios, mientras
que los simuladores son los que requieren nada o casi nada de
programacin.

Tanto los simuladores como los lenguajes de simulacin reducen

el tiempo de programacin y de traduccin del modelo a cdigo
debido a que automticamente brindan las siguientes
actividades:

(1) Generacin de nmeros aleatorios.

(2) Generacin de observaciones aleatorias para distribuciones tpicas

y/o definidas por el usuario.

(3) Avance del tiempo de la simulacin.

(4) Determinacin del siguiente evento a partir de un calendario (lista)

de eventos y traspaso de control al bloque adecuado de cdigo.

(5) Agregar registros a la lista o borrarlos.

(6) Levantamiento y anlisis automtico de datos.

(7) Generacin automtica y flexible de reportes de resultados.

(8) Deteccin de condiciones de error en la traduccin del modelo a

cdigo.
A continuacin se enlistan algunas caractersticas deseables en un
paquete de simulacin: (Edwards J. Williams. "Selection of a Simulation-Service
Vendor". Industrial Engineering. November, 1993).

* Construccin del modelo. Con respecto a la forma en que se

construye el modelo, se debe analizar qu tanta facilidad provee el
software para construir los modelos. Tradicionalmente, los modelos de
simulacin haban sido construidos utilizando lenguajes de simulacin,
permitindose as modelar una gran variedad de sistemas, sin
embargo, requiere mucha experiencia por parte del modelador. Es por
esto que ltimamente se han producido modelos de simulacin para
problemas especficos, conocidos como de "propsito especial", con
los cuales se puede analizar una clase particular de problemas con
relativa facilidad an cuando se limite en gran medida al modelo.

* Estadstica. Debido a que los sistemas a modelar manifiestan un

comportamiento del tipo aleatorio, un paquete computacional de
simulacin debe tener acceso a las referencias estadsticas. Al
seleccionar un software, ste debe contar con un eficiente generador
de nmeros aleatorios y contener una amplia variedad de
distribuciones estndar as como tambin la capacidad de usar
distribuciones empricas.

* Animacin grfica. La utilizacin de grficas animadas permite

desplegar el movimiento de las entidades de tal modo que parece que
se mueven. Algunos paquetes despliegan en dos dimensiones y
algunos otros, como el AutoGram[16], despliegan en tercera
dimensin permitiendo al usuario que vea el funcionamiento del
sistema simulado de perspectivas diferentes. La simulacin se puede
desplegar ya sea mediante "bit-mapped", es decir, mediante iconos
que se parezcan a la entidad real, o simplemente "caracteres"
simulando el movimiento. La ventaja de los conos sobre los
caracteres depende slo del tipo de audiencia a la que se presentar
el proyecto ya que algunos prefieren ver algo ms que refleje la
situacin fsica de la realidad mientras que otros se fijan ms en las
estadsticas.

* Runtime interactions. Se refiere a los momentos en que se realiza

la simulacin y se despliega la animacin; en un principio dichos
pasos se ejecutaban consecutivamente o en forma secuencial; sin
embargo, actualmente se busca que sean concurrentes de tal modo
que el usuario pueda detener la simulacin mientras corre en el
momento que desee.
* Costo de operaciones. Se refiere a analizar y comparar los precios
del software de simulacin, que varan desde $500 a $100,000, y su
mantenimiento anual, el cual cuesta desde el 10 a 20% de la compra.
Algunos paquetes son alquilados. Adems, es necesario considerar el
gasto del hardware, es decir, la computadora en que la simulacin
corre y cualquier unidad especializada de despliegue visual (VDU); sin
embargo, slo son algunos paquetes los que ocupan equipos
especiales. El costo del hardware puede variar desde cero, para
aqullos que ya tienen acceso a la computadora apropiada, o muy alto
si se requiere de una computadora nueva. Con respecto al VDU
algunos paquetes de animacin requieren unidades especializadas
que bien puede no ser incluido en el precio de compra del software y
ser bastante caro. Es importante recalcar que an cuando se cuente
con un sistema animado, la forma de modelar es la misma y se debe
realizar con mucho cuidado. La principal razn del uso simulaciones
animadas es que permite una mejor comunicacin entre los
modeladores y los administradores y operadores del sistema bajo
estudio, ya que cuando se observa el movimiento de las entidades por
el sistema simulado permite tener una base para juzgar si se ha
logrado o no capturar la realidad y poder as sugerir modificaciones.
Sin embargo, an existe el temor de que la estadstica sea
reemplazada por la animacin ya que se puede tomar una decisin
errnea si no se observa la simulacin durante el tiempo adecuado, y
es por esto que en todas las ocasiones se deben exigir
los nmeros para tomar las decisiones.

En el caso particular de los lenguajes de simulacin, lo que

principalmente se busca es que:

(1) Facilite la construccin y formulacin de modelos.

(2) Que sea fcil de aprender y usar.

(3) Que brinde procedimientos de rastreo y diagnstico de errores.

(4) Que pueda ser empleado en una amplia variedad de problemas.

La estructura y orientacin de modelado de los lenguajes de

simulacin puede tomar cualesquiera de los siguientes enfoques:

[1] Enfoque de modelado basado en actividades. Bajo este

enfoque un segmento del programa es empleado para definir cada
actividad en la cual las entidades se ven involucradas. Dicho
segmento incluye una serie de pruebas para determinar si la actividad
ha sido iniciada en un punto del tiempo y define las acciones que se
deben ejecutar si la actividad ha sido iniciada. Este enfoque es muy
popular en Inglaterra. Algunos lenguajes bajo este enfoque son:
ECSL/CAPS(Extended Control and Simulation Language/Computer
Aided Programming System), HOCUS, OPTIK, GENETIK.

[2] Enfoque de modelado basado en eventos. Los eventos son los

instantes de tiempo en los cuales un cambio en el sistema ocurre y
coincide con el inicio o terminacin de las actividades. Bajo este
enfoque segmentos del programa son empleados para definir cada
evento en el modelo. Despus de inicializado el modelo, las rutinas de
ejecucin revisan los tiempos de ocurrencia de los eventos y avanzan
el reloj de la simulacin hacia el tiempo en el cual ocurrir el prximo
evento. Debe existir una subrutina para cada tipo de evento. La
mayora de los lenguajes escritos en FORTRAN emplean este
enfoque. Algunos lenguajes de simulacin tpicos con este enfoque
son: GASP, SLAM II, SIMAN, SIMSCRIPT II.5, SIMON (Simulation
Language in Algol) y SIMNET II.

[3] Enfoque de modelado basado en procesos. Bajo este enfoque

las entidades se clasifican en transacciones o clientes, servidores o
recursos (entidades permanentes y entidades temporales). En este
enfoque, existen segmentos del programa que son empleados para
describir los procesos en los cuales se ven involucradas las entidades.
Entre los lenguajes que emplean este enfoque se pueden sealar:
GPSS, SIMULA, SIMAN; SIMNET II y SLAM II

2.5 Principios bsicos en el diseo de experimentos.

Al planificar un experimento hay tres tres principios bsicos que se

deben tener siempre en cuenta:

El principio de aleatorizacin.

El bloqueo.

La factorizacin del diseo.

Los dos primeros (aleatorizar y bloquear) son estrategias

eficientes para asignar los tratamientos a las unidades
experimentales sin preocuparse de qu tratamientos considerar. Por
el contrario, la factorizacin del diseo define una estrategia
eficiente para elegir los tratamientos sin considerar en absoluto
como asignarlos despus a las unidades experimentales.

Aleatorizar
Aleatorizar todos los factores no controlados por el experimentador
en el diseo experimental y que puden influir en los resultados sern
asignados al azar a las unidades experimentales.

Ventajas de aleatorizar los factores no controlados:

Transforma la variabilidad sistemtica no planificada en

variabilidad no planificada o ruido aleatorio. Dicho de otra forma,
aleatorizar previene contra la introduccin de sesgos en el
experimento.

Evita la dependencia entre observaciones al aleatorizar los

instantes de recogida muestral.

Valida muchos de los procedimientos estadsticos ms comunes.

Bloquear

Se deben dividir o particionar las unidades experimentales en grupos

llamados bloques de modo que las observaciones realizadas en cada
bloque se realicen bajo condiciones experimentales lo ms parecidas
posibles.

A diferencia de lo que ocurre con los factores tratamiento, el

experimentador no est interesado en investigar las posibles
diferencias de la respuesta entre los niveles de los factores bloque.

Bloquear es una buena estrategia siempre y cuando sea posible

dividir las unidades experimentales en grupos de unidades similares.

La ventaja de bloquear un factor que se supone que tienen una

clara influencia en la respuesta pero en el que no se est interesado,
es la siguiente:

Convierte la variabilidad sistemtica no planificada en

variabilidad sistemtica planificada.

Con el siguiente ejemplo se trata de indicar la diferencia entre las

estrategias de aleatorizar y de bloquear en un experimento.

Ejemplo 2.1.

Se desea investigar las posibles diferencias en la produccin de

dos mquinas, cada una de las cuales debe ser manejada por un
operario.
 En el planteamiento de este problema la variable respuesta es la
produccin de una mquina (en un da), el factor-tratamiento en el
que se est interesado es el tipo de mquina que tiene dos niveles
y un factor nuisance es el operario que maneja la mquina. En el
diseo del experimento para realizar el estudio se pueden utilizar dos
estrategias para controlar el factor operario que maneja la
mquina.

Aleatorizar: se seleccionan al azar dos grupos de operarios y se

asigna al azar cada grupo de operarios a cada una de las dos
mquinas. Finalmente se evala la produccin de las mismas.

Bloquear: se introduce el factor-bloque operario. Se elige un

nico grupo de operarios y todos ellos utilizan las dos mquinas.

Qu consideraciones se deben tener en cuenta al utilizar estas

dos estrategias? Qu estrategia es mejor?

La factorizacin del diseo.

Un diseo factorial es una estrategia experimental que consiste en

cruzar los niveles de todos los factores tratamiento en todas las
combinaciones posibles.

Ventajas de utilizar los diseos factoriales:

Permiten detectar la existencia de efectos interaccin entre los

diferentes factores tratamiento.

Es una estrategia ms eficiente que la estrategia clsica de

examinar la influencia de un factor manteniendo constantes el resto
de los factores.