• Author / Uploaded
• AnTrAx T.L

• Categories
• Aleatoriedad
• Simulación
• Software
• Planificación
• Ecuaciones

Citation preview

Instituto Tecnológico Superior de Coatzacoalcos

Carrera: Ingeniería Industrial

Materia: Simulación

Nombre del tema: Analiza las muestras definitivas. Simula los comportamientos aleatorios del proyecto y verificarlos.

Maestro: Montesino Velázquez Adolfo

Integrantes del equipo: Torres Leon Kevin Christoper

Grado: 6° Grupo: ¨C¨

Fecha: 10/05/2019

Muestras definitivas Confección de muestras físicas de etiquetas tejidas; Antes de la fabricación de las etiquetas, el cliente recibe muestras definitivas, fabricadas con los mismos colores, diseños y materiales que tendrán las etiquetas fabricadas posteriormente según el pedido. Asimismo, en Exclusive Tarde ofrecemos asesoramiento a todos aquellos socios que deseen iniciar una producción propia Especializada en todo lo referente a las etapas y procesos técnicos necesarios, desde el diseño hasta la fabricación de las muestras definitivas que deberán someterse, sucesivamente, a las pruebas de venta. Dos productores exportadores chinos incluidos en la muestra, solo después de la comunicación de las conclusiones definitivas, se realizó demasiado tarde para ser tenida en cuenta. En lo que respecta a las medidas antidumping definitivas en vigor contra los encendedores no recargables de piedra y ciertos. Estrechamente vinculados a la decisión sobre las cifras globales y la estructura y duración definitivas del marco financiero todas las manadas de la explotación, si una de ellas ha dado positivo en las pruebas de salmonella enteritis o Salmonella typhimurium efectuadas en muestras tomadas por el explotador de empresa alimentaria, salvo que la carne de los pavos de las manadas vaya a someterse a tratamiento térmico industrial u otro tratamiento para eliminar la salmonela, y concluyó que ninguno de los compromisos ofrecidos tras la comunicación de las conclusiones definitivas debía de ser aceptado. Expresa su máxima preocupación por la continua serie de asesinatos de conocidas personalidades, como Anna Politkóvskaya, que se oponen al actual Gobierno ruso o que se alzan en defensa de los derechos fundamentales de los ciudadanos rusos; subraya que el Consejo y la Comisión deben reaccionar con toda su autoridad y que la colaboración con Rusia se verá gravemente afectada si el Gobierno ruso no da muestras de su capacidad y determinación para colaborar en las investigaciones destinadas a encontrar a los asesinos, cumpliendo con su deber de poner fin a este círculo vicioso y llevando a los responsables ante la justicia de que, en el momento de adoptar decisiones concretas definitivas, el Consejo pueda disponer de los elementos de juicio más fiables que sea posible. Una disolución automática online integrada en el transmisor de muestras para la tecnología de llama, así como en el transmisor de muestras de

tubo de grafito se ocupa de una ejecución sin interrupciones de las secuencias de muestras también con concentraciones de elementos de gran variabilidad.

Muestras definitivas o independientes Los resultados de una corrida de simulación son muestras de alguna distribución. Esos resultados los llamamos "respuestas". Las respuestas pueden ser: promedios de valores recolectados en toda o parte de la corrida, o simplemente una única medida (ej. largo de la cola al final de la corrida). Las respuestas son muestras de distribuciones, por lo tanto, pueden variar de una corrida a otra o en la misma corrida. El promedio de la distribución de respuestas la notamos µ y lo llamamos la media (valor medio) de la distribución.

La ejecución de un proyecto de simulación aleatorio requiere el seguimiento de un proceso secuencial en tres fases: Evaluación y diseño: Esta primera fase supone actividades tales como: 1.1 Identificar dentro de la organización al responsable-promotor del proceso de simulación, lo que permite conseguir el compromiso de la gerencia. 1.2 Determinar las necesidades de simulación. Para ello habrá que determinar cuestiones tales como las características del proceso a modelizar (los procesos con altas tasas de transacciones, pero de flujo directo tienen necesidades distintas que los procesos de baja tasa con flujos múltiples y complejos), si la modelización supondrá reingeniería de proceso, con qué frecuencia se realizarán las simulaciones, quienes serán los usuarios finales, etc. 1.3 Estimar los recursos necesarios, mediante la elaboración de un plan financiero y un presupuesto en el que se estimen tanto los costes de puesta en marcha de la tecnología de simulación, como los de su aplicación. 1.4 Evaluar y seleccionar las tecnologías de simulación disponibles. Ello permite evaluar el coste y el tiempo necesario para realizar el proyecto.

Cuando se inicia un estudio de simulación, puesto que estamos en el momento de arranque de la investigación, una primera aproximación para construir un modelo consiste en la utilización de funciones "lo más sencillas posibles", por ejemplo, polinomios de primer o segundo grado, [Houck, E. C, Cooley, B. J.; 1983]. Un ejemplo de función polinómica de primer grado utilizada para estos estudios iniciales podría ser:

A medida que se va rodando el modelo se va llegando a la región de respuesta óptima. En los experimentos iniciales, el modelo de primer grado puede dar una estimación bastante aproximada de la respuesta óptima y será útil para identificar las siguientes regiones de exploración. Se utilizan las funciones de primer grado hasta que el modelo es incapaz de explicar lógicamente la respuesta obtenida, se adivina entonces la presencia de una curva y se pasa a una función de un grado superior para la exploración de las regiones posteriores. En este caso sería una función de segundo grado fácilmente tratable matemáticamente. Una vez que la región óptima está localizada, el modelo de simulación servirá como herramienta para estimar los coeficientes óptimos para las variables clave y realizar un análisis de sensibilidad del sistema. Cada empresa tiene una serie de variables independientes y otras dependientes relacionadas entre sí a través de sendas relaciones causa efecto.

Los 4 métodos de simulación más comunes son:

Métodos analíticos: Están basados en técnicas asociadas a la teoría de colas, consistiendo esencialmente en nódulos ensamblados entre sí en una red multinivel. La simulación analítica pone de manifiesto múltiples aspectos ligados a la complejidad dinámica de los procesos en los que varios agentes compiten por un mismo recurso, así como la variabilidad asociada a procesos de entrada-salida. Los modelos analíticos proporcionan estimaciones sobre hechos agregados estables con más precisión que el análisis proporcionado por series de datos. Métodos continuos: En esta aproximación, el comportamiento de los procesos se simula utilizando ecuaciones diferenciales que reflejan la variación en el tiempo de cada variable de estado. Una variable de estado podría ser la tasa de llegada de órdenes o la tasa de procesamiento de un recurso. Estos modelos son apropiados para

modelizar

procesos

de

gran

volumen

o

producciones

continuas.

Evidentemente, se ha de suponer que las variables de estado varían de forma continua y diferenciable en el tiempo (generalmente, las ecuaciones diferenciales se utilizan cuando el tamaño del paso del tiempo es pequeño). Se trata de determinar los valores corrientes de las variables de estado hasta el momento en el cual se alcanza un umbral que pone en marcha ciertas acciones. Las ecuaciones diferenciales pueden tener en cuenta comportamientos de tipo estocástico, y los modelos correspondientes han de ser capaces de modelizar tanto los fenómenos de transición como los estados de equilibrio. Dos grandes retos para los modalizadores que utilizan estas técnicas son el desarrollo de ecuaciones que describan los comportamientos aleatorios dependientes del tiempo, así como evaluar los resultados obtenidos mediante la resolución analítica o numérica de dichas ecuaciones. Métodos discretos: En este tipo de simulación, las variables de estado del modelo evolucionan sobre un conjunto discreto de puntos, quizás aleatorio, del eje de tiempos. En estos modelos, los flujos temporales entre los puntos del mencionado conjunto compiten unos con otros por el uso de los recursos escasos. Estos modelos permiten simular comportamientos aleatorios introduciendo distribuciones de probabilidad discretas.; por ello, los resultados obtenidos por estos modelos

discretos son asimismo aleatorios, con lo que tan solo pueden ser tomados como una estimación del comportamiento real, siendo necesario múltiples aproximaciones y/o replicaciones para que el resultado obtenido, en términos medios, se aproxime al real. Dado que se trata de modelos discretos, se puede recurrir a la modelización mediante ecuaciones en diferencias finitas (si los puntos del eje de tiempos son aleatorios, es seguro que no estarán igualmente espaciados, entonces resulta más complejo la utilización de técnicas asociadas a ecuaciones en diferencias finitas). En un proceso de simulación de tipo discreto, se introducen en el modelo entidades que representan productos y servicios, y que al competir por los recursos que permiten llevar a cabo las actividades, los consumen. Es la técnica de simulación más natural para modelizar y analizar procesos. Todos orientados a objetos: Esta técnica de modelización contempla a procesos, productos, servicios y recursos como si de objetos se tratara. Cada objeto está formado por una combinación de información (atributos) y procedimientos (métodos); ambos se combinan para crear un “ejemplar” del objeto en cuestión. Por ejemplo, un objeto denominado "cliente" puede tener como atributos edad, capacidad de endeudamiento y nivel de educación. En un proceso convencional de solicitud de hipoteca, todos los formularios de préstamo recorren un mismo proceso basado en ciertas pautas, pero usando un modelo orientado a objetos, se puede definir una información única para un cliente específico y los procedimientos exclusivos a utilizar con su formulario de solicitud de préstamo. Los métodos orientados a objetos reducen drásticamente los tiempos de desarrollo de los modelos en el sentido de que no será preciso volver a construirlo desde la base, se puede utilizar una plantilla versátil y reutilizarla. El propósito de la simulación y modelización orientada a objetos es facilitar la posibilidad de crear complejos submodelos que maximicen su ciclo de vida y permitan su integración en otros modelos. Este método permite incorporar las técnicas anteriormente tratadas, tanto analíticas como continuas y discretas, ya que para modelizar los flujos intermedios entre los objetos; se puede recurrir a submodelos que utilicen dichas herramientas.

Analizar las relaciones entre herramientas y métodos de simulación con el fin de obtener sinergias: El proceso de simulación está estrechamente relacionado con ciertas herramientas y métodos tales como cartografía de procesos mediante flujogramas, sistemas de coste basados en las actividades, así como el diseño de experimentos. Evaluar y seleccionar el software de simulación: Este paso es de vital importancia. Dedicamos el apartado siguiente de nuestro trabajo a tratar de este tema con más detalle. Recibir la formación pertinente y gestionar el proyecto piloto: Gestionar el proyecto piloto supone acciones tales como análisis y captura de datos de entrada, construcción del modelo piloto, diseño y realización de pruebas y análisis de los datos de salida. Los procesos más susceptibles de modelización son aquellos para los que es posible la representación mediante flujogramas, los que van a ser sujetos a reingeniería, aquellos a los que ha sido aplicado el benchmarking, los que tienen gran impacto en la cadena de valor, los que se les han adaptado nuevas aplicaciones de software, los que presentan algún problema de costes, planificación o ciclo temporal, y los que han sido desarrollados usando un análisis basado en las actividades.

Ejecución Una vez que el proyecto piloto ha tenido éxito, confirmando la conveniencia de la simulación, la fase de ejecución puede dar comienzo. Esta fase comprende las siguientes etapas: Diseño del proyecto de simulación: Para completar esta etapa es preciso realizar tres tareas: Definir los objetivos que se desean alcanzar con el modelo de simulación: Los más comunes suelen ser análisis del funcionamiento de un proceso (si actúa de forma correcta bajo un determinado conjunto de circunstancias en medidas significativas tales como utilización de recursos, rendimiento, tiempos de espera, etc.), análisis de la capacidad del proceso (cuál es el máximo de capacidad de

procesamiento), o saber si el proceso es capaz de hacer frente a requerimientos específicos, un análisis de sensibilidad sobre aquellas variables de decisión esenciales, o bien un análisis de optimización sobre un conjunto de valores de variables de decisión. Definir las restricciones: Tan importante como definir los objetivos es identificar las restricciones que afectan al proyecto de simulación. Una restricción importante es el tiempo; no tiene sentido proyectar una simulación para resolver un problema si el tiempo de ejecución se extiende más allá del plazo posible para su resolución. Definir el campo de actuación del modelo: Ello incluye aspectos tales como la extensión del modelo, nivel de detalle, grado de precisión, tipo de pruebas a realizar y contenido y formato de presentación de los resultados. Definir las fronteras del modelo supone encuadrarlo dentro de unos límites superiores e inferiores, así como delimitar su principio y final. Captura y análisis de datos: Previamente es preciso hacer una clasificación de datos distinguiendo entre variables que dependen del tiempo, las que dependen de los recursos y las que dependen de determinadas condiciones, así como diferenciar las variables de entrada de las variables de respuesta, y sobre todo, determinar los requerimientos de datos y conocer las fuentes de los mismos. Resulta de utilidad visualizar y documentar los datos y flujos del proceso mediante un flujograma (como mencionábamos en el apartado anterior). Construcción del modelo: Una de las ventajas de la simulación se encuentra en que los modelos no han de incluir todos sus detalles para poder ponerlos en funcionamiento; ello permite que en su construcción se vayan realizando refinamientos progresivos hasta conseguir el formato definitivo. Es mejor comenzar con un modelo simple e ir añadiendo complejidad de forma paulatina. Conviene tener presente que, con la tecnología de simulación orientada a objetos, que hace posible la reutilización, junto con la disponibilidad de herramientas de simulación adaptables y la creciente integración de métodos de representación de procesos tales como los flujogramas, es posible utilizar modelos de simulación de forma reiterada sin necesidad de construirlos de nuevo desde el principio. Por ejemplo, la

simulación puede ser utilizada para la toma de decisiones estratégicas tales como determinar la factibilidad de diferentes alternativas de niveles de producción o estrategias alternativas sobre niveles de existencias. Modelizada una configuración, su algoritmo puede ser utilizado de nuevo a nivel operacional como base para desarrollar otro sistema de control para la toma de decisiones lógicas en cualquier otro punto de gestión del proceso. Verificación del modelo: Realización de análisis, pruebas y presentación de resultados. 3. Medida de logros y mejora continua. Esta fase comprende acciones tales como revisión de metas y principios, debates, establecimiento de informes y procedimientos de retroalimentación y ejecución de procesos de mejora continua.

Simulación de los comportamientos aleatorios del proyecto y su verificación. Considera determinista. En este caso, el comportamiento del sistema está determinado una vez que se hayan definido las condiciones iniciales y las relaciones que existen entre sus componentes. Por el contrario, un sistema no determinista o estocástico tiene algún elemento que se comporta de forma aleatoria, de forma que no está predeterminado comportamiento en función de las condiciones iniciales y de las relaciones entre sus componentes. En este caso, el sistema sólo se podrá estudiar en términos probabilistas, consiguiendo, en el mejor de los casos, conocer sus respuestas posibles con sus probabilidades asociadas. Sistemas continuos y sistemas discretos. En un sistema continuo las variables de estado cambian de forma continua a lo largo del tiempo, mientras que en uno discreto cambian instantáneamente de valor en ciertos instantes de tiempo. En un sistema de una cierta complejidad puede ocurrir que existan simultáneamente variables de estado continuas y discretas. En este caso, dependiendo de la predominancia de una y otras y del objetivo del estudio que se pretende realizar, se considerará el sistema como perteneciente a uno de los dos tipos. Tipos de modelos Para estudiar un sistema, la forma más inmediata sería experimentar sobre él. Sin embargo, esto puede ser desaconsejable, e incluso imposible, por diversos motivos:

− Puede ocurrir que el sistema no exista y lo que se pretenda sea su diseño. − Puede ser imposible experimentar con el sistema real porque no se dispone de ningún control sobre dicho sistema; por ejemplo, si se desea estudiar un sistema financiero, bursátil, ... − Puede ser económicamente inviable la experimentación sobre el sistema real. − La experimentación sobre el sistema real puede conllevar unos plazos de tiempo muy dilatados. Es el caso, por ejemplo, de ciertos sistemas sociales o biológicos. En cualquiera de los casos anteriores se hace necesaria la construcción de un modelo del sistema que refleje con la fidelidad adecuada las características destacadas del sistema a analizar y la experimentación sobre dicho modelo. Si se realiza correctamente la construcción del modelo y el diseño de los experimentos, los resultados obtenidos permitirán inferir cuál sería el comportamiento del sistema a analizar en determinadas condiciones.

Conclusiones Puedo concluir, que con lo que se ha mostrado la utilidad de la simulación de sistemas de producción de complejidad media y elevada, tanto en fase de diseño (nueva línea o nueva planta) como en fase de mejora o re-diseño. Las plantas productivas y las células de fabricación están compuestas por máquinas, almacenes intermedios y elementos de manipulación que hacen difícil conocer y visualizar el flujo de los materiales en el espacio y en el tiempo. En este contexto, la simulación es de gran ayuda, destacando su carácter visual e intuitivo, basado en la modelización de la línea de producción y su lógica de funcionamiento (control de la producción) “tal y como es”. De este caso práctico me llevo que se utilizan como referencia para encontrar y reducir errores, permiten que sus simuladores tengan un mejor rendimiento en cuanto a recursividad, comodidad, reproducibilidad, portabilidad, debido a su forma de ser elegidos. De acuerdo con la metodología de los estudios de simulación que hemos visto, en la primera etapa, la de conocimiento, en la que se recoge información sobre el sistema para formular las hipótesis de modelización que permitirán construir el modelo, uno de los aspectos más importantes es el que concierne a la obtención de información sobre las componentes del sistema que exhiben un comportamiento aleatorio, y la identificación del tipo de aleatoriedad que posibilite la formulación de hipótesis para su modelización o, en otros términos, la determinación de la distribución de probabilidad que reproduzca lo más adecuadamente posible el comportamiento aleatorio observado. Identificar la aleatoriedad en los sistemas es equivalente a identificar las fuentes de aleatoriedad de las componentes de los sistemas y el tipo de distribuciones de probabilidad que las representan.

Referencias:  Coss, R. (1993). Simulación, un enfoque práctico. (pp.19-23). México: Limusa.  Reza M. y García, E. (1996). Simulación y análisis de modelos estocásticos.(pp. 69-70).México:MacGraw-Hill.  Desconocido. (2014). Análisis de resultados. 22/04/2019, de Clase 08 Sitio web: https://www.fing.edu.uy/inco/cursos/simulacion/archivos/clases/clase08web.pdf

 Reese, R.; Sheppard, S.: "A Software Development Environment for Simulation Programming". Winter Simulation Conference. USA. 2001.

 Szulanski, F.; Rodríguez, P.: "Utilizando la simulación para mejorar la efectividad del Tablero de Comando". http://www.5campus.com/lección/simulatablero.

Nombre del Alumno: Torres Leon Kevin Christoper

Fecha: 10/05/2019

Asignatura: Simulación

Carrera: Ingeniería Industrial

Docente: M.I. Adolfo Montesino Velázquez

Grado y grupo: 6C

Nombre de Actividad: Reporte de practica

Tema:

Objetivo:

Instrucciones: Analiza las muestras definitivas. Simula los comportamientos aleatorios del proyecto y verificarlos. Porcentaje máximo:

Porcentaje obtenido:

RUBRICA PARA EVALUAR UN REPORTEDE PRACTICA

Categoría

Presentación/ Organización

Muy bien 91-100 El reporte está limpio y organizado.

Bien 80-90 El reporte no está limpio, pero está organizado.

Regular 60-79 El reporte está limpio, pero hay poca organización.

Se incluye diagramas claros y precisos

Se incluye diagramas que se acercan a la realidad y están etiquetados de una manera ordenada y precisa. Toma con oportunidad las decisiones, aunque no siempre adecuadas, sin embargo, aplica eficientemente las técnicas

Se incluye diagramas y éstos están etiquetados, pero no reflejan la realidad

Dibujos / Diagramas

Toma con oportunidad las decisiones adecuadas y Respuesta aplica implementada eficientemente las técnicas

Tiene dificultades evidentes para tomar decisiones, aplica técnicas inapropiadas o poco eficientes

Ponderación Insuficiente 59 y menos El reporte no está limpio se ve descuidado y no hay organización. Los diagramas importantes no aparecen, o no tienen clara relación con la práctica.

En el reporte no refleja reacción oportuna ante las situaciones que se presentan, además duda para la toma de decisiones.

Recopila y ordena los datos relacionados con la práctica. Se representan de Tabla de datos forma precisa en tablas; además se interpretan y analizan.

Conclusión

Bibliografía

Recopila y ordena los datos relacionados con la práctica. Se representa de forma precisa en tablas, pero no hay una interpretación y análisis preciso. Expone los Expone los resultados resultados obtenidos en obtenidos en función de las función de las técnicas y técnicas y decisiones decisiones implementadas, implementadas, justifica porque lo no justifica implemento de plenamente esa manera. porque lo implemento de esa manera La bibliografía La bibliografía se está bien escrita cita al menos cita tres correctamente y fuentes. tiene por lo menos dos fuentes.

Firma del Alumno

Recopila y ordena los datos relacionados con la práctica. No representa de forma precisa en tablas y no hay interpretación.

Los datos no son organizados o son imprecisos. No elaboró tablas.

Expone los resultados obtenidos en función de las técnicas y decisiones y no justifica porque lo implemento de esa manera

No hay conclusión incluida en el informe.

La bibliografía se No cita cita bibliografía. correctamente y tiene una fuente. Podría tener una fuente y no estar bien citada.

Firma del Docente: