MODULO VI

CARRERA: GERENCIA DE NEGOCIOS

Carrera: Ingenieria en Computación

ASIGNATURA
INTELIGENCIA DE NEGOCIOS
<< PIN-0622 >>

Objetivo general:
Conocer los conceptos básicos de modelado y simulación de sistemas.
Conocer los conceptos de Sistemas naturales y artificiales.
Conocer las razones y los peligros para la simulación de sistemas.
 Descripción actividades para módulo VI
Descripción breve de actividades:
1. Participación en el foro “Modelado y simulacion de sistemas”
2. Caso Aplicado de Modelado y Simulacion de Sistemas.

Tarea:
Elabore un informe de máximo tres páginas donde explique lo más detallado
posible, un problema real de una empresa gubernamental o no
gubernamental que pueda ser resuelto utilizando modelado y simulación de
sistemas. Explique qué inconvenientes cree usted que se le presentarían para
desarrollar el modelado. ¿Sería útil la solución? ¿Qué ventajas ofrecería
realizar la simulación vrs realizar el proyecto real inicialmente?
Indicaciones: Realizar de manera individual la tarea planteada
anteriormente y enviarla a través de la plataforma en el icono de tarea, debes
agregar una portada, introduccion, , conclusiones y bibliografia..
Formato: Times New Roman, tamaño 12, con interlineado de 1.5, margenes
normales.

Foro: Modelado y simulacion de datos

Después de leer y analizar detalladamente el contenido del módulo 6, usted
deberá debatir con sus compañeros la siguiente pregunta:
¿El tema de modelado y simulación de sistemas es un tema importante para
aplicar en nuestro país? ¿Existen áreas de oportunidad para aplicarlo?
Explique.
II. Contenido
Conceptos Básicos
Con frecuencia se dice que los computadores están revolucionando la ciencia
y la ingeniería. Utilizando computadores somos capaces de construir
complejos diseños de ingeniería, tales como transbordadores espaciales.
Podemos calcular las propiedades de cómo era el universo una fracción de
segundo después del “big bang”. Nuestros retos son cada vez más exigentes.
Queremos crear diseños aún más complejos, tales como mejores vehículos
espaciales, automóviles, medicinas, sistemas telefónicos móviles
computarizados, etc. Deseamos comprender aspectos más profundos de la
naturaleza. Estos son simplemente unos pocos ejemplos de modelado y
simulación soportado por computadores. Se necesitan herramientas y
conceptos más potentes para ayudarnos a manejar esta complejidad
creciente.
A continuación, se presenta un enfoque basado en componentes orientados
a objetos para el modelado matemático y la simulación asistidos por
computador, mediante el potente lenguaje Modélica y sus herramientas
asociadas. Puede considerarse que Modélica es un enfoque casi universal
para el modelado y simulación computacional de alto nivel, al ser capaz de
representar un abanico de áreas de aplicación y proporcionar una notación
general, así como abstracciones poderosas e implementaciones eficientes. A
continuación, hablaremos de una visión panorámica de los dos temas principales
acerca del tema:

1. Modelado y simulación.
2. El lenguaje Modelica.
Sistemas y Experimentos

¿Qué es un sistema? Ya hemos mencionado algunos sistemas tales como el

universo, un transbordador espacial, etc. Un sistema puede ser casi cualquier
cosa. Un sistema puede contener subsistemas, que a su vez también son
sistemas. Una posible definición de sistema podría ser: Un sistema es un
objeto o colección de objetos cuyas propiedades deseamos estudiar.
Nuestro deseo de estudiar ciertas propiedades seleccionadas de los objetos
es central en esta definición. El aspecto de “estudio” es importante, a pesar
del hecho de que es subjetivo. La selección y definición de lo que constituye
un sistema es algo arbitrario y debe estar guiado por el uso que se va a hacer
del sistema.
¿Qué razones puede haber para estudiar un sistema? Hay muchas respuestas
a esta pregunta, pero cabe destacar dos grandes motivaciones:
• Estudiar un sistema para comprenderlo, con la finalidad de construirlo.
Este es el punto de vista de la ingeniería.
• Satisfacer la curiosidad humana, por ejemplo, para comprender más
acerca de la naturaleza, el punto de vista de las ciencias naturales.

Sistemas Naturales y Artificiales

De acuerdo con la definición que hemos dado anteriormente, un sistema
puede tener un origen natural, como por ejemplo el universo, puede ser
artificial, como un transbordador espacial, o puede ser una mezcla de ambos.
Por ejemplo, la casa mostrada en la Figura 1, que posee un sistema de agua
caliente por radiación solar, es un sistema artificial. Es decir, está fabricado
por los seres humanos. Si incluimos el sol y las nubes en el sistema, se
transforma en una combinación de componentes naturales y artificiales.
Figure 1 Un sistema: una casa con un sistema de agua caliente por radiación
solar, junto con las nubes y el sol.
Incluso si un sistema ocurre naturalmente, su definición es siempre
fuertemente selectiva. Esto se hace muy aparente en la siguiente cita de Ross
Ashby (Ashby, 1956):
Llegado este punto, debemos tener claro cómo se define un sistema. Nuestro
primer impulso es apuntar al péndulo y decir “el sistema es aquella cosa que
está allí”. Este método, sin embargo, tiene una desventaja fundamental: cada
objeto material contiene no menos de una infinidad de variables, y por lo
tanto, de posibles sistemas. El péndulo real, por ejemplo, no tiene solo
longitud y posición; también tiene masa, temperatura, conductividad
eléctrica, estructura cristalina, impurezas químicas, algo de radioactividad,
velocidad, potencia reflejada, estrés estructural, una capa superficial de
humedad, contaminación bacterial, absorción óptica, elasticidad, forma,
gravedad, etc. Pretender estudiar todos estos hechos no es realista, y de hecho
nunca se hace. Lo necesario es que escojamos y estudiemos los hechos que
son relevantes para nuestro propósito específico.

Incluso si el sistema es completamente artificial, tal como el sistema de

telefonía móvil representado en la Figura 2, debemos ser altamente
selectivos en su definición, dependiendo de qué aspectos en concreto
deseamos estudiar en ese momento.

Figure 2 Un sistema de telefonía móvil, que contiene un procesador central y procesadores

Una propiedad importante de los sistemas es que deben ser observables.

Algunos sistemas, en los que no se incluyen los grandes sistemas naturales
como el universo, son también controlables en el sentido de que podemos
influir en su comportamiento a través de ciertas entradas. Es decir:
• Las entradas de un sistema son las variables del entorno que influyen
sobre el comportamiento del sistema. Estas entradas pueden o no ser
controlables por nosotros.
 • Las salidas de un sistema son variables que son determinadas por el
sistema y que pueden influir sobre el entorno que le rodea.

En muchos sistemas, las mismas variables actúan tanto como entradas y

como salidas. Hablamos de comportamiento acausal si las relaciones o
influencias entre las variables no tienen una dirección causal, que es el caso
para las relaciones descritas por ecuaciones. Por ejemplo, en un sistema
mecánico las fuerzas del entorno influyen sobre el desplazamiento de un
objeto, pero por otra parte el desplazamiento del objeto afecta a las fuerzas
entre el objeto y el entorno. En este caso, la decisión de qué es entrada y qué
es salida es fundamentalmente una elección del observador, que está guiada por
el interés en particular del estudio, en lugar de ser una propiedad del propio
sistema.

Experimentos

De acuerdo a nuestra definición de sistema, la observabilidad es esencial si

se desea estudiar un sistema. Debemos al menos ser capaces de observar
algunas de las salidas del sistema. Podremos aprender más acerca del sistema
si somos capaces de excitarlo controlando sus entradas. Este proceso se
llama experimentación. Es decir:
• Un experimento es el proceso de extraer información de un sistema
excitando sus entradas.

Para poder realizar un experimento sobre un sistema, éste debe de ser tanto
controlable como observable. Aplicamos un conjunto de condiciones
externas a las entradas accesibles y observamos la reacción del sistema al
medir aquellas de sus salidas que son accesibles.
Una de las desventajas del método experimental es que para un gran número
de sistemas muchas entradas no son ni accesibles ni controlables. Estos
sistemas están bajo la influencia de entradas inaccesibles, algunas veces
llamadas entradas de perturbación. Igualmente, a menudo muchas de las
salidas que son realmente útiles no están accesibles, con lo que no pueden
ser medidas. Éstas suelen denominarse estados internos del sistema. Surgen
también una serie de problemas prácticos asociados con la realización de un
experimento, por ejemplo:
• El experimento podría ser demasiado costoso: investigar la durabilidad de
los barcos construyéndolos y haciéndolos colisionar es un método muy
caro de obtener información.
• El experimento podría ser demasiado peligroso: no es aconsejable entrenar a los
operarios de las plantas nucleares acerca de cómo solventar situaciones
peligrosas, poniendo para ello el reactor en estados de funcionamiento de riesgo.
El sistema sobre el que se desea experimentar podría no existir aún.
Esto
• sucede típicamente con sistemas que están aún por diseñar o fabricar.

Las desventajas del método experimental nos llevan al concepto de modelo. Si

hacemos un modelo de un sistema y el modelo es lo suficientemente realista,
entonces podemos emplear este modelo para investigar y responder a muchas
preguntas referentes al sistema real.
El Concepto de Modelo
Dadas las definiciones previas de sistema y experimento, podemos ahora intentar
definir la noción de modelo:
• Un modelo de un sistema es cualquier cosa a la que se puede aplicar un
“experimento”, con el fin de responder a preguntas respecto del sistema.

Esto implica que puede usarse un modelo para responder preguntas acerca de
un sistema, sin realizar experimentos sobre el sistema real. En su lugar,
realizamos “experimentos” simplificados sobre el modelo. El modelo, a su vez,
puede considerarse como un sistema simplificado que refleja las propiedades del
sistema real. En el caso más simple, el modelo puede ser simplemente cierta
información que se usa para responder a preguntas acerca del sistema.
Dada esta definición, cualquier modelo también constituye un sistema. Los
modelos, al igual que los sistemas, son por naturaleza jerárquicos. Si se separa
una parte del modelo, se obtiene un nuevo modelo, que es válido para un
subconjunto de los experimentos para los que a su vez el modelo original también
es válido. Un modelo está siempre relacionado con el sistema al que representa
y con los experimentos a los que puede estar sujeto. Una afirmación del tipo “el
modelo del sistema no es válido” carece de sentido si no se indica cuál es el
sistema asociado y el experimento. Un modelo de un sistema podría ser válido
para un cierto experimento en el modelo y no serlo para otro. El término
“validación del modelo” siempre se refiere a un experimento o a una clase de
experimento a realizar.
Hablamos de diferentes clases de modelos dependiendo de cómo se representa:
• Modelo mental: una sentencia como “esta persona es fiable” nos ayuda a
responder a preguntas acerca del comportamiento de esa persona en
diversas situaciones.
• Modelo verbal: esta clase de modelo se expresa mediante palabras. Por
ejemplo, la frase “si se aumenta el límite de velocidad, entonces ocurrirán
más accidentes” es un ejemplo de un modelo verbal. Los sistemas
expertos son una técnica para formalizar modelos verbales.
• Modelo físico: se trata de un objeto físico que reproduce algunas
propiedades de un sistema real, para ayudarnos a responder preguntas
del sistema. Por ejemplo, en la fase de diseño de edificios, aeroplanos,
etc., frecuentemente se construyen pequeños modelos físicos con la
misma forma y apariencia como los objetos reales a estudiar, por ejemplo
con respecto a sus propiedades aerodinámicas y estéticas.
• Modelo matemático: es una descripción de un sistema donde las relaciones
entre las variables del sistema se expresan de forma matemática. Las
variables pueden ser cantidades medibles, tales como el tamaño, la
 longitud, el peso, la temperatura, el nivel de desempleo, el flujo de
información, la velocidad medida en bits por segundo, etc. La mayoría de
las leyes de la naturaleza son modelos matemáticos en este sentido. Por
ejemplo, la Ley de Ohm describe la relación entre la corriente y la caída
de tensión en una resistencia; las Leyes de Newton describen relaciones
entre la velocidad, la aceleración, la masa, la fuerza, etc.

Fundamentalmente, las clases de modelos que trataremos en este libro son

modelos matemáticos representados de diversas formas, tales como ecuaciones,
funciones, programas de computador, etc. Los sistemas representados mediante
modelos matemáticos en un computador se denominan a menudo prototipos
virtuales. El proceso de construir e investigar tales modelos es el prototipado
virtual. Algunas veces, el término modelado físico se emplea también para el
proceso de construir modelos matemáticos de sistemas físicos en el computador.
Esto es así cuando el proceso de estructuración y síntesis del modelo matemático
es el mismo que el usado para la construcción de los modelos físicos reales.

Simulación

En la sección previa mencionamos la posibilidad de efectuar “experimentos”

sobre modelos, en lugar de sobre los sistemas reales que corresponden a los
modelos. Este es realmente uno de los usos principales de los modelos, y se
denota por el término simulación, del Latín simulare, que significa pretender ser.
Definimos el término simulación como sigue:
• Una simulación es un experimento efectuado sobre un modelo.

En analogía con nuestra definición previa de modelo, esta definición de

simulación no impone que el modelo deba ser representado matemáticamente o
mediante un programa de computador. Sin embargo, en el resto de este texto
nos concentraremos en los modelos matemáticos, fundamentalmente en aquellos
que tienen una forma representable en un computador. Lo que sigue son algunos
ejemplos de tales experimentos o simulaciones:
 • Una simulación de un proceso industrial, tal como la fabricación de acero o

de pulpa en la industria papelera, cuya finalidad es aprender acerca del

comportamiento del proceso bajo diferentes condiciones de operación,
con el objetivo final de mejorar el proceso.
• Una simulación del comportamiento de un vehículo, por ejemplo de un

automóvil o un avión, con la finalidad de proporcionar entrenamiento

realista a los pilotos.
• Una simulación de un modelo simplificado de una red de computadores de

paquetes conmutados, para conocer su comportamiento para diferentes

cargas, con el objetivo de mejorar su rendimiento.

Es importante darse cuenta de que las dos partes de la simulación, es decir, la

descripción del experimento y del modelo, son entidades conceptualmente
separadas. Por otra parte, si bien estos dos aspectos de una simulación son
independientes, van unidos. Por ejemplo, un modelo es válido sólo para una
cierta clase de experimentos. Puede ser útil definir un marco experimental
asociado con el modelo, que defina qué condiciones debe satisfacer un
experimento para ser válido. Si el modelo matemático se representa en forma
ejecutable en un computador, las simulaciones se pueden realizar mediante
experimentos numéricos, o en casos no numéricos mediante experimentos
computados. Esta es una forma simple y segura de efectuar experimentos, con
la ventaja añadida de que esencialmente todas las variables del modelo son
observables y controlables. Sin embargo, el valor de los resultados de simulación
es completamente dependiente de cuan bien el modelo representa al sistema
real con respecto a las cuestiones a las que la simulación tiene que responder .
Excepto por la experimentación, la simulación es la única técnica que es aplicable
de forma general para el análisis del comportamiento de sistemas arbitrarios. Las
técnicas analíticas son mejores que la simulación, pero normalmente se aplican
sólo bajo un conjunto de hipótesis simplificadoras, las cuales frecuentemente no
pueden ser justificadas. Por otra parte, es bastante usual combinar técnicas
analíticas con simulaciones. Es decir, la simulación no se usa sola, sino combinada
con técnicas analíticas o semianalíticas.

Razones para la Simulación

Existe una serie de buenas razones que justifican realizar simulaciones, en lugar
de experimentos sobre los sistemas reales:
• Los experimentos son demasiado costosos, demasiado peligrosos, o el

sistema que se desea investigar no existe aún. Éstas son las principales
dificultades de la experimentación con sistemas reales, mencionadas
previamente.
• La escala de tiempos de la dinámica del sistema no es compatible con la del

experimentador. Por ejemplo, lleva millones de años observar pequeños

cambios en el desarrollo del universo, mientras que cambios similares se
pueden observar rápidamente en una simulación por computador del
universo.
• Las variables pueden ser inaccesibles. En una simulación todas las variables

pueden ser estudiadas y controladas, incluso aquellas que son inaccesibles

en el sistema real.
• Fácil manipulación de modelos. Utilizando simulación, es fácil manipular los

parámetros del modelo de un sistema, incluso fuera del rango admisible

de un sistema físico particular. Por ejemplo, la masa de un cuerpo en un
modelo de simulación basado en computador se puede aumentar de 40 a
500 Kg. pulsando una tecla, mientras que este cambio podría ser difícil de
realizar en el sistema físico.
• Supresión de perturbaciones. En una simulación de un modelo es posible

suprimir perturbaciones que podrían ser inevitables en las medidas del

sistema real. Esto puede permitirnos aislar determinados efectos en
particular y, por lo tanto, mejorar nuestra comprensión acerca de dichos
efectos.
 • Supresión de efectos de segundo-orden. A menudo, las simulaciones se

realizan porque permiten la supresión de efectos de segundo orden, tales

como pequeñas no linealidades u otros detalles de ciertos componentes
del sistema. La supresión de los efectos de segundo orden puede
ayudarnos a comprender mejor los efectos principales.

Peligros de la Simulación

La facilidad de uso de la simulación es también su desventaja más seria: es

bastante fácil para el usuario olvidar las limitaciones y condiciones bajo las que
una simulación es válida, y por lo tanto sacar conclusiones erróneas de la
simulación. Para reducir estos peligros, se debería intentar siempre comparar al
menos algunos de los resultados de la simulación del modelo con los resultados
experimentales medidos del sistema real. También ayuda el ser conscientes de
las siguientes tres fuentes más comunes de problemas cuando se emplea
simulación:
• Enamorarse del modelo -> el efecto Pygmalion: Es fácil entusiasmarse en

exceso con un modelo y olvidarse de su marco experimental. Es decir, el

modelo no es el sistema real y sólo representa al sistema real bajo ciertas
condiciones. Un ejemplo es la introducción de zorros en el continente
Australiano, que se hizo para resolver el problema de los conejos, sobre
la hipótesis de que los zorros cazan conejos, lo cual es verdad en muchas
otras partes del mundo. Desgraciadamente, los zorros encontraron que la
fauna indígena era mucho más fácil de cazar y en gran medida ignoraron
a los conejos.
• Forzar a que la realidad encaje dentro de las restricciones del modelo -> el

efecto Procrustes: Un ejemplo es la conformación de nuestras sociedades

siguiendo ciertas teorías económicas de moda, que tienen una visión
simplista de la realidad, e ignoranmuchos otros aspectos importantes de
la conducta humana, de la sociedad y la naturaleza.
 • Olvidar el nivel de precisión del modelo. Todos los modelos tienen hipótesis

simplificadoras y, para interpretar los resultados correctamente, hay que

tenerlas en cuenta.

Construcción de Modelos
Puesto que la simulación es útil para estudiar el comportamiento de los sistemas,
¿cómo podemos construir los modelos de los sistemas?

En principio, existen dos fuentes principales de conocimiento general relacionado

con sistemas para la construcción de modelos matemáticos:
• La experiencia general reunida en los dominios relevantes de la ciencia y la

tecnología, que se encuentra disponible en la literatura y que poseen los

expertos en estas áreas. Esto incluye las leyes de la naturaleza, por
ejemplo, las leyes de Newton para los sistemas mecánicos, las leyes de
Kirchhoff para los sistemas eléctricos, las relaciones aproximadas que se
aplican a sistemas no técnicos basados en teorías económicas o
sociológicas, etc.
• El propio sistema, es decir, observaciones y experimentos realizados sobre

el sistema que necesitamos modelar.

• Además del conocimiento anterior referente al sistema, existe también un

conocimiento especializado acerca de la construcción de modelos en

dominios y aplicaciones específicos, así como mecanismos genéricos para
manejar hechos y modelos. Por ejemplo:
• Experiencia en la aplicación: dominar el área y las técnicas de la aplicación,

lo cual permite usar todos los hechos relativos a una aplicación de

modelado específica.
• Ingeniería del software y del conocimiento: conocimiento genérico acerca

de cómo definir, manejar, usar, y representar modelos y software. Por

ejemplo, la orientación a objetos, las técnicas de componentes de
sistemas, la tecnología de los sistemas expertos, etc.
¿Cuál es entonces el proceso de análisis y síntesis apropiado que se debe usar
para aplicar estas fuentes de información para construir modelos de los sistemas?
Generalmente, primero intentamos identificar los componentes principales de un
sistema, y las clases de interacción existentes entre estos componentes. Cada
componente se divide en subcomponentes hasta que cada parte se ajusta a la
descripción de un modelo existente en alguna librería de modelos, o podemos
usar leyes apropiadas de la naturaleza u otras relaciones para describir la
conducta de ese componente. A continuación, se definen las interfaces del
componente y una formulación matemática de las interacciones entre los
componentes del modelo.
Ciertos componentes podrían tener parámetros del modelo y coeficientes
desconocidos o parcialmente conocidos. A menudo, éstos pueden estimarse
ajustando datos de medidas experimentales del sistema real al modelo
matemático usando identificación de sistemas, que en casos simples se reduce a
técnicas básicas como ajuste de curvas y análisis de regresión. Sin embargo,
versiones más avanzadas de identificación de sistemas pueden incluso
determinar la forma del modelo matemático, que se escoge entre un conjunto
de estructuras básicas de modelos.

Análisis de Modelos

La simulación es una de las técnicas más comunes de utilizar los modelos para
contestar a preguntas acerca de los sistemas. Sin embargo, también hay otros
métodos de analizar los modelos, tales como el análisis de la sensibilidad y el
diagnóstico basado en modelos, o técnicas matemáticas analíticas, aplicables en
aquellos casos donde se pueden encontrar soluciones cerradas en forma
analítica.

Análisis de la Sensibilidad

El análisis de la sensibilidad trata la cuestión de cuan sensible es el

comportamiento del modelo a cambios en sus parámetros. Esta es una cuestión
común en diseño y análisis de sistemas. Por ejemplo, incluso en dominios de
aplicación con especificaciones precisas, tales como los sistemas eléctricos, los
valores de una resistencia en un circuito tienen una precisión de sólo entre el 5%
y el 10%. Si hay una gran sensibilidad en los resultados de las simulaciones a
pequeñas variaciones en los parámetros del modelo, se debería sospechar de la
validez del modelo. En tales casos, pequeña variación aleatoria en los parámetros
del modelo puede conducir a grandes variaciones aleatorias en su
comportamiento.

Por otra parte, si la conducta simulada no es muy sensible a pequeñas variaciones

en los parámetros del modelo, hay una gran probabilidad de que el modelo refleje
de forma bastante precisa la conducta del sistema real. Tal robustez en la
conducta es una propiedad deseable cuando se diseñan nuevos productos,
porque de otra forma podría ser costoso de fabricar, puesto que ciertas
tolerancias deberán mantenerse muy pequeñas. Sin embargo, hay también una
serie de ejemplos de sistemas reales que son muy sensibles a variaciones de
determinados parámetros específicos del modelo. En esos casos, esta
sensibilidad debería también reflejarse en los modelos de aquellos sistemas.

Diagnóstico Basado en Modelos

El diagnóstico basado en modelos es una técnica que está en parte relacionada

con el análisis de sensibilidad. Se trata de analizar el modelo del sistema con el
objetivo de encontrar las causas de cierto comportamiento del sistema. En
muchos casos, es necesario determinar cuáles son las causas de ciertos
comportamientos problemáticos y erróneos. Por ejemplo, consideremos un
automóvil, que es un sistema complejo compuesto de muchas partes que
interactúan entre sí, tales como un motor, un sistema de ignición, un sistema de
transmisión, un sistema de suspensión, ruedas, etc. Bajo un conjunto de
condiciones operativas bien definidas, puede considerarse que cada una de estas
partes exhibe un comportamiento correcto siempre que el valor de algunas de
sus magnitudes se encuentre dentro de ciertos intervalos de valores
especificados. Un valor medido o computado fuera de tal intervalo podría indicar
un error en ese componente, o en otra parte que influye sobre ese componente.
Esta clase de análisis se llama diagnóstico basado en modelos.

Verificación y Validación de Modelos

Previamente hemos comentado los peligros que tiene la simulación, por ejemplo,
cuando un modelo no es válido para un sistema considerando el objetivo de la
simulación. ¿Cómo podemos verificar que el modelo es un modelo bueno y fiable,
es decir, que es válido para el fin al que se destina? Esto puede ser muy difícil, y
algunas veces podemos confiar sólo en obtener una respuesta parcial a esta
pregunta. Sin embargo, las técnicas siguientes son útiles para verificar, al menos
parcialmente, la validez de un modelo: (Fritzson, 2011)
• Revisar críticamente las hipótesis y aproximaciones que hay detrás del

modelo, incluyendo la información disponible sobre el dominio de validez

de estas hipótesis.
• Comparar, en casos especiales, simplificaciones del modelo con soluciones

analíticas.
• Comparar con resultados experimentales, en los casos donde esto sea

posible.
• Efectuar análisis de sensibilidad del modelo. Si los resultados de la

simulación son relativamente insensibles a pequeñas variaciones de los

parámetros del modelo, entonces tenemos fundadas razones para confiar
en la validez del modelo.
• Comprobar la consistencia interna del modelo.

En el último caso, sería posible verificar automáticamente en las herramientas de

modelado que las dimensiones son consistentes, siempre que estén disponibles
los atributos de unidades para las magnitudes del modelo. Esta funcionalidad aún
no está disponible en la mayoría de las herramientas de modelado actuales.
Bibliografía

Laudon, K., & Laudon, J. (2012). Sistemas de Información Gerencial. México, México: Pearson.

Fritzson, P. (2011, 09 01). Introducción al Modelado y Simulación de Sistemas Técnicos y Físicos

con Modelica. Retrieved from http://liu.diva-portal.org/: http://liu.diva-
portal.org/smash/get/diva2:853769/FULLTEXT01.pdf