Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ing. Hel Martnez Martnez. Ing. Flix Luis Carranza Hernndez. Ing. Irma Mariana Garca Cano.
www.upgto.edu.mx
11
13
PREGUNTAS
REFERENCIAS
14
15
INTRODUCCIN Una simulacin es la representacin del comportamiento de un sistema real en base a un proceso. [Shannon, 1975] Simulacin
Comportamiento
Predicciones
Estados futuros
Maximizar recursos
Pronosticar la demanda
Utilidad de un producto
MODELO DE SIMULACIN
Formulacin de problema
Problemtica: La complejidad especialmente en la asignacin a priori de las funciones de distribucin a la relacin entidades-atributos.
Qu hacer al respecto? Desarrollar una metodologa de evaluacin de los valores predichos de forma cuantitativa. Herramienta matemtica
PROCESO GAUSSIANO I Es una funcin general sobre funciones de distribucin de probabilidad [C. Isaza, 2008; C. K. I. Williams, 1996] Proceso estocstico Genera muestras en el tiempo {Xt}t Funcional lineal de la funcin de muestra Xt
Proceso Gaussiano de regresin: Recupera el proceso demarcado por los puntos observados con ruido de los barridos espectrales obtenidos durante la muestra.
PROCESO GAUSSIANO II
Entradas son una matriz de (dxn) dimensiones y los objetivos un vector Y. D = {X,y }. Se infiere FX para entradas no observadas de XX, usando p (f *| X *, D).
Regresin lineal Bayesiana, asume un ruido () con distribucin normal, y parmetros: ( = 0) y (2 = 1). N (0, 2 ) y como modelo: f (x|W) = xTW , y = f + .
Parmetros de la verosimilitud son dados por: p ( y|x,W) = N(xTW, 2I ) asumiendo a priori una Gaussiana sobre los parmetros: p(W,)= N(0, p). Se aplica el teorema de Bayes, distribucin posterior: P (w| y, x) P( y |x,w)P(w). La distribucin depende del producto de la verosimilitud y la distribucin a priori. Se puede expresar sobre los parmetros como: P (w |y, x)= N (1/2A-1Xy, A-1 ). Dnde: A=1/2XXT. Expresin de la distribucin predictiva: P ( f *| X*, X , y) = f (X *|W)P(W| X, y)dW , P( f *| X*, X , y) N( 1/2 X*TA-1 Xy, X*T A-1 X *).
DESARROLLO EXPERIMENTAL
Cola
Unidad de servicio
=3
DESARROLLO EXPERIMENTAL II
Figura 5. Representacin grfica del incremento lineal del tiempo total que tarda la orden en salir del sistema.
Hora De Llegada
1707 1714 1718 1744 1751 1791 1795 1835 1846 1867 1872
Teniendo un tiempo medio de proceso, se obtiene un sistema lineal que puede ser modelado con la ecuacin de una lnea recta: F(x)= mx+b
F(x)=1.0072729x+0
11
Figura 6. Representacin grfica de los modelos ajustados por medio de aproximacin con procesos gaussianos de regresin.
12
CONCLUSIN. Se logr estimar el tiempo promedio, en los que una orden es procesada en la unidad de servicio as como el tiempo total de procesamiento de un conjunto de rdenes, y a su vez nos permiten estimar la hora en la cual una orden determinada sale del sistema. Al obtener en la experimentacin el tiempo promedio de procesado de las piezas se puede llegar a una ecuacin lineal donde se representa el incremento proporcional al tiempo calculado.
Realizando una evaluacin cualitativa entre los valores que se pueden obtener de la relacin entre la hora de llegada y salida de una orden, se aprecia que los procesos Gaussianos describen ms eficientemente el comportamiento del sistema de manufactura en relacin a la aproximacin lineal. Pudimos realizar predicciones del estado futuro del sistema de manufactura mediante la evaluacin de valores futuros del tiempo en los modelos lineal y el proceso Gaussiano, dado que el proceso Gaussiano describe mejor el comportamiento con las pequeas fluctuaciones que tiene el sistema de manufactura.
13
PREGUNTAS
REFERENCIAS 1. Aracil, R. (2006). Robots paralelos. 3 (1). 2. C. Isaza, W. R. (2008). Modelo de maduracion del banano empleando procesos Gaussianos de regrecion . Scientia et Technica . 3. C. K. I. Williams, C. E. (1996). Gaussian Process for regrecion. Advances in Neural Information Processing Systems. 4. Gilat, A. (2006). Matlab: una introduccin con ejemplos prcticos. Reverte. 5. Ivan Garca Pacheco, J. G. (2007). A Methodology Based on Effective Practices to Develop Educational Software. Computacin y Sistemas , 11 (4). 6. Joan B. Fonollosa i Guardiet, J. M. (2002). Mtodos cuantitativos de organizacin industrial II (2 ed.). Edicions UPC. 7. Mercedes Ruiz Carreira, I. R. (2010). Estimacin del Coste de la Calidad del Software a travs de la Simulacin del Proceso de Desarrollo. 2 (1). 8. Olivares-Pacheco, J. F. (2007). Generacion de valores de las variables aleatorias. 9. Pedro Albertos, A. S. (2004).El control borroso,Una metodologia RIAII , 1 (2). 10. Reed Gerald, S. B. (1979). scattering theory. Methods of modern mathematical physics . 11. Shannon, R. E. (1975). Systems simulation. Universidad de Michigan . Michigan: Prentice-Hall. 12. Winston, C. (1997). Brookings Papers on Economic Activity. Brookings Institution Press. 13. C.V., R. S. (2011). RAPIPSA tecnologia al servicio de la industria. Recuperado el Jueves de Julio de 2011, de http://www.ripipsa.net/index.html
15