SIMULACIÓN DE PROCESOS (P2)

Presentación del tema: "SIMULACIÓN DE PROCESOS (P2)"— Transcripción de la presentación:

1 SIMULACIÓN DE PROCESOS (P2)
JUAN CARLOS VERGARA SCHMALBACH PROGRAMA DE ADMINISTRACIÓN INDUSTRIAL

2 ¿QUE ES SIMULACIÓN?

3 MANEJO DE LA INCERTIDUMBRE
Las condiciones de incertidumbre se dan en todos los sistemas reales donde la intervención humana o la inmersión de fenómenos naturales son inherentes. La representación de la incertidumbre en un modelo simulado de basa en la generación de números aleatorios de calidad. Cada número aleatorio motivará un evento específico, que a su vez, afectará una serie de variables y el estado general del sistema (este tipo de análisis de le conoce se le denomina semilla del modelo). Como no se conoce con certeza que evento ocurrirá en un determinado momento, la simulación podrá generar distintos resultados en cada interacción, induciendo la comprensión del comportamiento y relaciones entre las variables que lo caracterizan. MANCILLA HERRERA, Alfonso Manuel. Números aleatorios: historia, teoría y aplicaciones. Ingeniería y Desarrollo No. 8, Universidad del Norte. (fuente EBSCO HOST). Año 2000.

4 EL ANÁLISIS DE UN SISTEMA
Fuente: LAW, Averill; KELTON, W. David. Simulation, modeling and analysis. Editorial Mc Graw Hill, tercera edición. Estados unidos, año P5.

5 MODELO DETERMINÍSTICO Y ESTOCÁSTICO
Cuando un sistema contiene ciertos componentes o variables aleatorias en sus variables de entrada o proceso se está ante un modelo estocástico. Son diferentes las herramientas o métodos dados por la simulación para trabajar con modelos estocásticos o probabilísticos. Todos estos pueden ser aplicados al estudio de sistemas de alta complejidad como las organizaciones, teniendo en cuenta solo aquella herramienta que simplifique el trabajo de diseño de la simulación y consiga en parte, reproducir de una forma muy parecida, al sistema real. Entre ellas podemos destacar la aplicación de la inteligencia artificial, el modelado de flujos de materiales, la simulación de eventos discretos, la teoría de colas, la simulación de montecarlo, simulación de series de tiempo o la dinámica de sistemas. LAW, Averill; KELTON, W. David. Simulation, modeling and analysis. Editorial Mc Graw Hill, tercera edición. Estados unidos, año P5. ARSHAM, Hossein. Modelos Determinísticos: Optimización Lineal. Fuente:   ~harsham/index.html. Estados Unidos, año 2006

6 MODELO DETERMINÍSTICO Y ESTOCÁSTICO
Si un modelo de simulación no contiene un componente probabilístico, es llamado modelo de simulación determinística. Los modelos determinísticos se ajustan a condiciones de total certidumbre. Se definen como el conjunto de ecuaciones matemáticas lineales o no lineales, donde se consigue lo deseado de manera "determinística", es decir, libre de riesgo. En un modelo determinístico la salida del sistema es “determinada” una vez que las cantidades del conjunto de variables de entrada y sus relaciones han sido definidas. LAW, Averill; KELTON, W. David. Simulation, modeling and analysis. Editorial Mc Graw Hill, tercera edición. Estados unidos, año P5. ARSHAM, Hossein. Modelos Determinísticos: Optimización Lineal. Fuente:   ~harsham/index.html. Estados Unidos, año 2006

7 GENERACIÓN DE NÚMEROS ALEATORIOS

8 GENERACIÓN DE NÚMEROS ALEATORIOS
El generador Congruencial Lineal de Lehmer: Xo = Valor inicial o semilla Xo ≥ 0 a = El multiplicador a ≥ 0 c = El incremento c ≥ 0 m = El módulo m > Xo, m > a, m > c

9 OTROS MODELOS El Método Mixto de Congruencia
El Método Multiplicativo de Congruencia Generador Shift-Register

10 LA PRUEBA DE BONDAD DE AJUSTE