Carguio y transporte.

...

Si no consigues entender un problema, dibuja un esquema.

* Si no encuentras la solución, haz como si ya la tuvieras y mira qué puedes deducir de ella (razonando hacia atrás a la inversa).

* Si el problema es abstracto, prueba a examinar un ejemplo concreto.

Con respecto a la función del origen de la información utilizada para construir los modelos pueden clasificarse de otras formas. Podemos distinguir entre modelos heurísticos y modelos empíricos:

Modelos heurísticos (del griego euriskein 'hallar, inventar'). Son los que están basados en las explicaciones sobre las causas o mecanismos naturales que dan lugar al fenómeno estudiado.

Modelos empíricos (del griego empeirikos relativo a la 'experiencia'). Son los que utilizan las observaciones directas o los resultados de experimentos del fenómeno estudiado.

Simulación de Sistemas Estocásticos:

Un sistema o proceso estocástico es el cual su comportamiento es no-determinístico. Esto significa que el estado subsecuente del sistema se determina tanto por las acciones predecibles del proceso, como por un elemento aleatorio. La mayoría –si no todos- los sistemas de la vida real son estocásticos. Su comportamiento puede ser medido y aproximado a distribuciones y probabilidades, pero rara vez pueden ser determinados por un solo valor (por ende no-determinísticos). Por ejemplo, el tiempo que un cajero de un banco requiere para procesar el depósito de un cliente depende de varios factores (algunos de ellos pueden ser controlados, otros no; algunos son medibles, otros no), pero al final, realizando un conjunto de observaciones del tiempo de procesamiento de cada depósito del cajero, puede permitir ajustar los tiempos a una distribución y ‘predecir’ cuál será el tiempo de proceso en un modelo de simulación por eventos discretos.

Para este punto, los cuellos de botella pueden ser identificados fácilmente y un proceso de optimización puede aplicarse para encontrar el mejor conjunto de acciones –basados en las variables del modelo- que al realizarse permitan tener una mayor mejora en el sistema como un todo. Los resultados ayudan a generar un plan de reingeniería para la mejora continua incluyendo el costo-beneficio para el sistema siendo analizado. Por ejemplo, un proceso de colas de un banco pudiera solucionarse con diferentes horarios del personal, pero pudiera por otro lado necesitar un sistema diferente para el manejo de clientes a su llegada. Anticipándose a tomar decisiones costosas o hacer grandes inversiones sin una garantía de éxito –y generar más costo en el sistema por ‘jugar’ con las diferentes opciones- un modelo de simulación permite probar todas las posibilidades y priorizar sin perturbar el proceso real.