< Autor > Eduardo García Dunna, Heriberto García Reyes, Leopoldo E. Cárdenas Barrón
< Páginas > 360
< Año > 2013
< Idioma > Español
< Publicación > PEARSON
< Edición > 2 nd
< Formato > PDF
La simulación es una forma de estudiar los procesos aleatorios, tos cuales se encuentran prácticamente en todas las operaciones de sistemas de producción y servicios. Aprender a modelar con simulación estocástica discreta es un reto demandante, principalmente por la complejidad del tema y porque el proceso de simulación y el análisis de los resultados requieren de un razonable conocimiento de probabilidad, estadística y computación. La experiencia nos ha mostrado que estos temas son difíciles de dominar, y desafortunadamente la mayoría de los estudiantes no se sienten cómodos al trabajar con ellos.
En este texto presentamos los conceptos de la modelación de los procesos estocásticos, el análisis estadístico de la información y la relación de éstos con la simulación estocástica discreta, utilizando como herramienta el programa ProModel. ProModel y su entorno con el usuario fueron desarrollados específicamente para simplificar la interacción entre el estudiante y la computadora. ProModel es una poderosa herramienta de análisis que, sin embargo, es fácil de usar.
Introducción a la simulación
Definiciones de simulación
Ventajas y desventajas de la simulación
Elementos clave para garantizar el éxito de un modelo de simulación
Pasos para realizar un estudio de simulación
Problemas
Los números pseudoaleatorios
Generación de números pseudoaleatorios
Algoritmo de cuadrados medios
Algoritmo de productos medios
Algoritmo de multiplicador constante
Algoritmo lineal
Algoritmo congruencial multiplicativo
Algoritmo congruencial aditivo
Algoritmos congruenciales no lineales
Propiedades de los números pseudoaleatorios entre 0 y 1
Pruebas estadísticas para los números pseudoaleatorios
Prueba de medias
Prueba de varianza
Pruebas de uniformidad
Pruebas de independencia
Problemas
Definición de variable aleatoria
Tipos de variables aleatorias
Determinación del tipo de distribución de un conjunto de datos
Prueba Chi-cuadrada
Prueba de Kolmogorov-Smirnov
Prueba de Anderson-Darling
Ajuste de datos con Stat::Fit
Generación de variables aleatorias
Método de la transformada inversa
Método de convolución
Método de composición
Método de transformación directa
Expresiones comunes de algunos generadores de variables aleatorias
Problemas
Verificación y validación de los modelos de simulación
Simulaciones terminales
Simulaciones no terminales o de estado estable
Longitud de las réplicas
Modelos de simulación
Modelo de una línea de espera con un servidor
Modelo de un proceso de ensamble e inspección
Modelo de un sistema de inventarios
Selección de lenguajes de simulación
Caso de estudio 1
Caso de estudio 2
Problemas
Introducción al uso de ProModel
Elementos básicos
Estructura de programación en ProModel
Construcción de un modelo
Modelo M/M/1 de líneas de espera
Mejoramiento visual del modelo
Modelado de un sistema que incluye más de un proceso
Inclusión de gráficos de fondo en el modelo
Arribos cíclicos
Caso integrador
Problemas
Uso de la biblioteca de funciones probabilísticas
Recursos
Paros en los equipos
Reglas de ruteo
Ensambles, acumulación y agrupamiento de piezas
Transporte entre estaciones
Instrucciones de control
Optimización con Simrunner
Introducción
SimRunner
Caso integrador 1
Caso integrador 2
Problemas
Anexo 1 Distribuciones de probabilidad
A.1 Distribuciones continuas
A.2 Distribuciones discretas
Anexo 2 Reportes estadísticos en ProModel (formato Viewer 2.0)
Anexo 3 Reportes estadísticos en ProModel
Anexo 4 Distribuciones de probabilidad
