4 Concetos de Modelados y Aplicaciones PDF

El mapa no es el territorio.
Alfred Korzybski (1879-1950),

filsofo y cientfico quien desarroll la teora de la semntica general.
CAPITULO 3:
Conceptos de Modelado
y Aplicaciones
Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

curso: Ingeniera de Informacin Empresarial
UNIVERSIDAD PRIVADA ANTENOR ORREGO
Escuela de Ingeniera Industrial 2016 VI ciclo
Al completar ste captulo ser capaz de:
El propsito de este captulo es presentar el concepto de

modelado y algunos lenguajes inherentes as como las
tcnicas esenciales para el diseo de una empresa.
Entender el proceso de modelado como herramienta
para representar aspectos de la empresa bajo estudio
Abstraccin del Modelo, Vistas, y Propsito.
Diferenciar entre los tipos de modelos
Usar el lenguaje iThink y el software Stella para la
simulacin de modelos mentales.
Usar modelos UML, Petri-Net y Data Mining como
tcnicas esenciales para el diseo de empresas.
Introduccin
El mundo es COMPLEJO Las organizaciones son COMPLEJAS Por eso HACEMOS modelos
DEFINICION DE MODELO
Una representacin abstracta de la realidad que

excluye muchos detalles infinitos del mundo real.
Puede ser:
Modelo matemtico
Modelo grfico
Modelo textual
Modelo de simulacin computarizado
El propsito de un modelo es reducir la
complejidad de entendimiento o interactuar con
un fenmeno al eliminar los detalles que no
influencian su comportamiento relevante.
Es importante no confundir al modelo con el
sistema siendo modelado.
La cita en el primer slide del captulo dice: el
mapa no es el territorio. El mapa es el modelo del
territorio.
En otras palabras, el mapa es una abstraccin del
territorio en una representacin bidimensional
Los mapas hacen uso de simbolos; por ejemplo los
puntos representan ciudades. Claramente, una
ciudad no es un punto.
Los mapas ignoran muchos detalles del territorio.
Los beneficios que el modelado proporciona son:
Visualizacin
Comunicacin del anlisis de ideas y diseo de ideas.
Diseo
Anlisis.
En resumen, los modelos son indispensables para
la ingeniera de empresas, y podramos agregarlos
tambin, a las otras disciplinas de ingeniera.

Nivel de Importancia de los Modelos
Menos Importante Ms Importante
Avin de Papel Avin de Combate

Todos los
Construyendo
elementos Elementos representados
posibles Elementos incluidos en
en el MODELO MENTAL
el MODELO MENTAL
Qu debo incluir en Cmo debo representar lo que

mi modelo mental? inclu en mi modelo mental?
Resultados de
la Simulacin
Simulando
Conclusiones
& Decisiones
Estructura de un Modelo de Cadena de Suministro
flujo material
CONSUMIDOR DE CERVEZA
MINORISTA
DATOS FINANCIEROS
MAYORISTA
PARAMETROS
GENERALES
flujo informacin
flujo de conexin
CERVECERIA DISTRIBUIDOR

CARACTERISTICAS DE LOS MODELOS
Las tres caractersticas de los modelos son:

PROPSITO gua al lector para entender lo que el
modelo esta intentando mostrar y porqu.
NIVEL DE ABSTRACCIN nivel de detalle (vertical)
PUNTO DE VISTA parecido a la abstraccin, pero
desde diferentes perspectivas o Weltanschauung
(horizontal).
El PROPOSITO. Todos los modelos son, o deberan

ser, desarrollados con un propsito que es
determinado por el modelador.

El propsito del modelo determina que aspectos
de las caractersticas y del comportamiento del
sistema necesita ser representados en el modelo y
que aspectos pueden ser omitidos
Un modelo revela lo que su creador cree que es
importante para comprender o predecir los
fenmenos modelados.
Para ilustrar la importancia de conocer el
propsito de un modelo, considere la proyeccin
del planeta tierra de Mercator.

Africa es 10 veces
ms grande que
Groenlandia!
El propsito del
modelo NO es la
exactitud del tamao
La Proyeccin Mercator fu creado con el propsito de

ayudar la navegacin del Viejo Mundo al Nuevo Mundo
PRODUCT
En este Diagrama
Product numbers
de Flujo de Datos
DFD, el propsito
Product ENTER
CUSTOMER
selection PRODUCTS
order
SHIPPING es mostrar cmo
ORDER
Shipping rate fluyen los datos a
order CALCULATE
SHIPPING
COSTS
travs del sistema
Shipping costs
Order for approval
El Modelo NO
Order and shipping costs
CALCULATE
TOTAL
Tax rate
Tax table
muestra la
secuencia de las
COSTS
actividades
CHECK
CREDIT
Credit approval
VISA CREDIT
CARD
AGENCY
Modelos de Procesos:
En este START
Flujograma, el ENTER
propsito es PRODUCTS
mostrar la CALCULATE
secuencia de
SHIPPING
COSTS
actividades CALCULATE
TOTAL
ORDER
NO muestra
cmo fluyen los CHECK
CREDIT
datos a travs del

sistema.
ORDER
ENTER NEW
CREDIT FORWARDED
CREDIT OR NO YES
GOOD? TO
ABORT
WAREHOUSE
Modelos de Procesos: END

Dos Modelos del Mismo Proceso
PRODUCT
START
Product numbers
Product ENTER ENTER

CUSTOMER
selection PRODUCTS PRODUCTS
order
SHIPPING
CALCULATE
SHIPPING
Shipping rate COSTS
ORDER
order CALCULATE
SHIPPING
COSTS
Shipping costs CALCULATE
TOTAL
Order for approval
DATOS ORDER
ACTIVIDADES
Tax table
CALCULATE Tax rate CHECK
Order and shipping costs TOTAL CREDIT
COSTS
CHECK
ORDER
CREDIT ENTER NEW
CREDIT FORWARDED
CREDIT OR NO YES
Credit approval GOOD? TO
ABORT
WAREHOUSE
VISA CREDIT
CARD
Se trata de 2 modelos de procesos de un mismo sistema,
AGENCY pero debido a que cada modelo tiene un propsito
END
diferente, se nota diferentes estructuras
La ABSTRACCION. La figura muestra una serie de
bocetos progresivamente ms abstractos de un
toro.
En ingeniera y en la prctica de un ingeniero
esta el de dibujar bocetos y clculos rpidos en
pedazos de papel para explicar algo a otro
ingeniero.
Aqu el propsito es transmitir rpidamente algn
concepto. Tiene poco sentido invertir una
cantidad de tiempo y esfuerzo en hacer un dibujo
detallado si el ms simple boceto sirve para el
mismo propsito.

En muchas tcnicas de modelado de empresas, el
nivel de abstraccin es proporcionado por las
reglas del modelo o sus convenciones.
La abstraccin basado en
reglas del modelo o del
negocio ocurre en el mo-
delado de la informacin
cuando se usan los
diagramas Entidad-Relacin.
El PUNTO DE VISTA. El modelador escoge el nivel
de abstraccin y el punto de vista para completar
el propsito del modelo.
En el enfoque sistmico es conocido como
Weltanschauung (de Welt= "mundo", y
anschauen = "observar")

EL PUNTO DE VISTA DE LOS MODELOS
Los sistemas empresariales que estamos

interesados en modelar son demasiado complejos
para poder representar en un simple modelo
todas las cosas que deseamos conocer acerca del
sistema.
Una estrategia para mostrar todas las cosas que
deseemos mostrar de un simple sistema es tener
mltiples modelos del mismo sistema pero
construidos a partir de diferentes puntos de vista.
Un punto de vista representa slo una cierta parte
del sistema siendo modelado.
A menudo, en dibujo mecnico aprendemos
dibujar 3 vistas del objeto: la vista frontal, la vista
lateral y la vista superior.
Figura 1/2. Vista Frontal del Objeto Fsico

Possibility 1 Possibility 2
A A
Figura 2/2. Dos Posibles Vistas Superiores para la misma Vista Frontal

Individualmente, ninguno de estas vistas pueden
revelar la figura tridimensional del objeto.
Los sistemas empresariales no pueden ser
entendidos a partir de una nica perspectiva;
mltiples perspectivas o puntos de vistas son
necesarios con el fin de entender totalmente el
sistema empresarial. En realidad, para los sistemas
empresariales, no existe ningn acuerdo sobre el
nmero de vistas que deben ser incluidas.

En este curso usamos tres vistas definidas como:
Vista de Procesos
Vista de Informacin y
Vista Organizacional
Algunos modelos definen las vistas mas all de las

tres. El framework de Zachman define 6 vistas, en
Ingeniera de Software, UML define ms de 10.

QUE? COMO? DONDE?
datos proceso red
Objetivos/ Listado de cosas Listado de procesos Listado de localizaciones
Alcance
Planificador
Modelo de la Empresa Modelo Conceptual de la Modelo de Procesos del Sistema Logstico del
o modelo estratgico Empresa Negocio Negocio
Propietario
Modelo del Sistema Modelo de Datos Lgico Aplicacin de la Arquitectura del Sistema
arquitectura Distribuido
Diseador
Modelo Tecnolgico Modelo de Datos Fsico Diseo del Sistema Arquitectura del Sistema
Constructor
Representaciones Definicin de Datos Programa Arquitectura de la Red

detalladas
Subcontratista
Funcionamiento de la Datos Funcin Red
empresa
Framework de Zachman
UML Diagramas y Vistas
Una arquitectura referencial para un sistema ERP
(Enterprise Resource Planning) requiere las
siguientes vistas:
Vista de Datos o de Informacin - describe la
estructura de datos de las entidades u objetos en el
sistema.
Vista de Funciones - describe las funciones soportadas
por el sistema (lo que el sistema hace)
Vista de Procesos - describe cmo el sistema completa
las funciones.
Vista de Organizacin - describe cmo esta organizada
la empresa.

EL LENGUAJE DE MODELADO
Los Modelos son expresados en trminos de un

lenguaje de modelado.
El lenguaje de modelado define los constructos o
elementos primitivos o smbolos de modelado y
las reglas de como se les puede usar.
Los constructos pueden ser grficos o textuales.
Cada constructo de modelado tiene una sintaxis
definida para saber como puede ser usado en el
modelo y una semntica definida para saber
como interpretar el constructo.

Ha habido un deseo en ambas partes, la
comunidad de investigacin y la industria, para
desarrollar lenguajes de modelado con
semnticas ms formales.
Las semnticas formales:
nos ayuda a evitar los problemas inherentes en las
representaciones ambiguas de la comunicacin.
Habilitan a los computadores a interpretar mensajes,
los cuales permiten la comunicacin de computador-a-
computador sin intervencin humana.

Para ilustrar, consideremos el lenguaje XML
(eXtendible Markup Language) usado por
muchas industrias para la comunicacin entre
sistemas basado en Web.
Por ejemplo, en la cadena de suministros de
automviles, las compaas pueden ser
habilitadas para enviar rdenes de compra va
Web a cada una de las otras sin necesidad de
intervencin humana.
El diagrama causal o de influencia es un lenguaje
elemental para la descripcin de los sistemas.
Veamos mediante un ejemplo sencillo cmo
podemos analizar la estructura sistmica de un
proceso. Supongamos el hecho elemental de
llenar un vaso con agua.
El proceso que tiene lugar, en lenguaje ordinario
es muy simple: el agente (el
que llena el vaso) compara
el nivel alcanzado en el vaso
con el nivel deseado, si existe
discrepancia acta sobre el cao
con lo que influye sobre el nivel . . .
https://www.youtube.com/watch?v=qK3NpqI1MjY&spfreload=10
alcanzado, que es de nuevo comparado con el

nivel deseado; segn disminuya la discrepancia, se
ir cerrando el cao, hasta que al anularse esta, se
cierre definitivamente.
Dinmica de sistemas: llenado de un vaso con agua:

https://www.youtube.com/watch?v=nBEn479Qk2w
Tutorial de Dinmica de sistemas: Forestacin de madera Caoba
https://www.youtube.com/watch?v=0pBmzMpcHOg
Existen instrumentos adicionales que permiten re-

elaborar los diagramas causales para convertirlos
en unos objetos matemticos ms ricos, que
reciben la denominacin de sistemas dinmicos, y
que simulados en el computador permiten
generar trayectorias que representan el
comportamiento de los sistemas.
La dinmica de sistemas se refiere al comporta-
miento dinmico que pueden presentar los
sistemas (sistemas dinmicos), en un sentido
restringido se emplea para denominar una
metodologa concreta, desarrollada por Jay W.
Forrester.
La dinmica de sistemas utiliza un lenguaje para el
modelado y simulacin de sistemas complejos
basado en variables de nivel (stock), variables de
flujo y variables auxiliares.
En general el propsito del Pensamiento Sistmico
es ofrecer un mejor marco estructural (framework)
para garantizar la construccin y subsecuente
simulacin de nuestros Modelos Mentales.

Qu debo incluir en Cmo debo representar lo que
mi Modelo Mental? inclu en mi Modelo Mental?
El lenguaje del pensamiento sistmico, como es el
software Stella o tambin el iThink, integra las
palabras con un simple conjunto de iconos: stock,
flow, converter y connector.
En el aprendizaje de cualquier
lenguaje, existe una progresin
lgica, que empieza con las
partes bsicas en un habla,
movindonos luego a la construccin de
sentencias, luego la construccin de prrafos, y
finalmente escribir historias cortas y formas ms
elaboradas de una composicin.
Sustantivos y Verbos: Ithink

toma al menos un sustantivo
y un verbo para constituir una
sentencia gramaticalmente
correcta. La diferencia es que
lo hace basado en iconos de
naturaleza operacional.
Como es notorio, los sustantivos representan cosas
y estados del ser.
Las cosas son usualmente fsicas en su naturaleza,
como: inventario, recuento, cash o dinero en
efectivo, deuda, y polucin.
Los estados del ser son usualmente no fsicos en
su naturaleza, como: calidad, enojo, hambre, sed,
auto-estima, satisfaccin de cliente, compromiso, y
confianza.
Los sustantivos en iThink son representados por
rectngulos y son llamados stocks.
Existen cuatro variedades de stocks: depsito
(reservoir), faja transportadora (conveyor), linea de
espera o cola (queue), cmara (oven)
El reservoir opera ms parecido a una tina de
bao. Las cosas desembocan en un depsito, y
una vez all, las entidades individuales son
indistinguibles.
El conveyor opera como la faja transportadora
que vemos en los aeropuertos, o parecido a una
escalera

automtica

en algn mall


Tanto queue como oven son muy importantes
para hacer lo que se llama simulaciones de
eventos discretos donde queues (colas) y ovens
(servicios) son instrumentos al servicio de lo que el
mundo ve como discreto.
Los verbos representan acciones o actividades.
Diferente a los sustantivos, los cuales existen en
algn punto en el tiempo, los verbos existen en el
tiempo.
Las sentencias son realmente necesarias para
expresar algo interesante lo cual se logra al juntar
sustantivos y verbos.
Las sentencias, a su vez son los bloques
constructivos de los prrafos.
Una sentencia simple tiene un stock, con su aso-
ciado flujo(s). Una sentencia compuesta envuelve
al menos 2 stocks conectados por al menos 1 flujo.

sentencias enlazadas. En el camino para escribir
prrafos, es importante aprender como juntar
sentencias. Resulta que slo hay 2 maneras de
hacerlo.

Un paragraph (prrafo) en iThink es un bucle de
realimentacin un bucle cerrado de causalidad.
Existen slo 2 tipos de bucles de realimentacin:
counteracting (accin de autocorreccin) y
reinforcing (accin de refuerzo) a veces referido
como bucle negativo y bucle positivo
respectivamente.
Un bucle de realimentacin existe cuando un
sustantivo (stock) es enlazado a un verbo (flujo)
en la misma sentencia.


Visualizing Math with STELLA: https://www.youtube.com/watch?v=0NCbdgChALM

En esta parte se presentan tres tcnicas de
modelado: el lenguaje UML (Unified Modeling
Language), el lenguaje para las Redes de Petri y el
lenguaje para Minera de Datos.
UML es un lenguaje standard para:
especificar visualizar construir documentar modelar negocios comunicar

Vistas diferentes en UML:
Usuarios Diseadores Analistas

46 use case using spark enterprise architect: https://www.youtube.com/watch?v=vLWzPC0ITaI
diagramado Estructurado de Casos Uso con Enterprise Architect:
https://www.youtube.com/watch?v=kvzyfabOIMU&index=5&list=PLCIyvHQYYgA3AcAJxF1yU8zFOQnHwoThD
El modelo use case o de casos de uso describe un
sistema en trminos de sus distintas formas de
utilizacin, cada una de las cuales se le conoce
como un caso de uso.
El modelo de casos de uso especifica la
funcionalidad que el sistema ha de ofrecer desde
la perspectiva de los usuarios y lo que el sistema
ha de realizar para satisfacer los requerimientos
de estos usuarios.

El modelo de casos de uso utiliza 3 elementos
bsicos:
ACTORES , para modelar los diferentes papeles que los
usuarios del sistema puedan representar
CASOS DE USO, para representar todo aquellos que el
usuario ha de poder realizar en el sistema.
RELACIONES, para asociar los elementos anteriores.
Adems de los 3 elementos previos un diagrama
de casos de uso puede contener notas y
restricciones.

uc Casos de uso principales
Aplicacin Telfono mvil

El lmite del sistema muestra la
interfaz lgica entre usuarios y el
sistema que se describe.
hacer llamadas
telefnicas
recibir llamadas
telefnicas
Usuario de
telfono mv il
Jugar j uegos
Tomar fotografas

Ahora, tomemos como ejemplo el use case o caso
de uso de un sistema que procesa eventos
establecidos en-linea para fabricantes, compaas
de logstica de transporte y clientes quienes
compran o venden productos.
A continuacin se describen los mdulos del
sistema ejemplo:
Procesado de eventos
Fabricante
Logstica de transporte
Cliente

PROCESADO DE EVENTOS: El mdulo de
procesado de eventos responden a los eventos
en el escenario del sistema o interface del usuario.
FABRICANTE: En este mdulo fabricante, se
ingresar los detalles del producto. La empresa de
logstica de transporte remitir la solicitud del
cliente al fabricante. Luego el fabricante enviar
los detalles del producto a la compaa de
transporte para la fecha y hora de entrega y
recojo del producto. Por medio del fabricante se
enviarn los detalles de exportacin.
COMPAA DE LOGISTICA DE TRANSPORTE: El
cliente puede solicitar un producto desde la
compaa de logstica de transporte. Por lo tanto,
es mediante este mdulo Logstica de Transporte,
donde se vern las solicitudes de productos
hechas por los clientes. Luego la compaa de
logstica de transporte reenviar la solicitud al
fabricante o rechazar la solicitud. As que de
acuerdo a los detalles de los productos enviados
por el fabricante la compaa de logstica de
transporte entrega el producto.
CLIENTE: En este mdulo cliente, se miran los
detalles del producto. Si el cliente quiere comprar
cualquier producto luego el cliente ordena el
producto desde la compaa logstica de
transporte.
El cliente puede hacer un seguimiento a su orden
desde la compaa logstica de transporte, donde
el cliente ver los detalles importantes.

uc Casos de uso principales
PROCESAMIENT O DE EVENT OS CADENA DE

SUMINIST RO
elij e producto
acepta o rechaza
aolicitud de producto
fabricante flow
flow solitud de producto
flow
cliente
detalles de exportacin
flow flow
detalles de importacin
compaa de env os
entrega de
producto/fecha de
recoj o
Petri Net o red de Petri es una tcnica de modela-
do grfico y matemtico que se remonta a la
disertacin de Carl Adam Petri pu-
blicada en1962 en la Universidad
Tcnica de Darmstadt (Alemania).
Una red Petri consiste de lugares,
transiciones, y arcos de conectividad.
Los lugares (estados) son elementos
pasivos de una red Petri, estos pueden contener
0,1 ms tokens que representan los datos
almacenados en aquel lugar.
Los lugares son dibujados como crculos.
Los Tokens representan los elementos de datos
asignados a los lugares. Cada lugar puede tener 0, 1
ms tokens en ello.
Una transicin utilizada por la clase de redes de
flujo de trabajo tiene un lugar de entrada (input)
y uno de salida (output). Las transiciones son
dibujadas como rectngulos:

Para las transiciones, se define el siguiente comporta-
miento:
Si existe al menos un token en el lugar de entrada, un

token es removido desde este lugar y un token es
adicionado al lugar de salida.
Un arco conecta lugares con transiciones de la

red de Petri o viceversa, i.e. siempre se refiere al
elemento de tipos diferentes. Los arcos son
dibujados como flechas.

En la ltima dcada, las Redes de Petri han
tambin llegado a ser un concepto poderoso en
el rea de modelado de procesos de negocios y
gestin de flujo de trabajo (workflow
management).
Actualmente, se ha ampliado la notacin original
de Petri Net con muchas caractersticas tiles
necesarias en el rea de modelado de procesos
de negocios sin sacrificar la naturaleza
matemtica del formalismo resaltado de Petri Net.

Estructura de Petri Nets:
C = (P, T, I, O)
P: conjunto de lugares o estados: P1, P2,

T: conjunto de transiciones: T1, T2,
I: funcin de entrada a las transiciones y toma
del valor del token del conjunto de los: P1, P2,
O: funcin de salida o OUTPUT
Esta es la estructura
es una cuaterna (o
una 4-tupla) esttica
de la Red de Petri
Estructura Computacional de Petri Nets:
C = (P, T, I, O)
lugares P = {P1, P2, P3, P4}
transiciones T = {t1, t2, t3}
I = entradas I(t1)= {P1} O(t1)= {P2} O = salidas
I(t2)= {P2, P4} O(t2)= {P3}
I(t3)= {P3} O(t3)= {P1, P4 }

La Red Petri es usado primariamente para
estudiar el comportamiento dinmico
concurrente de los sistemas basados en red
donde existe un flujo discreto
Las redes de Petri son aplicadas en la prctica en
la industria, academia, y otros lugares. links:
http://www.scielo.org.co/scielo.php?pid=S0123-
30332015000200004&script=sci_arttext&tlng=pt
http://www.informatik.uni-
hamburg.de/TGI/PetriNets/applications

El conjunto de tokens que Ejecucin de Petri Nets:
tiene la red en un momento
determinado se le asocia a un
vector u que va a tener la
cantidad de lugares que
tenga la red.
Cada vector tiene un estado
distinto sin que su tamao
crezca.
ua = (1001)
ub = (0101)
uc = (0010)

ud = (1001)

Propiedades de la Red de Petri
A B
SECUENCIAL
AND-split A AND-join
CONCURRENTE
B
A
OR-split OR-join
ALTERNATIVO
B
ITERATIVO
A C
En este ejemplo, describimos una lnea de
produccin de dos robots y dos mquinas
(2R2M). Robot 1 Mquina 1 Robot 2 Mquina 2
Productos
finales
partes CONVEYORS
(fajas transportadoras)
Pallet
Cada mquina es servido por un robot dedicado.

Un conveyor es usado para transportar piezas de
trabajo, un mximo de 2 a la vez, el otro conveyor
es usado para transportar pallets vacos.
https://www.youtube.com/watch?v=WpFt5rVP2pQ
Robot 1 Mquina 1 Robot 2 Mquina 2
Productos
finales
partes CONVEYORS
(fajas transportadoras)
Pallet
En este ejemplo, describimos una lnea de
produccin con dos robots y dos mquinas
(2R2M). Ac: acumulador
Ro: robot
To: torno
Ta: taladro
AGV: automated guided vehicle
CELDA 1 CELDA 2
inventario
de materia almacenaje
Ac Ac
prima
Ro Ro
To Ta
AGV

Ahora describimos la red Petri para una lnea de
manufacturacin (2R2M).
CELDA 1 CELDA 2
inventario
de materia almacenaje
Ac Ac
prima
Ro Ro
To Ta
AGV
En este otro ejemplo, describimos una mquina
de ventas de caramelos (CVM).
CVM tiene una ranura de monedas y un
compartimiento dentro del cual los paquetes de
caramelos son soltados.
En el estado inicial del CVM,
la ranura de monedas con-
tiene una moneda.
Cookie Vending Machine CVM - Petri Nets:

En la figura mostrada t1
esta habilitada, porque su
arco de llegada empieza en un lugar que
contiene una moneda o token.
Situacin Problemtica:
De un tiempo a esta parte algunos clientes
desadaptados tratan de insertar pedazos de metal
inservible dentro de la ranura de monedas del CVM
esperando obtener algo por nada.
Algunos tratan de vandalizar la eleccin de opciones
para conseguir productos gratis.
Estos problemas hacen que el negocio tenga un
margen muy estrecho de utilidades
Caractersticas Funcionales de un CVM:
Aceptar objetos de monedas del cliente en pago por
su compra.
Chequear cada objeto para asegurarse que no es un
objeto inservible. Esto se hace validando el tamao,
peso, grosor, y bordes aserrados.
Acepta monedas de 1, 2, 5 dcimos de nuevo sol as
como de1, 2 y 5 nuevos soles. Cualquier otra moneda
debe ser tratado como sin valor y retornado al cliente.
Slo inicia clculos de pagos o proceso de seleccin de
productos luego que una moneda vlida es detectada.
Acepta seleccin de productos desde el cliente.

Chequea para percatarse si el producto elegido esta
disponible (chequear el dispensario de productos o
QOH para asegurarse que no est vaco) y en el caso
que no hubiese disponibilidad, entonces retorna las
monedas automticamente y notifica el cliente.
Acepta una variedad de productos, los cuales
cambiaran de tiempo en tiempo. De aqu, que como
una caracterstica de mantenimiento, los precios de los
productos deberan ser cambiables o actualizables.
Retorna el pago al cliente si el/ella decide no hacer
seleccin.
Despachar el producto al cliente si esta disponible y la
cantidad es suficiente.
Retornar el cambio exacto al cliente si la cantidad
depositada es mayor que el precio del producto.
Deshabilitar la eleccin del producto luego que el
producto sea entregado y hasta que la siguiente
moneda(s) vlidas sean recibidas (recuerde de
aquellos clientes desadaptados)
Tenga monedas depositadas disponibles para dar
vuelto.

Aplicacin de Petri Net Cookie Vending Machine
Data Mining o Minera de Datos es un trmino
reciente para una clase de tcnicas que
encuentran patrones o relaciones que no han sido
previamente descubiertas en los
datos. Es un proceso interactivo
centrado en el usuario el cual
aprovecha las tecnologas de
anlisis y potencia de la
computacin. No depende
de una base de datos existente.

Formalmente definido es el proceso de analizar
datos desde diferentes perspectivas y resumirlas
dentro de una informacin til.
Una tarea relativamente fcil que requiere el
conocimiento del problema del negocio/
experiencia en el tema.
Data Mining es relacionado a la Estadstica y a las
Mquinas de Aprendizaje machine learning
(aprendizaje automtico), pero en realidad tiene
su propio objetivo y alcance.

Ejemplos del Uso de Data Mining
Agente en un BANCO:
Debo conceder el crdito a este cliente?
Gerente de un SUPERMERCADO:
Cundo se compran huevos, se suele comprar
tambin aceite?
Director de RR.HH. de una EMPRESA:
Qu tipos de empleados tengo?
Comercial de una EMPRESA DE VENTAS:
Cuntos televisores planos se estima vender el
siguiente mes?

Un banco desea obtener reglas para predecir
qu personas de las que solicitan un crdito no
lo devuelven.

AGENTE en un BANCO:
Debo conceder el crdito a este cliente?
datos
histricos
Minera de Datos
patrn/modelo

Un gerente de un supermercado quiere obte-
ner informacin sobre el comportamiento de
compra de sus
clientes. Piensa que
de esta forma puede
mejorar el servicio
que le ofrece: reubica-
cin de los productos que
se suelen comprar juntos,
localizar el emplazamien-
to idneo para nuevos
productos, etc.
GERENTE de un SUPERMERCADO:
Cundo se compran huevos, se suele comprar
tambin aceite?
datos
histricos
Minera de Datos
patrn/modelo

El director de RRHH de una empresa
desea categorizar a sus empleados en
distintos grupos con el objetivo de en-
tender me-
jor su com-
portamiento
y tratarlos
de manera
adecuada.

DIRECTOR de RR.HH. de una EMPRESA:
Qu tipos de empleados tengo?
datos
histricos
Minera de Datos
patrn/modelo

Una cadena de tiendas de
electrodomsticos desea optimizar el
funcionamiento de su almacn manteniendo
un stock suficiente de cada producto.

COMERCIAL de una EMPRESA DE
VENTAS:
Cuntos televisores planos se estima vender
en fiestas patrias que viene?
datos
histricos
Minera de Datos
patrn/modelo

Data Mining (DM) &
Business Intelligence (BI)
Reglas de Minera en la ASOCIACION
Propuesto por Agrawal et al en 1993.

Es un modelo importante de data mining estudiado
extensivamente por la comunidad cientfica de
database y data mining.
Asume que todos los datos son categricos.
No buen algoritmo para datos numricos
Inicialmente usado para Anlisis de Cesta de
Mercado para encontrar como los items comprados
por los clientes estan relacionados.
Pan Leche [sup = 5%, conf = 100%]

El modelo: datos
I = {i1, i2, , im}: un conjunto de artculos o items.
Transaccin t :
t un conjunto de items, y t I.
Transaccin de base de datos o database T: un

conjunto de transacciones T = {t1, t2, , tn}.

Datos de transaccin: datos
de supermarket
Transacciones de cesta de mercado:
t1: {pan, queso, leche}
t2: {manzana, huevos, sal, yogurt}

tn: {biscocho, huevos, leche}
Conceptos:
Un item: un item o un artculo en una cesta
I: conjunto de todos los items vendidos en la tienda
Una transaccin: items comprados en una cesta;
puede tener TID (ID de transaccin)
Un dataset transaccional: Un conjunto de
transacciones
Datos de transaccin: un
conjunto de documentos
Un conjunto de datos de documentos texto.
Cada documento es tratado como una
bolsa de palabras claves
doc1: Estudiante, Ensea, Colegio
doc2: Estudiante, Colegio
doc3: Ensea, Colegio, Ciudad, Juego
doc4: Baseball, Basketball
doc5: Basketball, Jugador, Espectador
doc6: Baseball, Entrenador, Juego, Equipo
doc7: Basketball, Equipo, Ciudad, Juego
El modelo: reglas
Una transaccin t contiene X, un conjunto de items

(itemset) en I, si X t.
Una regla de asociacin es una implicancia de la
forma:
X Y, donde X,Y I, y X Y =
Un itemset es un conjunto de items.

E.g., X = {leche, pan, cereal} es un itemset.
Un k-itemset es un itemset con k items.
E.g., {leche, pan, cereal} es un 3-itemset

Mtricas de Fortaleza de una Regla
Support (respaldo): La regla se mantiene con el
respaldo o support sup en T (el dataset
transaccional) si sup% de las transacciones contiene
X Y.
sup = Pr(X Y).
Dada una regla Si X Y, el respaldo de esta regla
se define como el nmero de veces o la frecuencia
(relativa) con que X y Y aparecen juntos en T.
El respaldo puede definirse para los items
individualmente.
El primer requisito que podemos imponer para limitar
el # de reglas es que tengan un respaldo mnimo.
1000 transacciones
leche GLORIA
400 transacciones
El sup (leche GLORIA) = 400 1000 = 0.4

Note que esto es, en el lenguaje de probabilidades, la
P(leche GLORIA) una probabilidad marginal.
1000 transacciones
pan de molde
50 transacciones
Ahora, consideremos otro item, el pan de molde

Sup (pan de molde) = 50 (en trminos absolutos)
Sup (pan de molde) = 50 1000 (en trminos relativos)
P(pan de molde) = 0.05 es otra probabilidad marginal
Ahora, consideremos los items leche GLORIA y el pan de molde
1000 transacciones
Leche GLORIA
Pan de molde
360 trans.
40 trans.
10 trans.
Sup (leche GLORIA y pan de molde) = 40 (en trminos absolutos)

Sup (leche GLORIA y pan de molde) = 40 1000 = 0.04 (en trminos relativos)
P(leche GLORIA y pan de molde) = 0.04 es una probabilidad conjunta.
Confidence (confianza): La regla se mantiene en T
con la confianza o confidence o conf si conf% de las
transacciones que contiene X tambien contiene Y.
conf (X Y) = Pr(Y | X)
Una regla de asociacin es un patrn que se
establece cuando X ocurre, Y ocurre con cierta
probabilidad.
Dada una regla Si X Y, la confianza o conf de
esta regla es el cociente del respaldo o sup de la
regla y el sup del antecedente solamente.
conf (X Y) = sup(X Y) / sup (X )

Si sup mide frecuencia, conf mide la fortaleza de la
regla.
Ahora veremos:
Cul es la conf de pan de molde leche GLORIA?
Cual es la conf de leche GLORIA pan de molde?

Cul es la conf de pan de molde leche GLORIA?
1000 transacciones
Leche GLORIA
360 trans.
40 trans.
10 trans.
Pan de molde
conf(pan de molde leche GLORIA) =

sup(pan de molde leche GLORIA) sup(pan de molde) =
0.0400.050 = 0.8
Cual es la conf de leche GLORIA pan de molde?
1000 transacciones
Leche GLORIA
360 trans.
40 trans.
10 trans.
Pan de molde
conf(leche GLORIA pan de molde) =

sup(leche GLORIA pan de molde) sup(leche GLORIA) =
0.040/0.400 = 0.1
Lift (estmulo): esta definido de la siguiente forma:
lift (X Y) = sup (X Y) { sup(X) * sup(Y) }
Lift = 1 o muy cerca de 1 indica que la relacin es

producto del azar
Lift > 1 indica una relacin realmente fuerte (an
controlando por la frecuencia de que ambos ocurran).
Lift > 1 indica que X y Y aparecen juntos con ms
frecuencia de lo que indica el azar (complementos).

Lift < 1 indica una relacin realmente dbil (an
controlando por la frecuencia con que ambos
ocurran).
Lift < 1 indica que X y Y aparecen juntos con menos
frecuencia de lo que indica el azar (substitutos?).
Desafortunadamente no hay valores crticos para
determinar que es lejos de 1 o mayor de 1.
Ejemplo:
lift (pan de molde leche GLORIA) =

lift (leche GLORIA pan de molde) =
0.04/(0.40*0.05) = 2.00
Otro Ejemplo
Dataset D
Count, Support,
TID Itemsets Confidence:
T100 1 3 4
Count(1 3)=2
T200 2 3 5
T300 1 2 3 5
|D| = 4
T400 2 5 Support(13)=0.5
Support(32)=0.5
Confidence(32)=0.67

Meta y caractersticas
principales
Meta: Encontrar todas las reglas que satisfagan el
respaldo o soporte mnimo especificado por el
usuario minimum support (minsup) y la confianza
mnima minimum confidence (minconf).
Caractersticas Principales
Lo completo: encuentre todas las reglas.
Ningn elemento(s) objetivo(s) en el lado
derecho.
Minado con datos en el disco duro o hard disk
(no en la memoria)

Otro ejemplo
t1: Carne, Pollo, Leche
t2: Carne, Queso
t3: Queso, Botas
t4: Carne, Pollo, Queso
t5: Carne, Pollo, Ropas, Queso, Leche
t6: Pollo, Ropas, Leche
Datos de transaccin t7: Pollo, Leche, Ropas
Asuma:
minsup = 30%
minconf = 80%
Un ejemplo itemset frecuente :
{Pollo, Ropas, Leche} [sup = 3/7, 43%]
Reglas de Asociacin desde el itemset:
Ropas Leche, Pollo [sup = 3/7, 43%, conf = 3/3, 100%]

Ropas, Pollo Leche, [sup = 3/7, 43%, conf = 3/3, 100%]
Panorama General del Software de Minera
Clementine o PASW Modeler:

Clementine o PASW Modeler es una herramienta
de minera de datos que combina la metodologa de
modelado avanzado con la facilidad de su uso, le
ayuda a descubrir y predecir relaciones interesantes y
valuables dentro de sus datos.
PASW Modeler o Clementine le permite:
Crear perfiles o patrones de clientes y determinar el
valor de la esperanza de vida del cliente.
Detectar y predecir fraudes en su organizacin.
Determinar y predecir secuencias valuables en los
datos del website.

Predecir tendencias futuras y el crecimiento de las
ventas.
Perfiles para directas respuestas de e-mails y riesgos
de crditos.
Realizacin de predicciones dinmicas, clasificacin y
segmentacin (clustering).

Proceso KDD Simplificado:
Definir el objetivo
y descubrir Entendimiento de datos
datos tiles
Obtener datos
limpios y Preparacin de Datos
Utiles
Descubrir
patrones Modelado (Data Mining)

Eleccin de la Tcnica Apropiada de Modelado
Categorizar a sus estudiantes -Regla de Induccin
CLASIFICACION -Arboles de Clasificacin y Regresin
-Redes Neuronales
Predecir xitos de estudiantes
-Regresin
PREDICCION
-Redes Kohonen
Agrupar a estudiantes similares
-Clustering K-means
CLUSTERING
-Clustering Dos-Pasos
Identificar cursos que son tomados

-APRIORI
juntos ASOCIACION -GRI
-CARMA
-CAPRI
Encontrar patrones y tendencias en el
tiempo SECUENCIA -Regla de Induccin
Herramientas de ASOCIACION de Data Mining
A-priori descubre las reglas de asociacin

en los datos.
Para problemas extensos, Apriori es
generalmente ms rpido para entrenamiento que
GRI.
No tiene un lmite arbitrario en el nmero de reglas
que puede ser retenido y puede manejar reglas
hasta 32 condiciones previas.
GRI (Regla de Induccin Generalizada), extrae un

conjunto de reglas desde los datos (similar a
Apriori). GRI puede manejar campos de entrada
numricos asi como simblicos.
CARMA usa un algoritmo de descubrimiento de
reglas de asociacin para descubrir reglas de
asociacin en los datos. El nodo CARMA no
requiere campos In o campos Out. Es equivalente a
construir un modelo Apriori con todos los campos
fijados en Both.
Sequence descubre patrones de datos en

secuencia u orientado con el tiempo. Una
secuencia es una lista de conjuntos de elementos
que tienden a ocurrir en un orden predecible..

1. Entendimiento de los Datos Archivo de datos:
/MyData_lab1.csv
Descripcin de los Datos:
Atributos
TID Transaccin ID
dt Fecha
Discount Descuento ofrecido? Y/N
Group Grupo de Producto
ref_no Nm. Referencial Interno.
prod_cd Cdigo de Producto
Total nm.de registros : ? (encuentrelo usted mismo)

Paso 1: Importar Datos a Clementine
Adicionar Nodo: Var. File (en la Paleta de Orgenes)
doble click
Browse
Paso 2: Analizar Datos
Adicionar Nodo: Table (en la Paleta de Resultados)
Click derecho y escoja Execute

Adicionar Nodo: Data Audit (en la Paleta de Resultados)
Execute
Adicionar Nodo: Quality (en la Paleta de Resultados)
Execute
2. Preparacin de los Datos
Meta: Defina el tipo de datos y valor
Edite Nodo: Var. File (en el Flujo o Stream)
2 Re-defina el tipo de Group y ref_no a Set
doble click Presione Read Values nuevamente
2
Meta: Defina Blanks o vacos
Edite Nodo: Var. File (en el Flujo o Stream)
1
Meta: Reemplace todos los Blanks o vacos con
Adicione Nodo: Filler (en la paleta Field Ops.) valor especificado
Meta: Remueva los registros con Blanks o vacos
Adicione Nodo: Type (en la paleta Field Ops.)
4 Seleccione -1 y elmnelo
2 1
4
Q: Cuntos registros quedan?

Meta: Reemplace valores No-vlidos
Adicione Nodo: Reclassify (en la paleta Field Ops.)
2
1
4 5
6 Modifique a un conjunto co-

6
mn de nuevos valores (Y/N)
3. Transformacin de Datos es mejor cambiarlo al Espaol
Derive nuevos campos

Meta: Adicione nuevos atributos weekday y hour
Adicione Nodo: Derive (en la paleta Field Ops.)
Weekday (dia_semana) : datetime_weekday(dt)

Hour (hora_da) : datetime_hour (dt)
Para los das de semana (weekday),

1 representa Domingo (Sunday), Q: Cuntos campos en sus datos?
2 representa Lunes (Monday), etc.
Discretizacin
Meta: Divida el campo Hour (hora_da) en 4 intervalos
Nodo til: Binning (en la paleta Field Ops.)
Datos Preprocesados
4. Modelado (Data Mining) ASOCIACION
Meta: Actualice el tipo y el valor de los datos
Adicione Nodo: Type (en la paleta Field Ops.)
2 1
Meta: Convertir el formato transaccional a formato
Adicione Nodos: SetToFlag (fijar bandera) (en la paleta Field Ops.) tabular
2 Select all values 3
4
Meta: Realice Asociacin con Apriori
Adicione Nodos: Apriori (en la paleta de Modelado)
3
Meta: Ver el Resultado de la Minera realizada
Adicione Nodos: Apriori (en la paleta de Modelado)
Reglas de Asociacin:
Para 1ra Regla: IF P17 AND P39

Click derecho y seleccione
THEN P27
Browse
VERIFICACION & VALIDACION DEL MODELO
La Verificacin y Validacin (V&V) del modelo

involucra responder dos preguntas:
Primero, Concuerda el Modelo con su diseo previsto ?
Segundo, El Modelo representa suficientemente la
realidad para satisfacer el propsito del modelo?
VERIFICACIN DEL MODELO

el modelo se comporta como se ha diseado?
VALIDACIN DEL MODELO El modelo refleja con

exactitud el comportamiento del sistema actual?

Para VERIFICAR un modelo, el modelador(a)
chequea si el modelo tiene algunos errores de lgica,
y establece si el modelo se ajusta correctamente a la
sintaxis del modelo, semnticas, y convenciones.
Una vez que el modelador(a) se siente que esta
seguro(a) acerca de la Verificacin del Modelo,
puede proceder a la Validacin del Modelo.
La VALIDACIN es el proceso iterativo de establecer
el grado para el cual el modelo describe el sistema
actual para el propsito destinado.

Procedimiento para validar Modelos No-
Analticos:
En un Diagrama de Flujo la nica posible V&V es
verificar la sintaxis del modelo que este correcta,
verificar que el modelo represente a lo que fue
destinado y enfrente la validez de las suposiciones,
estructura, y comportamiento descrito en el modelo.
En un modelo no-analtico no existen tcnicas
matemticas o estadsticas que puedan ser usadas en
la Validacin.
La siguiente V&V de un modelo no-analtico puede ser
hecho para sus modelos estticos:
1. Verificar la Estructura del Modelo chequear que el
modelo no tenga errores de sintaxis del lenguaje.
Camine a travs de todos los constructos del modelo
para verificar que hayan sido designados como se les
destin y que la lgica este correcta. Verifique que el
modelo se comporta como lo diseado.
2. Validez de Apariencia del Modelo determina si el
modelo aparece vlido para los expertos quienes
revisen el modelo. La validez de apariencia, para
muchos modeladores, es considerada como la forma
ms dbil que la validacin estadstica

Procedimiento para validar Modelos Analticos y
Computacionales:
Lo primero es usar el procedimiento para los modelos
no-analticos. Luego las siguientes evaluaciones de
validacin adicional pueden ser ejecutadas:
1. Validar Problemas muy simples una manera para
validar un modelo es probar las simplificaciones del
modelo en el cual el comportamiento es conocido.
2. Validar el Modelo en condiciones lmites. Otra manera
es probar las condiciones extremas del modelo o
probar las condiciones lmites del modelo.
Frecuentemente, el comportamiento del sistema es
conocido en estas condiciones.
3. Validar el Modelo Chequeando Degenerancia. Probar
degenerancia es chequear si el modelo se degenera a
una condicin conocida. Por ejemplo, si la tasa de
llegadas es mayor que la tasa de servicios, la lnea de
espera crece al infinito?
4. Validar el Modelo comparandolo contra un modelo
vlido y conocido. Aveces un modelo es probado con
otro modelo y no con el sistema actual.
5. Validacin del Modelo Estadstico. Si los datos existen
o pueden ser obtenidos para el sistema actual, luego la
prueba estadstica es entre otras el medio ms
poderoso para validar un modelo.

Establezca la hiptesis nula (Ho) para que el rendimiento del
modelo, denotado como x, y el rendimiento actual del
sistema, denotado como y, sean lo mismo
Ho : x - Y = 0
Establezca la hiptesis alternativa
H1 : x - Y 0
Un nivel de confianza es seleccionado, usualmente es
0.05, para definir la regin de rechazo para la hiptesis nula.
Si el test estadstico cae dentro de la regin de rechazo
definida por , entonces la hiptesis nula es rechazada. De
otra manera, fallar rechazar la hiptesis nula.
Si el tamao de la muestra es grande y la poblacin esta
normalmente distribuida, luego el test estadstico, Zo, es
calculado.
Si Zo < Z/2 o Zo > Z/2, entonces el test estadstico cae en la
regin de rechazo y la hiptesis nula es rechazada. Si el test
estadstico cae en la regin de aceptacin, entonces se falla
en rechazar la hiptesis nula, en otras palabras, el modelo es
un representacin vlida del sistema actual.
6. Chequee la Consistencia del Modelo. Tpicamente, un
proyecto de una empresa involucra mltiples modelos
a partir de diferentes puntos de vista (e.g., vista de
procesos, vista de informacin, y vista de la
organizacin). Dado los mltiples modelos del mismo
sistema a partir de diferentes puntos de vista o niveles
de abstraccin, entonces un paso de verificacin
importante es chequear que todos los modelos sean
consistentes. Un ejemplo de pobre consistencia es si
un flujo de informacin tiene diferentes nombres en
diferentes niveles de abstraccin, ya sea en el mismo
modelo o en modelos separados.

PROCESO DE MODELADO
El modelado, definido en un sentido estrecho,

puede describir slo el proceso de construir un
modelo. Sin embargo, el modelado no es hecho, o
al menos debera no ser hecho, solamente por
motivo de construir un modelo.
Mas bien, el modelado es hecho como parte de
una solucin a un problema completo.
En este captulo, discutiremos el modelado en el
contexto del proceso completo de solucin de
problemas. Proceso que tiene una metodologa
sistemtica para resolver problemas complejos.
Lo mas importante, debe recordarse que el proceso de
modelado es iterativo y que las fases se sobreponen.
2 3
5 6
REUSABILIDAD DE LOS MODELOS
Un Modelo es reusable cuando puede ser usado

de nuevo por otro proyecto o propsito
Desde que mucho tiempo y esfuerzo es puesto en
la creacin de un modelo, si el modelo es reusable
elimina costos y tiempo.
En la prctica, parece que existen muy pocos
modelos reusables en la industria por que:
Los modelos no son mantenidos, tal que ellos llegan a
convertirse en desactualizados.
Los modelos son diseados con un propsito particular,
y un proyecto nuevo podra tener propsitos diferentes
que impide reusarlo.

4 Concetos de Modelados y Aplicaciones PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

4 Concetos de Modelados y Aplicaciones PDF

Enviado por

Direitos autorais:

Formatos disponíveis

El mapa no es el territorio.

Alfred Korzybski (1879-1950),

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

El propsito de este captulo es presentar el concepto de

Una representacin abstracta de la realidad que

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

Avin de Papel Avin de Combate

Qu debo incluir en Cmo debo representar lo que

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

Las tres caractersticas de los modelos son:

El PROPOSITO. Todos los modelos son, o deberan

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

La Proyeccin Mercator fu creado con el propsito de

Order for approval

datos a travs del

Modelos de Procesos: END

Product ENTER ENTER

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

Los sistemas empresariales que estamos

Figura 1/2. Vista Frontal del Objeto Fsico

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

Algunos modelos definen las vistas mas all de las

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

Representaciones Definicin de Datos Programa Arquitectura de la Red

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

Los Modelos son expresados en trminos de un

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

alcanzado, que es de nuevo comparado con el

Dinmica de sistemas: llenado de un vaso con agua:

Existen instrumentos adicionales que permiten re-

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

Sustantivos y Verbos: Ithink

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

Visualizing Math with STELLA: https://www.youtube.com/watch?v=0NCbdgChALM

UML es un lenguaje standard para:

especificar visualizar construir documentar modelar negocios comunicar

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

Usuarios Diseadores Analistas

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

Aplicacin Telfono mvil

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

PROCESAMIENT O DE EVENT OS CADENA DE

flow solitud de producto

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

Si existe al menos un token en el lugar de entrada, un

Un arco conecta lugares con transiciones de la

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

P: conjunto de lugares o estados: P1, P2,

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

Elmer Gonzlez Herrera, Doctor en Ingeniera Industrial

Cada mquina es servido por un robot dedicado.