Professional Documents
Culture Documents
Introducción
En todo modelo y simulación es necesario disponer de información de un sistema real para obtener
los resultados según el objetivo planteado. Cuando un sistema a simular tiene un comportamiento
aleatorio, los datos tendrán una naturaleza probabilística y las variables que se generen a partir de
ellos tendrán la característica de la aleatoriedad. Un modelo y un sistema estocásticos están
vinculados con la aleatoriedad y para su estudio es necesario contar con herramientas de
probabilidad.
Si los datos del sistema real no están actualizados, lo único que se puede simular es el pasado, por lo
tanto los únicos eventos posibles de analizar son los que ya ocurrieron. Lo que sí puede suponerse es
que la forma básica de la distribución se mantendrá, no así los datos mismos.
Generalmente resulta más eficiente usar una distribución de probabilidad teórica en términos de
tiempo de cómputo y de requerimientos de almacenamiento. Es mucho más fácil cambiar los
parámetros de un generador de distribuciones teóricas para realizar pruebas de sensibilidad o
contestar preguntas del tipo: ¿Qué pasaría si...?.
Los datos de entrada del modelo provienen de un muestreo en donde se anotan básicamente los
tiempos y/o las cantidades o entidades observadas. Por ejemplo, una persona en la puerta de un
banco o un supermercado registra los tiempos de arribos de cada uno de los clientes durante un
tiempo fijado de observación. Para asegurar la información repite la observación en la misma longitud
del tiempo fijado. Otra persona en ese mismo tiempo registra los tiempos de atención de los cajeros
y/o de otros empleados en actividad.
Los datos así registrados requieren de un tratamiento posterior para poder utilizarlos en un modelo.
Lo usual es hacer análisis estadísticos para resumir la información en una distribución de probabilidad
conocida o empírica a la cual se ajustan los datos con un nivel de confianza estadísticamente
aceptado. Esa distribución se usará en la simulación para representar los comportamientos del
sistema.
En esta unidad se hará una revisión de conceptos de probabilidad y estadística, de las distribuciones
de probabilidad estándares y de las pruebas de bondad de ajuste para las distribuciones de
probabilidad a las cuales ajustan los datos, que se usarán con posterioridad.
Página 1 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
Variables aleatorias: Son las que forman un conjunto especificado de valores con probabilidad
específica.
Ejemplo: X = {número de arribos/semana} = {3, 5, 10,6,...} (Semana 1: 3 arribos; semana 2: 5 arribos; semana 3:
10 arribos, etc.)
Función de distribución de masa p(x): Si la variable aleatoria X es discreta, para cada valor de x en la
región considerada Rx entonces se cumple que
Esta ecuación representa la probabilidad de que la variable aleatoria sea x i y se la conoce como
función de distribución de masa. Además se debe cumplir con que:
Función de distribución acumulada P(x): Para el caso de variables aleatorias discretas la función
acumulada cumple con
F ( x) P( X x) p( x )
xi x
i i 1,2,...n
Ejemplo: Se quiere simular el comportamiento de una caja de un supermercado. Una de las variables que
entrarán en juego será el número de artículos comprados por cada cliente. Esa es una variable discreta porque
se compra un número entero de artículos y estocástica porque el número de artículos comprados por el cliente
es algo netamente aleatorio desde el punto de vista de la caja (la caja no sabe cuándo se comprará el artículo).
Para hacer una simulación de este tipo, es decir, representar la variable “número de artículos comprados” en
función del tiempo, se puede hacer una experiencia en una caja verdadera, tomando un número
suficientemente grande de datos como para que la experiencia sea representativa y construir una tabla como
la siguiente:
Página 2 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
N° de artículos N° de clientes
1 2
2 11
3 5
4 4
5 2
6 1
Si se quiere luego con estos datos simular la conducta de la gente, se tendría que repetir el número de clientes
(25) y distribuir al azar el orden en el que llegan los clientes con los distintos números de artículos, pero
respetando que de cada 25, vengan 2 con un solo artículo; 11 con dos artículos, etc.
Para poder usar los datos de un modo más racional y por lo tanto no limitados por el número de clientes,
conviene calcular la probabilidad de que la variable número de artículo tome los valores 1, 2, 3, 4, 5 o 6.
Se sabe por ejemplo que sobre 25 clientes, “número de artículo” tomó el valor 1, 2 veces, por lo tanto, para
poder extrapolarlo a cualquier número de clientes, se calcula la probabilidad de que aparezca como 2/25 que
es la fracción que representa el número de veces que la variable estocástica toma un valor determinado. Se
puede formar en la tabla una tercera columna con las probabilidades relativas.
N° de artículos N° de clientes Probabilidad pi P(X)
0 0 0 0
1 2 0,08 0,08
2 11 0,44 0,52
3 5 0,2 0,72
4 4 0,16 0,88
5 2 0,08 0,96
6 1 0,04 1
Notar que la pi = 1 lo que es lógico porque se lo sacó como un “tanto por uno”.
12
10
Cantidad de Clientes
0
1 2 3 4 5 6
Frecuencia Absoluta
Página 3 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
Si ahora se quisiera simular la variable N° de artículos debería generar una sucesión de números cuyos valores
estén entre 0 y 6 pero respetando la distribución de probabilidad observada. Como el orden en el que los
clientes compran los distintos artículos es aleatorio ¿cómo se genera entonces la variable? Aplicando algún
método de generación de variables aleatorias (a ver en la unidad 3).
Variables aleatorias continuas: Como la variable puede tomar infinitos valores o la cantidad de datos
es suficiente como para que estén muy próximos, puede pensarse en una función de distribución
continua. Si el espacio de rango R es un intervalo o una colección de intervalos, la variable aleatoria
es una variable continua.
Función densidad de probabilidad f(x): La función de densidad de probabilidad f(x) está definida
como la probabilidad de que x tome valores entre a y b.
b
Dada X en [a, b], Pa x b f ( x )dx f ( x) 0
a
. f (x ). dx 1
n
Nota: lo que en una variable discreta era: p i 1 ahora es
1 -
Función acumulada de probabilidad F(x): Para el caso de variables aleatorias continuas la función
acumulada cumple con lo siguiente
x
F ( x) f ( x ).dx
Por su definición F(x) es un número positivo entre cero e infinito. La probabilidad de que la variable
tome valores entre x1 y x2 es: F(x2)-F(x1)
Px1 x x2 = F(x2)-F(x1) =
x2
x1
f ( x ).dx para x1 ≤ x ≤ x2
Valor esperado o media poblacional: es el número que formaliza la idea de valor medio de un
fenómeno aleatorio. Su expresión es la siguiente:
n
E ( x) pi xi x f ( x).dx
i 1
La suma se usa para variables discretas y la integral se usa para variables continuas.
Varianza: Es la suma de los cuadrado de la distancia entre x y su media (x - )2. El valor esperado de
esa cantidad se llama varianza x.
Página 4 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
n
Var ( x) E[( x ) 2 ] pi ( xi ) 2 ( xi ) 2 f ( x).dx
i 1
La suma se usa para variables discretas y la integral se usa para variables continuas. Tradicionalmente
la varianza está determinada como 2 y la raíz cuadrada de la varianza es la desviación estándar .
Página 5 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
Recolección de Datos
Introducción
Una vez realizada la formulación del modelo de simulación, es indispensable contar con los datos que
permitirán obtener los resultados esperados. En la recolección de datos, es posible que la facilidad de
obtención de algunos y la dificultad de obtención de otros, influya en el desarrollo del modelo.
Página 6 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
Por ejemplo el tiempo de servicio de cliente i puede estar relacionado con el tiempo de servicio
del cliente i+1.
Ejemplo
Se realizó la simulación de una empresa de manufactura descripta en el problema integrador. Los
tiempos de arribos de órdenes no fueron homogéneos y la producción de los productos estuvo
definida por los pedidos que se ingresaban (es decir que no se producía si no existía un pedido).
La fábrica funcionó 12 horas por día durante un mes. Las órdenes de los clientes se clasificaron según
la cantidad de producto que demandaban en pequeñas, medianas y grandes. Y los arribos de las
mismas se obtuvieron del sistema existente de ingreso de órdenes, el cual guardaba el horario de
ingreso de las mismas.
La producción de bienes presento algunos inconvenientes, ya que para completar una orden se
necesitaba disponer de stock necesario para realizarla. Esto produjo que en ciertos momentos al
arribo de una orden se disponía del material necesario para producirla, a veces faltaba algún tipo de
pieza y otras veces no se disponía de ninguna pieza para completar la orden. Se disponía de registros
existentes en el ERP de producción con respecto al momento en que se comenzaba a operar la orden,
estos registros comprendían los últimos 2 años.
También el arribo de piezas era aleatorio, y el tipo de pieza que se recibía era aleatorio, lo que
producía que no se pudiera predecir en qué momento se comenzaría a procesar la orden. El arribo de
piezas se obtuvo por medio de los comprobantes de ingreso de piezas del proveedor.
La producción tampoco estuvo exenta de errores, y un porcentaje de los productos tuvieron que ser
reprocesados, mientras que otro porcentaje tuvo que ser directamente desechado. El porcentaje de
fallas se obtuvo de la observación directa de las operaciones.
Las máquinas también presentaron fallas que retrasaron la producción. Estás fallas tuvieron un
tiempo de reparación de varias horas. Los datos de las fallas se extrajeron de los registros de la
empresa de reparaciones, para esto se tomaron datos de los últimos años.
Página 7 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
Estimación de Parámetros
Introducción
En general, los datos experimentales observados se tratan de ajustar a una distribución teórica, y
luego usar ésta última en la simulación. Para ver que distribución usar debemos recordar la definición
de media y de desviación estándar de un muestra de tamaño n.
∑
̅
̅
∑
∑
̅
̅
∑
Para datos continuos agrupados en K intervalos, cada uno con frecuencia F y punto medio M.
∑
̅
̅
∑
Página 8 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
20 50 15
15 40
30 10
10
20 5
5 10
0 0 0
1 4 7 10 13 16 19 22 25 0 5 10 15 20 25 0 3 6 9 12 15 18 21 24
Selección de distintos intervalos de clases
Si los intervalos son muy anchos, el histograma será muy burdo y no mostrará la forma o tendencia de
los datos. Al contrario, si los intervalos son muy estrechos, el histograma será muy desigual.
Los histogramas de datos discretos donde hay un gran número de puntos, tendrán una celda de cada
valor en el rango de los datos. Sin embargo, si hay pocos puntos se necesita combinar celdas
adyacentes para eliminar la apariencia desigual del histograma. Si el histograma está asociado con
datos discretos, se verá como una función de masa de probabilidad.
Página 9 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
Otra forma de ver cómo ajustan los datos a una distribución es realizar los gráficos de un histograma
quantil-quantil (q-q). Si estos gráficos tienen una recta con pendiente cercana a 1, entonces la
distribución seleccionada es apropiada. En pocas palabras en estos gráficos la ordenada son los
valores experimentales y la abscisa los valores teóricos generados (con T.I. por ejemplo) mediante la
distribución seleccionada.
16
14
12
10
Frecuencia
0
0 1 2 3 4 5 6 7 8 9
Período
Página 10 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
(fallar) y deber ser reparada. El tiempo está medido con una exactitud de segundos, en este caso se
muestran los datos agrupados en intervalos desde 0 minutos hasta 150 minutos que fue el mayor
tiempo sin falla de la máquina 1.
25
20
15
Frecuencia
10
0
5 15 25 35 45 55 65 75 85 95 105 115 125 135 145
Tiempo de Funcionamiento
Página 11 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
p (x)
0,06
Límite superior = n
0,04
Función distribución de masa: 0,02
0
p(x) = 1/(n-m+1) 1 2 3 4 5 6 7 8 9 10
x
Distribución Uniforme Discreta
( ) {
Distribución de Poisson
Se usa para modelar el número de eventos que ocurren en un intervalo dado de tiempo. La función de
probabilidad de masa es:
( )
Parámetros:
Página 12 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
( ) ∑
La distribución de Poisson se usa para modelar el número de arribos en un intervalo dado, como el
número de requerimientos a un servidor, el número de fallas de un componente por unidad de
tiempo, el número de consultas a una base de datos en un tiempo dado, el número de errores de
tipeo por formulario, etc. Es una distribución particularmente apropiada si los arribos proceden de un
gran número de fuentes independientes, que se llaman procesos de Poisson según la teoría de colas.
Página 13 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
( ) {
( )
( ) {
Distribución Normal
Es la distribución de probabilidad más usada. Toda suma de un número grande de observaciones
independientes tiene una distribución normal o de Gauss.
( )
√
Página 14 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
Los parámetros son la media μ y la desviación estándar de x y la función se nombra N (μ,). Cuando
la media μ es 0 y la desviación estándar es 1, la distribución normal se llama normal unidad o
distribución normal estándar, nombrada N(0,1) y muy usada en la modelización estadística. Un
quantil de la variable normal unidad z se nombra como z . Si una variable aleatoria x tiene una
distribución N(μ,) puede transformarse a una distribución N(0,1) haciendo (x-μ)/ = z, entonces
( ) ( )
El área bajo la curva de la distribución N(0,1) entre z y 0 para varios valores de z se lista normalmente
en tablas.
Distribución de Weibull
La fórmula de la función densidad de probabilidad es:
( )
( )
( ) ( )
Ɣ: Parámetro de forma.
: Parámetro de escala.
μ : media.
( ) ( ) ( )
Se observan una distribución exponencial, una distribución sesgada a la derecha, y una distribución
relativamente simétrica. La forma de la distribución de Weibull es relativamente simple, aunque el
parámetro de forma asume una amplia variedad de formas que lo hace muy efectivo en problemas de
confiabilidad..
Página 15 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
( ) ( )
Distribución Triangular
Se usa cuando no se conocen datos salvo los valores máximos y mínimos de extremos.
2( x a)
(b a)(c a) , a x b
2(c x)
f ( x) , bxc
( c b )( c a )
0, en cualquier otro punto
0 x 0
( x a)
2
a xb
(b a)(c a)
f ( x)
1 (c x)
2
bxc
(c b)(c a)
1 x c
Página 16 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
Distribución Exponencial
La expresión de la función de distribución exponencial es:
( ) ( )
( )
( ) {
Página 17 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
Prueba quantil-quantil
El gráfico quantil-quantil (q-q) es una técnica gráfica para determinar si dos conjuntos de datos
provienen de poblaciones con una distribución común. Un gráfico q-q es un gráfico de los quantiles
del primer conjunto de datos contra los quantiles del segundo conjunto de datos. Por quantil,
queremos decir la fracción (o porcentaje) de puntos por debajo del valor dado. Esto es, el quantil 0,3
(o 30%) es el punto en el cuál el 30 % de los datos caen debajo y el 70 % caen arriba de este valor.
Se dibuja, además, una línea de referencia a 45º. Si los dos conjuntos de datos vienen de una
población con la misma distribución, los puntos deberían caer aproximadamente a lo largo de esta
línea de referencia. Cuanto más grande sea el alejamiento de esta línea de referencia, mayor es la
evidencia para la conclusión de que los dos conjuntos de datos han venido de poblaciones con
diferentes distribuciones.
El gráfico q-q es similar al gráfico de probabilidad. Para un gráfico de probabilidad, los quantiles para
una de las muestras de datos son reemplazados con los quantiles de una distribución teórica.
Gráfico quantil-quantil
Página 18 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
Los valores de la muestra uno son significativamente mayores que los valores correspondientes
de la muestra dos.
Las diferencias crecen desde los valores 525 a 625. Luego los valores para las dos muestras se
acercan nuevamente.
Las unidades de los ejes corresponden a las del conjunto de datos del cual provienen. Esto es, no se
muestra el nivel de quantil actual. Para un punto dado en el gráfico q-q, sabemos que el nivel del
quantil es el mismo en ambos ejes, pero no cual es realmente ese nivel de quantil.
Si los conjuntos de datos tienen el mismo tamaño, el gráfico q-q es esencialmente un gráfico de un
conjunto de datos ordenados 1 contra un conjunto de datos ordenados 2. Si los conjuntos de datos no
son del mismo tamaño, se acomodan los quantiles para corresponder a los valores ordenados del
conjunto de datos más chico y luego se interpolan los quantiles para el conjunto de datos más grande.
Cuando hay dos muestras de datos, comúnmente se desea saber si se justifica suponer una
distribución común para ambas muestras.
Si es así, luego los estimadores de ubicación y escala pueden juntar ambos conjuntos de datos para
obtener estimaciones de la ubicación y escala común. Si las dos muestras difieren, es también útil
entender las diferencias. El gráfico q-q puede proveer mayor conocimiento sobre la naturaleza de la
diferencia que los métodos analíticos tales como los test de dos muestras de chi-cuadrado y
Kolmogorov-Smirnov.
Prueba Chi-Cuadrado ( 2 )
Esta prueba formaliza la idea intuitiva de aproximar un histograma de una muestra de n
observaciones con una distribución de probabilidad estándar. Se aplica para tamaños de muestras
grandes, hipótesis de distribuciones continuas y discretas con parámetros estimados con la máxima
exactitud.
( )
∑
Página 19 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
Se busca el 2 crítico de tablas, para i grados de libertad y se compara con el estadístico calculado. Si
el estadístico es menor que el obtenido por la tabla, para un grado de confianza dado, la distribución
propuesta ajusta a los datos observados.
Se tomaron 509 días; en 315 días no hubo órdenes; en 142 días hubo una orden, en 40 días de las 509
hs se registraron 2 ordenes y así.
Página 20 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
Como se observan valores altos para x = 0 o cerca de cero, podemos pensar en una distribución
exponencial o de Poisson, pero los datos son discretos, por lo tanto es más probable que sea Poisson.
Se estiman los parámetros (media) y (desviación estándar):
∑ ( )
( )
Para que la distribución fuera de Poisson =2 = , en este caso no dan exactamente iguales, pero
por el tipo de fenómeno, hay razones para suponer que Poisson anda bien. Observando la frecuencia
relativa de la tabla se ve que:
La probabilidad de que un evento no ocurra (ocurrencia cero) en cualquier intervalo es alta
(0.619)
La probabilidad de que ocurra en cualquier intervalo es pequeña (observar 2-3-4-5)
La ocurrencia del evento no tiene efecto sobre la ocurrencia de otro (la ocurrencia del otro
evento es independiente de la ocurrencia del primero).
Por estas razones Poisson debería andar bien (también se podría probar algún caso de la distribución
Gamma).
La distribución esperada se calcula con la media obtenida a partir de los datos experimentales.
Como =2 = , por lo tanto habrá que bajar en 1 el grado de libertad (m = 1).
Además hay que recordar que la frecuencia esperada es absoluta, por lo que se debe multiplicar la
función propuesta por el número total de observaciones.
( )
Página 21 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
2 2
K fo (Frecuencia observada absoluta) fe (Frecuencia Esperada absoluta) χ = (fo-fe) /fe
0 315 291 1,98
1 142 162 2,47
2 40 44,15 0,39
3 9 9
4 2 12 1 11 0,09
5 1 1
Tabla: Estadístico chi-cuadrado de los datos
Se observa que los intervalos 4 y 5 tienen frecuencias menores que 5. Entonces se suman a las celdas
adyacentes para dar 5 o mayor.
( )
∑
D = k - m - 1 = 4-1-1=2
La prueba del chi cuadrado es recomendable para un número de muestras de datos continuos como
la que figura en la tabla:
Tamaño de muestra n Número de intervalos de clase k
20 No usar chi-cuadrado
50 5 a 10
100 10 a 20
> 500 n1/2 a n/5
Tabla: Recomendaciones de uso de la prueba chi-cuadrado
Estrictamente la prueba chi cuadrado está diseñada para distribuciones discretas y para muestras de
gran tamaño. Si se la aplica a distribuciones continuas es sólo una aproximación.
Prueba Kolmogorov-Smirnov
En esta prueba se usa la distribución de probabilidad acumulada de datos continuos y se aplica para
un número pequeño de muestras.
Página 22 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
La prueba consiste en comparar la diferencia entre los valores de las funciones de distribución
acumulada observada y esperada con un valor crítico que está tabulado. La tabla de valores críticos
para esta prueba se puede encontrar en cualquier libro de Probabilidad y Estadística o de Simulación.
Tiene como entrada el tamaño de muestra y como salida las diferencias críticas según el nivel de
significancia . Los grados de libertad para esta prueba están dados por N que es el tamaño de la
muestra.
El valor o estadístico de los datos observados a comparar con el valor crítico de las tablas (D) es la
mayor diferencia entre la función de distribución acumulada observada y la esperada.
| ( ) ( )|
| ( ) ( )|
- +
Figura: Prueba de K-S y determinación de D y D
La prueba de K-S original usada por la bibliografía de estadística busca la desviación máxima del valor
absoluto de la diferencia entre la Frecuencia esperada y la observada en un punto:
| ( ) ( )|
Página 23 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
Pero esta fórmula tiene el inconveniente que no considera que la frecuencia observada esté definida
en un intervalo y no en un punto, cuando se hace el tratamiento de datos capturados de un sistema
real.
El D máximo es entonces:
Entonces:
Por lo tanto concluimos que la muestra ajusta a una distribución uniforme como la propuesta.
Página 24 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
El test o prueba de K-S es una distribución independiente en el sentido de que los valores críticos no
dependen de la distribución específica que está siendo testeada. La prueba de Anderson-Darling, en
cambio, calcula valores críticos según sea la distribución en análisis. Esto tiene la ventaja de permitir
un test más sensible y la desventaja de que los valores críticos deben ser calculados para cada
distribución.
Donde:
( )
∑ ( ) ( ( ))
Los valores críticos para el test de A-D son dependientes de la distribución que está siendo testeada.
Si el estadístico ajustado es menor que el obtenido en tabla, para un grado de confianza dado, los
datos observados se ajustan a la distribución propuesta y la hipótesis H0 es aceptada.
Aplicar el test de Anderson-Darling con un nivel de significación = 0,05 para los siguientes 10 datos
correspondientes a los tiempos en minutos entre arribos de clientes a un banco: 3.10, 0. 20, 12.10,
1.40, 0.05, 7; 10. 90, 13.70, 5.30, 9. 10. Los datos se recogieron en un período de 63 minutos.
Página 25 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
S = -10,78590957
N = 10
Observamos que el estadístico ajustado es menor que los de tabla, para cualquier nivel de
significancia. Por lo tanto, podemos decir que los datos observados ajustan a la distribución
propuesta y la hipótesis H0 es aceptada.
Página 26 de 27
SIMULACIÓN
Ingeniería Sistemas de Información Unidad 2
Bibliografía
“Simulation Modeling and Analysis”, Averil M. Law y W. David Kelton, Ed. Mc. Graw-Hill, (1991).
“Discret-Event System Simulation”, Jerry Banks, John S. Carson II, Barry Nelson, Ed. Prentice-Hall,
(1996).
“The Art of Computer System Performance Analysis – Techniques for Experimental Design,
Measurement, Simulation and Modeling”, Raj Jain, Ed. John Willey & Sons, 1991.
Página 27 de 27