RECONOCIMIENTO DE PRE SABERES MODELOS

DE SIMULACIÓN

PRESENTADO POR:
YENNY JIMENEZ MORENO

GRUPO: 212026A_1141

PRESENTADO A:

NIDIA STELLA
RINCON PARRA

UNIVERSIDAD NACIONAL ABIERTA Y A

DISTANCIA ESCUELA DE CIENCIAS BASICAS,
TECNOLOGIA E INGENIERIA
MODELOS Y SIMULACIÓN
2022
 INTRODUCCION

Con el desarrollo del siguiente trabajo se puede llegar a conocer a la importancia que tiene
los diferente tipos de modelos o herramientas informáticas que facilitan los trabajo a
Ingenieros Industriales a la hora de querer realizar un proyecto, es muy importante que el
futuro Ingeniero entienda que es mejor primero realizar simulaciones y pruebas para así
determinar los puntos fuertes de una actividad o proyecto, el modelo matemático es ideal
ya que nos permite analizar de forma cuantitativa la viabilidad a la hora de querer
implementar un proyecto.

JUSTIFICACION
Nosotros como estudiante debemos tener la iniciativa de investigar y resolver todas
nuestras dudas y en cuanto tema nuevos que abordemos durante del desarrollo nuestros
cursos podemos aumentar más nuestras habilidades competitivas en la universidad.
 OBJETIVO

Reconocer los presaberes de modelos y simulación, para el reconocimiento de la

problemática
Dar respuesta a los interrogantes presentado con respecto a modelos y simulación
Identificar los integrantes del grupo para el grupo para así tener una comunicación asertiva
en futura actividades
 DESARROLLO DE ACTIVIDAD

1. ¿Qué es la programación lineal?

La programación lineal es un método mediante el cual se optimiza, ya sea maximizando o

minimizando, una función objetivo, donde las variables están elevadas a la potencia 1.
Esto, tomando en cuenta distintas restricciones dadas.

Aplicaciones de la programación lineal en marketing

Selección de medios publicitarios: La Programación Lineal se utiliza en el campo del

marketing y la publicidad como una herramienta que nos permite determinar cuál es la
combinación más efectiva de medios para anunciar nuestros productos. En muchas
ocasiones partiremos de un presupuesto para publicidad fijo y nuestro objetivo será
distribuirlo entre las distintas opciones que se nos ofrecen (televisión, radio, periódicos,
revistas, etc.) de forma que nuestros productos tengan la mayor difusión posible. En otros
casos, las restricciones no serán presupuestarias, sino que vendrán dadas por la
disponibilidad de cada medio y por las políticas publicitarias de nuestra propia empresa.

Aplicaciones de la programación lineal en producción

Combinación óptima de bienes: A menudo las técnicas de PL permiten decidir sobre la

cantidad más adecuada que una empresa debe producir de cada uno de sus productos a fin
maximizar los beneficios sin dejar de cumplir con unos determinados requisitos
(financieros, de demanda, contractuales, de disponibilidad de materias primas, etc.).
Planificación de la producción: El establecer un plan de producción para un período de
semanas o meses resulta ser una tarea difícil e importante en la mayoría de las plantas de
producción. El director de operaciones debe considerar muchos factores: mano de obra,
costes de inventario y almacenamiento, limitaciones de espacio, demanda, etc. Por lo
general la mayoría de las plantas producen más de un bien, con lo que la tarea anterior se
complica aún más. Como veremos en el siguiente ejemplo, el problema de la planificación
se asemeja bastante al de la combinación óptima de bienes, pudiendo ser el objetivo
maximizar beneficios o bien minimizar los costes de producción más almacenamiento.

Aplicaciones de la programación lineal a la distribución de áreas

Asignación de trabajos: El objetivo aquí será asignar de la forma más eficiente posible un
trabajo a cada empleado o máquina. Ejemplos de este tipo de asignación serían la
distribución de coches patrulla por las calles de una ciudad o el destino de cada jefe de
ventas a una determinada zona geográfica. El objetivo puede ser bien minimizar los
tiempos o costes de desplazamiento, o bien maximizar la efectividad de las asignaciones.
Aparte de poder utilizar los algoritmos tradicionales (Simplex y Karmarkar), este tipo de
problemas también puede resolverse usando técnicas especialmente diseñadas para sus
características como el método húngaro, el cual necesita de menos iteraciones para dar con
la solución.
Una propiedad particular de los problemas de asignación es que tanto los coeficientes
tecnológicos cómo los términos independientes (right-hand-side) siempre toman el valor 1.
Además, todas las variables serán binarias, tomando el valor 1 si la asignación propuesta se
lleva a cabo y 0 en caso contrario.
Planificación de horarios: La planificación de horarios intenta dar una respuesta efectiva a
las necesidades de personal durante un período concreto de tiempo. La aplicación de la PL
a este tipo de problemas resulta especialmente útil cuando los directivos disponen de cierta
flexibilidad a la hora de asignar tareas a empleados polifuncionales. Un sector tipico donde
se hace uso de la PL para tomar decisiones sobre planificación de horarios son las
entidades bancarias.

Aplicaciones de la programación lineal a las finanzas

Selección de una cartera de valores: Un problema al que se tienen que enfrentar de forma
habitual los directivos de bancos, fondos de inversión, y compañías de seguros es la
selección de una serie de inversiones concretas de entre la gran variedad de alternativas
existentes en el mercado. Por norma general, el objetivo de estos directivos es maximizar
los beneficios esperados de estas inversiones, las cuales se ven sometidas a un conjunto de
restricciones, algunas legales y otras provenientes de la propia empresa (como puede ser el
nivel de riesgo que se desea asumir o la cantidad máxima que se permite invertir).

Aplicaciones de la programación lineal a la logística

EL PROBLEMA DEL TRANSPORTE:
El llamado problema del transporte se refiere al proceso de determinar el número de
bienes o mercancías que se han de transportar desde cada uno de los orígenes a cada uno de
los destinos posibles. El objetivo suele ser minimizar costes de transporte, y las
restricciones vienen dadas por las capacidades productivas de cada origen y las necesidades
de cada destino. Este tipo de problema es un caso específico de PL, por lo que existen
métodos y algoritmos especiales que facilitan su resolución (Regla de la Esquina Noroeste,
Método de Vogel, Método de Paso Secuencial, y Método de distribución modificada o
MODI).

Aplicaciones de la programación lineal a mezclas

El problema de la dieta: Este problema representa una de las primeras aplicaciones de la

PL, y comenzó a utilizarse en los hospitales para determinar la dieta más económica con la
que alimentar a los pacientes a partir de unas especificaciones nutritivas mínimas. En la
actualidad también se aplica con éxito en el ámbito agrícola con la misma idea de encontrar
la combinación óptima de alimentos que, logrando un aporte nutritivo mínimo, suponga el
menor coste posible.
 ¿Qué son los métodos determinísticos?

Técnicas que utilizan ecuaciones o algoritmos desarrollados previamente para situaciones

similares. Estos métodos no involucran enfoques estocásticos o estadísticos.
Generalmente, los métodos determinísticos son más fáciles y más rápidos de aplicar y
resultan más adecuados para las aplicaciones computacionales.
No obstante, quizás no proporcionen los modelos de yacimientos más detallados o más
precisos.
Tipos:

Construcción de una red.

Modelos de transporte y Distribución
Modelos de Asignación

¿Qué son los métodos probabilísticos?

Son aquellos en los que parte de la información requerida no se conoce con certeza. Como
ejemplo de este tipo de modelos se tiene: las cadenas de Márkov, líneas de espera, teoría de
juegos, teoría de inventarios, entre otros.
La modelación matemática

La modelación matemática es un intento de describir alguna parte del mundo real en

términos matemáticos. En un modelo matemático se establece un conjunto de
relaciones (de igualdad y/o de desigualdad) definidas en un conjunto de variables que
reflejan la esencia de los fenómenos en el objeto de estudio.
las herramientas de software.

Las herramientas de software se utilizan para realizar los procesos de negocio, documentar
el proceso de desarrollo del software y optimizar todos los procesos. Al utilizar estas
herramientas en el proceso de desarrollo de software, el resultado de los proyectos será más
productivo. Utilizando las herramientas de desarrollo, un desarrollador puede mantener
fácilmente el flujo de trabajo del proyecto.
Las herramientas para desarrollar software, complementan a los entornos de desarrollo,
utilizados por los desarrolladores de software para crear, editar, mantener, implementar y
depurar otras aplicaciones y programas. Estos entornos se pueden denominar plataforma de
desarrollo o más genéricamente software de programación, entre otras acepciones.

-La modelación matemática y las herramientas de software.

La modelación matemática es un intento de describir alguna parte del mundo real en

términos matemáticos. En un modelo matemático se establece un conjunto de relaciones
(de igualdad y/o de desigualdad) definidas en un conjunto de variables que reflejan la
esencia de los fenómenos en el objeto de estudio.
Matemáticas
Phyton Software de Matemáticas e Ingenierías en la Konrad Lorenz
Python es un lenguaje de programación cuya filosofía hace hincapié en una sintaxis que
favorezca un código legible. Se trata de un lenguaje de programación que soporta
orientación a objetos, programación imperativa y en menor medida, programación
funcional.
Matlab y paquetes especializados Software de Matemáticas e Ingenierías en la Konrad
Lorenz. Esta aplicación incluye el programa núcleo básico de Matlab, cuya finalidad es
efectuar cálculo simbólico y numérico para modelos matemáticos en diferentes contextos
de aplicación con los siguientes paquetes especializados:

Simulink: Permite diseñar y generar simulaciones diversas mediante modelos matemáticos.

Symbolic Math ToolBox: Paquete especializado para el cálculo simbólico de expresiones
matemáticas complejas.
Optimization ToolBox: Este paquete permite el diseño, la simulación y optimización de
procesos de información y productos.
R: R es un software libre para computación estadística y gráfica. R provee una amplia
variedad de técnicas estadísticas (modelamiento lineal y no lineal, pruebas estadísticas
clásicas, análisis de series de tiempo, clasificación, clustering, etc.) y técnicas gráficas.

Ingeniería Industrial
FlexSimSoftware de Matemáticas e Ingenierías en la Konrad Lorenz.
Actualmente, FlexSim es uno de los softwares más poderosos para modelar, analizar,
visualizar y optimizar procesos de manufactura, operación, cadenas de producción y hasta
plantas industriales completas en un entorno 3D y con variables de eventos reales y
estadísticos. FlexSim es el software líder en simulación y grandes empresas lo usan para
previsualizar sus estrategias de expansión, para optimizar la administración, mejorar
procesos, determinar su capacidad o minimizar costos y errores operativos.

SolidWorks
Software de Matemáticas e Ingenierías en la Konrad Lorenz
Este software CAD 3D SolidWorks ofrece herramientas de análisis y validación integradas
y fáciles de usar que permiten simular escenarios como "¿qué ocurriría si disminuyo la
presión en.?" para optimizar los diseños realizados. Permite validar los diseños en
condiciones reales para mejorar la calidad del producto y reducir significativamente los
costos de desarrollo y fabricación. Todos los sectores se enfrentan a una serie de retos
únicos en el mercado de hoy en día, caracterizado por la creciente competitividad.
SolidWorks ofrece soluciones que ayudan con los problemas de ingeniería más
complicados.

Promedio ahorro para usuarios SolidWorks:

23% de reducción en el ciclo de diseño del producto

16% de reducción en la elaboración de los prototipos
20% de reducción en solicitudes de cambio de ingeniería (ECO)
34% de reducción en el tiempo para completar cada solicitud de cambio de ingeniería
(ECO) 21% de aumento en ahorro de desechos debido a la menor cantidad de errores de
diseño
Igualmente, al salvar la distancia entre las ideas y la tecnología, SolidWorks prepara a los
estudiantes para realizar carreras gratificantes como ingeniería y les proporciona las
habilidades fundamentales que solicitan los empresarios.
2. Qué es la inferencia estadística, clases de muestreo, distribuciones muestrales.

INFERENCIA ESTADISTICA:

La inferencia estadística es el conjunto de métodos que permiten inducir, a través de una

muestra estadística, el comportamiento de una determinada población. La inferencia
estadística, estudia entonces como, a través de la aplicación de dichos métodos sobre los
datos de una muestra, se pueden extraer conclusiones sobre los parámetros de la población
de datos. De la misma manera estudia también el grado de fiabilidad de los resultados
extraídos del estudio.

CLASE DE MUETREO:

NO PROBALISTICOS:

El muestreo no probabilístico es una técnica de muestreo donde las muestras se recogen

por medio de un proceso que no les brinda a todos los individuos de la población las
mismas oportunidades de ser seleccionados.

Aunque seleccionar algunos de estos métodos podría resultar en datos sesgados o en una
capacidad limitada para hacer conclusiones generales basadas en los hallazgos, también
existen algunas situaciones en las que seleccionar este tipo de técnica de muestreo es la
mejor opción para cierta pregunta de investigación o para una etapa de la investigación.

Muestreo por conveniencia:

Basarse en los sujetos disponibles, como detener a las personas en la esquina de la calle
mientras pasan por ahí, es un método de muestreo, aunque es extremadamente riesgoso y
debe realizarse con cautela.
Este método, también conocido como un método basado en los sujetos disponibles, no le
permite al investigador tener control sobre la representatividad de la muestra.

Muestreo deliberado, crítico o por juicio: Una muestra intencional o por juicio es aquella
que se selecciona en base al conocimiento de una población o propósito del estudio.

Muestreo Bola de Nieve: Es adecuado utilizar una muestra de bola de nieve cuando los
miembros de una población son difíciles de localizar, como las personas sin hogar,
trabajadores migrantes o inmigrantes indocumentados.
Una muestra de bola de nieve es aquella en la que el investigador recopila datos sobre los
pocos miembros de la población objetivo que puede localizar, y luego les pide que le
proporcionen la información necesaria para localizar a otros miembros que conozcan de
esa población.

Muestreo por Cuotas: Una muestra por cuota es aquella en la que las unidades son
seleccionadas en una muestra partiendo de las características predeterminadas, de modo
que la muestra total tenga la misma distribución de características que se supone que
existen en la población que está siendo estudiada.
MUESTREO PROBALISTICOS:

Es una técnica en la cual las muestras son recogidas mediante un proceso que le brinda a
todos los individuos de la población la misma oportunidad de ser seleccionados.
Muchos consideran que este es metodológicamente el enfoque más riguroso para el
muestreo, ya que elimina los sesgos sociales que podrían moldear la muestra de
investigación.
Sin embargo, en última instancia la técnica de muestreo que elijas debe ser la que te
permita responder mejor a tu pregunta de investigación.

Muestreo Aleatorio Simple:

La muestra aleatoria simple es el método de muestreo básico utilizado en métodos
estadísticos y cálculos.
Para recopilar una muestra aleatoria simple, a cada unidad de la población objetivo se le
asigna un número. Luego se genera un conjunto de números aleatorios y las unidades que
tienen esos números son incluidas en la muestra.

Muestreo Sistemático:
En una muestra sistemática, los elementos de la población se ponen en una lista y luego
cada enésimo elemento de la lista se selecciona sistemáticamente para su inclusión en la
muestra.
Para garantizar que no haya ningún sesgo humano en este método, el investigador debe
seleccionar aleatoriamente al primer individuo. Esto es técnicamente llamado una muestra
sistemática con un inicio aleatorio.

Muestreo Estratificado:
Una muestra estratificada es una técnica de muestreo en la que el investigador divide a toda
la población objetivo en diferentes subgrupos o estratos, y luego selecciona aleatoriamente
a los sujetos finales de los diferentes estratos de forma proporcional.
Este tipo de muestreo se utiliza cuando el investigador quiere resaltar subgrupos
específicos dentro de una población.

Muestreo por Conglomerados:

El muestreo por conglomerados puede ser utilizado cuando es imposible o impráctico
elaborar una lista exhaustiva de los elementos que constituyen a la población objetivo.
Sin embargo, generalmente lo elementos de la población ya están agrupados en
subpoblaciones y las listas de esas subpoblaciones ya existen o pueden ser creadas.

DISTRIBUCIONES MEUSTRALES

El estudio de determinadas características de una población se efectúa a través de diversas

muestras que pueden extraerse de ella.
El muestreo puede hacerse con o sin reposición, y la población de partida puede ser infinita
o finita. Una población finita en la que se efectúa muestreo con reposición puede
considerarse infinita teóricamente. También, a efectos prácticos, una población muy grande
puede considerarse como infinita. En todo nuestro estudio vamos a limitarnos a una
población de partida infinita o a muestreo con reposición.
Consideremos todas las posibles muestras de tamaño n en una población. Para cada
muestra podemos calcular un estadístico (media, desviación típica, proporción,...) que
variará de una a otra. Así obtenemos una distribución del estadístico que se llama
distribución muestral.
Las dos medidas fundamentales de esta distribución son la media y la desviación típica,
también denominada error típico.
Hay que hacer notar que si el tamaño de la muestra es lo suficientemente grande las
distribuciones muestrales son normales y en esto se basarán todos los resultados que
alcancemos.

Distribución muestral de medias:

Cada muestra de tamaño n que podemos extraer de una población proporciona una media.
Si consideramos cada una de estas medias como valores de una variable aleatoria podemos
estudiar su distribución que llamaremos distribución muestral de medias.

Si tenemos una población normal N(m,s) y extraemos de ella muestras de tamaño n, la

distribución muestral de medias sigue también una distribución normal
Si la población no sigue una distribución normal, pero n>30, aplicando el llamado Teorema
central del límite la distribución muestral de medias se aproxima también a la normal
anterior.

Distribución muestral de proporciones:

En numerosas ocasiones se plantea estimar una proporción o porcentaje. En estos casos la

variable aleatoria toma solamente dos valores diferentes (éxito o fracaso), es decir sigue
una distribución binomial y cuando la extensión de la población es grande la distribución
binomial B(n,p) se aproxima a la normal .

-Formulación de un problema de programación lineal

Variables de decisión (Xj): son las incógnitas del problema. Serán los niveles de
fabricación y venta, o de utilización de un proceso, en el caso de que el empresario
establezca como objetivo la maximización de sus ingresos o beneficios. Por el contrario, si
los que desea es la minimización de los costes de producción, las incógnitas serán las
cantidades de factores necesarias para hacer frente a la demanda.

Función objetivo: como se ha comentado con anterioridad, puede ser formulada siguiendo
un principio de óptimo, buscando la maximización de los ingresos o beneficios
empresariales, que viene dado por los productos o servicios ofrecidos.
Max = C1x1+C2x2+...............+Cnxn

Donde Cj son los rendimientos directos unitarios de los procesos j (1, 2,..., n).

Por otro lado, puede basarse en un principio de ahorro, donde lo que se quiere es minimizar
el coste empleado en la producción, por lo que habrá que controlar la asignación de los
factores, así como las cantidades disponibles de estos.

Min = y1x1+y2x2+...............+ymxm
Donde yi son los costes unitarios de los factores i empleados (1, 2,..., m).
Recursos limitados: en el caso de que la función objetivo sea maximizar serán:
a11x1 + a12x2 + ... + a1nxn ≤ b1
a21x1 + a22x2 + ... + a2nxn ≤ b2
am1x1 + am2x2 + ... + amnxn ≤ bm

Dónde:

— aij: son los coeficientes técnicos y representan la cantidad de factor i (1, 2,..., m)
necesaria para fabricar una unidad de producto j (1, 2,.... n). Estos coeficientes técnicos
forman la denominada matriz tecnológica o de coeficientes técnicos de la empresa (Amxn).
Cada columna de esta matriz representa un proceso productivo Pj.
— bm: son los recursos disponibles para la empresa. Su valor absoluto dependerá de la
dimensión empresarial. Forman un vector columna (b). Ejemplo: unidades de material.
c) Restricciones de oferta: relacionada con la cantidad mínima de los bienes que tienen que
comercializarse para cubrir los costes fijos o, por el contrario, la cantidad máxima que la
empresa puede fabricar de un determinado producto.
d) Restricción de no negatividad o sentido económico: las cantidades fabricadas y vendidas
de los productos, así como los consumos mínimos de los factores para garantizar la
demanda, deben ser positivos o nulos.
La definición del número de variables y de ecuaciones (restricciones y limitaciones) es
algo que lo determina el propio empresario, según las características de la empresa en un
momento dado. A continuación planteamos un sencillo ejemplo de producción que sigue
un modelo de programación lineal.

-Pasos para desarrollar método simplex

Modelación mediante programación lineal

Convertir las inecuaciones en ecuaciones
Definir la solución básica inicial
Realizar las iteraciones necesarias

-Pasos para la construcción de modelos matemáticos

1. Definición del problema de interés y recolección de los datos relevantes.

2. Formulación de un modelo que represente el problema.

3. Solución del modelo.

4. Prueba del modelo.

5. Preparación para la aplicación del modelo.

6. Puesta en marcha.
Definición de variable

Una variable matemática es un símbolo utilizado para proponer fórmulas, algoritmos o

ecuaciones. Esta, a su vez, puede tomar diferentes valores, dependiendo estos de otras
variables, así como de una serie de parámetros y de ciertas constantes.

Función objetivo y restricciones

Es la ecuación que será optimizada dadas las limitaciones o restricciones determinadas y

con variables que necesitan ser minimizadas o maximizadas usando técnicas de
programación lineal o no lineal.

- Modelos Matemáticos y Simulación en la Ingeniería Industrial:

Aplicaciones de modelos matemáticos:

Los modelos matemáticos son utilizados para analizar la relación entre dos o más variables.
Pueden ser utilizados para entender fenómenos naturales, sociales, físicos, etc.
Dependiendo del objetivo buscado y del diseño del mismo modelo pueden servir para
predecir el valor de las variables en el futuro, hacer hipótesis, evaluar los efectos de una
determinada política o actividad, entre otros objetivos.

Aplicaciones de Simulación en la Ingeniería Industrial:

Explorar diferentes alternativas.

Optimizar los tiempos de producción.
Aumentar la calidad y fiabilidad del diseño.
Análisis de puntos críticos del proceso.
Ergonomía
Producción
Mantenimiento.
Logística.
Lay-out (disposición de medios)
Análisis de la capacidad máxima de producción.
Evaluar el diseño de instalaciones para adaptarse a la fabricación de nuevos modelos.
Evitar costes extra al simular el proceso antes de instaurarlo.
Visualización del proceso antes de la implantación.
Facilidad de revisión, modificación y optimización de diseños en tiempo real.
Reducir tiempos de implantación.
Mayor impacto visual.
Además, como beneficios intangibles, encontramos que la simulación posibilita que los
clientes entiendan y comprendan los procesos de una forma completa, permitiendo
identificar los problemas de una forma clara y concisa.

Análisis de sensibilidad Modelo matemático:

El desarrollo y uso de modelos matemáticos para la resolución de problemas en distintas

áreas de la ciencia y de la ingeniería es una práctica habitual. Un modelo matemático, en
general formado por un conjunto de fórmulas y ecuaciones, puede ser considerado una caja
negra a la que ingresan factores o parámetros y de la que salen respuestas o resultados.
Después del desarrollo de un modelo es indispensable corroborar la validez y
representatividad del mismo, como así también evaluar su sensibilidad. En un análisis de
sensibilidad se estudia la influencia de cada factor en la variación o incertidumbre de la
respuesta. Si bien existen distintas técnicas para realizar este estudio, en el presente trabajo
se emplean el método basado en el diagrama de dispersión y el método basado en la
varianza. Utilizando ambas técnicas, se aborda el estudio de sensibilidad de dos modelos,
uno desarrollado para obtener las propiedades elásticas de un material compuesto con daño
en la interfaz fibra-matriz y otro desarrollado para simular el tratamiento térmico de
austemperizado de una fundición de hierro nodular. En el primer modelo se consideran
como factores los parámetros de daño de la interfaz y como salida se analizan las
variaciones de los módulos de Young trasversales y los módulos de corte. En el segundo
modelo, correspondiente a un problema transitorio con material no lineal, se consideran
como factores los parámetros del tratamiento térmico y las características
microestructurales y la composición química de la fundición de hierro no dularal inicio del
proceso; los resultados analizados son los tiempos óptimos de austenizado y
austemperizado, las fracciones de fase y la deformación lineal de pieza al final del
tratamiento térmico. En ambos casos, se identificó el grado de contribución y de
interacción de cada uno de los factores. Además, en el segundo modelo fue posible
identificar tendencias reportadas en ensayos experimentales disponibles en la literatura.

Análisis de sensibilidad de Simulación en la Ingeniería Industrial:

A través de la simulación se puede medir o esquematizar un proceso mediante la creación

de un modelo que recoja el sistema de producción de la planta, en un entorno virtual. Al
trabajar con un proceso virtual, todo error o ineficiencia puede ser solventada sin que haya
una afección real en la planta productiva, además de ello, también nos permite anticiparnos
a su resultado. Mediante la simulación podemos analizar cualquier tipo, cambio o
propuesta, antes de que esta se lleve a cabo sin que ello conlleve ningún coste extra, de
manera rápida, precisa y libre de riesgos.

Mediante la simulación y el análisis de los procesos podemos verificar el lay-out y la

posición de los elementos que lo componen, optimizar los tiempos de ciclo, así como
verificar y optimizar accesos, manipulaciones y la ausencia de colisiones.
 Conclusiones

 Aprender a identificar los tipos de modelos que se utilizan para tomar una decisión
en una empresa.
 La diferencia que hay entre inferencia y los métodos determinísticos son muy
importante poderlo identificar así llegar a tener un resultado mas preciso al
momento de evaluación una decisión.