VERIFICACION Y VALIDACION DE MODELOS DE SIMULACION

Unidad 5

Trabajo presentado por:

YULIETH MARÍN NOREÑA

083251062010
ANDREA TRUJILLO PÉREZ
083251602010
CARLOS ESPINOZA
083252432008

Trabajo presentado a:

ING. IVÁN ANDRÉS BLANCO POLANIA

UNIVERSIDAD DEL TOLIMA

INSTITUTO DE EDUCACIÓN A DISTANCIA
MODELACIÓN Y SIMULACIÓN
GRUPO 2
IBAGUÉ-TOLIMA
2014

1
 CONTENIDO

INTRODUCCIÓN........................................................................................................3

OBJETIVOS................................................................................................................5
OBJETIVO GENERAL....................................................................................................................................5
OBJETIVOS ESPECIFICOS.........................................................................................................................5

VERIFICACION Y VALIDACION DE MODELOS DE SIMULACION........................6

PRINCIPALES DEFINICIONES..................................................................................6

DIFICULTADES DE LA VALIDACIÓN........................................................................8

ASPECTOS RELACIONADOS CON LA VERIFICACIÓN........................................10

DISTRIBUCIÓN DE LAS MUESTRAS.....................................................................10

EL PAPEL DE LA VERIFICACIÓN Y LA VALIDACIÓN...........................................11

ESTIMACIÓN DE INTERVALOS DE CONFIANZA..................................................12

PRINCIPIOS DE MODELOS DE SIMULACIÓN VÁLIDOS......................................14

MÉTODOS A COMPARAR.......................................................................................15

ANÁLISIS DE RESULTADOS...................................................................................17

VERIFICACIÓN Y VALIDACIÓN DE LOS MODELOS............................................18

ANÁLISIS DE LOS DATOS DE SALIDA DE SIMULACIÓN.....................................18

VERIFICACIÓN Y VALIDACIÓN DE LOS MODELOS.............................................19

CONCLUSIONES......................................................................................................21

BIBLIOGRAFÍA.........................................................................................................23

2
 INTRODUCCIÓN

La modelación y simulación se ha convertido en parte fundamental para la toma de

decisiones, a la hora de la implementación o restauración de sistemas, pues
permiten de forma clara tener una idea de cómo sería el funcionamiento del mismo,
parte fundamental de la modelación y simulación es la verificación y validación de
los sistemas, los cuales permiten tener de forma clara los conceptos del desarrollo
montado y sus posibles consecuencias, esto se da por medio de unos pasos o
aplicación fundamentales.

El análisis de resultados es un aplicación importante en la modelación y simulación,

no es solo ver los resultados, es aplicar diferentes conceptos que permiten el
análisis de las salidas de la simulación que permitan la toma correcta de decisiones
para un restablecimiento de los modelos y restauración de los mismos; la
estimación de intervalos de confianza permite por medio de diferentes operaciones
matemáticas menos margen de error en los resultados y facilitar así el análisis de
los mismos; La velicación se enfoca en la consistencia interna de un modelo,
mientras que la validación se relaciona con la correspondencia entre el modelo y la
realidad. El termino validación es aplicable a los procesos que buscan determinar si
una simulación es correcta o no respecto al sistema “real”. De forma más concreta,
la validación trata sobre la cuestión "¿Se está construyendo el sistema correcto?",
mientras que la verificación responde al interrogante "¿Se está construyendo
correctamente el sistema?".

La construcción de intervalos de confianza para la estimación de la diferencia de

proporciones, , es un problema que se presenta frecuentemente en el
trabajo estadístico aplicado; un caso típico, muy frecuente en ensayos clínicos, es
la comparación de dos tratamientos.
Los intervalos de confianza que presentan los textos básicos de estadística,
construidos con base en la aproximación normal a la binomial, tienen un
desempeño pobre —pueden resultar intervalos que no tienen sentido o intervalos
con probabilidad de cobertura por debajo del nivel de confianza nominal
especialmente cuando las muestras no son muy grandes. Hicimos una revisión de
varios intervalos y los comparamos mediante un estudio de simulación. Cada uno
de estos intervalos tiene ciertas ventajas y desventajas. Nos interesamos en
analizar el comportamiento del nivel de confianza real o porcentaje de intervalos
simulados que contienen el verdadero valor de y en compararlo con el
nivel de confianza nominal usado, 0.95. El nivel de confianza real es una
estimación de la probabilidad de cobertura que

3
esperamos sea del 95%. Aquí son las variables aleatorias que indican
el límite inferior y superior, respectivamente, del correspondiente intervalo de
confianza. También comparamos los promedios de las longitudes de los intervalos
calculados con los distintos métodos. Buscamos métodos que dieran intervalos con
niveles de confianza real iguales o mayores que el nominal, pero cuyas longitudes
fueran pequeñas. La verificación se refiere a la construcción correcta de un modelo.
Se puede definir verificación como el proceso de determinar si la lógica operacional
del modelo (programa de ordenador) se corresponde con la lógica del diseño. En
términos más simples, consiste en determinar si hay errores en el programa.
La validación se refiere a la construcción de un modelo correcto. La validación es el
proceso de determinar si el modelo, como abstracción, es una buena
representación del sistema. Usualmente la validación se consigue a través de la
calibración del modelo, en un proceso iterativo de comparación del comportamiento
del modelo con el del sistema y usar las diferencias entre ambos para mejorar el
modelo. Este proceso se repite hasta que el modelo se considera aceptable.

4
 OBJETIVOS

OBJETIVO GENERAL

Conocer de forma clara y concisa el concepto de verificación y validación de

modelos de simulación, identificar su función e identificar como se generan y para
que, igualmente conocer los diferentes procesos de verificación y validación de los
modelos que existen y que métodos se pueden utilizar para generarlos.

OBJETIVOS ESPECIFICOS

 Comprender el concepto de verificación y validación de modelos de

simulación.

 Manejar las técnicas de verificación y validación de modelos de simulación.

 Aplicar las técnicas de verificación y validación de modelos de simulación en

la solución de problemas.

 Conocer y manejar las diferentes pruebas para generación verificación y

validación de modelos de simulación

 Analizar de una forma apropiada el modelo de simulación para así

garantizar su buen funcionamiento.

 Apropiar los conceptos de estimación de intervalos de confianza, para su

correcta aplicación en la simulación de sistemas que permiten disminuir el margen
de error en sus resultados.

 Conocer la forma adecuada de analizar los resultados para su correcta

interpretación de las simulaciones realizadas para una toma de decisiones
acertada.

 Conocer y aplicar la verificación y validación de diferentes sistemas,

modelados y simulados para Aumentar la credibilidad de los modelos, y poder
realizar los pasos correspondientes para toma de decisiones.

5
 VERIFICACION Y VALIDACION DE MODELOS DE SIMULACION

Una de las tareas más importantes y difíciles en la simulación es la verificación y

validación del modelo. Las salidas del modelo se van a utilizar para obtener
conclusiones para el sistema real, por lo que es muy importante que se confíe en el
modelo para garantizar que éste va a ser utilizado, y esto va a ser trabajo de las
personas que desarrollan el modelo.

Datos de salida de simulación: estimación de medias, variancias y correlaciones,

intervalos de confianza y test de hipótesis para las medias.
Una salida de simulación es una estimación de la performance o desempeño de un
sistema. El valor de este estimador cuantifica el comportamiento del sistema. Por
ejemplo el tiempo de permanencia en un banco, desde el ingreso del cliente hasta
su salida habiendo sido atendido es el estimador del desempeño del sistema
Banco.
Las salidas de simulación son variables aleatorias porque se calculan a partir de
generación de otras variables aleatorias de las entradas del modelo de simulación.
Una salida tiene un punto de estimación (ó ) y un intervalo cuya longitud es una
medida del error en la estimación del punto.
El parámetro es una media común, mientras que es una media ponderada en el
tiempo.
Los datos de salida de la simulación pueden ser de tiempo discreto, bajo la forma
de { Y1, Y2, Y3, …….Yn} para estimar siendo n un índice con valor discreto. Por
ejemplo Yi puede ser la demora de un cliente i o el costo total en la semana i.
También pueden ser datos de tiempo continuo si los datos de salida de simulación
tienen la forma {Y(t), 0≤t≤TE}para estimar debido a que t es un valor continuo. Por
ejemplo Y(t) puede ser la longitud de cola en el tiempo t o el número de órdenes
atrasadas en un tiempo t.

PRINCIPALES DEFINICIONES

VALIDACIÓN: Es el proceso de comparar la salida del modelo con el

comportamiento del fenómeno. En otras palabras: comparar la ejecución del
modelo con la realidad. La validación demuestra que el producto, tal como es,
cumplirá con sus objetivos y con las expectativas de los stakeholders.

6
Lo define como “sustanciación de que un modelo para computadora, con su dominio
de aplicación, posee un rango satisfactorio de precisión consistente con la aplicación
para la que se desea el modelo”.

Su propósito es demostrar que el producto satisfacerá su uso esperado cuando sea

puesto en funcionamiento

Las actividades de validación pueden ser utilizadas en varios artefactos

 Operación
 Capacitación
 Mantenimiento
 Soporte

VERIFICACIÓN: Es el proceso de comparar el código del programa con el modelo

para garantizar que el código es una implementación correcta del modelo.

Su propósito es asegurar que el producto seleccionado cumple con los

requerimientos especificados

CALIBRACIÓN: El proceso de estimar los parámetros de un modelo. La calibración

es una forma de prueba y ajuste de los parámetros existentes y generalmente no
incluye la introducción de otros nuevos, cambiando la estructura del modelo. En el
contexto de optimización, calibración es un procedimiento de optimización implicado
en la identificación del sistema durante el diseño experimental.

Durante todo el proceso de desarrollo es necesario Saber que el producto se ha

desarrollado de la forma correcta saber que el producto cumple con los objetivos
esperados, entre más temprano se lleven a cabo estas tareas mucho mejor estas
labores se conocen como verificación y validación

7
 DIFICULTADES DE LA VALIDACIÓN

Cuando se intenta llevar a cabo el proceso de validación existen un numero de

problemas los cuales algunos se describen a continuación

 No existe la Validación General.

Cada modelo se valida con respecto a sus objetivos. No se puede decir que un
modelo válido para un propósito lo tenga que ser necesariamente para otros.
Por otro lado, la idea de la simulación es construir modelos sencillos para objetivos
concretos, lo que aleja de la idea de validez general. La realidad es el único “modelo”
válido de forma general.

 Puede no existir mundo real con el que comparar.

En muchos casos se desarrollan, a partir de sistemas del mundo real, nuevas

funcionalidades o servicios. Por lo tanto, en estos casos no se tiene la referencia del
mundo real para comparar. Se puede producir el caso de un modelo válido para
funcionalidades conocidas del sistema, pero esto no garantiza la validez del mismo
para representar cambios sobre el sistema inicial.

 ¿Cuál es el mundo real?

Diferentes personas pueden tener apreciaciones diferentes del mundo real,

conocidas como visiones del mundo. Un empleado del banco puede verlo como un
medio para ganar dinero, mientras que un usuario de dicho banco puede considerarlo
como un medio de depositar o pedir prestado dinero.
Dependiendo del interlocutor se pueden encontrar diferentes apreciaciones del
propósito y operación del banco. Cada día se puede apreciar como una misma noticia
es contada de diferente forma por distintos periódicos. El acontecimiento es el mismo,
pero la interpretación de los periodistas es distinta.

 A veces los datos obtenidos del mundo real no son precisos.

La validación supone, a menudo, una comparación del mismo aspecto del modelo
frente a los datos del mundo real. El modelo se ejecuta sobre las mismas condiciones
que el mundo real para ver si funciona de forma similar. Pero existen dos dificultades
en este procedimiento. Una, los datos del mundo real no tienen por qué ser precisos.
Si no existe certeza sobre si los datos son buenos no existen garantías para indicar
que los resultados del modelo son correctos.

8
La otra dificultad es que, incluso existiendo datos fiables del mundo real, se debe
recordar que son solo una muestra, lo que crea una cierta imprecisión. Por ejemplo
se pueden haber recogido datos de una variable durante dos semanas, pero ¿el
comportamiento de dicha variable sobre ese periodo es el mismo que siempre o hay
cambios en sus valores dependiendo de la fecha?.

Por otro lado los resultados de la simulación son, a su vez, una muestra. Esto indica
que la comparación con los datos del mundo real es, en realidad, la comparación de
dos muestras. Aunque existen procedimientos estadísticos para determinar si dos
muestras son semejantes esto solo proporciona una respuesta probabilística pero no
definitiva.

 No hay suficiente tiempo para verificar y validar cualquier cosa.

En el marco de un estudio de simulación hay plazos que cumplir, lo que implica que
no hay suficiente tiempo para verificar y validar cada aspecto de un modelo.
Este problema afecta tanto a la validación como a la verificación. La tarea de un
modelador es garantizar que el modelo se ha validado y verificado tanto como sea
posible.

 Confianza no es validez.

La conclusión es que, aunque en teoría, un modelo puede ser válido o no, probar
esto en la práctica en un tema muy diferente. No es posible probar de manera
absoluta que un modelo es válido, en su lugar, se habla de la confianza que se puede
tener en el modelo. En realidad, más que intentar demostrar que un modelo es
correcto lo que se hace es probar si el modelo es incorrecto. Cuanto más pruebas
estadísticas se realizan sin poder probar que el modelo es incorrecto más confianza
se tendrá en el mismo. Por lo que el objetivo de la Validación (y de la Verificación) es
aumentar la confianza en el modelo y sus resultados.

9
 ASPECTOS RELACIONADOS CON LA VERIFICACIÓN

Durante el proceso de codificación del modelo deben tenerse en cuenta una serie de
aspectos como:

 Tres temporizaciones, por ejemplo tiempos de ciclo, tiempos de reparación de

máquinas sin funcionar, tiempos de paso entre etapas, etc.

 Control de elementos, por ejemplo, frecuencia de rotura de máquinas, etc.

Control de flujos.

 Lógica de control, como planificación o criterios de pedido en gestión de

almacenes, etc.

DISTRIBUCIÓN DE LAS MUESTRAS

Algunos métodos de verificación, no excluyentes los unos de los otros, son:

 Comprobación del código.

El modelador necesita leer el código para comprobar que se han introducido

adecuadamente los datos y la lógica. Cuando la lógica es compleja esta tarea es
fundamental. Una idea es conseguir que otra persona revise el código, conociendo
las especificaciones. Otra forma sería la utilización de un formato no técnico para
especificar y permitir, de este modo, que una persona sin conocimiento del lenguaje
de programación compruebe los datos y la lógica. Esto es importante cuando se
dispone de personas con un profundo conocimiento del sistema objetivo pero sin
conocimiento del lenguaje de simulación utilizado.

 Comprobaciones visuales.

Ejecutando el modelo y viendo cómo se comporta cada elemento se puede

comprobar su comportamiento tanto desde el punto de vista de lógica como de
resultados frente al sistema real. Algunas ideas a considerar pueden ser:

 Ejecución evento a evento.

 Detención del modelo, predecir que ocurrirá a continuación, ejecutarlo y ver

qué ocurre.

10
 Colocar interactivamente determinadas condiciones para forzar que se
produzcan ciertos eventos.

 Crear condiciones extremas, como una tasa de llegadas muy elevada, para
comprobar si el modelo se comporta de la forma esperada.

 Aislar determinadas áreas del modelo para que se puedan ejecutar más
rápidamente, reduciendo el tiempo de realización de la verificación.

 Explicar el modelo implementado a los expertos para conseguir su opinión

respecto al funcionamiento.

 Realizar una traza del progreso de un elemento a través del proceso.

Habitualmente esto se realiza durante un periodo limitado de tiempo, pero con ello se
aprende mucho sobre el comportamiento del modelo. La implicación de los expertos
también durante esta fase aumenta la credibilidad de dicho modelo.

 Inspección de los informes de salida.

Se comparan los resultados obtenidos con los esperados. A veces también se utiliza
para mejorar las prestaciones de determinados elementos utilizados. A veces un
informe se puede utilizar como una traza de una ejecución de la simulación, lo que
ayudará en el diagnóstico y corrección de muchos problemas.

EL PAPEL DE LA VERIFICACIÓN Y LA VALIDACIÓN

Cuando construimos un modelo de un sistema real, se atraviesan una serie de etapas

o niveles de modelización. Se comienza estudiando el sistema real y a continuación
se construye un modelo conceptual que contiene todos los elementos que se
consideran relevantes del sistema. Desde este se pasa a un modelo lógico que
contiene las relaciones lógicas entre los elementos. Por último se construye el
modelo de ordenador (o modelo de simulación) que ejecuta la lógica recogida en la
fase anterior.

El desarrollo del modelo es un proceso iterativo en el que hay sucesivos

refinamientos en cada etapa. El paso entre las distintas etapas está marcado por el
éxito o fracaso al realizar la verificación y la validación en las mismas.
Cuando se valida un modelo se establece que el modelo es una representación
creíble del sistema real, cuando se verifica un modelo se determina si la lógica del

11
modelo ha sido correctamente implementada. Dado que los objetivos de la
verificación y de la validación son diferentes también lo son las técnicas para
realizarlos.

Se han de establecer una serie de criterios que sirvan para decidir si el modelo
supera o no los procesos de verificación y validación. Se ha de tener presente que en
un modelo se pueden excluir aspectos del sistema real que se cree que no son
importantes para responder a las cuestiones planteadas sobre el sistema y que el
modelo debe responder, de forma que en fases tempranas se ha de fijar también
cuáles son dichas cuestiones.

ESTIMACIÓN DE INTERVALOS DE CONFIANZA.

En la aplicación estadística, para el análisis de resultados, cada vez se prefiere

más el uso de intervalos de confianza que las pruebas de hipótesis, debido a que el
intervalo de confianza aporta información tanto de la magnitud, como de la
precisión de las estimaciones, pudiéndose interpretar el intervalo en términos del
margen de error de la estimación puntual. Esto hace los intervalos muy atractivos a
la hora de presentar resultados, mientras que el valor-p en las pruebas de hipótesis
es una elaboración probabilística de interpretación más compleja.

La construcción de intervalos de confianza para la estimación de la diferencia de

proporciones, π1 − π2, es un problema que se presenta frecuentemente en el
trabajo estadístico aplicado; un caso típico, muy frecuente en ensayos clínicos, es
la comparación de dos tratamientos.
Los intervalos de confianza que presentan los textos básicos de estadística,
construidos con base en la aproximación normal a la binomial, tienen un
desempeño pobre —pueden resultar intervalos que no tienen sentido o intervalos
con probabilidad de cobertura por debajo del nivel de confianza nominal
especialmente cuando las muestras no son muy grandes. Hicimos una revisión de
varios intervalos y los comparamos mediante un estudio de simulación. Cada uno
de estos intervalos tiene ciertas ventajas y desventajas. Nos interesamos en
analizar el comportamiento del nivel de confianza real o porcentaje de intervalos
simulados que contienen el verdadero valor de π1 − π2 y en compararlo con el
nivel de confianza nominal usado, 0.95.

El nivel de confianza real es una estimación de la probabilidad de cobertura P (Linf

≤ π1 − π2 ≤ Lsup) que esperamos sea del 95%. Aquí Linf y Lsup son las variables
aleatorias que indican el límite inferior y superior, respectivamente, del

12
correspondiente intervalo de confianza. También comparamos los promedios de las
longitudes de los intervalos calculados con los distintos métodos. Buscamos
métodos que dieran intervalos con niveles de confianza real iguales o mayores que
el nominal, pero cuyas longitudes fueran pequeñas.

Estimación de medias
El estimador puntual de , basado en los datos { Y1, Y2, Y3, …….Yn} está definido
como

Donde es la media muestral de una muestra de tamaño n. En el lenguaje de

simulación puede referirse como estadístico observacional, de tiempo discreto. Se
dice que el estimador puntual es insesgado para si su valor esperado es:

Sin embargo, en general sucede que:

Estimación del intervalo de confianza

Un intervalo de confianza mide el error de una media. Sea la varianza de la
muestra con R repeticiones.

El intervalo de confianza usual asume que Yi está distribuida con una normal. Y el
intervalo de confianza es:

Donde t/2, n-1 es el cuantil de la distribución t con n-1 grados de libertad que
corta /2 del área de cada cola de la distribución. El intervalo de confianza da los
extremos o límites donde puede estar Y . Mientras más repeticiones se hagan más
pequeño es el intervalo de confianza y menos error tendrá Y .
Sea un ciclo de tiempo promedio en un día particular. Un buen estimador es Y pero
no es precisamente exacto. Incluso , que es el centro de la distribución no es
probable que sea el real ciclo de tiempo de un día en particular, porque diariamente
estos ciclos de tiempo varían. Un intervalo de predicción está diseñado por otra
parte para contener el ciclo de tiempo de cualquier día en

13
La longitud del intervalo no tiene a cero si n aumenta (no disminuye), y en el límite
se transforma en

De esta forma, aunque se hagan muchas simulaciones, el ciclo de tiempo varía.

Así un intervalo de predicción como el que se explica es una medida del riesgo,
mientras que un intervalo de confianza es una medida del error. Se puede simular
lejos del error con más y más corridas o repeticiones pero nunca se puede simular
lejos del riesgo, que es una parte inherente del sistema. Sin embargo podemos
hacer un mejor trabajo para evaluar riesgos con más repeticiones.
Ejemplo: suponer que el promedio general del ciclo de tiempo promedio sobre 120
repeticiones de una simulación de manufactura es 5,8 horas, con una desviación
estándar muestral de 1,6 horas. Como t0,025, 119 es 1,98 un intervalo de
confianza del 95 % para un ciclo de tiempo promedio diario esperado para una
corrida larga es 5,8 ± 1,98 (1,6 120) o 5,8 ± 0,29 hs. De esta forma la mejor
estimación de un promedio de corrida larga para ciclo de tiempo diario promedio es
5,8 horas pero podría ser en mas y en menos 0,29 hs de error en este estimado.
Para un día particular y teniendo en cuenta el intervalo de predicción es 5,8 ± 1,98
(1,6 11/120) es 5,8 ± 3,18 hs. Este último valor refleja la variabilidad inherente en
el ciclo de tiempo promedio diario y el hecho que se quiere un 95 % de confianza
de cubrir el ciclo de tiempo promedio real en un día particular antes que considerar
simplemente un promedio por corrida larga. Hay que tener la precaución que el
valor está estimado para un promedio diario, no para productos individuales.
[ CITATION Mar01 \l 9226 ]

PRINCIPIOS DE MODELOS DE SIMULACIÓN VÁLIDOS

El objetivo de la creación de modelos es que estos sean válidos y creíbles para

poder utilizarlos. Para la simulación es importante la verificación del modelo que
permite determinar que el programa realiza lo que se propuso. Si no fuera así se
realiza la corrección de los errores. La verificación chequea el traslado del modelo
de simulación conceptual (diagrama de flujo e hipótesis) en un programa que
ejecute correctamente lo pactado. El concepto es simple pero el trabajo es tedioso.
La validación es la determinación si el modelo de simulación conceptual representa
exactamente al sistema en estudio
Si un modelo está validado, las decisiones hechas con el modelo son similares a
las de la experiencia física. Es necesario tener credibilidad en el modelo ya que el
programa se usa con confianza en la toma de decisiones. [CITATION eni10 \l 9226 ]

14
Ambas validación y verificación se pueden realizar en las distintas etapas del
desarrollo de un modelo de simulación:

La validación implica el contraste de los datos reales con el análisis de las salidas
de simulación.
Busca la estimación de las verdaderas medidas o respuestas. Se pretende
aproximar el modelo lo que más se pueda al sistema real representado.
El problema es estadístico y depende de la longitud de la corrida (tiempo o número
de entidades simuladas) y del número de repeticiones de cada corrida de
simulación. Cabe recordar que son necesarias como mínimo dos corridas de
simulación para obtener salidas de simulación promediadas, considerando la
característica aleatoria de los sistemas discretos. [CITATION uni131 \l 9226 ]

La bondad del modelo debe aproximar su comparación con el mundo real. Esto en
general implica dos etapas:
1. Que las hipótesis asumidas sean razonables (validación).
2. Que las hipótesis estén correctamente implementadas en el modelo
(verificación).

Hay distintas categorías de modelos:

 Válidos y no verificados
 Inválidos y no verificados (las hipótesis están lejos de la realidad)
 Inválidos y verificados
 Válidos y verificados

MÉTODOS A COMPARAR

Analizaremos los siguientes métodos que se pueden explicar en los cursos básicos
de estadística y que computacionalmente no presentan gran complejidad, así que
se pueden implementar fácilmente.

MÉTODO DE WALD

Este método, que presentan la mayoría de los textos básicos de Estadística, se

basa en la distribución asintótica normal de la diferencia entre las proporciones

15
muéstrales, ˆπ1 − πˆ2. Teóricamente este método da un intervalo con un nivel de
confianza aproximado de (1 − α)100%, la aproximación es mejor en tanto n1 y n2
sean “grandes”.
Los extremos del intervalo son:

MÉTODO DE WALD CON CORRECCIÓN POR CONTINUIDAD

Como la aproximación normal a la binomial es de una distribución discreta por una

continua es pertinente hacer la corrección por continuidad. Los extremos de este
intervalo son:

MÉTODO DE AGRESTI Y CAFFO

Sea ˆπ = X/n la proporción de éxitos en una muestra de tamaño n, con un nivel de

significancia aproximado de α, la región de aceptación para la prueba de la
hipótesis, H0 : π = π0 contra H1 :

π =6 π0 es el conjunto de valores π0, tales que:

El intervalo que resulta al despejar en esta desigualdad π0 se conoce como el

intervalo de confianza de “score”, Agresti & Coull (1998) notaron que el punto
medio de este intervalo es un promedio ponderado de π = ˆπ y π = 1/2 que es igual
a una proporción maestral donde el numero de éxitos es.

16
MÉTODO DE NEWCOMBE

Es una mezcla del método de Wald y el intervalo “score”. Para cada una de las dos
muestras se hallan los límites lj y uj del intervalo “score 00 resolviendo para πj con j
= 1, 2, la ecuación

El intervalo propuesto por Newcombe (1998) es

ANÁLISIS DE RESULTADOS

 Recolectar sistemáticamente los datos producidos por la simulación.

 Calcular ciertas estadísticas.

 Interpretar el comportamiento de la información obtenida.

 Validar los resultados de la simulación comparando tanto similitud entre los

resultados y las posibles series históricas que se poseen, como el uso que las
decisiones le den a esta herramienta.

La utilización del modelo por parte de los decisores es la validación crucial. De otra
forma el modelo se archiva o se tira a la basura.[ CITATION Uni141 \l 9226 ]

17
 VERIFICACIÓN Y VALIDACIÓN DE LOS MODELOS

 Diseñe una tabla con un formato tal que facilite la visualización de los
resultados de cada simulación del sistema banco corrida clientes que se van colas
en cada caja utilización en cajas

QA, QB, QC, QD, QE, PA, PB, PC, PD, PE,QF PF

Tablas de tiempo

 Calculo de las estadísticas

Promedios, desviaciones estándar porcentajes etc.

 Interpretación de los resultados

Hacer comparaciones de los promedios entre una y otra simulación

 Comparar estos resultados con algún patrón de información o con la

realidad que desea resolver. Representaría a las decisiones.

ANÁLISIS DE LOS DATOS DE SALIDA DE SIMULACIÓN

Cuando se dispone de un modelo de simulación verificado y válido se usa para

realizar experimentos. Esto es, en lugar de producir cambios en el sistema real se
los hace con los valores de los datos de entrada o parámetros del modelo para ver
cómo varían las respuestas y aplicar así la pregunta “que pasaría si...” (“whatif” ).
Por ejemplo, en un sistema de stock, se puede variar el punto de reorden o el
parámetro de la distribución de demanda para ver cómo varía el nivel de inventario.
En un sistema de redes se puede cambiar la distribución de tamaños para ver
cómo varía el nivel de congestionamiento de una red.
Toda simulación de sistemas discretos utiliza variables aleatorias para estimar
determinadas variables de respuesta o salida. Entonces estas últimas también son
variables aleatorias sobre las cuales se debe tener mucho cuidado en
interpretarlas.
Para eso es imprescindible para quien hace una simulación determinar la cantidad
de repeticiones o corridas que realizará con el modelo, dado que debe reproducir el
comportamiento aleatorio que está representando, como así también los valores de
los datos de entrada y la precisión estadística en las respuestas.

18
Las salidas de simulación de un sistema discreto tienen el tratamiento de la
estimación de medias, variancias y correlaciones, intervalos de confianza y
eventualmente se puede hacer un test de hipótesis para las medias para comparar
distintas configuraciones del sistema simulado. En la unidad 2 se hizo una revisión
de probabilidad y estadística para luego aplicar estos conceptos a los datos
observados de un sistema real. Esos mismos conceptos son aplicables para las
salidas de simulación.[ CITATION Unv14 \l 9226 ]

VERIFICACIÓN Y VALIDACIÓN DE LOS MODELOS.

Cuando construimos un modelo de un sistema real, se atraviesan una serie de

etapas o niveles de modelización. Se comienza estudiando el sistema real y a
continuación se construye un modelo conceptual que contiene todos los elementos
que se consideran relevantes del sistema. Desde este se pasa a un modelo lógico
que contiene las relaciones lógicas entre los elementos. Por último se construye el
modelo de ordenador (o modelo de simulación) que ejecuta la lógica recogida en la
fase anterior.
El desarrollo del modelo es un proceso iterativo en el que hay sucesivos
refinamientos en cada etapa. El paso entre las distintas etapas está marcado por el
éxito o fracaso al realizar la verificación y la validación en las mismas.
Cuando se valida un modelo se establece que el modelo es una representación
creíble del sistema real, cuando se verifica un modelo se determina si la lógica del
modelo ha sido correctamente implementada. Dado que los objetivos de la
verificación y de la validación son diferentes también lo son las técnicas para
realizarlos.
Se han de establecer una serie de criterios que sirvan para decidir si el modelo
supera o no los procesos de verificación y validación. Se ha de tener presente que
en un modelo se pueden excluir aspectos del sistema real que se cree que no son
importantes para responder a las cuestiones planteadas sobre el sistema y que el
modelo debe responder, de forma que en fases tempranas se ha de fijar también
cuáles son dichas cuestiones. [ CITATION Mar01 \l 9226 ]

Por ejemplo considerando que se quiere simular un supermercado, se ha de

identificar cuáles son las cuestiones que se espera que responda el modelo. El
administrador y los usuarios del sistema nos pueden ayudar a identificarlas.
Podemos suponer que después de consultar con el administrador y los usuarios del
supermercado, posibles cuestiones pueden ser:

19
 ¿Cuál es la relación entre el número de cajeros y empaquetadores con
respecto al tiempo de espera en cola?
 ¿Qué efecto produce la existencia o no de cajas rápidas con respecto al
tiempo de espera en cola?
 ¿Qué efecto produce con respecto al tiempo de espera en cola el hecho de
que más de un cajero comparta empaquetador?
 ¿Cuál puede ser el efecto de hacer que los cajeros puedan abrir o cerrar las
cajas según la cola de espera aumente o disminuya?

Para construir el modelo conceptual se necesita identificar aquellos elementos del

sistema real que van a ser incluidos en el modelo, así como los sucesos que
ocurren. En esta etapa se deben identificar las variables exógenas y endógenas,
sucesos externos, variables de estado y medidas de ejecución. Después de
identificar dichos elementos se han de presentar a los usuarios y administradores
del sistema para establecer que el modelo contiene los aspectos necesarios del
sistema para responder a las cuestiones planteadas. Vemos que la validación
comienza desde la primera etapa de desarrollo del modelo.
Una vez que se tiene el modelo conceptual se pasa a desarrollar el modelo lógico,
el cual incorpora los elementos, sucesos y variables incluidas en el modelo anterior.
Puede ocurrir que durante esta etapa se descubran fallos en el modelo conceptual,
lo cual implicaría una nueva revisión del modelo.
El proceso de comprar el modelo lógico con modelo conceptual implica validación y
verificación. El modelo lógico debe ser una representación adecuada de la lógica
del modelo conceptual.
Una vez que el modelo ha sido programado, se ha de verificar que como tal
programa no contiene errores y que es una correcta representación del modelo
lógico. Para terminar se ha de validar el modelo comprobando que es una correcta
representación del sistema real y por tanto puede responder de forma fiable a las
cuestiones planteadas en la fase de construcción del modelo conceptual.

20
 CONCLUSIONES

 Si son muchos los aspectos de interés que hay que estudiar, es conveniente
usar un modelo sin refinar o un modelo analítico para identificar los factores
importantes antes de desarrollar un modelo de simulación detallado.

 Se concluye que un método de validación de modelo de simulación puede

aplicar diferentes métodos dentro de los cuales podemos encontrar los siguientes:
Método de Wald, Método de Wald con corrección por continuidad, Método de
Agresti y Caffo, Método de Newcombe.

 Se concluye que un modelo es una representación creíble del sistema real,

cuando se verifica un modelo se determina si la lógica del modelo ha sido
correctamente implementada. Dado que los objetivos de la verificación y de la
validación son diferentes también lo son las técnicas para realizarlos.

 Se concluye que para obtener un resultado adecuado es necesario realizar

la comparación de 3 modelos los cuales son: modelo lógico, modelo conceptual y
modelo u ordenador o de simulación.

 Se llega a la conclusión de la importancia que tiene la representación gráfica

de un suceso o de un sistema, dentro de estas representaciones la más relevante
son los grafos y nos sirve para identificar los componentes del sistema y la
validación de un modelo conceptual.

 Concluimos que para el correcto planteamiento de un modelo lógico es

necesario realizar diagramas de flujo así este servirá como puente entre el modelo
conceptual y el modelo ordenador.

 El nivel de confianza real es una estimación de la probabilidad de cobertura

que esperamos sea del 95% con unas variables aleatorias que indican el límite
inferior y superior.

 Se puede simular lejos del error con más y más corridas o repeticiones pero
nunca se puede simular lejos del riesgo, que es una parte inherente del sistema.

21
 son necesarias como mínimo dos corridas de simulación para obtener
salidas de simulación promediadas, considerando la característica aleatoria de los
sistemas discretos.

 Cuando se valida un modelo se establece que el modelo es una

representación creíble del sistema real, cuando se verifica un modelo se determina
si la lógica del modelo ha sido correctamente implementada.

 Cuando se dispone de un modelo de simulación verificado y válido se usa

para realizar experimentos. Esto es, en lugar de producir cambios en el sistema
real se los hace con los valores de los datos de entrada o parámetros del modelo
para ver cómo varían las respuestas y aplicar así la pregunta “qué pasaría si...”

 Las salidas de simulación de un sistema discreto tienen el tratamiento de la

estimación de medias, variancias y correlaciones, intervalos de confianza y
eventualmente se puede hacer un test de hipótesis para las medias para comparar
distintas configuraciones del sistema simulado

22
 REFERENCIAS

Andes, U. d. (s.f.). Procesos de Verificación y validación. Recuperado el 17 de

Octubre de 2014, de
http://sistemas.uniandes.edu.co/~csof5101/dokuwiki/lib/exe/fetch.php?
media=principal:csof6101-clase5-1.pdf
Ayacucho, u. g. (2006). https://sites.google.com/site/blogsimulacionugma/.
Obtenido de https://sites.google.com/site/blogsimulacionugma/
Cauca, U. d. (s.f.). Verificación y Validación. Recuperado el 17 de 10 de 2014, de
https://www.google.com.co/#q=Verificaci%C3%B3n+y+validaci
%C3%B3n+de+los+modelos
Enigmatike. (2010). http://www.buenastareas.com/ensayos/Simulaci%C3%B3n-De-
Sistemas/1624610.html.
España, u. d. (2013). http://web.udl.es/usuaris/MatFDiE/OptiSim/MonteCarlo.pdf.
Obtenido de http://web.udl.es/usuaris/MatFDiE/OptiSim/MonteCarlo.pdf
http://web.udl.es/usuaris/MatFDiE/OptiSim/MonteCarlo.pdf. (s.f.).
Madrid, U. P. (2013). http://www.iol.etsii.upm.es/arch/simulacion.pdf. Obtenido de
http://www.iol.etsii.upm.es/arch/simulacion.pdf
Perera, M. V. (1 de Octubre de 2001). ESTIMACIÓN POR INTERVALOS DE
CONFIANZA. Obtenido de Descartes 2D:
http://recursostic.educacion.es/descartes/web/materiales_didacticos/Muestre
o_Inferencia_Estadistica/estimacion_intervalos.html
Universidad de Lleiva España. (2013). www.udl.es. Obtenido de
http://web.udl.es/usuaris/MatFDiE/OptiSim/MonteCarlo.pdf
Universidad del Cauca. (2013). https://www.google.com.co/url?
sa=t&rct=j&q=&esrc=s&source=web&cd=6&cad=rja&ved=0CFIQFjAF&url=ht
tp%3A%2F%2Fpis.unicauca.edu.co%2Fmoodle%2Fpluginfile.php
%2F31641%2Fmod_folder%2Fcontent%2F1%2Fclase_2%2Ftema6.pdf
%3Fforcedownload%3D1&ei=e9dzUuDsIvSnsQTV7YCABQ

23