Paso 1 - reconocer los presaberes modelos simulación

Paso 2 - Modelar y Simular Sistemas Industriales con base en programación

lineal dinámica.

Paso 3 - Modelar y Simular sistemas industriales con base Modelos de

asignación.

Maria Paula Briñez Moreno

Grupo: 212026_3
1007384709
3232900243

Tutor
Diego Edixon Karacha Rodriguez

Universidad Nacional Abierta y a Distancia UNAD

Escuela de ciencias básicas tecnología e ingeniería
Modelos y simulación
Mayo de 2021
Medellín
 Introducción

En el siguiente trabajo se quiere que cada integrante del grupo reconozca los
conceptos básicos de la Modelación y la Simulación y les asocie con los
ejercicios orientados en el taller práctico de desarrollo individual, llegando a
identificar variables, parámetros y restricciones. Por lo que se busca mejorar el
conocimiento de un proceso o fenómeno, mediante diferentes herramientas.
Para este trabajo se realiza un análisis y revisión de los conceptos de
programación lineal determinística entre los que se encuentran (supuestos,
restricciones, variables, parámetros, subíndices y función objetivo)
aplicándolos en la resolución de situaciones cotidianas.

Cada una de las organizaciones está compuesta por una serie de sistemas que
tienen una característica especial, la cual es que pueden ser modelados para
resolver los problemas que puedan presentarse en la interacción entre ellos. El
modelamiento consiste en buscar el objetivo al que se quiere llegar y
determinar si se desea maximizar o minimizar según la necesidad a satisfacer,
por medio de una solución óptima que brinde reconocer los valores de cada
una de las variables existentes.
 Solución PASO 1

Actividad 1: Consulte y explique los siguientes conceptos:

a. Qué es la inferencia estadística, clases de muestreo, distribuciones

muestrales.

Es un grupo de métodos estadísticos, los cuales infieren o deduce como se debe

distribuir la población en un estudio, con la información proporcionada en una
muestra conoce las relaciones estocásticas entre las variables de interés. Los
métodos paramétricos de la inferencia estadística se pueden dividir, básicamente, en
dos: métodos de estimación de parámetros y métodos de contraste de hipótesis.
Ambos métodos se basan en el conocimiento teórico de la distribución de
probabilidad del estadístico muestral que se utiliza como estimador de un parámetro.

Inferencia Paramétrica: Se conoce la forma de la distribución (Normal, Binomial,

Poisson, etc.....) pero se desconocen sus parámetros. Se realizan inferencias sobre
los parámetros desconocidos de la distribución conocida.

Inferencia No Paramétrica: Forma y parámetros desconocidos. Se realizan

inferencias sobre características que no tienen por qué ser parámetros de una
distribución conocida (Mediana, Estadísticos de Orden).

Clases de muestreo

• Aleatorio: Son todos los elementos de la población son seleccionado al azar.

• Aleatorio con reposición: los elementos seleccionados vuelven a formar parte
del conjunto del que hacemos el muestreo
• Aleatorio sin reposición: Una vez seleccionado un elemento no puede
volver a ser seleccionado.
• Aleatorio estratificado: La población se divide en subconjunto, en cada uno
de los cuales se lleva a cabo el muestro de elemento.
 • Aleatorios conglomerados En este caso en lugar de seleccionar a todos los
sujetos de la población inmediatamente, el investigador realiza varios pasos
para reunir su muestra de la población.

Distribuciones muestrales

Cuando se realiza el estudio de determinadas características de una población se

realiza con 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.

• Distribución muestral de medias

Cuando se extra de una población una muestra de tamaño 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 .

Para muestras de tamaño n>30, la distribución muestral de proporciones sigue una
distribución normal

p = proporción de uno de los valores que presenta la variable estadística en la

población

q=1-p.

b. Qué es la programación lineal, formulación de un problema de programación

lineal, pasos para desarrollar método simplex.

Es uno de los instrumentos utilizados en investigación operativa para el

planteamiento y la resolución de problemas mediante la utilización de modelos
matemáticos. Así, el término programación hace referencia al procedimiento para
resolver un problema para obtener un resultado óptimo.

El adjetivo lineal implica que todas las funciones o restricciones que intervienen en el
modelo matemático han de ser lineales TIPOS Método Gráfico El procedimiento
gráfico comienza elaborando una gráfica que muestre las soluciones posibles
(valores X1 y X2). La gráfica tendrá valores los valores X1 en el eje horizontal y Los
valores X2 en el eje vertical

El procedimiento para hallar la solución gráfica consiste en lo siguiente:

• Para cada inecuación del sistema de restricciones (medio espacio cerrado) se

toma la recta correspondiente y se determinan los intercepto con la gráfica. Si
la recta pasa por el origen del eje de coordenadas, el término independiente
es cero, entonces se traza la recta tomando el origen y otro punto
determinado dando un valor arbitrario a una de las variables.
• Para determinar los puntos que satisfacen cada inecuación se sustituye un
punto cualquiera del espacio (se recomienda el origen cuyas coordenadas
son (0,0)), y de esta forma se determina si los puntos que satisfacen la misma
están hacia el lado que está el origen o hacia el lado contrario, señalando con
 una flecha ese lado. Cuando la recta pasa por el origen entonces se toma otro
punto cualquiera pero que sean sencillos los valores de sus coordenadas, por
ejemplo, (0,1), (1,0), (1,1), etc.
• Luego se determina la región solución que es la región del plano que
satisface todas las restricciones al mismo tiempo y que debe estar en el
primer cuadrante.
• La figura formada es un poliedro convexo que tiene un conjunto de puntos
extremos. Se busca el punto óptimo entre el conjunto de puntos extremos.
Para eso se sustituye cada par de puntos (X1, X2) de los puntos extremos en
la función objetivo y se calcula el valor de Z. Si se está maximizando el valor
de la misma, el punto óptimo será aquel que proporcione el valor mayor para
Z y si el criterio de optimización es de minimizar, entonces el punto óptimo
será aquel que proporcione el valor mínimo de Z.

El primer paso para la resolución de un problema de programación lineal

consiste en la identificación de los elementos básicos de un modelo
matemático, estos son:

Función Objetivo: La función objetivo tiene una estrecha relación con la pregunta
general que se desea responder. Si en un modelo resultasen distintas preguntas, la
función objetivo se relacionaría con la pregunta del nivel superior, es decir, la
pregunta fundamental.

Variables: Las variables de decisión, son en teoría, factores controlables del sistema
que se está modelando, y como tal, estas pueden tomar diversos valores posibles,
de los cuales se precisa conocer su valor óptimo, que contribuya con la consecución
del objetivo de la función general del problema.

Restricciones: las restricciones en un problema de programación lineal, nos

referimos a todo aquello que limita la libertad de los valores que pueden tomar las
variables de decisión.
Método Simplex

Constituye un procedimiento iterativo algebraico que resuelve cualquier problema en

un número finito de pasos. Fue elaborado por George Dantzing en 1947.La
concepción de este método ha facilitados que otros especialistas del tema
desarrollen otros métodos de solución con la misma filosofía, pero más adecuados
para la programación por computadoras. Para explicar el método simplex es
necesario definir un conjunto de conceptos básicos necesarios para la comprensión
del mismo.

Pasó a paso para construcción del método simplex

PASO 1: Modelación mediante programación lineal.

PASO 2: Convertir las inecuaciones en inecuaciones

PASO 3: Definir la solución básica inicial.

PASO 4: Definir la tabla simplex inicial.

PASO 5: Realizar las iteraciones necesarias.

c. Qué son los métodos determinísticos, pasos para la construcción de

modelos matemáticos, definición de variable, función objetivo y restricciones.

Métodos determinísticos: Además de ser una herramienta fundamental para la

toma de decisiones, optimiza los resultados logísticos, administrativos y financieros
de una organización con el fin de mejorar procesos, reducir costos y mejorar sus
recursos técnicos. Así mismo, plantea distintos métodos para solucionar problemas
relacionados con el transporte, la asignación y la distribución, elementos claves para
la solución eficiente de inconvenientes y/o dificultades que se puedan presentar en
el ejercicio empresarial.

Métodos probabilísticos: Modelo probabilístico o estadístico es la forma que

pueden tomar un conjunto de datos obtenidos de muestreos de datos con
comportamiento que se supone aleatorio.
Un modelo estadístico es un tipo de modelo matemático que usa la probabilidad, y
que incluye un conjunto de asunciones sobre la generación de algunos datos
muéstrales, de tal manera que asemejen a los datos de una población mayor.

Las asunciones o hipótesis de un modelo estadístico describen un conjunto de

distribuciones de probabilidad, que son capaces de aproximar de manera adecuada
un conjunto de datos. Las distribuciones de probabilidad inherentes de los modelos
estadísticos son lo que distinguen a los modelos de otros modelos matemáticos
deterministas.

Un modelo estadístico queda especificado por un conjunto de ecuaciones que

relacionan diversas variables aleatorias, y en las que pueden aparecer otras
variables no aleatorias. Como tal "un modelo es una representación formal de una
teoría

Pasos para la construcción de modelos matemáticos:

• Identificación del problema: Necesita ser simulada, optimizada o controlada.

• Elección del tipo de modelo: El modelo debe ser suficientemente simple como
para permitir un tratamiento matemático asequible con los recursos
disponibles.
• Identificar el mayor número de datos fidedignos, rotular y clasificar las
incógnitas.
• Formalización del modelo: En esta fase posiblemente se introduzcan también
simplificaciones suficientes para que el problema matemático de modelización
sea tratable computacionalmente.

Se detallara que forma tienen los datos de entrada, que tipo de herramientas
matemática se usara, como se adaptan a la información previa existente.

• Comparación de Resultados: Los resultados obtenidos como predicciones

necesitan ser comparados con los hechos observados para ver si el modelo
está presidiendo bien.
Si los resultados no se ajustan bien, frecuentemente se vuelve a la fase 1.

• Variables de decisión y parámetros

Las variables de decisión son incógnitas que deben ser determinadas a partir de la
solución del modelo. Los parámetros representan los valores conocidos del sistema
o que se pueden controlar. Las variables de decisión se representan por: X1, X2,
X3,…, Xn ó Xi, i = 1, 2, 3,…, n.

• Función Objetivo

La función objetivo es una relación matemática entre las variables de decisión,

parámetros y una magnitud que representa el objetivo o producto del sistema. Es la
medición de la efectividad del Modelo formulado en función de las variables.
Determina lo que se va optimizar (Maximizar o Minimizar).

• Restricciones: Las restricciones son relaciones entre las variables de decisión

y los recursos disponibles. Las restricciones del modelo limitan el valor de las
variables de decisión. Se generan cuando los recursos disponibles son
limitados

d. Modelos Matemáticos y Simulación en la Ingeniería Industrial: aplicaciones y

análisis de sensibilidad.

Los modelos matemáticos 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. Cuando hablamos de modelos de programación lineal en un problema de
optimización se busca maximizar o minimizar una cantidad específica llamada
objetivo, la cual depende de un número finito de variables, en un modelo de
optimización restringida, las variables se encuentran relacionadas a través de una o
más restricciones, es decir, las restricciones permisibles han sido limitadas de
alguna manera. Con la optimización restringida se busca obtener el mejor resultado
posible atendiendo a las restricciones.

La Importancia de la simulación en la ingeniería industrial.

La simulación de procesos es una de las más grandes herramientas de la ingeniería

industrial, la cual se utiliza para representar un proceso mediante otro que lo hace
mucho más simple y entendible. Esta simulación es en algunos casos casi
indispensable, como nos daremos cuenta a continuación. En otros casos no lo es
tanto, pero sin este procedimiento se hace más complicado.

Las áreas de aplicación de la simulación son muy amplias, numerosas y diversas,

basta mencionar sólo algunas de ellas:

Análisis del impacto ambiental causado por diversas fuentes Análisis y diseño de
sistemas de manufactura Análisis y diseño de sistemas de comunicaciones, la
simulación se utiliza en la etapa de diseño para auxiliar en el logro o mejoramiento
de un proceso o diseño o bien a un sistema ya existente para explorar algunas
modificaciones.

Tendencias tecnológicas en las industrias Recientes avances en las metodologías

de simulación y la gran disponibilidad de software que actualmente existe en el
mercado, han hecho que la técnica de simulación sea una de las herramientas más
ampliamente usadas en el análisis de sistemas.

Etapas de la modelación matemática en ingeniería

Se lleva a cabo cumpliendo los siguientes pasos, propuestos por Brito, Alemán,
Fraga, Para y Arias (2011):

a) Identificación del problema o proceso a resolver, junto con los objetivos, que
deben ser claros y concisos, con miras a obtener un resultado.
b) Conocimiento de los aspectos cognitivos que rigen el problema, por medio de
leyes, teorías y conceptos inmersos en la situación objeto de trabajo.
c) Formulación de la situación-problema en términos matemáticos
(matematización), mediante ecuaciones y/o relaciones matemáticas,
 identificando para ello las variables, parámetros y los supuestos a que haya
lugar.
d) Solución del problema y/o proceso matemático obtenido. Para ello se hará
uso de herramientas tales como tablas, gráficas, ecuaciones diferenciales,
estadística, investigación de operaciones.
e) Comparación del modelo con la situación real. En función de esto, es
necesario analizar los resultados obtenidos, verificando si las respuestas
alcanzadas son correctas, adecuadas o no, y además si se generan
soluciones extrañas.
f) Análisis de las restricciones al modelo. Es importante tener en cuenta las
suposiciones hechas, así como el marco donde se va a limitar el dominio de la
solución obtenida.
g) Escenario de aplicación del modelo, así como su interpretación. Es aquí
donde se evidencia el cumplimiento de metas, teniendo en cuenta sus
restricciones, si las hubiere.

El análisis de sensibilidad, dado un cierto rango de variables, es una forma de

predecir el resultado de una decisión. Es conocido también como análisis de
simulación o «qué pasa si». Al crear un conjunto dado de variables, un analista
puede determinar cómo los cambios en una variable afectan el resultado.

Una práctica relacionada es el análisis de incertidumbre, que se centra más en la

cuantificación y propagación de la incertidumbre. Idealmente, la incertidumbre y el
análisis de sensibilidad se deben ejecutar en conjunto

Una de las aplicaciones clave del análisis de sensibilidad es en el uso de modelos

por parte de los gerentes y responsables en la toma de decisiones. Se puede utilizar
todo el contenido necesario para el modelo de decisión mediante la aplicación
repetida del análisis de sensibilidad.

Ayuda a los analistas de decisión a comprender las incertidumbres, los pros y los
contras, con las limitaciones y el alcance de un modelo de decisión.
 Solución PASO 2

Actividad 1:

Simulación:

Es una técnica que imita (o simula) en un computador la práctica de un sistema

físico o teórico. Se inicia desarrollando un modelo conceptual, donde se describen
las dinámicas de interés, y luego implementarlo en un simulador para poder analizar,
estudiar y mejorar el comportamiento de un sistema.

Para poder comprender la realidad y toda la complejidad que un sistema puede

conllevar, ha sido necesario construir artificialmente objetos y experimentar con ellos
dinámicamente antes de interactuar con el sistema real. La simulación digital puede
verse como el equivalente electrónico a este tipo de experimentación. Para ello será
necesario construir objetos (modelos) que representen la realidad de tal modo que
puedan ser Interpretados por un ordenador

Por lo general, los simuladores se operan en modo diseño dejando al usuario la

tarea de iterar para obtener los resultados provistos por los otros modos. Por
ejemplo, para estimar el voltaje requerido para el calentador (modo diseño), se
pueden realizar varias simulaciones en modo análisis para un conjunto de valores de
voltaje, y se selecciona el que produce la salida deseada.

Modelación:

Entendida como un proceso de obtención de un modelo matemático a partir de un

problema o fenómeno del mundo real no ocurre de manera automática en inmediata
requiere de cierto período de tiempo en el cual el modelador pone en juegos sus
conocimientos matemáticos si utiliza con fórmulas matemáticas para representar la
relación entre distintas variables parámetros y restricciones.

Elementos básicos modelo matemático pueden variar en cuanto a su complejidad:

 • Variables: son los objetos que se buscan entender o analizar una variable
puede ser salario de los trabajadores y lo que queremos analizar los
principales.
• Parámetros son determinados límites que nos indican que los resultados del
análisis son razonables relaciones entre variables el modelo establece una
determinada relación entre las variables en teorías económicas físicas
químicas etc.
• Representaciones simplificadas entre las variables de estudio a través de
elementos de las matemáticas tales como funciones, ecuaciones, fórmulas,
etc.

.5

Solución Taller 1

Problema 1:

Problema 1: Una surtidora de retail contrató a la empresa “El Diamante” como

proveedor de martillos y cinceles en sus tiendas de artículos de herramental. La
demanda semanal de la surtidora consiste en al menos 2250 martillos y 1120
cinceles. La capacidad actual de El Diamante, en un turno, no basta para producir
las unidades que se le piden, y debe recurrir a tiempo extra y, quizá, a subcontratar
en otros proveedores de herramientas. El resultado es un aumento en el costo de
producción por unidad, como se ve en la siguiente tabla. La demanda del mercado
limita la proporción de cinceles a martillos a un mínimo de 2:1
A): Cómo debe organizar su producción en cada Tipo de Producción
b). Realice la simulación y analice el escenario de la situación a seguir: Suponga que

llega un nuevo proveedor, la empresa “Tuercas y Tornillos”, un referente proveedor

de martillos, y presenta la siguiente tabla con la capacidad de producción asociada:

CAPACIDAD DE PRODUCCIÓN – EMPRESA EL TO

Problema 2: Se fabrican dos aleaciones, A y B, a partir de tres metales, donde se deben
cumplir las siguientes condiciones sobre los componentes de dichos metales (I, II, III y IV),
de acuerdo con las siguientes especificaciones

A su vez, con relación a os metales se cuenta con información de los componentes,

la disponibilidad y los costos, según se resume en la siguiente tabla

Problema 3: Considerando los costos unitarios de transporte y cantidades de Oferta

y Demanda que se presentan a continuación, determine las cantidades óptimas a ser

transportadas desde cada origen y hacia cada destino.

Por medio de la herramienta Excel solver se encuentra la solución óptima del ejercicio, se
determina la función objetivo se hallaba conociendo los costos menores de transporte
Se afirma que el costo mínimo será de 6200, con la herramienta solver y gracias al método
simplex se determina que la deserción de envíos se tiene en cuenta el precio unitario del
transporte cantidades de oferta y demanda se obtuvo la cantidad óptima para ser
transportada desde los diferentes lugares de las plantas hasta las tiendas a continuación se
explica la distribución y se apoya en los cálculos realizados:

• Para la tienda 1 se envían 250 unidades desde la planta 1 para sí satisfacer la

demanda
• Para la tienda 2 se envían 150 unidades desde la planta 3 y así satisfacer dicha
demanda
• Para la tienda 3 se envían 200 unidades desde la planta núm4 y así satisfacer la
demanda de dicha tienda
• Para la tienda 4 se envían 250 unidades desde la planta 1 y 300 unidades desde la
planta dos para así satisfacer la demanda de esta tienda
 • Para la tienda 5, se envian 500 Udes desde la planta 1 y 50 desde la 3, cumpliendo
la demanda
• Para la tienda 6 se envian 100 udes desde la planta 1

Problema 4: Considerando los costos unitarios de transporte y cantidades de Oferta

y Demanda que se presentan a continuación, determine las cantidades óptimas a ser

transportadas desde cada origen y hacia cada destino

 TALLER-LABORATORIO 2: MODELOS DE

ASIGNACIÓN

Una empresa fabrica 2 productos en equipos semi–manuales, organizadas como se indica

en la gráfica y en 3 locaciones diferentes. Los tiempos de procesamiento en cada equipo,

junto con los costos de procesamiento y el número de operarios asignado se indican a

continuación.

Considerando que se trabaja 8 horas al día en6 días de la semana defina:

a) La cantidad semanal para producir de cada producto en cada planta, si los precios

de venta son $32.000/u y $28.700/u.

Tipos de operarios costos Tiempos
máquinas producto i1 producto i2
j planta planta planta planta planta planta planta planta planta planta planta planta
1 2 3 1 2 3 1 2 3 1 2 3
1 3 8 2 14 12 22 19 8 17 18 8 7
2 2 7 3 21 5 18 14 9 19 19 2 6
3 6 4 4 23 12 15 12 7 12 15 3 12
4 7 5 5 11 11 16 5 6 11 3 8 8
5 4 7 4 15 15 23 12 6 12 7 14 13
6 6 8 4 18 14 12 3 14 22 6 21 20
7 2 4 3 19 12 10 20 12 20 18 13 10
8 3 5 6 11 14 13 17 13 18 19 8 10
9 9 7 4 7 15 12 19 7 8 15 9 4
10 4 0 6 12 0 21 19 0 3 15 0 2
x1= 30300
x2= 29100
productos i = 1, 2
maquinas= j = 1,2,3,4,5,6,7,8,9,10
plantas k = 1,2,3
horas de trabajo HDT = 8
dias por semana DPS = 6
operarios H j.k =
costos C j.k =
tiempos T i.j.k =
precio de venta al publico pvp i =

• Maximización:

• Restricciones:

• Planta 1:
• Planta 2:

• Planta 3:
b) Realice la simulación y analice el escenario de la situación a seguir:
• Suponga que llega una nueva empresa de fabricación, con el siguiente escenario de
producción relacionado:
Tipos de operarios costos Tiempos
máquinas producto i1 producto i2
j planta planta planta planta planta planta planta planta planta planta planta planta
1 2 3 1 2 3 1 2 3 1 2 3
1 3 6 2 12 10 20 17 9 13 18 8 7
2 2 6 3 22 8 20 15 6 19 19 2 9
3 6 4 4 19 10 13 12 5 15 15 3 12
4 7 4 5 9 13 17 3 8 11 5 8 11
5 4 6 4 16 14 21 11 4 10 7 14 9
6 6 8 4 20 16 14 4 12 21 6 19 20
7 2 4 3 21 9 8 15 13 22 18 13 11
8 3 5 6 19 12 11 20 13 13 19 8 13
9 9 7 4 9 13 12 19 5 8 15 9 4
10 4 0 6 8 0 21 21 0 3 15 0 2

x1= 30300
x2= 29100
productos i = 1, 2
maquinas= j = 1,2,3,4,5,6,7,8,9,10
plantas k = 1,2,3
horas de trabajo HDT = 8
dias por semana DPS = 6
operarios H j.k =
costos C j.k =
tiempos T i.j.k =
precio de venta al publico pvp i =

• Maximizacion
• Restricciones:

• Planta 1:

• Planta 2:
• Planta 3:
 Conclusiones

La simulación es el estudio de un proceso con la observación del comportamientode un

modelo, en un cierto plazo, en respuesta a un patrón de entradas. losprocesos industriales

son fundamental para poder poner en marcha el proyecto olas nuevas actividades. El

desarrollo de Modelos Matemáticos de Simulación esuna moderna técnica analítica que

puede ser utilizada en las distintas etapas de laevaluación de estrategias alternativas.A

través de esta práctica también se pueden crear programas de mejoras continuasen los

diferentes procesos; Básicamente funcionan sustituyendo situaciones realespor situaciones

artificiales y a través de este proceso poder identificar las

El modelo de simulación planteado en esta investigación es una herramienta que permite

predecir con suficiente exactitud los conteos de la producción realizada en los diferentes

casos, realizar análisis dinámicos de sensibilidad del sistema ante variables relevantes y

describir de manera clara y efectiva la dinámica que compone el crecimiento y la

producción del caso en estudio.

 Referencia

• Guerrero, S. H. (2009). Programación lineal aplicada. Bogotá, CO: Ecoe Ediciones.

Disponible en la Biblioteca Virtual de la UNAD.(pp.249-271) Recuperado de:
https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?ppg=267&docI
D=3215329&tm=1544036375878

• Guerrero, S. H. (2009). Programación lineal aplicada. Bogotá, CO: Ecoe Ediciones.

Disponible en la Biblioteca Virtual de la UNAD.(pp.249-271) Recuperado de:
https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?ppg=267&docI
D=3215329&tm=1544036375878

• Hillier, F. S. (2010). Introducción a la investigación de operaciones (9a. ed.).

México, D.F., MX: McGraw-Hill Interamericana. Disponible en la Biblioteca
Virtual de la UNAD (pp. 282-309). Recuperado de:
https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?ppg=311&docI
D=3214887&tm=1544036769138

• MLA (Modern Language Assoc.)

González Ariza, Ángel León, and Guisselle Adriana García Llinás. Manual Práctico
de Investigación de Operaciones I. Vol. Cuarta edición, revisada y aumentada,
Universidad del Norte, 2015.

• Singer, M. (2013). Una práctica teoría de la optimización lineal : datos, modelos y

decisiones. Santiago, Chile: Ediciones UC. Disponible en la Biblioteca Virtual de la
UNAD (pp.3-69). Recuperado de
http://bibliotecavirtual.unad.edu.co/login?url=https://bibliotecavirtual.unad.edu.co:2
969/login.aspx?direct=true&db=nlebk&AN=1725244&lang=es&site=ehost-
live&ebv=EB&ppid=pp_3

• Hernández, Oscar. (23,08, 2017). Modelos y Simulación. [Archivo de video].

Recuperado de http://hdl.handle.net/10596/12978
APA (American Psychological Assoc.)
González Ariza, A. L., & García Llinás, G. A. (2015). Manual práctico de
investigación de operaciones I: Vol. Cuarta edición, revisada y aumentada.
Universidad del Norte.
http://bibing.us.es/proyectos/abreproy/5177/fichero/5+Aplicaci%C3%B3n%2C+An
%C3%A1lisis+de+sensibilidad.pdf
https://www.iit.comillas.edu/aramos/presentaciones/t_mms_M.pdf
file:///C:/Users/folder/Downloads/2308-4613-1-SM.pdf
• AA.VV. (1990): Orden y Caos. Barcelona: Prensa Científica. ABRAHAM, Ralph y
SHAW, Christopher D. (1987): Dynamics: a visual introduction. En F. Eugene
YATES (Ed.) (1987): Self-Organizing systems. The emergence of order. New
York: Plenum Press.

• ABRAHAM, Ralph y SHAW, Christopher D. (1987): Dynamics: the geometry

ofbehaviour. 4 vols. Santa Cruz: Aerial Press. ACKOFF, Russell L. (1959): Game,
decisions and organization. General Systems, 4, 145-150.

• ACKOFF, Russell L. (1994): Systems thinking and thinking systems. System

Dynamics Review, 10, 2-3, 175-188. AIHARA, Kazayuki (1991): Chaos in neural
networks.

• En GREBOGI, Celso y YORKE, James A. (Eds.): The impact of chaos on science

and society. Tokio: The United Nation University. ALTAN, Henri (1981):
Hierarchical self-organization in living. Noise and meaning. En M.

• ELENY (Ed.): Autopoiesis: a theory of living organization. New York: North

Holland Publishers. ARACIL, Javier (1983): Introducción a la dinámica de
sistemas. Madrid: Alianza. ARACIL, Javier (1986): Prólogo. En S.

• MARTÍNEZ y A. REQUENA: Dinámica de sistemas. 1. Simulación por ordenador.

2. Modelos. Madrid: Alianza (2 vols.). ASHBY, W. Ross (1956): An introduction to
cybernetics. London: Chapman and Hall.