SIMULACIN

GERENCIAL

Introduccin a la Simulacin

INTRODUCCIN A LA SIMULACIN

1. ndice
1. Introduccin
2. Qu es simulacin?
2.1. Terminologa bsica
2.2. Tipos de modelos de simulacin
3. Pasos de un estudio de simulacin
Simulacin de Montecarlo

2. Introduccin
El propsito del presente documento es presentar a los estudiantes la definicin de la
simulacin como herramienta esencial para el soporte en el proceso de toma de decisiones
dentro de las organizaciones. Con el objetivo de presentar esta definicin se dar al
estudiante la terminologa general usada en este mbito as como los tipos de simulacin.
Por otra parte, teniendo en cuenta que el objetivo general del mdulo es que los estudiantes
desarrollen las capacidades necesarias para llevar a cabo un estudio completo de simulacin,
en esta unidad, se presentar paso a paso cules son las actividades que deben realizarse
para lograr un estudio exitoso.
Finalmente, se presentar al estudiante el concepto de la simulacin de Montecarlo, eje
central del mdulo.

3. Metodologa
La cartilla les dar, de forma estructurada, los conceptos bsicos a los estudiantes para iniciar
la presentacin de lo que es la Simulacin y particularmente la Simulacin de Montecarlo.
La cartilla inicia con la presentacin de conceptos generales de sistemas y modelaje para
construir de forma lgica el concepto completo de lo que es la Simulacin como herramienta
que da soporte y permite argumentar las decisiones que se toman con respecto a algn tema
en especfico.
Habiendo definido lo que es la simulacin se presentarn algunos trminos bsicos propios
de la materia, trminos que se utilizarn con frecuencia a lo largo del proceso de aprendizaje.
Asimismo se presentar al estudiante la metodologa necesaria cuando se quiere llevar a
cabo un proceso de simulacin.
Finalmente, se le dar al estudiante el concepto de la simulacin de Montecarlo, eje central
del mdulo.

[ POLITCNICO GANCOLOMBIANO]

4. Mapa conceptual del mdulo

5. Objetivo General
Al finalizar el mdulo los estudiantes sabrn cules son los conceptos bsicos de la
simulacin de Montecarlo y algunas de sus aplicaciones.
Al finalizar la primera semana de aprendizaje:
1. Identificar los conceptos fundamentales de la Simulacin
2. Aprender los pasos a seguir para realizar un estudio de Simulacin.

6. Desarrollo temtico

6.1 Componente motivacional
Actualmente, con el nimo de minimizar los costos en los procesos de toma de decisiones,
las organizaciones han desarrollado metodologas ms cuidadosas en las que se disminuya el
riesgo de realizacin pero que de igual manera constituyan un soporte real a decisiones
tomadas al interior de la compaa.

[ SIMULACIN GERENCIAL ]

Por ejemplo: suponga que cierta compaa se encuentra analizando la posibilidad de

modificar la forma como se encuentra dispuesta su lnea de produccin porque considera
que actualmente sta es ineficiente y la tasa de unidades producidas por unidad de tiempo
no es suficiente.

Existen dos formas de tomar la decisin de realizar el cambio:
1. Hacer un experimento directamente sobre la lnea de produccin, es decir, realizar las
modificaciones sobre el sistema, moviendo maquinaria, realizando ajustes necesarios,
realizando pruebas.
2. Hacer un experimento sobe un modelo que represente la lnea de produccin, es decir,
realizar las modificaciones en un modelo computarizado, en el cual no se deba mover
maquinaria y tampoco ajustes directos.

Si despus de realizar el experimento se demuestra que el cambio propuesto no es vlido
porque no se logra aumentar la tasa de produccin, es evidente que con la opcin nmero
uno, la inversin y el tiempo de prueba del experimento es mucho mayor que con la opcin
nmero dos.

A partir de lo anterior resulta relevante que el egresado del Politcnico Grancolombiano
desarrolle todas las habilidades necesarias para emplear herramientas de vanguardia que
permitan a las compaas ser ms competitivas dentro del mercado, cualquiera sea en el que
se desarrolle.

6.2 Recomendaciones acadmicas
Dentro de las recomendaciones generales que debe seguir el estudiante para lograr un
excelente desempeo en el desarrollo del mdulo, tenemos un primer paso que consiste en
realizar la evaluacin diagnstica del mdulo pues esta le permitir identificar cules son sus
fortalezas y acrecentarlas y por supuesto cules son sus debilidades para enfrentarlas y
mejorarlas.
Por otra parte, con el objetivo de tener una excelente comunicacin el estudiante deber:

Aprovechar el chat semanal en el cual se tendr un encuentro sincrnico con el tutor.

Presentar sus dudas a travs de mensajes personalizados para el tutor.
Realizar los ejercicios de los talleres propuestos, los cuales permitirn reforzar los
conceptos presentados en las cartillas.

Adems, el estudiante debe tener presente que la educacin virtual es un proceso autnomo
en gran medida por lo cual exige un nivel de compromiso verdadero, recuerden que 1 hora
de educacin presencial es equivalente a 3 horas de educacin virtual, no olviden revisar
semana a semana las actividades recomendadas as como las fechas para entregas del

[ POLITCNICO GANCOLOMBIANO]

proyecto, realizacin de quices, parciales y examen final y por supuesto la participacin en

los foros obligatorios de discusin.

6.3 Desarrollo de cada una de las unidades temticas.

INTRODUCCIN
El modelamiento es el arte de disear una representacin simplificada de un sistema real con
el propsito de predecir el comportamiento futuro de tal sistema, a travs del anlisis de sus
medidas de desempeo. Dicha representacin es un modelo. Los modelos son utilizados
para capturar ciertos aspectos del comportamiento del sistema los que son de inters para
el analista- y de esta manera se adquiere un mayor entendimiento de su funcionamiento.


El modelaje requiere dos competencias fundamentales: Abstraccin y Simplificacin. Estas
habilidades deben ser aplicadas teniendo en cuenta el contexto en el cual se desenvuelve la
situacin o el sistema de inters. Es decir, si cada elemento del sistema en estudio, se
reprodujera en un modelo tan detallado en el orden de minuto a minuto, el costo del modelo
sera equivalente al costo del sistema real, lo que implicara que el modelaje fuese una
alternativa poco atractiva o nada viable. Por lo tanto, cabe aclarar cules son las
circunstancias en las cuales hay motivaciones para recurrir a la metodologa del modelaje de
sistemas. Tales motivaciones se resumen a continuacin:

Evaluar el desempeo de un sistema bajo condiciones usuales e inusuales. Un modelo

se puede convertir en una necesidad si la operacin rutinaria de un sistema real bajo
anlisis, no puede ser interrumpida sin generar consecuencias severas. (Por ejemplo,
intentar implementar una modificacin a una lnea de produccin cuando se est
tratando de cumplir fechas de entrega muy prximas).
Predecir el desempeo de sistemas experimentales. Cuando el sistema de inters an
no existe, la construccin del modelo es mucho ms econmica y segura que la
construccin del sistema real o incluso, de su prototipo.
Evaluar mltiples alternativas de diseo. Este caso est relacionado con el anterior,
slo que la motivacin econmica es mucho mayor. Los resultados del desempeo
potencial del sistema son evaluados junto con indicadores de costo-beneficio.

Los modelos pueden tener varias tipificaciones, entre ellas se encuentran:

Modelos fsicos: Corresponden a objetos fsicos simplificados o a escala (por ejemplo,

aviones a escala o maquetas).
Modelos analticos: Es un conjunto de ecuaciones o relaciones entre variables de tipo
matemtico.

Un modelo de simulacin, objeto principal de este curso, es un caso especial de los modelos
de tipo analtico. Mientras que los modelos enteramente matemticos se enfocan en la

[ SIMULACIN GERENCIAL ]

obtencin de soluciones ptimas del problema a travs de procedimientos algortmicos, los

modelos de simulacin buscan soluciones aproximadas a instancias muestrales especficas
del sistema en estudio. Para aclarar esta diferencia, supngase que se desea estudiar una
lnea de produccin, la cual conceptualmente se puede modelar como un sistema de colas.
El enfoque matemtico creara un modelo analtico de colas, representado a travs de
sistemas de ecuaciones y variables de decisin y mediante la aplicacin de tcnicas
matemticas de optimizacin se encuentran las soluciones al problema planteado. El modelo
de simulacin creara una representacin computacional del sistema de colas y la correra un
nmero de veces suficiente de tal forma que los resultados permitan afirmar que el modelo
es una fiel representacin (muestra) del sistema en estudio.






















Figura 1. Formas de estudiar un sistema

2.QU ES SIMULACIN?
Simular es imitar la operacin de un proceso o sistema real. Implica la generacin de una
historia artificial del sistema y mediante observacin de esa historia se realizan inferencias
de las caractersticas y desempeos del sistema en estudio. Con base en esta definicin y en
lo explicado en prrafos anteriores, se puede afirmar que la simulacin debe utilizarse con
los siguientes propsitos:

[ POLITCNICO GANCOLOMBIANO]

Estudiar y experimentar con las interacciones de un sistema complejo

Observar el efecto de las alteraciones al sistema en el modelo
Tener conocimiento del comportamiento del sistema
Experimentar nuevas polticas o nuevos diseos antes de su implementacin
Determinar requerimientos de capacidad
Entrenamiento y aprendizaje.

Sin embargo, debe tenerse presentes aquellas circunstancias en las cuales no sera
conveniente la aplicacin de la simulacin como metodologa de estudio de los sistemas, a
saber:

El problema puede resolverse por sentido comn

El problema puede ser abordado y resuelto analticamente
Es ms fcil realizar experimentacin directa
No hay tiempo o recursos para realizar los estudios
No hay datos disponibles.

Dentro de las reas de aplicacin ms relevantes de la simulacin se pueden enumerar:

Industria manufacturera
Construccin y administracin de proyectos
Industria militar
Logstica, cadena de abastecimiento y distribucin
Transporte
Procesos de negocio
Servicios de salud
Redes de telecomunicaciones
Anlisis de call centers.

Terminologa bsica:
Sistema: Grupo de objetos que relacionados entre s ordenadamente contribuyen al
cumplimiento de determinado objetivo, por ejemplo, una lnea de produccin, una oficina
bancaria, etc.
Entidad: Un objeto de inters en el sistema, por ejemplo, una pieza de la lnea de
produccin.
Atributo: Un rasgo o caracterstica de la entidad.
Estado del sistema: Conjunto de variables necesarias para describir el sistema en cualquier
momento.
Evento: Suceso que puede cambiar el estado del sistema.
Recurso: Objeto del sistema que transforma o presta servicio a la entidad.
Sistema Discreto: Aquel donde la variable de estado cambia en un conjunto discreto de
puntos en el tiempo, por ejemplo, el nmero de clientes disminuye en una oficina

[ SIMULACIN GERENCIAL ]

bancaria si un cliente ya termina su transaccin y sale de la instalacin en el instante t. Por

lo tanto, dicha oficina podra considerarse un sistema discreto.
Sistema Continuo: Aquel donde la variable de estado cambia continuamente en el tiempo,
por ejemplo, el nivel de agua de una represa.
Tipos de Modelos de Simulacin
1. Segn la naturaleza de los parmetros:
Determinsticos: Los datos de entrada son conocidos con plena certeza.
Estocsticos: Los datos tienen un grado de incertidumbre tal que deben ser
manejados como variables aleatorias.

2. Segn el carcter evolutivo del modelo:
Estticos: El modelo evoluciona sin tener en cuenta los cambios que genera el
paso del tiempo. (Simulacin Monte Carlo).
Dinmicos: Las variables de estado cambian en la medida que el tiempo
transcurre.

3. Segn el tipo de variable de estado:
Discretos: La variable de estado cambia en un conjunto discreto de puntos
Continuos: La variable de estado cambia continuamente en el tiempo.
Cabe aclarar que, segn esta tipificacin, el enfoque de este mdulo est encaminado hacia
el diseo y la construccin de modelos estocsticos, dinmicos y discretos, caractersticas
fundamentales del paradigma de la Simulacin de Eventos Discretos.

3. PASOS DE UN ESTUDIO DE SIMULACIN
Como se mencion inicialmente, el modelaje incluido el de simulacin, es una actividad
complicada que combina arte y ciencia. Sin embargo, desde una ptica ms general, el
proceso para llevar a cabo un estudio de simulacin se puede resumir en los siguientes
pasos:
1. Formulacin del problema. Este primer paso consiste esencialmente en el anlisis del
sistema y definicin del problema a resolver.
2. Fijacin de los objetivos. En esta fase, se define el alcance del estudio, y las fronteras
del problema que va a ser abordado. Es decir, debe determinarse cules instancias del
problema se van a estudiar y solucionar.
3. Conceptualizacin del modelo. En esta etapa se incluyen actividades tales como la
identificacin de los parmetros de entrada, las medidas de desempeo de inters,
establecimiento de las relaciones entre los parmetros y variables. La informacin
aqu se puede representar en diagramas de flujo o rboles jerrquicos.

[ POLITCNICO GANCOLOMBIANO]

4. Recoleccin de informacin. Es una de las fases ms importantes y crticas del

estudio, ya que producto de esta etapa est la estimacin de los parmetros de
entrada del modelo, y dependiendo de la calidad de la informacin recogida, est el
xito de los resultados del modelo. En esta fase, el analista hace presunciones sobre
las distribuciones de probabilidad de los datos recolectados y luego, a travs de
pruebas de hiptesis, corrobora o rechaza los supuestos planteados.
5. Construccin del modelo. Una vez el problema ha sido analizado y la informacin
procesada, se procede a construir el modelo e implementarlo en un programa
computacional. Este programa puede ser un lenguaje de programacin general (C++,
Visual Basic, Java, entre otros), o un software especializado de simulacin (Arena,
Promodel, ExtendSim, entre otros).
6. Verificacin del modelo. El propsito de esta fase consiste en asegurarse que el
modelo est diseado y construido correctamente. Esta verificacin es una labor
delicada de inspeccin y radica en la comparacin del cdigo de modelo con la
especificacin del mismo.
7. Validacin del modelo. La validacin examina el grado de ajuste del modelo con los
datos empricos del sistema. Es decir, compara el desempeo del modelo con la
informacin real arrojada por el sistema en estudio.
8. Diseo de experimentos. Una vez validado y calibrado el modelo, el analista procede
con la planeacin y el diseo de las experimentaciones que se llevarn a cabo sobre
el modelo de simulacin. En esta etapa se definen los distintos escenarios en los
cuales se va a analizar el desempeo del modelo, as como el nmero de rplicas o
corridas que se ejecutarn con el propsito de garantizar la confiabilidad del estudio.
9. Corridas y anlisis de resultados. En esta fase se ejecutan las corridas oficiales del
modelo, cuyos resultados sern el objeto de anlisis, de naturaleza estadstica
principalmente. Una actividad tpica de esta fase consiste en la determinacin de la
mejor alternativa mediante la comparacin de los desempeos de todas las
alternativas estudiadas.

[ SIMULACIN GERENCIAL ]

Figura 2. Pasos de un estudio de simulacin

4. SIMULACIN DE MONTECARLO
La Simulacin de Montecarlo es una tcnica cuantitativa que hace uso de muestreos
estadsticos para imitar, mediante modelos matemticos, el comportamiento aleatorio de
sistemas reales no dinmicos.

Generalmente en estadstica, los modelos aleatorios se usan para simular fenmenos que
poseen algn componente aleatorio. Pero en la Simulacin de Montecarlo el objeto de la
investigacin es el objeto en s mismo, es decir, un suceso aleatorio o pseudo-aleatorio se usa
para estudiar el modelo.

La clave de la Simulacin de Montecarlo consiste en crear un modelo matemtico del
sistema, proceso o actividad que se quiere analizar, identificando:

10

[ POLITCNICO GANCOLOMBIANO]

Variables de Entrada (Inputs del modelo): Son aquellas cuyo comportamiento

aleatorio determina el comportamiento global del sistema. Se utilizan por medio de
la Generacin de nmeros y variables aleatorias.
Variables de Resultado (Outputs del modelo): Son aquellas que dependen de las
variables aleatorias y que sirven para medir el desempeo del sistema que se est
modelando. Se debe tener en cuenta que, estas variables dependen del
comportamiento aleatorio de las variables de entrada, por lo que su resultado
siempre ser aleatorio.
Resultados de la Simulacin (Experimento): Analizar el comportamiento del sistema
ante los valores generados. El objetivo es repetir n veces el experimento obteniendo
n observaciones sobre el comportamiento del sistema. Los resultados sern ms
precisos cuanto mayor sea el nmero n de experimentos que llevemos a cabo.

La Simulacin de Montecarlo se puede utilizar de acuerdo a los siguientes algoritmos:

Simulacin de Montecarlo Pura: Est fundamentada en la generacin de nmeros
aleatorios por el mtodo de Transformacin Inversa, el cual se basa en las
distribuciones acumuladas de frecuencias. Dicho tema se ver ms adelante.
Combinacin de Variables Aleatorias: Cuando el resultado de la simulacin se da por
la combinacin de las VA, se debe realizar y verificar:

- Desarrollar un modelo conceptual o lgico de decisin
- Construir un modelo, especificando la relacin entre las variables y las
distribuciones de probabilidad para las variables aleatorias
- Verificar y validar el modelo
- Disear experimentos utilizando el modelo
- Analizar los resultados y concluir.

Las principales caractersticas a tener en cuenta para la implementacin o utilizacin de la
SMC son:

El sistema debe ser descripto por 1 o ms funciones de distribucin de probabilidad
(FP).
Las tcnicas de generacin de Nmeros aleatorios o pseudoaleatorios debe ser
correcta y no debe existir correlacin entre los valores mustrales.
Establecer lmites y reglas de muestreo para las FP, es decir, se debe definir que
valores pueden adoptar las Variables Aleatorias.
Estimacin del error (Con qu error trabajamos? Cunto error podemos aceptar
para que una corrida sea vlida?)

[ SIMULACIN GERENCIAL ]

11

A continuacin se presentan dos ejemplos de Simulacin de Montecarlo:

Ejemplo 1 (Simulacin de Montecarlo Pura): Se tiene la siguiente distribucin de
probabilidades para una demanda aleatoria (diaria) y queremos ver qu sucede con el
promedio de la demanda en varias iteraciones:

Unidades Frecuencia

Frecuencia
Acumulada

42

0,1

0,1

45

0,2

0,3

48

0,4

0,7

51

0,2

0,9

54

0,1

Figura 3. Demanda y Probabilidades - Ejemplo 1

Generando los valores aleatorios vamos a ver cmo se obtiene el valor de la demanda para
cada da:

Iteracin

Nmero
Aleatorio [R]

Valor de la
Demanda

0,886

51

0,021

42

0,225

45

Figura 4. Demanda y Probabilidades - Ejemplo 1

Si se aumenta el nmero de rplicas, los resultados obtenidos son:

12

Iteracin

Media

Desviacin

Error

10

48,60

3,41

1,078

100

48,12

3,16

0,316

1000

47,87

3,28

0,104

[ POLITCNICO GANCOLOMBIANO]

10000

47,87

3,30

0,033

Figura 5. Resultados e Iteraciones - Ejemplo 1

Ejemplo 2 (Combinacin de Variables Aleatorias): La compaa Plsticos de Colombia S.A., se
dedica a la fabricacin de productos plsticos y telas vinlicas. En la actualidad, estn
analizando la posibilidad de lanzar un nuevo producto llamado impermeable plstico (en
colores amarillo y negro). Este producto puede ser utilizado como protector solar o como
recubrimiento para la lluvia por las personas y las industrias.

Teniendo en cuenta que es un producto nuevo, la gerencia de la compaa ha analizado la
situacin y ha encontrado que para fabricarlo se requiere de una mquina especializada, con
la que no se cuenta en la actualidad. Por lo tanto, han definido como alternativa arrendar la
mquina que se requiere.

La compaa ha identificado dos modelos de mquinas que se ajustan a las necesidades
actuales de produccin de impermeable de color negro y de color amarillo. La primera
alternativa es arrendar la mquina TX-1. Esta mquina tiene una capacidad de produccin de
32.000 metros al mes, y su costo de leasing es 1950.000/mes.

La segunda alternativa es arrendar la mquina TX-2. Esta mquina tiene un costo de leasing
ms bajo $1650.000. Su capacidad de produccin es mayor (5.000 metros ms que la TX-1).

Para estimar el comportamiento de la demanda del nuevo producto, la compaa ha
recolectado informacin sobre la demanda esperada por mes del impermeable plstico
negro y la demanda de impermeable amarillo, y ha encontrado los siguientes resultados
respecto al comportamiento de cada mercado:

Color Amarillo: Mnimo 12000 metros, mximo 21000 metros, y valor ms probable 18000
metros.

Color Negro: Entre 17000 y 23000 metros

Adicionalmente, la compaa estima que el precio de venta por metro de impermeable
amarillo es de $2500, y el precio de venta por metro de impermeable negro es de $2300.

Los costos unitarios asociados con la produccin en cada mquina se presentan a
continuacin:

Costos Variables

TX- 1

TX - 2

Distribucin

Normal

Normal

[ SIMULACIN GERENCIAL ]

13

Media

$ 950

$ 1.100

Desviacin Estndar

$ 90

$ 25

Figura 6. Distribucin de los Costos Variables - Ejemplo 2

Qu decisin debe tomar la compaa?

El modelo Conceptual sera:

tem

Alternativa 1 - TX-1

Alternativa 2 - TX-2

Arriendo

$ 2.100.000

$ 2.500.000

Servicios

$ 300.000

$ 450.000

Costo
Produccin

Precio Venta

Metros
Demandados
Ganancia
Esperada

14

Imp. Negro $ -

$ -

Imp.
Amarillo

$ -

Imp. Negro $ 1.400

$ 1.400

Imp.
Amarillo

$ 2.300

Imp. Negro $ -

$ -

Imp.
Amarillo

$ -

$ (2.400.000)

$ (2.950.000)

Figura 7. Modelo Conceptual - Ejemplo 2

[ POLITCNICO GANCOLOMBIANO]

Obteniendo como resultado:

Figura 8. Ganancia Esperada TX 1 - Ejemplo 2

Figura 9. Ganancia Esperada TX 2 - Ejemplo 2

[ SIMULACIN GERENCIAL ]

15