UNEXPO
Dirección de Investigación y Post grado.
Vicerrectorado Puerto Ordaz
La simulación como herramienta de verificacion y validación de modelos
1
Diaz Frank; 2Duarte Angel; 3Ospino Obdoardo
frdiaz@unexpo.edu.ve; Angelduarte1@gmail.com; Oospino1@gmail.com
1, 2,3 Unexpo, Departamento de ingeniería Mecánica, Centro de ingeniería de fabricación, Sección tecnología
Resumen
El objetivo principal de este trabajo es
definir el comportamiento de un modelo a
simular, y cuando se debe evaluar
experimentalmente, para ello se puede
verificar y validar con ecuaciones y/o leyes
definidas en sistemas fisicos y quimicos. Para
este artículo se ha realizado un análisis de
información secundaria a partir de papers y
publicaciones académicas alrededor del
proceso de validación y verificacion de
modelos.
En la literatura existen numerosos trabajos
donde se describe y analiza la generación de
proyectos de simulación aplicados a la
industria manufacturera, sin embargo, las
etapas de verificar el modelo y validar la
capacidad del mismo para representar
razonablemente el proceso real no presentan
una amplia discusión.
En el presente trabajo se realiza una
revisión bibliográfica de las metodologías
presentadas en la literatura, donde existen
etapas en la construcción de todo modelo a
simular, con el objetivo de realizar un análisis
de los criterios y técnicas existentes; así como
también plantear nuevas propuestas para
sistematizar y formalizar dichas etapas en
verificación y validación, creando modelos de
simulación aplicados en la industria.
Palabrasclaves:
Modelado,simulación,validacion.
Jornadas de Investigación 2019
1
I. INTRODUCCIÓN
Muchos experimentos se realizan con la duda
si es fiable lo que se procesa o quizas arroje
un error cuantificable en sus resultados. La
simulacion es la clave para predecir que tan
real son dichos experimentos. La duda de
hacer valer los resultados se determina con
modelos matematicos, logicos ó estadisticos ;
que a su vez pueden ser simulados con
aplicaciones logicas que determinan su
comportamiento fisico-logico.
La verificación y validación se ocupan de
determinar si un modelo y sus resultados son
"correctos" para un uso o propósito específico.
La verificación del modelo se define
formalmente como "asegurar que el programa
informático del modelo computarizado y su
aplicación son correctos" y la validación del
modelo se define como la "comprobación de
que una modelo computarizado dentro de su
ámbito de aplicación posee un conjunto
suficiente de exactitud en consonancia con la
aplicación prevista del modelo "[1]
Es de relevancia esta teoria , ya que aporta
un conocimiento en la validacion de modelos
como lo es en las sensibilidades, que son
parametros de correccion con respecto a los
experimentos. Las ecuaciones definidas en los
sistemas se presentas muy objetivas con la
ayuda de los flujogramas esquematicos, para
no dirpersar la informacion.
II. ESTADO DEL ARTE
1.- Simulado
Según la teoría de la simulación que podría
definirse como un medio que experimenta con
un modelo detallado de un sistema real para

determinar cómo responderá el sistema a los
cambios en su estructura o entorno [5].
Por otro lado se podría afirmar que la
simulación permite experimentar con un
modelo del sistema para comprender mejor los
procesos, con el fin de mejorar la actividad en
las empresas [5]. Finalmente un aspecto muy
importante a destacar dentro de las distintas
definiciones de la teoría de la simulación es
que ésta pretende imitar el comportamiento
del sistema real, evolucionando como éste,
pero lo más frecuente es estudiar además la
evolución del sistema en el tiempo.
A nivel de planificación y control
estratégicos de una empresa, los modelos de
simulación insertan varios inputs a un sistema
y proporcionan un modelo para evaluar o
volver a diseñar y medir o cuantificar factores
tan importantes como la satisfacción del
cliente, la utilización de recursos, el proceso
de reingeniería y el tiempo invertido en todo
ello. Si nos refiriéramos al proceso de
reingeniería o proceso de innovación, como a
veces se le denomina, éste es un medio por el
que las organizaciones intentan reinventarse.
Este esfuerzo comporta procesos de
replanteamiento, búsqueda de procesos
innovadores y por ello más efectivos y
eficientes de cara a ser productoras de mayor
numero de negocios. Una herramienta básica
utilizada para replantear los procesos en las
organizaciones es la simulación [5]
1.1.- Etapas de la simulación
Según desde un punto de vista
objetivamente se puede resumir de acuerdo
con la teoría de simulado y modelado en:
Formulación del problema: objetivamente
debe ser lo más detallado simplificando su
desarrollo, para limitar su experimentación.
Formulación del modelo: puede ser
complejo o simple y lo más parecido al
sistema real.
Tabulación de datos: deben ser precisos de
experimentos realizados, mediciones del
sistema real y registros históricos de un
proceso o parámetros del problema.
Jornadas de Investigación 2019
2
Verificación: En esta etapa se comprueba
que no se hayan cometidos errores durante la
implementación del modelo. Para ello, se
utilizan las herramientas de depuración
provistas por el entorno de programación.
Validación: En esta etapa se comprueba la
exactitud del modelo desarrollado. Esto se
lleva a cabo comparando las predicciones del
modelo con: mediciones realizadas en el
sistema real, datos históricos o datos de
sistemas similares. Como resultado de esta
etapa puede surgir la necesidad de modificar
el modelo o recolectar datos adicionales.
Diseño de experimentos: En esta etapa se
decide las características de los experimentos
a realizar: el tiempo de arranque, el tiempo de
simulación y el número de simulaciones.
Experimentación: En esta etapa se realizan
las simulaciones de acuerdo el diseño previo.
Los resultados obtenidos son debidamente
recolectados y procesados.
Interpretación de los resultados: Se analiza
la sensibilidad del modelo con respecto a los
parámetros que tienen asociados la mayor
incertidumbre. Si es necesario, se deberán
recolectar datos adicionales para refinar la
estimación de los parámetros críticos [4]
1.2.- Aplicaciones de la simulación
a) La simulación se aplica cuando no
exista formulación matemática analíticamente
resoluble.
b) Cuando exista la formulación
matemática, pero es difícil obtener una
solución analítica.
c) Se aplica a sistemas no reales, los
ingenieros diseñan sistemas los cuales
mejoran con la experimentación del modelo.
d) La experimentación en la simulación
ahorra costos, tiempo, ensayos de calidad y
procesos muy laboriosos en usos de equipos.
En general, se puede hablar de tres tipos de
aplicaciones: [4]
Experimentación: Es un modelo de simulación
que es necesario cuando la experimentación
directa sobre el sistema real es muy costosa o

imposible y cuando el objetivo es diseñar un
nuevo sistema, dado que el modelo puede ir
modificándose fácilmente hasta obtener el
comportamiento deseado.
Predicción: El modelo se puede usar para
pronosticar el comportamiento del sistema real
bajo ciertos estímulos. Se puede hacer así una
evaluación de diferentes estrategias de acción.
Enseñanza: adiestramiento de astronautas, en
los juegos de negocios, etc.”
1.3.- Desventajas de la simulación.
a) El desarrollo de un modelo puede ser
costoso, laborioso y lento.
b) Existe la posibilidad de cometer
errores.
c) No se puede conocer el grado de
imprecisión de los resultados.
La simulación inicia con la creación de la
imitación de un proceso real de cualquier
naturaleza tal como de producción,
administrativa, social, etc., por lo que esta
imitación para la experimentación, tiene como
factores que la determinan: [5]
Restricciones: De manera general se puede
decir que las restricciones son relaciones entre
las variables de decisión y magnitudes que dan
sentido a la solución del problema y las acotan
a valores factibles, asimismo la construcción
de herramientas matemáticas que las restrinjan
o las modelen.
Las restricciones son las limitaciones de
operación que impone una variable, en un sólo
sentido, sin afectar los límites del sistema.
Una restricción puede ser impuesta por el
propio diseñador del sistema o estar dada por
la naturaleza de la variable.
Variables: Son las decisiones que afectan
el objetivo del sistema, de manera directa a la
optimización del sistema, por lo que sobre de
ellas se tiene que manejar alternativas de
incidencia y por tanto de su control. [5]
Para la formulación de un modelo de
simulación, es necesario especificar las
relaciones entre las variables. Los modelos de
simulación consisten en variables de decisión,
Jornadas de Investigación 2019
3
variables incontrolables y variables
dependientes.
2.- Modelado
El objetivo de un modelo consiste en
reproducir la realidad de la forma más fiel
posible, tratando de entender cómo se
comporta el mundo real y obteniendo las
respuestas que pueden esperarse de
determinadas acciones. En la práctica se
utilizan muchos tipos de modelos, tales como
modelos de ecuaciones diferenciales, modelos
de ecuaciones funcionales, modelos en
diferencias y de elementos finitos, y modelos
de programación matemática [2]
La simulación de un hecho real o de un
proceso por medio de otro proceso más simple
que analiza sus características es una
herramienta práctica de la ingeniería. Una de
las más conocidas es el método de elementos
finitos, el cual se ayuda con la matemática y la
física para explicar procesos [3]
Los modelos se construyen con la finalidad
de estudiar el objeto real con más facilidad y
deducir propiedades difíciles de observar en la
realidad [4]
 Eliminando o simplificando objetos o
procesos de estudio.
 Cambiando las escalas espacial o
temporal.
 Variando las condiciones del entorno.
 Evitando la actuación sobre el objeto
real.
 Representar objetos o procesos de
estudio.
Toda resolución analítica que sea modelada
varía de acuerdo a los métodos numéricos
empleados y los experimentos realizados.
Para desarrollar un buen modelo es
necesario:
a) Establecer una definición clara de los
objetivos.

b) Analizar el sistema real.
c) Dividir el problema del sistema en
problemas simples.
d) Buscar analogías.
e) Considerar un ejemplo numérico
específico del problema.
f) Determinar las variables de interés.
g) Escribir los datos obvios.
h) Escribir las ecuaciones teóricas o
empíricas que describen los fenómenos
presentes y relacionan las variables de interés.
i) Si se tiene un modelo manejable,
enriquecerlo. De otra manera, simplificarlo.
Generalmente, simplificar un modelo implica:
 Convertir variables en constantes.
 Eliminar o combinar variables.
 Suponer linealidad.
 Agregar suposiciones más potentes y
restricciones.
 Restringir los límites del sistema.
Para enriquecerlo se procede de la forma
contraria. Durante el proceso de modelado se
debe alcanzar un equilibrio entre el grado de
detalle y el riesgo de falta de exactitud. El
mejor modelo, es el modelo más simple que
puede resolver el problema con el grado de
exactitud requerido.
Un modelo debe ser:
 Fácil de entender por parte del usuario.
 Dirigido a metas u objetivos.
 Sensato, en cuanto no de respuestas
absurdas.
 Fácil de manipular y controlar por parte
del usuario. Es decir, debe ser sencillo
comunicarse con el modelo.
 Completo, en lo referente a asuntos
importantes.
 Adaptable, con un sencillo
procedimiento para modificar o analista debe asegurar que el problema que se
actualizar el modelo.
 Evolutivo, debe ser sencillo al principio
y volverse más complejo en el tiempo.
3.- Verificación y validación del modelo
La verificación determina si el modelo
funciona como queremos.
Jornadas de Investigación 2019
4
¿Coincide el modelo con el modelo que se
quería diseñar? ¿Están siendo procesados los
productos en el espacio de tiempo correcto,
siguen el flujo de proceso correcto…?
La validación es más extensa. Implica la
determinación de si el modelo es una
representación correcta de realidad y la
determinación del nivel de confianza que
puede ser establecida en los resultados del
modelo.
La Verificación y validación se ocupan de
determinar si un modelo y sus resultados son
"correctos" para un uso o propósito específico.
Verificación del modelo se define
formalmente como "asegurar que el programa
informático del modelo computarizado y su
aplicación son correctos" y la validación del
modelo se define como la "comprobación de
que un modelo computarizado dentro de su
ámbito de aplicación posee un conjunto
suficiente de exactitud en consonancia con la
aplicación prevista del modelo " [6].
3.1.-Metodologías en la validación y
verificación
El proceso de verificación y validación fué
evolucionando al igual que las metodologías
propuestas para llevar adelante un proyecto de
simulación de procesos. Si bien, no existe una
única metodología para la construcción de un
proyecto de estas características, se puede
observar que todas ubican a la V&V como una
de las etapas más importantes del proyecto.
La metodología propuesta por Banks [1] se
esquematiza en la Figura 1. La misma
comienza con la formulación del problema. El
describe esté claramente definido. Según
Banks, hay ocasiones en las que el problema
debe volver a formularse a medida que avanza
el estudio, aunque no se muestra en la Figura
1 propuesta por el autor.
Sargent [1] en su metodología para la
construcción de un modelo de simulación
 5

(Figura 2), plantea dos validaciones y una

verificación en todo el proceso. La validación Si bien, dentro de la metodología planteada
del modelo conceptual se define como la por Sargent[1] (Figura 2) no se define un
determinación de que las teorías e hipótesis etapa de validez de datos, es considerado
que sustentan el modelo conceptual son necesario para la construcción del modelo, la
correctos y que la representación del modelo evaluación del mismo, la realización de los
del problema es "razonable"para la finalidad experimentos del modelo y pruebas para
prevista del modelo. La verificación del asegurar que sean adecuados y correctos (ver
modelo computarizado se define como la Figura 3)
garantía de que la programación y la
aplicación del modelo conceptual del El modelo se obtiene a partir de datos
ordenador son correctas. Por último, la experimentales de entrada-salida del proceso.
validación operacional se define como la
determinación de que el comportamiento de
salida del modelo dispone de una gama
satisfactoria de precisión para la finalidad
prevista del modelo sobre el dominio de
aplicación previsto del modelo.

Figura 2. Proceso interactivo de desarrollo de

modelos sugerido por Sargent[1].

Figura 1. Pasos de un estudio de simulación

propuesto por Banks [1].
Jornadas de Investigación 2019
 6

una aplicación y la exactitud de la

representación del mundo real.
 Se obtienen mediante razonamientos y
la aplicación de principios de
conservación de masa, energía,
momento, etc. y otras leyes particulares
del dominio de aplicación.
 Basados en un conjunto de hipótesis.
 Tienen validez general si se cumplen las
hipótesis de partida
 Requieren conocimiento profundo del
Figura 3. Versión simplificada del proceso de proceso y de las leyes fisico-químicas.
desarrollo de modelo[1] Un modelo siempre es una mezcla de
conocimiento y de experimentación. En la
figura 5, se muestra un sistema para obtener
un modelo.

Figura 5. Proceso para obtener un modelo[3]

Una representacion adecuada para obtener un

modelo a paratir de un sistema en la figura 6,
faltaria adecuacion y la facilidad del uso de la
aplicación.

Figura 4. Método de conducción de investigación de

simulación propuesta por Montevechio[1].

3.2.- Modelos matemáticos [3]

 Conjunto de ecuaciones que relacionan

las variables de interés del proceso y Figura 6. Representacion adecuada para obtener un
representan adecuadamente su modelo[3]
comportamiento.
Según el profesor Cesar Prada[8] la
 Distintas formulaciones para distintos
medelacion cumple con cinco etapas ; las
objetivos y tipos de procesos.
cuales son: Hipotesis, modelado,
 Obtenidas a partir de un conjunto de parametrizacion, codificacion y
hipótesis y suposiciones. experimentacion.
 Compromiso entre facilidad de uso en
Jornadas de Investigación 2019
 7

Un ejemplo de hipotesis es la compresion

de un piston ;

ℎ 𝐴ℎ 𝑣
c(t) = 𝑐𝑖 (𝑡 − 𝑣 ) = 𝑐𝑖 (𝑡 − 𝐴𝑣 ) = 𝑐𝑖 (𝑡 − 𝐹 )(1)

La funcion se cumple si hay o no un

desplazamiento para definir el modelo y esta
tres hipotesis pueden decidir cual es mas Figura 8. Funcion error de varios valores[3]
preciso en la validacion experimental del
modelo (1) Si hay N valores experimentales de la
salida se puede definir una función de error
En los modelos de variables de estado, se como:
deben verificar los parametros de acuerdo a
las perturbacioes en el sistema a modelar. 𝑁
1
𝐽 = ∑ 𝑒(𝑡)2
𝑑𝑥(𝑡) 𝑁
𝑑𝑡
= 𝑓 (𝑥(𝑡), 𝑢(𝑡), 𝑃, 𝑡) (2) 𝑡=1
𝑁
𝑦(𝑡) = 𝑔(𝑥, 𝑢(𝑡),t) (3) 1
= ∑[𝑦(𝑡)𝑦𝑚 (𝑢, 𝑃, 𝑡)]2 (4)
𝑁
𝑡=1

Figura 7. Modelo de variable de estado[3]

El modelo de la figura 7 determina su

estructura(2), el valor de sus parametros (3)
que son las dos ecuaciones anteriores.
Normalmente siempre aparecen Figura 9. Funcion con parametros incluidos[8]
alternativas en la formulación del modelo y es
necesario escoger entre distintas estructuras
En la etapa de validación pueden aplicarse Tambien pueden usarse otras expresiones
distintos test para elegir que elección fue mas para J;
adecuada[8] 𝑁
Los parámetros P del modelo pueden 𝑚𝑖𝑛 𝑚𝑖𝑛
1
obtenerse mediante bibliografía, 𝑝 𝐽 = 𝑝 ∑ 𝑒 (𝑡 )2 =
𝑁
documentación, etc. pero siempre hay 𝑡=1
𝑁
parámetros cuyo valor no se puede determinar 𝑚𝑖𝑛
1
𝑝 ∑[𝑦(𝑡) − 𝑦𝑚 (𝑢, 𝑝, 𝑡)2 (5)
de forma sencilla y precisa y que deben ser 𝑁
estimados. 𝑡=1

3.3 Calibracion (Parametrizacion)

La respuesta del modelo ante las mismas

entradas depende del valor de los parámetros

Jornadas de Investigación 2019


Figura 10. Parametrizaciion con la calibracion
deajuste [3]
v es normalmente una función no-lineal en
los parámetros. Puede resolverse por
minimización numérica.
Entre los parámetros a estimar pueden
incluirse también, junto a los parámetros del
modelo, estados iniciales desconocidos o
entradas no medidas (constantes o
parametrizables).
Si hay varias salidas se puede ajustar;
𝑁 b) Para simplificar la estructura del
𝑚𝑖𝑛
1
𝑝 ∑ 𝛾1 [𝑦1 (𝑡) − 𝑦𝑚1 (𝑝, 𝑡)]2 +
𝑁
𝑡=1
𝛾2 [𝑦2 (𝑡) − 𝑦𝑚2 (𝑝, 𝑡)]2 +
𝛾3 [𝑦3 (𝑡) − 𝑦𝑚3 (𝑝, 𝑡)]2 (6)
Al ajustar las salidas del proceso y la
calibracion se llega a una normalizacion, la
cual seria un estandar para futuras
simulaciones en procesos identicos.
Es posible que, para un mismo
experimento, la respuesta del modelo con dos
valores diferentes p1 y p2 de un parámetro,
muy o poco diferente
Solo debería escogerse un parámetro p para
la optimización si la salida presenta una
sensibilidad razonable ante cambios en p
Jornadas de Investigación 2019
8
Figura 11. Parsametros optimizados ante
cambios razonables[3]
3.4.- sensibilidades en las salidas del
proceso a modelar
En el proceso de validación se utiliza
análisis de sensibilidad para:
a) Asegurarnos que el modelo produce
resultados razonables cuando los factores e
hipótesis son cambiados.
modelo. Si el cambio en los niveles de algunos
factores no implica cambios en las respuestas
del modelo, entonces podríamos pensar en
omitir algún recurso o actividad implicada en
esos cambios.
c) Chequear los efectos del uso de
parámetros basados en información
inadecuada, difícil de obtener o incierta. Por
ejemplo, tiempo real de actividades, podemos
hacer corridas con valores límites y estudiar el
tiempo y esfuerzo necesario para obtener
buenos datos[9]
Sensibilidad de la salida i del modelo
respecto al parámetro j en relación a un
experimento dado. Es función del tiempo(7)
𝑑𝑦𝑚𝑖 (𝑡)
𝑆𝑖𝑗 (𝑡) = (7)
𝑑𝑝𝑗
Sensibilidad del índice J respecto al
parámetro j en relación a un experimento
dado. Resume el efecto durante todo el tiempo
del experimento(8)
𝑑𝑗
(8)
𝑑𝑝𝑗
 9

𝜕𝑦𝑖(𝑡) 𝑦𝑖(𝑝 + ∆𝑡, 𝑡) − 𝑦𝑖(𝑝, 𝑡)

𝑆𝑖𝑗 = ≈ (15)
𝜕𝑝𝑖 ∆𝑝
Dificultad para comparar sensibilidades
debido a la diferencia de unidades de cada Sij.
Deben usarse factores de escala.(10) Las sensibilidades dependen, lógicamente,
del punto p en que son evaluadas, y del
𝑑𝑦𝑖 (𝑡)
𝑆𝑖𝑗 (𝑡) = (9) experimento (a través de las entradas) que se
𝑑𝑝𝑗 considera.[3]
𝑑𝑦𝑚𝑖 (𝑡) 𝑝𝑗
𝑆𝑖𝑗 (𝑡) = (10) Esta teoria es de utilidad a la hora de
𝑑𝑝𝑗 𝑦𝑖
validar un modelo , y es una buena calibracion
para un modelo experimental. En la actualidad
La norma de cada columna j de la matriz de existen softwares que interactuando los
sensibilidades da una idea de la importancia parametros ajustan las sensibilidades.
del parámetro pj en el valor de las salidas Todo análisis de sensibilidad debe ser
realizado con cuidado y muy bien planificado,
ya que es imposible chequear todos los
propósitos planteados a la vez[9]
El análisis de sensibilidad se utiliza
(11) también en el propio proceso de
experimentación, para estudiar los efectos
causados en los resultados del modelo, al
cambiar algunos factores.

Conclusiones
3.5.- Calculos de las sensibilidades.

Pueden obtenerse mediante cocientes de A través de la revisión bibliográfica de las

incrementos o analíticamente metodologías presentadas en la literatura, se
observa que los autores formalizan de manera
explícita o implícita las etapas de verificación
𝑥 (𝑡) = 𝑓(𝑥(𝑡), 𝑢(𝑡)) (12) y validación tanto de los modelos
𝑦𝑚 (𝑡) = 𝑔(𝑥(𝑡), 𝑢(𝑡)) (13) conceptuales, modelo de datos y modelo
computacional. Los mismos coinciden en que
dichas etapas son muy relevante al momento
𝑁
𝜕𝑦 𝜕𝑦𝑚 de demostrar la capacidad de la simulación
= 2 ∑[𝑦(𝑡) − 𝑦𝑚 (𝑝, 𝑢, 𝑡)] para representar razonablemente el proceso
𝜕𝑥 𝜕𝑝
𝑡=1 real.
Se puede concluir que no hay simulacion
𝜕𝑥 𝑑 𝜕𝑥 𝜕𝑓 𝜕𝑥 𝜕𝑓 sin un modelo y debe ser validado, el cual es a
= 𝑑𝑡 = 𝜕𝑥 + (14) traves de la experimentacion o en casos
𝜕𝑝 𝜕𝑝 𝜕𝑝 𝜕𝑝
virtuales con ecuaciones o leyes definidas en
Integrando esta ecuación(14) junto a las del sistemas fisicos y quimicos.
modelo, es posible obtener la evolución de En la teoria para ajustar ecuaciones
∂x/∂p y por tanto las sensibilidades. experimentales se aplican metodos numericos
precisos en estos casos aproximacion lineal o
Mediante cociente de incrementos, metodos de minimos cuadrados. Una
realizando simulaciones del modelo aplicación estadistica con pruebas de control
en varianzas puede ser muy eficaz a la hora de
Jornadas de Investigación 2019
 10

verificar modelos matematicos que se https://www.researchgate.net/publication/4551309

obtuvieron por experimentacion, es de 4_Los_modelos_de_simulacion_una_herramienta_
suponer que hay formas, modelos y multidisciplinar_de_investigacion
aplicaciones a la hora de verificar y validar [6]José Francisco Puche Forte “Guia práctica para
una simulacion experimental o analitica. la simulación de procesos industriales”
http://www.cetem.es/rs/1235/d112d6ad-54ec-
Los conceptos para definir los sistemas se
438b-9358-4483f9e98868/739/fd/1/filename/guia-
analizaron según la teoria del profesor Cesar simulacion-procesos-industriales-cetem.pdf
Prada, las cuales se pueden simplificar ya que
estas son generalizadas con ejemplos de [7] José Francisco Puche Forte “Guia práctica para
modelos de variables de estado, el cual la simulaciónde procesos industriales” Centro
ejemplifica los calculos de las sensibilidades. Tecnológico del Mueble y la Madera de la Región
de Murcia(2005) disponible:
Referencias http://www.cetem.es/recursos/publicaciones-
cetem/i/900/325/guia-practica-para-la-simulacion-
de-procesos-industriales
[1] Acosta, Esteban, Chiodi, Franco, Fernandez, [8] Omar Bolaños Plata. “Importancia de la
Marcelo, Tcach, Alexis, Francesconi, Javier simulacion en mejora de procesos” Universidad
“Etapas de Validación y Verificación en la autonoma de Mexico. 2014.
http://www.ptolomeo.unam.mx:8080/xmlui/bitstre
Construcción de Modelos para la
am/handle/132.248.52.100/5884/tesis.pdf?sequenc
Simulación de Procesos Industriales” e=1
Instituto de Industria, Universidad Nacional [9]Técnicas de validación y Experimentación S/A,
de General Sarmiento, Juan M. Gutiérrez 1150 disponible en :
(B1613GSX) Los Polvorines. Provincia de https://www.fing.edu.uy/inco/cursos/simulacion/ar
BuenosAires,Argentina. Disponible : chivos/clases/clase11web.pdf
https://docplayer.es/75653054-Etapas-de-
validacion-y-verificacion-en-la-construccion-
de-modelos-para-la-simulacion-de-procesos-
industriales.html
[2] Castillo Enrique, Conejo J. Antonio
“Formulacion y resolucion de modelos de
programacion
matematicaeningenieriayciencia”
(2002)disponible:
http://www.dia.fi.upm.es/~jafernan/teaching/opera
tional-research-LibroCompletopdf.
[3] Cesar de Prada “Validación de modelos”
UniversidaddeValladolid SedeMergelina,EIIc/
RealdeBurgoss/n.,edificioAlfonsoVIII 47011
Valladolid, Spain.ISA-UVA. Disponible en:
http://www.isa.cie.uva.es/~prada/
[4] Enrique Eduardo Tarifa. “Teoría de Modelos y
Simulación”Facultad de Ingeniería - Universidad
Nacional de Jujuy. Disponible:
https://www.econ.unicen.edu.ar/attachments/1051
_TecnicasIISimulacion
[5] Fullana. Carmen, Urquia Elena, “Los modelos de
simulacion una herramienta multidiciplinar de
investigacion” Universidad Pontificia de
Comillas(2009)disponible:
Jornadas de Investigación 2019