RIOS INSUA, DAVID / RIUS INSUA, SIXTO
ÍNDICE PRÓLOGO CAPÍTULO 1. CONCEPTOS BÁSICOS 1.1. MÉTODOS ANALÍTICOS, NUMÉRICOS Y DE SIMULACIÓN 1.2. SIMULACIÓN DE SUCESOS DISCRETOS 1.3. OPTIMIZACIÓNMONTECARLO 1.4. PROCESO GENERAL DE LA SIMULACIÓN 1.5. EJERCICIOS CAPÍTULO 2. NÚMEROS ALEATORIOS 2.1. CONCEPTOS BÁSICOS SOBRE GENERACIÓN DE NÚMEROS ALEATORIOS 2.2. CONTRASTES EMPÍRICOS 2.3. GENERADORES CONGRUENCIALES 2.4. GENERADORES RECURSIVOSMÚLTIPLES 2.5. COMBINACIÓN DE GENERADORES 2.6. GENERADORES NO LINEALES 2.7. GENERADORES COMERCIALES 2.8. CONCLUSIONES 2.9. EJERCICIOS vi SIMULACIÓN: MÉTODOS Y APLICACIONES CAPÍTULO 3. GENERACIÓN DE VARIABLES ALEATORIAS 35 3.1. PRINCIPIOS DE GENERACIÓN DE VARIABLES ALEATORIAS UNIVARIANTES 3.2. MÉTODOS ESPECÍFICOS PARA DISTRIBUCIONES UNIVARIANTES CONTINUAS 3.3. MÉTODOS ESPECÍFICOS PARA DISTRIBUCIONES UNIVARIANTES DISCRETAS 3.4. DISTRIBUCIONESMULTIVARIANTES 3.5. PROCESOS ESTOCÁSTICOS 3.6. CONCLUSIONES 3.7. EJERCICIOS CAPÍTULO 4. GENERACIÓN DE VARIABLES ALEATORIAS CON CADENAS DE MARKOV 4.1. MUESTREADOR DE GIBBS 4.2. ALGORITMO DEMETROPOLIS-HASTINGS 4.3. ALGORITMOS HÍBRIDOS 4.4. MUESTREADOR GOLPEA Y CORRE 4.5. MUESTREADOR POR RODAJAS 4.6. CONCLUSIONES 4.7. EJERCICIOS CAPÍTULO 5. SIMULACIÓN DE SUCESOS DISCRETOS 5.1. MODELIZACIÓN Y SIMULACIÓN 5.2. SISTEMAS 5.3. MODELOS 5.4. CONCEPTOS BÁSICOS DE LA SIMULACIÓN DE SUCESOS DISCRETOS (SSD) 5.5. SSD DE SISTEMAS DE ESPERA 5.6. SSD DE UN MODELO DE INVENTARIO PROBABILÍSTICO 5.7. SSD PARALELA Y DISTRIBUIDA 5.8. SOFTWARE DE SSD 5.9. CONCLUSIONES 5.10. EJERCICIOS CAPÍTULO 6. SIMULACIÓN Y OPTIMIZACIÓN 6.1. OPTIMIZACIÓN LOCAL Y GLOBAL 6.2. MÉTODOS ESTOCÁSTICOS CLÁSICOS DE OPTIMIZACIÓN GLOBAL 6.3. MÉTODOS MODERNOS DE OPTIMIZACIÓN GLOBAL 6.4. CONCLUSIONES 6.5. EJERCICIOS CAPÍTULO 7. OTRAS APLICACIONES 7.1. INTEGRACIÓNMONTECARLO 7.2. APLICACIONES ESTADÍSTICAS DE LA SIMULACIÓN 7.3. COMPUTACIÓN ALEATORIZADA 7.4. APLICACIONES EN INTELIGENCIA ARTIFICIAL 7.5. CONCLUSIONES 7.6. EJERCICIOS CAPÍTULO 8. ANÁLISIS DE RESULTADOS 8.1. CONCEPTOS BÁSICOS 8.2. ESTIMACIÓN PUNTUAL 8.3. ESTIMACIÓN DE LA PRECISIÓN 8.4. CONCLUSIONES 8.5. EJERCICIOS CAPÍTULO 9. TÉCNICAS DE REDUCCIÓN DE LA VARIANZA235 9.1. MOTIVACIÓN 9.2. VARIABLES ANTITÉTICAS 9.3. VARIABLES DE CONTROL 9.4. CONDICIONAMIENTO 9.5. MUESTREO POR IMPORTANCIA 9.6. NÚMEROS ALEATORIOS COMUNES 9.7. MUESTREO ESTRATIFICADO 9.8. CONCLUSIONES 9.9. EJERCICIOS CAPÍTULO 10. PLANIFICACIÓN DE EXPERIMENTOS 10.1. TAMAÑOMUESTRAL 10.2.DISEÑO DE EXPERIMENTOS 10.3.METAMODELOS DE REGRESIÓN 10.4.OPTIMIZACIÓN 10.5. CONCLUSIONES 10.6. EJERCICIOS CAPÍTULO 11. SIMULACIÓN DE UNA LÍNEA DE FLUJO DE TRABAJO 11.1.DESCRIPCIÓN YMODELIZACIÓN DEL PROCESO 11.2. NECESIDAD DE USAR SIMULACIÓN 11.3. IMPLEMENTACIÓN DEL MODELO DE SIMULACIÓN 11.4. DISEÑO DEL EXPERIMENTO DE SIMULACIÓN Y RESULTADOS309 11.5. CONCLUSIONES APÉNDICE. PROBABILIDADES Y ESTADÍSTICA: CONCEPTOS BÁSICOS A.1. PROBABILIDADES A.2. VARIABLE ALEATORIA A.3. MOMENTOS A.4. PRINCIPALES DISTRIBUCIONES A.5. CONVERGENCIA A.6. PROCESOS ESTOCÁSTICOS A.7. SERIES TEMPORALES A.8. MUESTREO E INFERENCIA BIBLIOGRAFÍA ÍNDICE DE AUTORES ÍNDICE ANALÍTICO
La Simulación consiste en construir modelos informáticos que describen la parte esencial del comportamiento de un sistema de interés, así como en diseñar y realizar experimentos con tales modelos con el fin de extraer conclusiones de sus resultados para apoyar la toma de decisiones. Típicamente, se utiliza en el análisis de sistemas tan complejos que no es posible su tratamiento analítico o mediante análisis numérico. La Simulación es hoy una metodología de experimentación fundamental en campos tan diversos como la Economía, la Estadística, la Informática, la Ingeniería Química, la Ecología y la Física, con enormes aplicaciones industriales y comerciales, que van desde los sistemas de manufacturación a los simuladores de vuelo, pasando por los juegos de ordenador, la predicción bursátil y la predicción meteorológica. De forma amena y rigurosa, esta segunda edición del libro describe los principales métodos y aplicaciones de la Simulación. Tras introducir las ideas básicas sobre generación de números aleatorios, se revisan los principales métodos de generación de variables aleatorias, con énfasis especial en los métodos de cadenas de Markov, como el muestreador de Gibbs. Se estudian después las principales aplicaciones de la Simulación: se comienza por la simulación de sucesos discretos, junto con una introducción a los lenguajes de simulación; se revisan después los principales métodos de optimización global basados en simulación, como el recocido simulado, los algoritmos genéticos o la búsqueda tabú; y por último, se describe un grupo misceláneo de aplicaciones que incluyen la integración Montecarlo, el bootstrap, el razonamiento probabilístico en sistemas expertos y el análisis de redes neuronales. A continuación, se estudian los métodos de análisis de resultados de la simulación, las técnicas de reducción de la varianza y la planificación de experimentos de simulación. Se concluye con el estudio de un proyecto real y completo de simulación que permite la revisión de los conceptos principales. El libro presenta numerosos ejemplos y ejercicios ilustrativos, así como un apéndice sobre probabilidades que permite el autoestudio y referencias exhaustivas a sitios web relevantes en simulación.
