Maestría en Diseño y Gestión de Procesos · 2026
Aplicación de redes neuronales y simulación inversa en el diseño de sistemas de producción y servicios
La complejidad de los sistemas de producción y servicios en entornos de alta variabilidad ha impulsado el desarrollo de metodologías que integren la simulación con técnicas de inteligencia artificial para mejorar la toma de decisiones operativas. Esta investigación propone y valida una metodología hibrida que combina la simulación de eventos discretos (DES) y las redes neuronales artificiales (ANN) con el fin de predecir configuraciones óptimas de recursos y cumplir con las medidas de desempeño establecidas por la gerencia. El modelo de simulación permite caracterizar el comportamiento estocástico del sistema de atención de una feria de reclutamiento, obteniendo indicadores clave como el tiempo total de los estudiantes en el sistema, los tiempos de espera y la utilización de los asesores. a partir de los datos generados por múltiples escenarios simulados, se entrena una red neuronal capaz de aprender la relación entre las variables de desempeño y las configuraciones de personal. Posteriormente, se aplican métricas estadísticas de validación, entre ellas en índice de Jaccard y su valor esperado, que permiten la coincidencia entre los intervalos de desempeño simulados y los predichos por la red neuronal.
Texto completo 105 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- Resumenp. 5
- Introducciónp. 5
- Definición del problema y justificaciónp. 7
- Marco conceptualp. 9
- Marco teóricop. 9
- Simulación de eventos discretosp. 9
- Redes Neuronalesp. 12
- Estado del artep. 17
- Objetivosp. 19
- Objetivo generalp. 19
- Objetivos específicosp. 19
- Metodologíap. 19
- Formulación del problemap. 20
- Construcción del modelo de simulaciónp. 20
- Definición del modelo conceptualp. 20
- Desarrollo del modelo computacionalp. 22
- Preparación de datos y entrenamiento del modelo de red neuronalp. 24
- Codificación de entradas y salidasp. 24
- Preparación y división del conjunto de datosp. 25
- Arquitectura y entrenamiento de la red neuronalp. 27
- Evaluación del modelop. 29
- en la red neuronalp. 32
- Validación de los indicadores de desempeñop. 32
- Caso de estudiop. 38
- Modelo de simulación en Arena: diseño y experimentaciónp. 39
- Definición y entrenamiento de la red neuronalp. 43
- Preparación de los datosp. 44
- Arquitectura del modelo de red neuronalp. 47
- Entrenamiento del modelo de red neuronalp. 48
- Precisión del modelop. 50
- Predicción de la red neuronalp. 51
- Evaluación de las métricas de desempeño del caso de estudiop. 54
- Resultadosp. 58
- Resultados del modelo de simulaciónp. 58
- Tiempos y utilización promedio por estaciónp. 59
- Intervalos de confianzap. 61
- Resultados del modelo de red neuronal artificialp. 62
- Resultados de la predicción de la red neuronal artificialp. 64
- simulación y predicciónp. 67
- Discusiónp. 71
- Conclusionesp. 73
- Referenciasp. 75
- Anexosp. 80
- Anexo 1p. 80
- Anexo 2p. 83
- Anexo 3p. 86
- Anexo 4p. 87
- Anexo 5p. 89
- Anexo 6p. 90
- Anexo 7p. 91
- Anexo 8p. 93
- Anexo 9p. 96