2023-Teoría de Simulación y Modelos Estocásticos

Simulación y Análisis
de Modelos
Estocásticos
Simulación
✓ La simulación es una técnica de muestreo estadístico

controlada para estimar el desempeño de sistemas
estocásticos complejos cuando los modelos analíticos
no son suficientes.
✓ Sistema estocástico es un sistema que opera en forma

probabilística a través del tiempo.
INVESTIGACIÓN OPERATIVA II
Procesos Estocásticos
✓ Un proceso estocástico se define como una colección

indexada de variables aleatorias {xt}, en donde el
índice t toma valores de un conjunto T dado. Con
frecuencia T se toma como el conjunto de enteros no
negativos y Xt representa una característica de interés
medible en el tiempo. Por ejemplo, el proceso
estocástico, x1, x2, x3,… puede representar la
colección de niveles de inventario semanales o
mensuales de un producto dado.
Simulación
✓ El modelo de simulación describe la operación del mismo en

términos de los eventos individuales de cada una de las
componentes del sistema.
✓ El sistema se divide en elementos cuyo comportamiento se

puede predecir a través de distribuciones de probabilidad.
✓ Se construyen dentro del modelo interrelaciones entre esos

elementos.
Determinación del Tipo de Distribución
✓ En la mayor parte de los sistemas, ésta se encuentra
disponible en forma de series a través del tiempo.
✓ Esta información, tabulada en dicho formato no es de

utilidad cuando se trata de obtener un
comportamiento basado en variabilidad con cierto
comportamiento probabilístico, por lo tanto es
necesario modificar la forma de presentación de datos
y trabajarla como tablas de frecuencia, con la
finalidad de realizar las siguientes pruebas:
• Prueba de Bondad de Ajuste 2
• Prueba de Kolmogorov-Smirnov
• Prueba de Anderson-Darling
Prueba de Bondad del Ajuste 2
✓ Esta prueba se utiliza para encontrar la distribución

de probabilidad de una serie de datos. La
metodología de la prueba 2 es la siguiente:
1. Se colocan los n datos históricos en una tabla de
frecuencias de m= n intervalos. Se obtiene la
frecuencia observada en cada intervalo i (FOi). Se
calcula media y varianza de los datos.
2. Se propone una distribución de probabilidad de
acuerdo con la forma de la tabla de frecuencias
obtenida en el paso 1.
3. Con la distribución propuesta, se calcula la frecuencia esperada
para cada uno de los intervalos (FEi) mediante la integración
de la distribución propuesta y su posterior multiplicación por el
número de datos.
4. Se calcula el estimador:
C=
m
(FEi − FOi )2
i =1 FEi
5. Si el estimador C es menor o igual al valor correspondiente 2
con m-k-1 grados de libertad (k=número de parámetros
estimados de la distribución) y un nivel de confiabilidad de 1-
, entonces no se puede rechazar la hipótesis de que la
información histórica sigue la distribución propuesta en el
punto 2.
Las hipótesis son:
H0) La distribución propuesta sigue la distribución observada
H1) La distribución propuesta no sigue la distribución observada
Distribución 2
Zona de no rechazo
Valor crítico
2
Ejemplo
✓ Determine el tipo de distribución de probabilidad

que sigue la demanda de automóviles a un nivel de
confianza del 95%, si a través del tiempo se ha
registrado el siguiente comportamiento:
Intervalo Frecuencia Observada
0-1 6
1-3 6
3-5 5
5-7 7
7-9 6
9 -11 6
11-13 5
Total 41
Prueba de Bondad de Ajuste 2
De acuerdo a la frecuencia observada se propone una

distribución uniforme, con a = 0 y b= 13
Siendo:
1 1
𝑓(𝑥) = =
𝑏−𝑎 13
y
𝐿𝑆 1 1
𝐹(𝑥) = ‫𝐼𝐿׬‬ 𝑑𝑥 = 𝐿𝑆 − 𝐿𝐼
13 13
Frecuencia
Intervalo F(x) FE = F(x) *41 (FOi - FEi)^2 (FOi - FEi)^2/FEi
Observada
0-1 6 0,0769 3,1538 8,1006 2,5685
1-3 6 0,1538 6,3077 0,0947 0,0150
3-5 5 0,1538 6,3077 1,7101 0,2711
5-7 7 0,1538 6,3077 0,4793 0,0760
7-9 6 0,1538 6,3077 0,0947 0,0150
9 - 11 6 0,1538 6,3077 0,0947 0,0150
11 - 13 5 0,1538 6,3077 1,7101 0,2711
Total 41 1 41 C 3,2317
2 0.05 , 7-0(*)-1 = 6 = 12,59
C < 2  se acepta la distribución propuesta

(*) 0 porque no se estimaron parámetros de la distribución
Prueba de Bondad del Ajuste de
Kolmogorov-Smirnov
✓ Si el objetivo es encontrar el tipo de distribución de

probabilidad de una serie de datos, es posible utilizar
la prueba de Bondad del Ajuste de Kolmogorov-
Smirnov, la cual, comparándola con la 2, es más
eficiente en varios aspectos ya que trabaja con la
distribución de probabilidad acumulada. La
metodología es la siguiente:
1. Se colocan los n datos históricos en una tabla de
frecuencias de m= n intervalos. Se obtiene la
frecuencia observada en cada intervalo i (FOi). Se
calcula media y varianza de los datos.
2. Se divide la frecuencia observada de cada intervalo
por el número total de datos. A este resultado para
obtener la probabilidad observada i (POi).
3. Se calcula la probabilidad acumulada observada de
cada intervalo (PAOi) del paso 2.
4. Se propone una distribución de probabilidad
de acuerdo con la forma de la tabla de
frecuencias obtenida en 1.
5. Con la distribución propuesta se calcula la
probabilidad esperada de cada uno de los
intervalos (PEi) mediante la integración de la
distribución propuesta.
6. Se calcula la probabilidad acumulada esperada
(PAEi) para cada intervalo de clase.
7. Se calcula el valor absoluto entre PAOi y PAEi
para cada intervalo y se selecciona la máxima
diferencia, llamándola DM.
8. El estimador DM se compara con un valor límite
correspondiente a la siguiente tabla con n datos y un nivel de
significación de 1-. Si el estimador DM es menor o igual al
valor límite de la tabla, entonces no se puede rechazar que la
información histórica sigue la distribución propuesta.
Valores Críticos de Kolmogorov Smirnov
Prueba de Kolmogorov-Smirnov
Frecuencia
Intervalo FAO PAO F(x) PAE |PAOi-PAEi|
Observada
0-1 6 6 0,1463 0,0769 0,0769 0,0694
1-3 6 12 0,2927 0,1538 0,2308 0,0619
3-5 5 17 0,4146 0,1538 0,3846 0,0300
5-7 7 24 0,5854 0,1538 0,5385 0,0469
7-9 6 30 0,7317 0,1538 0,6923 0,0394
9 - 11 6 36 0,8780 0,1538 0,8462 0,0319
11 - 13 5 41 1,0000 0,1538 1,0000 0,0000
Total 41 1
KS crítico 0,05, n = 41 = 0,2124 > DM  Se acepta la distribución propuesta
Prueba de Anderson-Darling
✓ Esta prueba tiene como propósito corroborar si una

muestra de variables aleatorias proviene de una
población con una distribución de probabilidad
específica. En realidad se trata de una modificación
de la prueba de Kolmogorov-Smirnov, aunque tiene
la virtud de detectar las discrepancias en los extremos
de las distribuciones con límite inferior acotado, y no
es confiable para distribuciones de tipo discreto.
Actualmente es posible encontrar tablas de valores
críticos para las distribuciones normal, lognormal,
exponencial, log-logística, de Weibull y valor
extremo tipo I. El procedimiento general de la prueba
es:
1. Obtener n datos de la variable aleatoria a analizar.
2. Calcular la media y la varianza de los datos.
3. Organizar los datos en forma ascendente: Yi
i=1,2,…,n.
4. Ordenar los datos en forma descendente: Yn+1-i
i=1,2,…,n.
5. Establecer explícitamente la hipótesis nula,
proponiendo una distribución de probabilidad.
6. Calcular la probabilidad esperada acumulada para
cada número Yi, PEA(Yi), y la probabilidad esperada
acumulada para cada número PEA(Yn+1-i), a partir de
la función de probabilidad propuesta.
7. Calcular el estadístico de prueba:
 1 n 
An = − n +  (2i − 1)ln PEA(Yi ) + ln(1 − PEA(Yn +1−i ))
2
 n i =1 
8. Ajustar el estadístico de prueba de acuerdo con la

distribución de probabilidad propuesta.
9. Definir el nivel de significación de la prueba , y
determinar su valor crítico a,n, el cual se obtiene
de la siguiente tabla.
10. Comparar el estadístico de prueba con el valor
crítico. Si el estadístico de prueba es menor al
crítico no se puede rechazar la hipótesis nula.
Estadísticos de Prueba y Valores Críticos
para la Prueba de Anderson-Darling
Ejemplo
Los siguientes son los datos de un estudio del tiempo de

atención a los clientes en una florería, medido en
minutos/cliente.
Determinar la distribución de probabilidad con un nivel de
significación () del 5%.
A partir del histograma se propone una distribución normal,
 = 10 y  = 2
Cálculos
Donde:
PEA7 se obtiene de la siguiente forma
7,8266 − 10
𝑍𝑖=7 = = −1,0867
2
Y el valor para la misma fila PEA24

10,0562 − 10
𝑍𝑖=7 = = 0,0281
2
Con los valores de z se obtienen las PEA a partir
de la tabla normal o con las funciones de Excel
(DISTR.NORM.ESTAND.N) ó
(DISTR.NORM.N, directamente con Yi)
a 0,05, 30= 2,492 < An2 se rechaza H0, la distribución observada
no sigue la distribución propuesta
Aclaración: como n  5 no fue necesario hacer correcciones

Se propone otra distribución normal,  = 9,604 y
=2
a 0,05, 30= 2,492 > An2 no se puede rechazar H0, la distribución observada sigue
la distribución propuesta
Verificación y Validación
de Modelos de
Simulación
Categorías de Simulación
✓ Para empezar se debe hacer una distinción

de dos categorías entre los modelos de
simulación:
• modelos de categoría terminal y
• modelos no terminales o de estado
estable.
Simulaciones Terminales
✓ Los modelos de tipo terminal tienen como
característica principal la ocurrencia de un evento que
da por terminada la simulación.
✓ Describe sistemas que operan en períodos cortos
de tiempo y que muchas veces nunca alcanzan el
estado estacionario.
✓ Interesa todo el período de simulación. Una
simulación terminal se utiliza cuando hay interés en
la conducta del sistema en un período particular de
tiempo, por ejemplo, el movimiento de autos en una
carretera durante horas pico.
Simulaciones Terminales
✓ La simulación terminal inicia en un estado o tiempo

definido y termina cuando se llega a otro tiempo
específico o definido. Las simulaciones terminales no
intentan medir el comportamiento de estado
estable, aunque puede haber períodos de tiempo en
que se alcance el estado estable
✓ El análisis estadístico recomendado para este tipo de
simulaciones involucra la utilización de intervalos de
confianza y la determinación de la distribución de
probabilidad de la variable de salida.
Intervalos de Confianza
✓ Debido a la naturaleza aleatoria de los resultados de

este tipo de modelos es necesario determinar su
distribución y el intervalo de confianza de las
distintas réplicas.
✓ Si la variable aleatoria sigue una distribución normal,

el intervalo de confianza está dado por:

IC =  x −
s
(t / 2,r −1 ), x + s (t / 2,r −1 )
 r r 
✓ En el caso que la variable aleatoria siga
otro tipo de distribución, el IC es
relativamente más amplio y se calcula
como:
 s s 
IC =  x − ,x + 
 r / 2 r / 2 
Donde
r = número de réplicas
α = nivel de rechazo
 1 r 2
1/ 2
x=
1 r
 xi s=  ( xi − x ) 
r i =1  r − 1 i =1 
Simulaciones no Terminales o de
Estado Estable
✓ A diferencia de los modelos anteriores, las

simulaciones no terminales o de estado estable
no involucran una ocurrencia en el tiempo en
que tengan que finalizar.
✓ Interesa el comportamiento en el largo plazo.
✓ En este caso surge la necesidad de determinar la
longitud de la corrida para asegurar la
estabilización de los resultados del modelo.
Longitud de las corridas
✓ En caso de distribución normal el tamaño de la corrida
de la simulación se calcula como:
 z  / 2 
2
n= 
  
Donde  es el error permitido
✓ Si se tiene certeza de normalidad pero se desconoce el

valor de la desviación estándar, será necesario realizar
una corrida inicial de tamaño n´ para determinar un
estimador de la desviación. En este caso la longitud de la
réplica se determina mediante:
2
s
( 
n =  t  / 2,n´−1  )
 
✓ Cuando se desconoce el tipo de distribución de la variable
aleatoria a simular o bien la suposición de normalidad no
existe, es preciso calcular la longitud de la corrida de la
siguiente forma (Teorema de Tchebycheff):
1  
2
n=  
 
Siendo /ε = m,
y (1/m) = número de desviaciones estándar máximo
permitido sobre la media de la distribución a
simular
✓ Otra forma de determinar la longitud de la corrida para
cualquier tipo de distribuciones es graficar el valor promedio
de la variable de interés contra el tiempo de simulación, y
cuando se observe que ese promedio ya no cambia a través del
tiempo, se detiene la corrida de simulación.
Cálculo del Número de Réplicas
✓ Una vez que se ha corrido un sistema de
simulación hasta llegar a la estabilización,
existe el problema de que las observaciones
obtenidas en el experimento de simulación,
generalmente, no son independientes
(autocorrelacionadas).
✓ Para obtener resultados independientes hay
que repetir “r” veces la simulación de tamaño
“n” con diferentes números aleatorios.
✓ Se aconseja que el número de réplicas o
repeticiones sea de 3 a 10.
✓ Teniendo los resultados de cada una de las réplicas, es
necesario tomar estos valores para calcular los
estimadores de media, varianza e intervalo de
confianza de acuerdo al siguiente procedimiento:
✓ a) Se calcula la media y varianza de cada réplica
individual
1 n
x j =  xij
2
( )
n
1
=  xij − x j
2
sj
n i =1 n − 1 i =1
b) Conla media y la varianza de cada una de las réplicas,
se encuentra la media y varianza entre réplicas de la
siguiente forma:
1 r
x =  xj
r j =1
( )
n 2
1
s =
2

r − 1 i =1
xj − x
 
IC x =  x −
s
(t / 2,r −1 ), x + (t / 2,r −1 )
s
 r r 
Reducción de la Varianza
✓ Existen algunos métodos, conocidos como

técnicas de reducción de varianza, que permiten
reducir los valores estimados para la varianza,
fijando condiciones a partir de los datos
históricos.
✓ Para que el resultado de una simulación sea
estadísticamente preciso y libre de tendencias,
se debe especificar perfectamente la longitud de
la corrida, el número de réplicas y el período de
estabilización.
Muestreo Antitético
✓ El objetivo de esta técnica es inducir una

correlación negativa entre los elementos
correspondientes en las series de números
aleatorios utilizados para generar variaciones de
entrada en réplicas diferentes.
✓ Una forma de generar correlaciones negativas
consiste en correr el modelo, primero, con
números aleatorios ri para obtener un estimador
Y1 del parámetro estudiado y después, con
números 1-ri, obteniendo un estimador Y2 del
parámetro estudiado.
Corridas Comunes
✓ Una práctica útil cuando se desarrolla un proceso de
simulación, es emplear datos históricos, los cuales
pueden ser archivados y utilizados posteriormente
para definir, por ejemplo, los programas de
producción de años anteriores.
✓ El objetivo principal es iniciar nuevas corridas de
simulación utilizando siempre los datos
almacenados; de esta forma, el uso de las corridas
comunes afecta a todas las alternativas de igual
forma.
✓ Se debe aplicar cuando el problema consiste en la
comparación de dos o más alternativas.
Muestreo Clasificado
✓ Esta técnica se apoya en un resultado parcial de

una corrida, clasificándolo como interesante o no
interesante, en caso de ser interesante se continúa
con la corrida en caso contrario se detiene la
corrida.
Variaciones de Control
✓ Este método utiliza aproximaciones de modelos

analíticos para reducir la varianza.
✓ Por ejemplo, una simulación puede ser un

modelo complejo de colas donde interese
conocer la longitud promedio de la fila, cuyo
valor puede estimarse analíticamente.
Muestreo Estratificado
✓ En esta técnica la función de distribución se

divide en varias partes, lo más homogéneas
posibles que se resuelven o ejecutan por
separado; los resultados obtenidos se combinan
para lograr una sola estimación del parámetro a
analizar.
Muestreo Sesgado
✓ Consiste en distorsionar las probabilidades físicas

del sistema real, de tal forma que los eventos de
interés ocurran más frecuentemente.
✓ Los resultados obtenidos presentarán también

una distorsión que debe corregirse mediante
factores probabilísticos de ajuste.
Validación de los Resultados
Al usar la simulación para estudiar un sistema

complejo, encontramos varios tipos de error como:
a) Errores de diseño
b) Errores de programación
c) Errores en los datos utilizados
d) Errores en el uso del modelo
e) Errores en la interpretación de los resultados
✓ Evaluar un modelo significa desarrollar un nivel
aceptable de confianza de modo que las inferencias
obtenidas del comportamiento del modelo sean
correctas y aplicables al sistema del mundo real.
✓ La validación y verificación es una de las tareas

más importantes y difíciles que se enfrentan ante un
modelo de simulación.
Verificación
✓ Es la comparación del modelo conceptual con el

código computacional que se generó, para lo cual es
necesario contestar preguntas como:
✓ ¿Está correcta la codificación?
✓ ¿Son correctas la entrada de datos y la
estructura lógica del programa?
Validación
✓ Es la demostración de que el modelo es realmente

una representación fiel a la realidad.
✓ Se lleva a cabo, generalmente, a través de un

proceso comparativo entre ambas partes.
Pruebas Estadísticas de Validación
✓ Prueba de estimaciones de los parámetros de

la población asumiendo una distribución de
probabilidad (F, t, z).
✓ Pruebas de las estimaciones de los parámetros
de la población que son dependientes de la
suposición de una distribución de población
implícita (Prueba de medias de Mann-
Whitney).
✓ Pruebas para determinar la distribución de
probabilidad de la cual proviene la muestra
(pruebas de Bondad del Ajuste).
Sensibilidad y Experimentación
✓ Es el último paso dentro del proceso de

simulación.
✓ Consiste en jugar o experimentar con el modelo
ante situaciones nuevas o imprevistas, que tengan
cierta probabilidad de ocurrencia, con el objetivo
de encontrar una solución ante posibles
escenarios.
✓ El análisis de sensibilidad se enfoca
principalmente a estudiar las variables no
controlables por el tomador de decisiones dentro
del proceso real.
Comparación de dos muestras
independientes
 Se quieren comparar los resultados de dos muestras, la
muestra real (xR) y la obtenida por el modelo de simulación
(xM), para saber si son estadísticamente iguales.
 Si cada resultado lo descomponemos en (valor más error):
 xi = t i + e i
 Supuestos
 Los errores ei se distribuyen normalmente con media 0 y
varianza 2i
 Las variables ti y ei deben ser variables no correlacionadas
 Varianzas iguales entre ambas muestras.
independientes
 Test de hipótesis para la varianza
H 0)  M 2 =  R 2
H 1)  M 2 ≠  R 2
 Estadístico
𝑠𝑖2
𝜎𝑖2 𝑠𝑖2
𝐹𝛼; 𝑛𝑖−1 , 𝑛𝑗 −1 = 2 = 2
𝑠𝑗 𝑠𝑗
𝜎𝑗2
Siendo i o j correspondiente a M o R, se adopta como criterio poner en el
numerador la varianza muestral mayor, porque en realidad el test debería
ser bilateral.
Si el estadístico es menor al valor crítico entonces se encuentra en la zona
de no rechazo, y ambas muestras tienen igual varianza.
independientes
 Una vez que se probó que las varianzas de ambas muestras son iguales, se realiza el test de
hipótesis para la diferencia de medias muestrales. Si no se cumple el supuesto de
normalidad de los errores por el teorema del límite central la diferencia de medias se
distribuye aproximadamente normal para muestras grandes.
 Si se conoce la varianza poblacional el estadístico es z, pero como generalmente esto no
ocurre, por lo tanto, el estadístico usualmente empleado es t.
 Prueba de hipótesis
H0) M = R
H1) M ≠ R
 Estadístico
𝑥𝑅 − 𝑥𝑀 − 𝛼𝑅 − 𝛼𝑀
𝑡𝛼ൗ =
2; 𝑛𝑅 +𝑛𝑀 −2 ,
𝑛𝑅 − 1 𝑠𝑅2 + 𝑛𝑀 − 1 𝑠𝑀
2
1 1
+
𝑛𝑅 − 1 + 𝑛𝑀 − 1 𝑛𝑅 𝑛𝑀
Siendo:
ni = la cantidad de datos de la muestra
si = los desvíos estándar
independientes
 Cuando no se cumple el supuesto de varianzas iguales el estadístico t se calcula
de la siguiente forma:
 Prueba de hipótesis
H0) M = R
H1) M ≠ R
 Estadístico
𝑥𝑅 − 𝑥𝑀 − 𝛼𝑅 − 𝛼𝑀
𝑡𝛼ൗ =
2, 𝑔𝑙
𝑠𝑅2 𝑠𝑀
2
+
𝑛𝑅 𝑛𝑀
Los grados de libertad (gl) se calculan de la siguiente manera:

2
𝑠𝑅2 𝑠𝑀
2
+
𝑛𝑅 𝑛𝑀
𝑔𝑙 = 2 2
𝑠𝑅2 2
𝑠𝑀
𝑛𝑅 𝑛𝑀
+
𝑛𝑅 − 1 𝑛𝑀 − 1
Bibliografía
✓ García Dunna E., García Reyes H., Cárdenas

Barrón L. (2006). “Simulación y Análisis de
sistemas con ProModel”. Pearson Prentice Hall.
✓ Azarang Esfandiari M. R., García Dunna E.,
Osuna González M. (1996). “Simulación y
Análisis de Modelos Estocásticos”. Mc Graw-Hill.
✓ Levine D.M., Krehbiel T. C., Berenson M.L.
(2006). “Estadística para Administración”.
Pearson Prentice Hall.
INVESTIGACIÓN OPERAVA II

2023-Teoría de Simulación y Modelos Estocásticos

Cargado por

Copyright:

Formatos disponibles

2023-Teoría de Simulación y Modelos Estocásticos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

2023-Teoría de Simulación y Modelos Estocásticos

Cargado por

Copyright:

Formatos disponibles

Simulación y Análisis

✓ La simulación es una técnica de muestreo estadístico

✓ Sistema estocástico es un sistema que opera en forma

✓ Un proceso estocástico se define como una colección

✓ El modelo de simulación describe la operación del mismo en

✓ El sistema se divide en elementos cuyo comportamiento se

✓ Se construyen dentro del modelo interrelaciones entre esos

✓ Esta información, tabulada en dicho formato no es de

✓ Esta prueba se utiliza para encontrar la distribución

✓ Determine el tipo de distribución de probabilidad

De acuerdo a la frecuencia observada se propone una

2 0.05 , 7-0(*)-1 = 6 = 12,59

C < 2  se acepta la distribución propuesta

✓ Si el objetivo es encontrar el tipo de distribución de

KS crítico 0,05, n = 41 = 0,2124 > DM  Se acepta la distribución propuesta

✓ Esta prueba tiene como propósito corroborar si una

8. Ajustar el estadístico de prueba de acuerdo con la

Los siguientes son los datos de un estudio del tiempo de

Y el valor para la misma fila PEA24

Aclaración: como n  5 no fue necesario hacer correcciones

✓ Para empezar se debe hacer una distinción

✓ La simulación terminal inicia en un estado o tiempo

✓ Debido a la naturaleza aleatoria de los resultados de

✓ Si la variable aleatoria sigue una distribución normal,

✓ A diferencia de los modelos anteriores, las

✓ Si se tiene certeza de normalidad pero se desconoce el

✓ Existen algunos métodos, conocidos como

✓ El objetivo de esta técnica es inducir una

✓ Esta técnica se apoya en un resultado parcial de

✓ Este método utiliza aproximaciones de modelos

✓ Por ejemplo, una simulación puede ser un

✓ En esta técnica la función de distribución se

✓ Consiste en distorsionar las probabilidades físicas

✓ Los resultados obtenidos presentarán también

Al usar la simulación para estudiar un sistema

✓ La validación y verificación es una de las tareas

✓ Es la comparación del modelo conceptual con el

✓ Es la demostración de que el modelo es realmente

✓ Se lleva a cabo, generalmente, a través de un

✓ Prueba de estimaciones de los parámetros de

✓ Es el último paso dentro del proceso de

Los grados de libertad (gl) se calculan de la siguiente manera:

✓ García Dunna E., García Reyes H., Cárdenas

También podría gustarte