Está en la página 1de 75

 Foro Semana 5 y 6 Simulación Gerencial

Yudy Esneda Rivas Alegria


Cod. 1421025813
1. ¿Cómo se aplicó la Simulación de Montecarlo para resolver el problema?
Problemática:
Una empresa brasilera perteneciente a un conglomerado multinacional se encarga
de producir artículos para el hogar; esta empresa acababa de instalar una línea
para la producción en masa de termostatos para planchas. La idea era no tener que
exportar estos termostatos como se venía haciendo, para así ahorrar costos. El
departamento ingenieril de la empresa diseño una línea de fabricación con 3
estaciones y un operario para cada una de ellas. Ellos estimaron que podrían
producir los 3500 termostatos necesarios para cumplir con las demandas de este
producto.
Ellos contaron con cierta información que fue brindada por parte de la empresa
madre, entre la que se puede considerar primordial una lista con todas las
operaciones necesarias para fabricar el termostato y los tiempos de cada una de
ellas. Como se mencionó antes, había 3 estaciones:

1. Estación A: diseñada para producir 85 piezas por hora


2. Estación B: diseñada para producir 100 piezas por hora
3. Estación C: diseñada para producir 110 piezas por hora

El problema radico en que después de 3 meses de poner en funcionamiento las


líneas, estas no fueron capaces de sobrepasar la cantidad de 3200 semanales,
distando de las 3500 necesarias para la producción de planchas y obligando al
departamento de producción a emplear horas de mano de obra extras, incurriendo
en gastos excesivos y con esto perdiendo toda la ventaja económica que suponía la
implementación de estas nuevas líneas. El departamento de producción llego a la
conclusión que para poder darla solución a esta problemática se debía:
- Identificar las razones claves de por qué la tasa de producción originalmente
establecida no podía alcanzarse.
- Sugerir modificaciones en el diseño o balances de la línea de montaje para poder
obtener la requerida tasa de producción de 3.500 piezas por semana trabajando a
un ritmo normal durante las horas también normales de trabajo.
Estudio de la problemática:
El primer pero fue realizar un diagnóstico actual del proceso, como es obvio, el
factor primordial en una línea de este tipo, es el tiempo de producción, por lo que se
tomaron 120 muestras de cada ciclo con un cronometro, para así poder realizar
cálculos básicos pero fundamentales como lo son la media y la desviación estándar.
Se prosiguió a recoger datos de los métodos, llegando a la conclusión de que estos
no eran los adecuados y perdían mucho tiempo. Otra conclusión a la que pudieron
llegar fue que el cuello de botella de este proceso era la estación A, dado que
producía menor cantidad que sus compañeras en igualdad de tiempo.
Simulación estocástica: si bien se recogió información, esta no es suficiente para
dar respuestas a la problemática, por lo que ya con datos como la normal y una
desviación tomadas con el tiempo del proceso se procede a realizar una simulación,
enfocándose en primero resolver el problema que aporta la línea A, dada que esta
es el cuello de botella, y retrasa todo el proceso.
Es aquí donde comenzaron a utilizar la herramienta de simulación de Montecarlo,
puesto que con los valores tomados en la línea, realizaron un diagrama de
frecuencias relativas acumuladas para los valores obtenidos de cada ciclo del
proceso. Posteriormente se generan valores aleatorios, que se relacionaron
directamente con las frecuencias acumuladas que su vez ya están conectadas a los
valores que se obtuvieron con el cronometro directamente de cada uno de los 120
valores obtenidos para esta línea. Con este procesos se obtienen valores al azar
para los tiempos que puede tardar la fabricación de un termostato en la estación.

Ejemplo, el numero generado con la función aleatoria fue 76, la frecuencia que está
más próxima al 76 es la del 79,2%, que a su vez está conectada con uno de los
tiempos tomados con cronometro, es decir 0.80 minutos.
Esta simulación se realizó 50 veces con la línea A, asumiendo que no había ningún
tipo de contratiempo y teniendo en cuenta que como esta es la primera estación de
trabajo, no es dependiente de las otras líneas, ya que el proceso es secuencial. Se
llevó a cabo la misma acción con las estaciones B y C teniendo en cuenta sus
respectivas restricciones (la línea B debe esperar que la línea A termine con su
proceso para poder dar inicio a su actividad, igual sucede con la línea C con
respecto a la B). Con estas simulaciones se buscaba encontrar el tiempo exacto de
producción para así encontrar las problemáticas exactas.
Conclusiones:
Luego de realizar este actividad, se estableció una tabla con los tiempos
aproximados, esto gracias al método Montecarlo, y con estos resultados se pudo
encontrar la principal causa de la improductividad de todo el proceso, la cual era el
tiempo de ocio, dado que las líneas eran secuenciales, esto quiere decir que el
tiempo que demorara la estación A en hacer su parte del trabajo (0.8 min) era
tiempo de ocio o muerto tanto para la línea B (0.8 min) como como para la C(1.4
min). Con la simulación de 50 piezas procesadas el operario del puesto B
permanece ocioso el 17% del tiempo total que utiliza para realizar toda la operación
y el operario del C el 20%, tiempos que sin dudas podrían ser empleados de una
mejor manera.
Una vez identificada la raíz del problema se procedió a hacer los ajustes pertinentes
en las líneas, reduciendo los tiempos con técnicas de métodos y tiempo, todo esto
desde le teoría porque resultaba complicado probarlo directamente en la producción
ya que esto supondría parar a está del todo y habría que incurrir gastos extras. Por
tanto lo que se hizo fue realizar una nueva simulación pero con los respectivos
ajustes. En dicha simulación se observó que las medidas tomadas fueron útiles y
mejoraron los tiempos de producción.
Las ideas bien diseñadas no siempre funcionan cuando son llevadas a la realidad,
como el caso presentado pudo demostrar. Algunas problemáticas no previstas por
los diseñadores de la línea de montaje afectaron a la tasa de producción, lo que
requirió horas extras de trabajo (y costo adicional) para lograr las metas. El punto
clave del presente ejercicio, es que se demostró la viabilidad de ejecutar y probar
diversas alternativas de mejora de una línea de montaje en un entorno virtual.
https://scielo.conicyt.cl/scielo.php?script=sci_arttext&pid=S0718-
07642012000400005#f3 (Enlaces a un sitio externo.)

Beltran Reyes Maria Clemencia

Beltran Reyes Maria Clemencia


lunes1 oct en 23:13

Gestionar la entrada de foro

Buenas noches Yudy

Yo tome este mismo ejemplo y mi análisis fue que el modelo estocástico


depende de muchas variables, lo que genera demasiada
incertidumbre, corriendo el riesgo de que si alguna variable no está
correctamente correlacionada en el modelo, las simulaciones podrían calcular
sucesos que jamás ocurrirán en al realidad.
Además que según leí se tiene que generar muchas probabilidades o números
aleatorios para poder llegar a simulación más cercana a la realidad.
Cómo se podría mejorar esa dificultad, considero que hay que tomarse el
tiempo para crear una base da datos robusta, con la mayor información
posible para tener en cuenta todas las posibles variables y así crear una
simulación más cercana a la realidad.

Responder... Responder al comentario

Contraer subforoSanchez Castiblanco Adriana Paola


Sanchez Castiblanco Adriana Paola
lunes1 oct en 18:30
Gestionar la entrada de foro
Buenas noches compañeros
Responder... Responder al comentario

Contraer subforoCruz Coca Franci Elisabeth


Cruz Coca Franci Elisabeth
lunes1 oct en 18:43
Gestionar la entrada de foro
Buenas tardes para todos
Adjunto mi aporte al foro.
Problema:
Proyectar el Posicionamiento de Jugos Del Valle con la Aplicación del Método
del Modelo Montecarlo Frente al Portafolio de Productos de Coca Cola
Coca Cola necesitaba conocer la rentabilidad de una de sus nuevas líneas
de productos, esta era jugos del valle, para esto tenía previsto estudiar el nivel de
venta durante 4 años, todo con la finalidad de saber si está era una buena idea y si
se encontraba al nivel de sus demás líneas ya consolidadas para así decidir si se
continuaba o no con ella dado que ya existía una fuerte inversión inicial por parte de
la empresa. El estudio se realizó con el fin recolectar toda esta información ya que
era primordial para poder ejecutar los correctivos y cambios necesarios.
Para llevar a cabo el estudio, el personal encargado de la investigación
escogió como indicador principal el VPN (valor presente neto) y así de esta manera
lograr especificar el valor que aportaba cada uno de sus diferentes productos. Con
esto se infiere que el comportamiento individual de alguno de los productos
afectaba directamente al producto para el que se realizó la investigación, por esto
se evaluó la continuidad en el tiempo con variables tomadas de la misma manera y
utilizando la distribución continua para generar datos y figuras. En esta investigación
se generaron 10000 datos aleatorios, esta cantidad se debe a que entre más datos,
los intervalos son más estrechos, es decir, existe más precisión.
Metodología Montecarlo:
La herramienta principal utilizada fue el modelo Montecarlo, la cual permite
establecer y estudiar un fenómeno determinado y su comportamiento, todo esto a
través de la generación de números aleatorios que para este caso se realizó
utilizando la distribución continúa puesto que se requería que los datos tuvieran
igualdad de probabilidad. También tuvieron otras herramientas estadísticas en
cuenta como lo son la medición de intervalos (ayuda a establecer la distancia entre
una media y otra) y medición de razón (determina la distancia exacta entre los
intervalos de una categoría).
Por último, antes de comenzar a realizar la simulación se tuvieron en cuenta
algunos indicadores externos que pueden afectar al VPN de forma negativa, entre
los cuales se encuentran la TRM (tasa representativa del mercado), IPC (índice de
precios al consumidor) y el PIB (producto interno bruto).
Partiendo de todos los preceptos anteriores, se prosiguió a utilizar Cristal
Ball, esta es una aplicación que tiene las opciones de crear modelados predictivos,
de previsión, simulación y optimización y se basa en herramientas como el modelo
Montecarlo. A la aplicación de le introdujeron las directrices de generar una
simulación Montecarlo con los 10000 datos, siguiendo una distribución continua,
este proceso se realizó teniendo en cuenta el VPN que permite tener una
aproximación de los flujos de caja futuros, esto último para conocer los valores
aproximados para los años 2013, 2014, 2015 y 2016. La aplicación permitió no solo
ver la media del VPN para estos años, sino también otras variables estadísticas
como lo son el coeficiente de variabilidad y la varianza que ayudan en el estudio del
caso.
La simulación del VPN se realizó para 3 productos, 2 ya consolidados como lo eran
el agua empacada por la empresa y la bebida gaseosa Quatro, y el producto en el
que se centraba el estudio (jugos del valle). Por ejemplo, de los datos y tablas de
frecuencias arrojados para el caso del agua, se llegaron a algunas conclusiones
como que las gráficas se comportan de forma volátil pero se puede observar un
incremento en el VPN año tras año. Igualmente sucedió con la gaseosa Quatro que
presento una mayor volatilidad pero su VPN siguió al alza en cada uno de los años.
Por último, los resultados del jugo del valle tienden a comportarse como los dos
anteriores pero se consideró que alcanzar el VPN habría que correr un riesgo
importante, sin embargo generaría ganancias.
A pesar de que el producto es relativamente nuevo, al comparar el
comportamiento de su VPN con el de los otros 2 productos antiguos se puede ver
una semejanza, lo que indica que a pesar del riesgo, el producto mencionado puede
alcanzar las metas establecidas.
En resumen, Jugo del valle se muestra como un producto nuevo y joven,
pero con una gran opción de generar ingresos importantes para le empresa y
convertirse en un producto líder en los mercados. Según los resultados de la
investigación, el riesgo es latente pero el producto puede alcanzar las ganancias
esperadas.
Referencia
Gutierrez, C & Murillo, F. (2012). Proyectar el posicionamiento de jugos del valle con
la aplicación del método del modelo Montecarlo frente al portafolio de productos de
Coca Cola (trabajo de grado). Universidad de la Salle, Bogotá, Colombia. Tomado
de:http://repository.lasalle.edu.co/bitstream/handle/10185/17158/T17.12%20G985p.
pdf?sequence=1&isAllowed=y (Enlaces a un sitio externo.)

Muchas gracias.
tabla 4 simulacion.png
Responder... Responder al comentario

Contraer subforoNino Avendano Johanna Andrea


Nino Avendano Johanna Andrea
lunes1 oct en 18:46
Gestionar la entrada de foro
MODELO DE SIMULACIÓN MONTECARLO : ANÁLISIS DE COSTO
PUENTE SOBRE EL CANAL DE CHACAO
Problemática
En los proyectos de Ingeniería, especialmente en las obras civiles, se debe analizar
el riesgo de manera cuantitativa. Sin embargo, uno de los principales problemas a
los que se enfrenta la persona encargada de planificar proyectos es la falta de
información con la que se trabaja, ya sea porque el proyecto es complejo, porque es
algo nuevo, o simplemente por no tener tiempo para buscar dicha información. Al no
poseer datos, no se pueden estimar a que distribuciones de probabilidad
corresponden y, por otro lado, pueden existir muchas combinaciones de datos o
factores, que interaccionados pueden representar algún nivel de riesgo a considerar
el cual se desea conocer para tomar las mejores decisiones considerando un
aglomerado de posibilidades.
Siendo así, para el caso específico para el análisis del costo de la obra “Diseño y
construcción del puente Chacao, región de Los Lagos”, tomando como referente al
presupuesto del contrato, se deseaba conocer el riesgo en cuanto a la variabilidad
del costo total proyectado adjudicados a la Constructora OAS S.A., Hyundai
Engineering & Construction Co., Ltd, Systra S.A. y el Dr. Ing. AAS Jakobsen AS,
como encargados del proyecto.
Estudio de la problemática: en cualquier tipo de proyectos, se debe contar con un
presupuesto calculado de acuerdo con las distintas actividades que se realizarán a
lo largo del tiempo fijado o durante las posibles eventualidades que puedan ocurrir.
En este sentido, se debe tener un monto estipulado y un monto adicional que cubra
con las posibles variaciones en el proceso. Para la estimación de dicha variabilidad
en costos, se realizó una simulación Monte Carlo, que partía del estimado de costos
particular por actividad para calcular el total ($360.134.000.000 equivalente a USD
$650 millones aproximadamente) y teniendo en cuenta el porcentaje que se debe
pagar del presupuesto ofertado, el cual debía presentar una variación máxima del
10% por fase del proyecto.
Para la aplicación del Modelo Monte Carlo de simulación se tuvieron en cuenta los
siguientes supuestos:

o El monto del presupuesto presentado corresponde en el modelo al valor


estimado del costo total, además, por desconocer el monto de contingencial del
proyecto, se establece que no existe tal adicional.
o El porcentaje de variación es el mismo para todas las fases.
o Se emplean cálculos con distribuciones de probabilidad Log-Normal, Triangular
y Uniforme para el estudio de los datos.
o En cada distribución el valor pesimista varia en un 5%, 15%, 30% y 50% del
valor con mayor probabilidad y el valor optimista es representado por un 90% del
valor con mayor probabilidad.
o Las actividades del cronograma se desarrollan sin relación unas entre otras,
para la simulación de variables independientes.

Metodología

5. Para iniciar con el análisis de este estudio, primero se toma como partida el
cronograma.
6. Establecer a que probabilidad corresponde cada actividad.
7. Determinar el valor el cual se espera obtener.
8. Llevar a cabo la simulación con 10.000 iteraciones.
Resultados
Con la simulación Monte Carlo para el presupuesto del proyecto de construcción del
Puente Chaco en Chile, se obtienen distintos análisis estadísticos que permiten
realizar una comparación en las diferentes distribuciones de probabilidad, con
distintos porcentajes de variabilidad.
El siguiente gráfico muestra la comparación de las probabilidades que se analizaron
para el presupuesto de la obra civil, que se llevó a cabo con un nivel de confianza
del 95%.

grafica1.jpg

Conclusiones
Este modelo de simulación permitió establecer que el monto total del proyecto
puede variar en función de las diferentes actividades que se realizaron,
contradiciendo al método determinista con el cual se establece el costo estimado.
En cuanto a las variaciones que se analizaron con las distintas distribuciones (Log-
Normal, Triangular y Uniforme) se obtuvo que la variación no sobrepasó del 5% del
estimado y además la suma o el conglomerado de datos responden a una Campana
de Gauss; esto se puede entender gracias al teorema del límite central que
establece que la suma de variables no dependientes en las mismas funciones de
probabilidad da como resultado a una Normal.
Esto fue posible, gracias al uso del modelo de simulación Monte Carlo, que estimó
distintos casos en el proyecto en cuanto al monto que se podría gastar para su
ejecución. Es una forma fácil y efectiva de determinar las contingencias para
cualesquiera situaciones, sin embargo, en cuanto a las limitaciones generales
tenemos que para que el modelo sea coherente debe contar con información lo más
real posible y en la mayoría de los casos, con en los proyectos civiles la información
es poca por ser proyectos nuevos.
Para este estudio Monte Carlo, como los datos solo debían correr una simulación
sencilla (mediante sumas), el programa respondió en tiempo relativamente corto.
Como no existían datos históricos que permitirán conocer todo respecto a las
actividades, se debió realizar una encuesta con instituciones y personas que
cuenten con información lo más acertada posible y de esta manera existe una
capacidad limitada para la obtención de los parámetros de las funciones de
probabilidad.
Y finalmente, se debe tener claro que estos valores al ser estimados mediante datos
consensados y/o aleatorizados no permitirán establecer resultados exactos, sino
próximos a la real y en otro sentido, resulta de costo elevado instituir este modelo,
por lo cual se recomienda implementarlo solo cuando se presente un riesgo
altamente latente, el cual sea importante estimarlo.
Referencia
Recuperado el 28 de septiembre de 2018 file:///C:/Users/Asus/Pictures/Aplicacion-
del-metodo-de-monte-carlo-en-la-planificacion-de-.pdf
http://repositorio.uchile.cl/handle/2250/132649 (Enlaces a un sitio externo.)

Responder... Responder al comentario

Contraer subforoNino Avendano Johanna Andrea


Nino Avendano Johanna Andrea
lunes1 oct en 18:51
Gestionar la entrada de foro
MODELO DE SIMULACIÓN MONTECARLO : ANÁLISIS DE COSTO
PUENTE SOBRE EL CANAL DE CHACAO
Problemática
En los proyectos de Ingeniería, especialmente en las obras civiles, se debe analizar
el riesgo de manera cuantitativa. Sin embargo, uno de los principales problemas a
los que se enfrenta la persona encargada de planificar proyectos es la falta de
información con la que se trabaja, ya sea porque el proyecto es complejo, porque es
algo nuevo, o simplemente por no tener tiempo para buscar dicha información. Al no
poseer datos, no se pueden estimar a que distribuciones de probabilidad
corresponden y, por otro lado, pueden existir muchas combinaciones de datos o
factores, que interaccionados pueden representar algún nivel de riesgo a considerar
el cual se desea conocer para tomar las mejores decisiones considerando un
aglomerado de posibilidades.
Siendo así, para el caso específico para el análisis del costo de la obra “Diseño y
construcción del puente Chacao, región de Los Lagos”, tomando como referente al
presupuesto del contrato, se deseaba conocer el riesgo en cuanto a la variabilidad
del costo total proyectado adjudicados a la Constructora OAS S.A., Hyundai
Engineering & Construction Co., Ltd, Systra S.A. y el Dr. Ing. AAS Jakobsen AS,
como encargados del proyecto.
Estudio de la problemática:en cualquier tipo de proyectos, se debe contar con un
presupuesto calculado de acuerdo con las distintas actividades que se realizarán a
lo largo del tiempo fijado o durante las posibles eventualidades que puedan ocurrir.
En este sentido, se debe tener un monto estipulado y un monto adicional que cubra
con las posibles variaciones en el proceso. Para la estimación de dicha variabilidad
en costos, se realizó una simulación Monte Carlo, que partía del estimado de costos
particular por actividad para calcular el total ($360.134.000.000 equivalente a USD
$650 millones aproximadamente) y teniendo en cuenta el porcentaje que se debe
pagar del presupuesto ofertado, el cual debía presentar una variación máxima del
10% por fase del proyecto.
Para la aplicación del Modelo Monte Carlo de simulación se tuvieron en cuenta los
siguientes supuestos:

o El monto del presupuesto presentado corresponde en el modelo al valor


estimado del costo total, además, por desconocer el monto de contingencial del
proyecto, se establece que no existe tal adicional.
o El porcentaje de variación es el mismo para todas las fases.
o Se emplean cálculos con distribuciones de probabilidad Log-Normal, Triangular
y Uniforme para el estudio de los datos.
o En cada distribución el valor pesimista varia en un 5%, 15%, 30% y 50% del
valor con mayor probabilidad y el valor optimista es representado por un 90% del
valor con mayor probabilidad.
o Las actividades del cronograma se desarrollan sin relación unas entre otras,
para la simulación de variables independientes.

Metodología

5. Para iniciar con el análisis de este estudio, primero se toma como partida el
cronograma.
6. Establecer a que probabilidad corresponde cada actividad.
7. Determinar el valor el cual se espera obtener.
8. Llevar a cabo la simulación con 10.000 iteraciones.

Resultados
Con la simulación Monte Carlo para el presupuesto del proyecto de construcción del
Puente Chaco en Chile, se obtienen distintos análisis estadísticos que permiten
realizar una comparación en las diferentes distribuciones de probabilidad, con
distintos porcentajes de variabilidad.
El siguiente gráfico muestra la comparación de las probabilidades que se analizaron
para el presupuesto de la obra civil, que se llevó a cabo con un nivel de confianza
del 95%.

Conclusiones
Este modelo de simulación permitió establecer que el monto total del proyecto
puede variar en función de las diferentes actividades que se realizaron,
contradiciendo al método determinista con el cual se establece el costo estimado.
En cuanto a las variaciones que se analizaron con las distintas distribuciones (Log-
Normal, Triangular y Uniforme) se obtuvo que la variación no sobrepasó del 5% del
estimado y además la suma o el conglomerado de datos responden a una Campana
de Gauss; esto se puede entender gracias al teorema del límite central que
establece que la suma de variables no dependientes en las mismas funciones de
probabilidad da como resultado a una Normal.
Esto fue posible, gracias al uso del modelo de simulación Monte Carlo, que estimó
distintos casos en el proyecto en cuanto al monto que se podría gastar para su
ejecución. Es una forma fácil y efectiva de determinar las contingencias para
cualesquiera situaciones, sin embargo, en cuanto a las limitaciones generales
tenemos que para que el modelo sea coherente debe contar con información lo más
real posible y en la mayoría de los casos, con en los proyectos civiles la información
es poca por ser proyectos nuevos.
Para este estudio Monte Carlo, como los datos solo debían correr una simulación
sencilla (mediante sumas), el programa respondió en tiempo relativamente corto.
Como no existían datos históricos que permitirán conocer todo respecto a las
actividades, se debió realizar una encuesta con instituciones y personas que
cuenten con información lo más acertada posible y de esta manera existe una
capacidad limitada para la obtención de los parámetros de las funciones de
probabilidad.
Y finalmente, se debe tener claro que estos valores al ser estimados mediante datos
consensados y/o aleatorizados no permitirán establecer resultados exactos, sino
próximos a la real y en otro sentido, resulta de costo elevado instituir este modelo,
por lo cual se recomienda implementarlo solo cuando se presente un riesgo
altamente latente, el cual sea importante estimarlo.
Referencia
Recuperado el 28 de septiembre de 2018 file:///C:/Users/Asus/Pictures/Aplicacion-
del-metodo-de-monte-carlo-en-la-planificacion-de-.pdf
http://repositorio.uchile.cl/handle/2250/132649 (Enlaces a un sitio externo.)

Responder... Responder al comentario

Contraer subforoSanchez Castiblanco Adriana Paola


Sanchez Castiblanco Adriana Paola
lunes1 oct en 18:58
Gestionar la entrada de foro
Buenas noches compañeros y tutor este es mi aporte para el foro de la semana 5 y
6
APLICACIÓN DE SIMULACION DE MONTECARLO A UN CASO REAL
La compañía PcSA comercia equipo informático. El equipo de la compañía
encargado del diseño de productos ha desarrollado un prototipo de una impresora
portátil de alta calidad. Esta nueva impresora tiene un potencial para ganarse un
porcentaje importante del mercado. Los análisis preliminares financieros y de
mercadeo han llevado a establecer un precio de venta y un presupuesto para los
costos administrativos. El siguiente caso presenta una gran
incertidumbre: La introducción de un nuevo producto.
¿COMO SE APLICO LA SIMULACION DE MONTECARLO PARA RESOLVER EL
PROBLEMA?
Se realizó un Proceso de simulación, se desarrollaron varios escenarios de “qué
pasaría si”, generando de manera aleatoria valores para las distintas entradas
probabilísticas del problema, con la ventaja de que nos va a permitir tener un juicio
sobre la probabilidad de los posibles valores de utilidad o de pérdida. Fue
necesario generar valores para las entradas probabilísticas que sean
representativas de lo que pudiéramos observar en la práctica. Para generar estos
valores, fue necesario saber cuál es la distribución de probabilidad de cada entrada
probabilística. Ahora para simular el problema de PcSA se debieron generar
valores para estas tres entradas probabilísticas y calcular la utilidad resultante.
Después se generaron otros juegos de valores para las mismas entradas
probabilísticas, calculando un segundo valor para la utilidad y así sucesivamente.
Se continuó el proceso hasta que se estuvo seguros de que se han realizado
suficientes ensayos para poder tener una buena imagen de la distribución de los
valores que toma de utilidad.

Bibliografia:
Aplicación de la simulación Monte Carlo en al calculo de riesgo ,Azofeifa,Carlos E
Recuperado;
file:///E:/Descargas/DialnetAplicacionDeLaSimulacionMonteCarloEnElCalculoDelRi-
4835801%20(1).pdf. S.F
Responder... Responder al comentario

Contraer subforoValencia Del Rio Julie Andrea


Valencia Del Rio Julie Andrea
lunes1 oct en 19:06
Gestionar la entrada de foro
Teniendo en cuenta que La simulación Monte Carlo es una técnica matemática
computarizada que permite tener en cuenta el riesgo en análisis cuantitativos y
tomas de decisiones. A continuación, se expondrá ¿Cómo se aplicó la Simulación
de Montecarlo para resolver el problema? De una fábrica de coches.
El caso de estudio es una fábrica de coches, donde se realiza una medición sobre
los vehículos defectuosos frente al total de producción y los ingresos generados en
cada situación, en donde se maneja una producción baja de 20 coches/día.
El estudio encontró fallos de distintos tipos en la producción de coches, y esto le
generaba a la fábrica, gastos adicionales, que disminuían sus ingresos, ya que se
tenía que hacer un reproceso del vehículo. Desde el número de errores producidos
anteriormente se puede ver cuál será la tendencia de ocurrencia de fallos, se
calcula la probabilidad acumulada y así se establecen los limites sobre los que
se puede trabajar y cuales marcan la franja para cada uno de los errores, mediante
la fórmula “=Aleatorio” de Excel, la cual lanza de forma aleatoria números
comprendidos de 0 a 1 y se asocian a un tipo de fallo dependiendo del intervalo al
que pertenezca, una vez asociado el número aleatorio al fallo mediante la fórmula
“=Buscar” se obtiene el coste que supone el re proceso. En este caso solo se
trabaja con que en cada suceso se produce un fallo, se podría añadir el caso en que
se diera más de un error en un vehículo.
Y es así como al aplicar la simulación de Montecarlo al estudio se puedo realizar un
análisis, donde se pudo modificar el escenario cambiando los resultados en cada
una de las casillas para ver cómo se comportaba la probabilidad de fallos y cómo
afectaba esto al balance de beneficios. Y al obtener el balance beneficios-gastos
previstos, hacer una estimación de pérdidas y actuar al respecto. Detectar cual es el
fallo más frecuente y corregirlo, así se evitarían costos adicionales y aumentarían
los ingresos de la fábrica, solucionando el problema que se expuso inicialmente.

Fuentes:
https://www.pdcahome.com/4236/simulacion-de-monte-carlo-aplicada-a-produccion-
de-vehiculos/
Responder... Responder al comentario

Contraer subforoRodriguez Aguirre Jully Lliset


Rodriguez Aguirre Jully Lliset
lunes1 oct en 19:11
Gestionar la entrada de foro
Buenas noches tutor y compañeros

Responder... Responder al comentario

Contraer subforoBautista Perez Luz Dary


Bautista Perez Luz Dary
lunes1 oct en 19:15
Gestionar la entrada de foro
Aplicación de la Simulación Monte Carlo en el cálculo del riesgo usando Excel
Hoy en día los modelos de simulación pueden crearse y ejecutarse en una PC, el
nivel de conocimientos de computación y matemática requeridos para diseñar y
correr un simulador útil se ha reducido considerablemente. La capacidad de los
modelos de simulación para tratar con la complejidad, manejar la variabilidad de las
medidas de desempeño y reproducir el comportamiento a corto plazo permite que la
simulación sea una herramienta poderosa.

Bautista Perez Luz Dary


Bautista Perez Luz Dary
lunes1 oct en 19:36

Gestionar la entrada de foro

Aplicación de la Simulación Monte Carlo en el cálculo del riesgo usando Excel


en la Industria del Petroleo

Lo que se plantea a continuación es un método probabilístico que permite hacer


cálculos en ecuaciones de uso común, utilizando una técnica llamada simulación,
que permite generar diversos escenarios y luego organizar esos escenarios para
evaluarlos utilizando estadísticas. Este método, mejor conocido como Simulación de
Monte Carlo, permite operar con una ecuación en Excel sin tener valores únicos
para cada variable, es decir, es posible
ingresar un rango de valores para cada variable que lo necesite.
Sobre el resultado se puede hacer un análisis de cuan probable es la ocurrencia de
la variable en cuestión, es decir, un análisis probabilístico, lo que permite definir
límites de éxito o fracaso y tomarlas decisiones en base a esto. El método se puede
considerar de mucha utilidad para la Industria Petrolera dado que es frecuente el
uso de ecuaciones con las condiciones descritas anteriormente y permite entregar
conclusiones con márgenes de factibilidad.

El problema surge cuando estos valores son usados en una ecuación para hacer el
cálculo de una variable en base a la cual se va a tomar una decisión importante. Si
se ingresaron datos con baja precisión o datos erróneos, no se puede esperar otra
cosa que un resultado con las mismas condiciones.
Por fortuna, en todos los casos anteriores es posible obtener un rango donde muy
probablemente esté el valor real de la variable necesaria. En muchos de los casos
se pueden generar ecuaciones probabilísticas y obtener una ecuación analítica para
ellas, sin embargo es un proceso que aún con los computadores más poderosos
requiere de mucho tiempo y dedicación.
http://www.academia.edu/11624596/aplicaci%C3%B3n_del_m%C3%A9todo_de_m
ontecarlo_a_la_indutria_de_gas_y_petroleo (Enlaces a un sitio externo.)
Este meto me pareció super interesante y la verdad explica detalladamente como se
aplica en excelso los riesgos y soluciones en contratadas.
Responder... Responder al comentario

Contraer subforoCabezas Cruz Catalina


Cabezas Cruz Catalina
lunes1 oct en 19:52
Gestionar la entrada de foro

0. En la primera intervención de cada grupo: ¿Cómo se aplicó la Simulación


de Montecarlo para resolver el problema?

Simulación en la Industria
En la empresa FANARCHIVOS INDUSTRIAS, se utiliza la simulación para predecir
las consecuencias que tendrá la toma de una decisión determinada. Control de
Inventarios, Planes de Mantenimiento, Localización de Recursos, Predicción de
Ventas o Demanda.
La simulación en la industria nos permite resolver problemas complejos, aunque lo
que obtendremos será una aproximación de la solución. No todos los problemas
son abordables mediante la simulación de Montecarlo, y no siempre se puede llegar
a obtener el resultado requerido si no que nos aproxima a evidenciar algunas
dificultades de los procesos reales de las empresas.

Definición
Podríamos decir que simular tiene como objetivo duplicar características y
comportamientos propios de un sistema real. Simularemos problemas relacionados
con la Organización Industrial a través de la construcción de modelos matemáticos
que representen de forma inequívoca la realidad. La utilización de modelos
matemáticos permite ciertos parámetros que nos ayudan con la Simulación de
Montecarlo siendo estas algunas:

o Introducir nuevas variables.


o Hacer variar sus valores.
o Analizar las consecuencias de estas modificaciones.
o Calculo de integrales definidas.
o Obtención de Números Aleatorios, tests de aleatoriedad.
o Transformación en V.A. con una distribución dada.
o Simulación de V.A. mediante lenguajes de ordenador
o Definición del Problema.
o Fijar las Variables.
o Construir el Modelo.
o Fijar las condiciones de las Simulaciones y Simular.
o Problema de Inventario

Objetivo: Toma optima de decisiones.


Herramientas
La simulación permite abordar desde problemas sencillos hasta problemas muy
complicados. Algunos de estos problemas permiten una solución “a mano” aunque
la mayoría de los casos requiere el uso de ordenadores. Hasta la aparición de los
primeros ordenadores en los años 40 y 50, la simulación aun conociéndose no pudo
ser aplicada de forma satisfactoria.

Método de Montecarlo
Permite resolver problemas matemáticos mediante la simulación de variables
aleatorias. Con los primeros ordenadores, aplica la simulación para resolver
problemas complejos que no podían ser resueltos de forma analítica. Permiten
obtener números aleatorios para simular variables aleatorias.

Problema de Inventario

Objetivo: control de inventarios para optimizar los recursos, satisfacer la máxima


demanda posible y minimizar los gastos de almacenaje. Enfoque Determinístico
frente al Aleatorio.
El enfoque determinístico se resuelve:
o Modelo económico de lote.
o Modelo con desabastecimientos permitidos.
o Modelo con descuento por cantidad.

Ahora bien, si los valores de la demanda y del tiempo de entrega no son constantes
sino que son variables aleatorias.
Para la Industria de fanarchivos se logró aplicar la simulación de Montecarlo para
lograr identificar las problemáticas que estaba presentando con el tema de
inventarios y así hoy en día se tiene un excelente control de los lotes existentes, la
mercancía que sale y la que ingresa a la compañía, dando como un buen resultado
que FANARCHIVOS mejoro sus tiempos de entrega y sus tiempos de producción
por que ya cuentan con un dato exacto con el tema de inventarios.
Se decidió optar por el modelo de inventarios de cantidad económica de pedido
(EOQ) debido a que:

o Es una técnica relativamente sencilla


o El tiempo de entrega de inventario por parte de los proveedores, desde la
emisión de una orden de pedido, hasta la llegada de los mismos a la bodega es
constante.
o La recepción de una orden de pedido de inventario llega en un solo pedido.
o No hay posibilidad de descuento por volumen de inventario comprado
o Hay dos tipos de costos que son el costo de preparación de pedido y el costo de
almacenamiento de inventario.
o Se puede evitar la escasez de inventario si se colocan las ordenes de pedido a
tiempo

CRITERIOS AL MODELO SELECCIONADO:


Una vez determinado el modelo de inventario se decidió por los siguientes criterios:
El punto de emisión del pedido
El stock de seguridad
El objetivo de diseñar el sistema de simulación Montecarlo de inventarios en
Microsoft Excel.
Se diseñó paso a paso empezando por el diseño del aplicativo de ingreso a Excel.
Una vez realizado el paso anterior se procedió a crear interfaces de ingreso a las
tablas de pronóstico de producto terminado de cada uno de los clientes, para la
captura de datos mediante macros. Luego se crearon tablas dinámicas y tablas de
cálculo intermedias que daría respaldo al proceso de simulación.
Se crearon tablas de cálculo mediante los pasos de simulación de Montecarlo, para
ello se necesitó el respaldo documental y adaptarle a las necesidades de la
empresa.
Se creó la tabla resumen de la simulación de Montecarlo para inventarios, donde se
observa en un solo cuadro el estado del inventario.
Se crearon macros que permitan: seleccionar al cliente, actualizar las tablas
dinámicas y capturar datos de productos terminados y materias primas, mediante
programación de Visual Basic y con base a ello ejecutar el aplicativo.

En la hoja de instrucción al sistema de inventarios, se clasifica en los siguientes


iconos:
Ingresos de datos
Simulación
Actualizar datos
Información

Una vez realizados y recopilados los datos y las variables que influyen en el
inventario, se procedió a realizar las tablas de cálculos para simulación de
inventarios en Microsoft Excel 2007, por medio de los siguientes pasos:

o Calcular el rango de intervalos de consumo de cada una de las materias primas.


o Construir una distribución de probabilidades (frecuencia relativa)
o Calcular una distribución de probabilidades acumuladas para cada una de las
variables.
o Generar una serie números aleatorios al azar.
o Buscar a que valor o rango de intervalo pertenece el valor aleatorio generado
para colocar su valor.

Se crearon macros en el aplicativo que permite la captura de datos ingresados en la


tabla de pronósticos de productos terminados de cada uno de los clientes y sus
respectivas formulas, con ellos se ingresa de forma automática.

Se realizó un análisis cualitativo de la operación del sistema de inventarios


aplicando simulación Montecarlo, para lo cual se revisó a detalle con el gerente de
planta.

Se realizó un análisis cuantitativo de la operación del sistema de inventarios


aplicando simulación Montecarlo, para lo cual se generó 6 semanas de pronóstico
de materias primas y se analizó el mismo.
2. En la segunda intervención de cada grupo: ¿Qué dificultades se
identificaron al aplicar la herramienta?

El proceso de elaborar, verificar y analizar un modelo de simulación puede


conllevar mucho tiempo y resultar muy costoso
La simulación no garantiza soluciones óptimas de los problemas.
El diseño de este modelo de simulación es único, las soluciones y
deducciones sobre el mismo no suelen aplicarse a otros problemas.
Se tiene que incluir datos reales para que funcione el proceso de simulación y
para ellos se deben dar por parte de todas las áreas de la compañía y esto
hace que tengamos que hacer un proceso de actualización de información de
toda la clase, algo que se logró identificar es de muchos datos de los cuales
se creía real no lo era ya que no había un modelo a seguir y cada uno de los
empleados estaba manejando como lo creía correcto, no se identificaba un
modelo de negocio definido en el área de administración y orientación.

El personal que va a operar el sistema de simulación, no es suficientemente


capacitado, lo que hace previsible que cometan errores en el uso del mismo.
Para realizar un preciso cálculo de EOQ y PEP, se necesitan datos precisos
financieros, situación que no existe en la empresa.
Hubo muchos descuidos en los ingresos y egresos de materias primas; y en
cantidad mínima composiciones de fórmulas de productos terminados.
No hubo el apoyo esperado por parte de los representantes de cuenta en las
instalaciones del cliente, en el envío de pronósticos de productos terminados cada
uno de los clientes, lo que hace que se recurra a otros modelos de previsión.
En el cálculo de los inventarios promedios de materias primas obtenido en la tabla,
se observó que se presentó un mayor inventario promedio de materias primas que
en el promedio de las 6 semanas del año pasado.

Se observa que con el cálculo de cantidad económica de pedido, el resultado


obtenido en la cantidad de emisión de inventario, es demasiado grande, lo que
equivale a que se debe disponer de mucho espacio físico.

2. ¿Cómo superar las dificultades mencionadas?

El sistema tiene una gran aproximación al entrono real, que será más precisa
mientras mayor sea la cantidad de datos que se tenga.
Por medio de la simulación permite un proceso en la herramienta de ayuda
para realizar pronósticos y reabastecimientos de materias primas.
El sistema de cantidad económica por ordenarse es un sistema fácil y fiable,
por lo que su uso es adecuado para este proceso de simulación.
Cuando los tiempos, tomados de la base de ingresos de materias primas,
crean incertidumbre, se toma como referencia el tiempo de espera teórico.
La planificación a corto plazo se le realiza por días para el caso de materias
primas nacionales y por semanas para el caso de materias primas
internacionales, lo cual ayuda a prever con anticipación la cantidad de
materias primas para reabastecimiento de inventario.
Implementar un software sofisticado para este proceso de simulado, ya que al
ser una herramienta de gran ayuda en pronóstico de materias prima y
reabastecimiento de inventario, se tornaría, mucho más fácil el manejo de este
sistema.
Implementar como política obligatoria el uso de los pronósticos por parte de
los representantes de cuenta, que se encuentran en las instalaciones del
cliente, permitiría, una mayor colaboración en la previsión de los productos
terminados.
En las instalaciones de manufacturas, el sistema de inventarios debe ser de
uso diario, como el ingreso de órdenes de producción y de materias primas
Se debe insistir a los proveedores que mantengan actualizada la información
sobre los tiempos de suministro de materia prima a las bodegas de la
empresa.
Se le recomienda que se designe un administrador que se encargue de la
parte del sistema de inventarios por simulado, quien tendrá bajo su
responsabilidad el buen uso de este sistema. El administrador debe tener
conocimientos de inventarios y del sistema.

BIBLIOGRAFIA
https://previa.uclm.es/profesorado/licesio/docencia/mcoi/tema4_guion.pdf (Enlaces
a un sitio externo.)
BALLOU, R., 2004, “LOGISTICA. Administración de la cadena de suministro “ , 5
edición., Editorial Pearson, México, pp. 309, 336, 346,347.
https://dialnet.unirioja.es/descarga/articulo/4835801.pdf
https://es.scribd.com/document/133432206/Monte-Carlo (Enlaces a un sitio
externo.)
https://www.dspace.espol.edu.ec/.../Modelo%20de%20inventario%20aplicado (Enla
ces a un sitio externo.)
www.cyta.com.ar/biblioteca/bddoc/bdlibros/monte_carlo/monte_carlo.htm

Responder... Responder al comentario

Contraer subforoAlvarez Lopez Johnny Alexander


Alvarez Lopez Johnny Alexander
lunes1 oct en 20:02
Gestionar la entrada de foro
Buenas noches,
Respetada tutura, Compañeros.
mi aporte al foro
Aplicación del método dinámico de Monte Carlo en un proyecto de protección
La empresa Project management Institute se dedica al análisis de riesgos de
proyectos, ya que estos en la actualidad son muy cambiantes y dentro del procesos
de alcanzar mejores resultado deben aplicar herramientas que le permitan hacer
cálculos y predicciones de posibles situaciones, este es el caso de la herramienta
de simulación Monte Carlo.

Descripción del Proyecto


La finalidad del proyecto de protección adelantado por la compañía Project
management Institute consiste en llevar a cabo la instalación portuaria de las
instalaciones físicas, sistemas, procedimientos y normas y recursos humanos que
les permita cumplir con los requisitos exigencias del “Código Internacional de
Protección de Buques e Instalaciones Portuarias (ISPS Code)”. Este código está
dirigido a prevenir actos de terrorismo contra la actividad del transporte marítimo
internacional y así estar en la capacidad de pertenecer a la red de cooperantes en
la detección de amenazas y también cumplir con los requerimientos del código ISPS
es de obligatorio cumplimiento por los países signatarios del Convenio Internacional
de Seguridad de la Vida Humana en el Mar (SOLAS/74)
El objetivo principal del proyecto es obtener la certificación del Código ISPS, del
cual se definieron los siguientes objetivos:

2. Diseñar, procurar y construir la infraestructura necesaria para incrementar la


seguridad y protección marítimas y a salvaguardar a quienes se encuentran a
bordo y en tierra.
3. Elaborar el Plan de Protección de la instalación.
4. Entrenar al personal (Oficial de Protección de la Instalación Portuaria) con las
prescripciones del Código Internacional de Protección.

Para cumplir con el objetivo se conformó un equipo con integrantes que tenían
conocimientos especializados en diferentes áreas

Gerencia de Riesgos en el Proyecto de Protección


Dentro del desarrollo de la evaluación de riesgos se aplicaron procesos incluidos en
el PMBOK 2000 como herramienta esencial para hacer frente al reto de realizar
aceleradamente un proyecto multifuncional de protección de instalaciones
portuarias.
La gerencia utilizo el método de Montecarlo para estudiar las diferentes
posibilidades de duración del proyecto, es decir realizo un análisis de duraciones
probabilísticas de actividades.

Planificación de Gerencia de Riesgo


El plan de gerencia de riesgos se elaboró con base a las instrucciones de la
organización que lidera el proyecto y se desarrolló de manera integral con el plan de
ejecución del proyecto

Identificación de Riesgos
Aquí se definieron los eventos riesgos que podían afectar el efectivo desarrollo del
proyecto

Análisis de Riesgo Cualitativo


Con este análisis se establecieron niveles de prioridades para los riesgos
identificados de acuerdo los posibles efectos y probabilidades que podría tener
sobre el proyecto.

Se elaboró una matriz cualitativa de riesgos (Tabla 1) que muestra el índice de


riesgo (IR), el cual integra el impacto y la probabilidad de ocurrencia de cada riesgo.
El índice propuesto puede tomar uno de tres valores: Alto (A), Medio (M) o Bajo (B).
La matriz cualitativa aplicada se basa en una escala para el impacto en tiempo de
los riesgos (Tabla 2),
Tabla 1 Escala para el IR (Lansdowne, 1999)
Tabla 2 Escala de impacto (Lansdowne, 1999)
La matriz de riesgo fue actualizada a medida que el proyecto avanza, esto facilita la
comprensión de la dinámica de los riesgos en el ciclo de vida del proyecto. Los
resultados del análisis cualitativo de riesgos del proyecto se clasificaron como se
muestra en la Tabla 3
Tabla 3 Análisis de riesgo cualitativo
Análisis de Riesgo Cuantitativo
La simulación numérica a través del monte Carlo permite que la duración sea una
red lógica que representa la función de distribución, incluyendo funciones de
distribución durante las duraciones de actividades
El comportamiento que tuvo el equipo de trabajo fue: comenzar tan pronto sea
posible, evitando el efecto del estudiante, en lo posible realizar tareas en paralelo y
asignar a una persona para realizar trabajo en 2 o más actividades (multitasking).
Durante la etapa de Planificación
Se realizó un proceso sistemático para desarrollar un modelo de simulación de
monte Carlo con base en la red lógica de actividades del proyecto.

Planes de Respuestas
El plan de respuesta aplicado se diseñó a partir de los resultados del análisis de
riesgo tanto cualitativo como cuantitativo.

o Evitar:se evita totalmente el evento, evitando algún impacto en lograr el objetivo


del proyecto.
o Transferir: el riesgo no se elimina, pero se transfiere para que otra entidad lo
maneje (generalmente la contratista).
o Mitigar:se reduce la probabilidad y/o impacto de un evento riesgoso. Tomar
medidas para reducir el impacto y/o probabilidad es más efectivo que tratar de
reparar las consecuencias después de que ocurra el evento.
o Aceptar:A los riesgos con índices de riesgo bajo no se aplicó acción preventiva
dentro del plan de respuestas. Sin embargo, se elaboró un plan de contingencia
para hacer frente a los eventos riesgosos que pudiesen aparecer y que fueron
aceptados o no fueron identificados.
Revisión y Control de Riesgos
Durante la ejecución del proyecto se realizó un seguimiento semanal sobre los
eventos de alto riesgo y así determinar las correcciones y las probabilidades de
impacto en el desarrollo a tiempo del proyecto.
RESULTADOS
La programación de las actividades se dedicó a estructurar el proyecto a ser
realizado en 174 días hábiles, según las simulaciones los resultados de las
probabilidades del rango de duración posible se muestran en el siguiente cuadro
Figura 4 Función de Distribución Acumulada de la Instalación Portuaria

En la primera simulación realizada el día 63 del proyecto se puede visualizar una


probabilidad de completar el proyecto en 174 días del 61%. Según este resultado,
fue necesario aplicar acciones para aumentar las probabilidades de cumplimento a
al menos 80%. Luego en la simulación del día 75, se visualiza una probabilidad de
91% de que el proyecto se complete en 174 días. En este gráfico se evidencia el
efecto de las acciones tomadas para acelerar el proyecto

CONCLUSIONES
La aplicación continua de la herramienta de simulación de Montecarlo permitió
evaluar la progresión dinámica de eventos, riesgos y evaluar el impacto de las
acciones y así dar respuestas a tiempo.

REFERENCIA
Méndez R., J. & Hernández Lugo, H. (2004). Aplication del método dinámico de
Monte Carlo en un proyecto de protección: Aplicación of the dynamic Monte Carlo
method in a maritime protection project. Paper presented at PMI® Global Congress
2004—Latin America, Buenos Aires, Argentina. Newtown Square, PA: Project
Management Institute. Recuperado de:
https://www.pmi.org/learning/library/application-dynamic-monte-carlo-method-
8862 (Enlaces a un sitio externo.)
Responder... Responder al comentario

Contraer subforoRobayo Merchan Luz Mary


Robayo Merchan Luz Mary
lunes1 oct en 20:09
Gestionar la entrada de foro
FORO semana 5 Y 6 : SIMULACIÓN GERENCIAL
Aporte: Luz Mary Robayo Merchan
Parte 1:
En la primera parte del foro (a lo largo de la semana 5), cada grupo debe investigar
sobre alguna aplicación de Simulación de Montecarlo a un caso real. Deben de
forma resumida relatar en qué consistía el problema, y cómo se resolvió utilizando
Simulación de Montecarlo. No olvidar incluir la fuente de la página web donde se
encuentra descrita la aplicación que se mencionó.

Método de Montecarlo para la exploración del Petrolero.

En la definición de simulación se dice que es un proceso en el cual se diseña


un modelo de un sistema real y se llevan a cabo experiencias con él. Por esta
razón para la ingeniería del petróleo se hacen mediciones de longitudes y
alturas es decir que el problema surge cuando estos valores de dichas
mediciones son usados en una ecuación para hacer el cálculo de una variable
en base a la cual se va a tomar una decisión importante. Si se ingresan datos
con baja precisión o datos erróneos, no se puede esperar otra cosa que un
resultado con las mismas condiciones.
El objetivo es obtener el POES:
En una perforación se sabe que el área A puede tener como mínimo 100 acres
y puede llegar a tener 150acres acres y puede llegar a tener 150 acres. El
espesor h medido en donde se perforaron los pozos era de 20 pies, entre 15 y
30 pies por los datos de la formación. La porosidad ö medida fue de 20% pero
en arenas similares se ha encontrado que va de 10 a 21%. La saturación de
petróleo se sospecha está entre 60 y 70%. El factor volumétrico ao e calculó
mediante una prueba PVT y se concluyó que es el valor constante 1,1
BY/BF. Se escoge un valor al azar del área dentro del rango, donde se
obtiene 114,65 acres. El mismo proceso se hace para el espesor, la porosidad
y la saturación de petróleo.
R/. El POES que se obtiene es 1,31 MMBBls.
POES= 7758*A*h*o*S
A

El mismo procedimiento se realiza tantas veces como se considere necesario.

Bibliografías
https://www.lacomunidadpetrolera.com/regiones/colombia (Enlaces a un sitio
externo.)
https://www.lacomunidadpetrolera.com/2009/01/clculo-volumetrico-de-
hidrocarburos.html (Enlaces a un sitio externo.)
Responder... Responder al comentario

Contraer subforoMarin Mosquera Yessica Alexandra


Marin Mosquera Yessica Alexandra
lunes1 oct en 20:43
Gestionar la entrada de foro
Compañeros y Tutor,
Cordial Saludo,
Mi aporte al foro de la semana 5 y 6
Uso de la Simulación Monte Carlo para la Toma de Decisiones en una Línea de
Montaje de una Fábrica
Resume
Se presenta una aplicación de la simulación Monte Carlo en una fábrica. Se ha
usado el caso de una línea de montaje de tres estaciones dedicadas a producir
termostatos de plancha en una instalación de fabricación de artículos domésticos.
Inicialmente la planta fue diseñada para generar una tasa de producción de 3500
montajes por semana, mientras que la producción real solo alcanzaba un 85% de
este valor. Se estudió los tiempos y movimientos y los resultados se utilizaron como
una base para la mejora de la operación actual de la línea usando el
método simulación de Monte Carlo
Para poder equilibrar la línea, la Ingeniería de Fabricación recibió de la empresa
matriz una lista con las operaciones requeridas para montar el termostato junto con
los respectivos tiempos de proceso patrones empleados en el extranjero.
Basándose en esta información, se desarrolló unos balances de la línea de montaje
dividiendo las operaciones requeridas entre las tres estaciones, la Ingeniería de
Fabricación decidió agrupar las operaciones que resultarían en el tiempo de
proceso más alto entre las tres estaciones,
Como resultado de la simulación, fue posible identificar los problemas claves que
afectan al desempeño de la línea actual: a) los tiempos de proceso estándar
actuales son un 11% mayores que los originalmente diseñados, pero esta diferencia
no afecta significativamente a la tasa de producción necesaria (3.476 actual frente a
3.500 objetivo); b) la práctica de vaciar la línea al final del día genera un retraso
diario de 1,40 min, lo que significa la pérdida de más de 200 piezas por semana; c)
como resultado del balances de la línea de montaje actual (ALB), las variaciones
estadísticas de los tiempos de proceso generan ociosidad en los operarios de las
estaciones B y C, lo que supone el resto de la reducción observada en la tasa de
producción.
ANÁLISIS PERSONAL.
Como pudimos observar, las soluciones bien diseñadas no siempre se convierten
en una realidad práctica, aunque fue de gran ayuda ya que lograron identificar
procesos claves para mejoras de tiempo en las líneas, no fue suficiente, algunos
problemas no anticipados por los diseñadores de la línea de montaje afectaron
notoriamente la tasa de producción, lo que requirió horas extras de trabajo y costos
adicionales para superar esa dificultad.
Finalmente, pudimos confirmar y mostrar que tenemos diferentes opciones o
alternativas para buscar la mejora de la línea de producción en su totalidad, también
la posibilidad de aplicar de una forma práctica el modelo de simulación Montecarlo,
es importante mencionar que los cambios sugeridos fueron finalmente adoptados
por la empresa de fabricación de artículos domésticos, y así se logró el rendimiento
esperado en la operación.

BIBLIOGRAFIA:
https://scielo.conicyt.cl/scielo.php?script=sci_arttext&pid=S0718-
07642012000400005 (Enlaces a un sitio externo.)
Responder... Responder al comentario

Contraer subforoRodriguez Aguirre Jully Lliset


Rodriguez Aguirre Jully Lliset
lunes1 oct en 20:57
Gestionar la entrada de foro
Buenas noches Tutor y Compañeros
El siguiente es mi aporte del Foro semana 5 y 6
Análisis de riesgo: es el proceso de predecir el resultado de una decisión ante una
incertidumbre, el siguiente es un problema donde podemos analizar la incertidumbre
que nos produce la introducción de un articulo nuevo en el mercado.
La Compañía Aguirre y Asociados comercia equipos informáticos, el equipo
encargado del diseño de productos ha desarrollado un prototipo de una impresora
portátil de alta calidad, esta nueva impresora tiene un potencial para ganarse un
porcentaje importante del mercado, los análisis preliminares financieros y de
mercadeo han llevado a establecer un precio de venta y un presupuesto para los
costos administrativos y de publicidad para el primer año.
Generaremos de manera aleatoria valores para las distintas entradas probabilistas
del problema, con la ventaja que nos va a permitir tener un juicio sobre la
probabilidad de los posibles valores de utilidad o de perdida, supongamos que cierto
analisis realizado por Aguirre y Asociados han llevado a considerar las siguientes
distribuciones de probabilidad:
Costo de mano de obra directa: Este costo va de 10.000 hasta 22.000 por unidad,
(tabla 1).

Tabla 1
Distribución de probabilidad para costo de mano de obra directa
Costo de mano de obra Probabilidad directa por unidad
10.000 0 , 1 13.000 0 , 3 16.000 0,3
19.000 0 , 2
22.000 0 , 1

Costo de Materiales: el costo de materiales va de 25.000 hasta 35.000 por unidad


siguiendo una distribución uniforme.
Demanda del primer año: Esta demanda queda descrita por la distribución de
probabilidad normal, donde el valor medio esperado es de 14.500 unidades y la
desviación estándar es de 4.000 unidades.
Ahora para simular el problema de la Compañia Aguirre y Asociados se deben
generar valores para estas tres entradas probabilistas y calcular la utilidad
resultante, después se debe generar otro juego de valores para las mismas
entradas probabilistas calcular un segundo valor para la utilidad y así
sucesivamente se continua el proceso hasta que estemos seguros de que se han
realizado suficientes ensayos para poder tener una buena imagen de los valores
que toma de utilidad.
Para la simulación se pueden desarrollar mediciones de interés, en esta
oportunidad vamos a calcular La utilidad promedio y la probabilidad de una perdida.
Para lograr generar números aleatorios en excel siguiendo una distribución discreta,
vamos a Analisis de Datos en herramientas y escogemos generación de números
aleatorios, luego en el cuadro de mando se marca en la casilla de números de
variables: 1 ó 5, depende del número de columnas que vamos a trabajar, y
escogemos distribución discreta, esta se debe especificar en la celda valor y
probabilidad de rango y finalmente escogemos una celda para el rango de salida.

Intervalos de números aleatorios para la generación de valores del costo directo de mano de obra por
unidad para la impresora de la Compañia Aguirre y Asociados
Costo de mano de obra Intervalo de los Probabilidad directa por unidad números aleatorios
10.000 [0.0,0,1[ 0 , 1 13.000 [0.1,0,4[ 0 , 3 16.000 [0,4,0,7[ 0 ,
3 19.000 [0,7,0,9[ 0 , 2
22.000 [0,9,1,0[ 0 , 1

Gracias Feliz noche.


Bibliográfia: https://metodo-de-montecarlo-ejemplos (Enlaces a un sitio externo.)

Responder... Responder al comentario

Contraer subforoChitiva Onate Andrea Del Pilar


Chitiva Onate Andrea Del Pilar
lunes1 oct en 21:06
Gestionar la entrada de foro
.
Responder... Responder al comentario

Contraer subforoNaranjo Toro Miguel Angel


Naranjo Toro Miguel Angel
lunes1 oct en 21:16
Gestionar la entrada de foro
Una planta Industrial de artículos para el hogar con presencia internacional, ha
tenido problemas de abastecimiento de termostatos plancha para suministrar a su
ensambladora en Brasil, la logística de importación no ha permitido tener un
inventario acorde a las necesidades, por lo cual, consideró conveniente producir los
termostatos plancha en Brasil, con esta necesidad, se diseñó una línea de montaje
y tres estaciones de trabajo, que debían producir 3.500 termostatos plancha por
semana, lo que sería suficiente para abastecer la necesidad del producto, para el
diseño se tuvo en cuenta una lista de operaciones requeridas para montar el
termostato y los respectivos tiempos que se empleaban en el extranjero, la primera
estación se diseñó para producir 85 piezas por hora (0.706 min/pieza) o 3.740
piezas por semana, las otras dos estaciones se calcularon de la misma manera,
después de tres meses de operación la producción a pesar de los ingentes
esfuerzos no alcanzaba las metras propuestas , la línea solo pudo alcanzar como
máxima producción 3.200 termostatos por semana, se cumplía con el 85 % de la
producción presupuestada, solo incrementando el número de horas de trabajo se
podía cumplir con el requerimiento. La empresa pidió se buscaran respuestas del
porque la tasa de producción inicialmente propuesta no se podía alcanzar y solicitó
se buscara la forma de alcanzar la producción sin utilizar tiempo extra o costos
adicionales.
Lo primero que se hizo fue medir los tiempos de procesos reales en las tres
estaciones de producción, para lo cual se utilizó un cronómetro y se tomaron 120
lecturas en cada estación, otra situación que se pudo evidenciar, es que no se
dejaban productos sin terminar en las estaciones, todo se recogía y se terminaba y
se dejaba limpia la estación.
Con los resultados de la medición se pudo establecer que existía una diferencia de
un 11% entre los tiempos iniciales que se habían modelado y los que realmente se
estaban utilizando, pero eso no justificaba la pérdida de producción actual.
En busca de analizar una posible solución se decidió aplicar la simulación de
Montecarlo, intentando pronosticar el comportamiento de la producción en base a
los datos recaudados durante el proceso de producción, probando las simulaciones
sugeridas por la modelación, en busca de una solución al problema del incremento
de los costos por la utilización de horas extras de trabajo, el utilizar el método de
simulación estadístico de Montecarlo permite no afectar la producción con pruebas
en vivo, ya que esto incrementaría aún más los costos y podría generar una menor
producción de termostatos, adicionalmente con las simulaciones se puede realizar
un análisis desde diferentes puntos de vista.
Para la simulación se determinó utilizar el procedimiento de eventos discreto,
basándose en la distribución de frecuencia de sus tiempos de procesos teniendo en
cuenta las medidas de tiempos reales obtenidas con un cronómetro, con lo cual se
construyó la frecuencia relativa acumulativa, pudiéndose determinar un tiempo de
proceso aleatorio por cada estación de trabajo, y se utilizó un generador de
números aleatorios y con esos resultados se definió el primer tiempo de procesos
para cada estación, este procedimiento se repitió hasta por 50 veces, una de las
restricciones es que no puede existir escasez de materia prima, puesto que esto
afectaría la operación continua que es la base de la producción en línea, al realizar
la digitación de información para la segunda estación, se evidenció que no se podía
digitar los mismos tempos de inicio de la primera estación, porque en ese momento
todavía no había llegado el producto a la estación dos. Lo mismo sucedía con la
estación tres, que debía esperar que las estación uno y dos terminaran su
procedimiento para poder iniciar su parte, ya que el día anterior se había dejado la
línea vacia de acuerdo a las prácticas existentes.
Tras analizar los resultados se pudo evidenciar:

o Que el operario de la segunda estación pierde un 17 % de tiempo que duró la


medición esperando a que le llegue el producto de la estación uno.
o Que el operario de la tercera estación, pierde el 20% de tiempo que duró la
medición, esperando a que le llegue el producto de la estación dos.
o Se pudo concluir que los 50 montajes que se simularon se podrían terminar en
40.20 minutos, que es el momento en el operario de la tercera estación termina
el proceso, lo que arroja un resultado de74 piezas por hora, que generarían
3.256 piezas por semana.

Con base en la simulación se pudo establecer:

o Los tiempos de procesos estándares actuales son 11% mayores a los que se
habían diseñado.
o La práctica de vaciar la línea al final del día genera un retraso.
o Los operarios de las estaciones dos y tres presentan tempos ociosos, lo que
genera reducción en la producción en línea.

Que se realizó:
1-Se modificó la rutina de dejar vacías las líneas la final del día.
2-Se modificaron los tiempos dejando el mayor en la estación 3.
Lo más importante es que se estableció que se puede realizar diversas alternativas
de una línea de montaje en un entorno virtual, sin afectar la producción ni incurrir en
costos exagerados que afecten los resultados económicos.
Es de anotar que las modificaciones se realizaron en la fábrica y efectivamente los
rendimientos de producción alcanzaron los niveles deseados, después de un par de
días de entrenamiento, es decir se solucionó el problema mediante la utilización
estocástica.
Como conclusión se puede decir que los diseños iniciales, no siempre se vuelven
realidad en la práctica, como sucedió en este caso, ya que algunos problemas que
se presentaron en la práctica no fueron visualizados en el diseño de la línea y
afectaron la producción, lo que llevó a sobrecostos, pero con la simulación de
Montecarlo o Estocástica permitió develar algunas de las fallas en un entorno
virtual, sin afectar la producción y con costo mínimos.
Tomado de: https://scielo.conicyt.cl/scielo.php?script=sci_arttext&pid=S0718-
07642012000400005 (Enlaces a un sitio externo.)

Responder... Responder al comentario

Contraer subforoVasquez Alvarado Paola Andrea


Vasquez Alvarado Paola Andrea
lunes1 oct en 21:18
Gestionar la entrada de foro

VIVIENDA PARA TODOS!


Bajo el slogan Vivienda para todos liderado por el Gobierno Santos, el ministro de
vivienda a lo largo de más de 4 años tenía como objetivo velar por que las clases
sociales menos favorecidas tuvieran acceso a una vivienda digna.
El pago de arriendos costosos, las catástrofes por inundación y la pobreza absoluta
a nivel nacional dieron pie a la creación de éste programa o proyecto que involucra
un sin número de personas que quieren una mejor calidad de vida para su núcleo
familiar.

Sin embargo dentro de los planes a seguir para la construcción, mediante la


expropiación de terrenos o extinción de dominio a disidentes del narcotráfico;
hicieron realidad dicho proyecto. Sin embargo se contó para la realización del
mismo con el profesionalismo que se requiere para la elaboración de cada una de
las actividades o tareas; es así como que para la construcción de 5 casas en serie
se requiere:

C1 cimientos con un tiempo aleatorio estimado entre 160 y 240 horas


C2 paredes con un tiempo aleatorio estimado entre 200 y 300 horas
C3 techo con tiempo aleatorio estimado entre 75 y 125 horas
C4 instalación sanitaria y eléctrica con tiempo aleatorio entre 100 y 150 horas
C5 Pintura con tiempo aleatorio entre 90 y 120 horas
C6 Limpieza para entrega con tiempo aleatorio entre 20 y 40 horas.

Hay ciertas dependencias que hacen que no se pueda dar inicio a una tarea sin
estar otras ya realizadas

C3 dependen de C1 y C2
C5 depende de C2

A través de la aplicación de Monte Carlo para calcular la estimación del tiempo total
desde que se comienza la obra hasta que se finaliza la misma, y la desviación
estándar.
página de apoyo: http://www.fing.edu.uy/inco/cursos/mmc/pautas.htm. (Enlaces a
un sitio externo.)
http://www.aplicacionDeLaSimulacionMonteCarloEnElCalculoDelRi-4835801.pdf
Material de apoyo Materia Simulación. Politecnico GranColombiano

Responder... Responder al comentario

Contraer subforoPrada Ardila Andrea


Prada Ardila Andrea
lunes1 oct en 21:20
Gestionar la entrada de foro
LA NUEVA CARA DE GENERAL MOTORS.
General Motors es una compañía que fue fundada en 1908, se encontraba en uno
de los primeros puestos en el sector automotriz, después de una crisis financiera,
esta compañía decidió iniciar nuevamente operaciones y reestructuraciones en
diferentes lugares del mundo, pero esta vez la empresa decidió fusionar con Anglo
Automotriz S.A., por otro lado esta compañía no se fortalece por tener una
estrategia gerencial, metas ni objetivos claros, que se reflejan en la gestión de
dirección
Es por esta razón que la empresa Anglo Automotriz S.A. decidió implementar el
método de simulación Montecarlo, para una mejor toma de decisiones, de igual lo
hace para la predicción de los costes de estructura y costos de compra, por otro
lado evitar diferentes riesgos en cambio de tasas de interés y fluctuaciones de tipo
de cambio.
Con este nuevo modelo de simulación Montecarlo la empresa Anglo Automotriz se
convirtió en la tercera empresa mejor posicionada en el sector automotriz,
mejorando cada día sus rendimientos financieros y comerciales dentro del mercado.

Fuente:
http://ramonferrerrullan.com/ingenieria-industrial/metodo-simulacion-
montecarlo/ (Enlaces a un sitio externo.)
http://dspace.uniandes.edu.ec/bitstream/123456789/2177/2/TUQMDE001.1-
2015.pdf (Enlaces a un sitio externo.)

Responder... Responder al comentario

Contraer subforoVasquez Alvarado Paola Andrea


Vasquez Alvarado Paola Andrea
lunes1 oct en 21:30
Gestionar la entrada de foro
VIVIENDA PARA TODOS!
Bajo el slogan Vivienda para todos liderado por el Gobierno Santos, el ministro de
vivienda a lo largo de más de 4 años tenía como objetivo velar por que las clases
sociales menos favorecidas tuvieran acceso a una vivienda digna.
El pago de arriendos costosos, las catástrofes por inundación y la pobreza absoluta
a nivel nacional dieron pie a la creación de éste programa o proyecto que involucra
un sin número de personas que quieren una mejor calidad de vida para su núcleo
familiar.

Sin embargo dentro de los planes a seguir para la construcción, mediante la


expropiación de terrenos o extinción de dominio a disidentes del narcotráfico;
hicieron realidad dicho proyecto. Sin embargo se contó para la realización del
mismo con el profesionalismo que se requiere para la elaboración de cada una de
las actividades o tareas; es así como que para la construcción de 5 casas en serie
se requiere:

C1 cimientos con un tiempo aleatorio estimado entre 160 y 240 horas


C2 paredes con un tiempo aleatorio estimado entre 200 y 300 horas
C3 techo con tiempo aleatorio estimado entre 75 y 125 horas
C4 instalación sanitaria y eléctrica con tiempo aleatorio entre 100 y 150 horas
C5 Pintura con tiempo aleatorio entre 90 y 120 horas
C6 Limpieza para entrega con tiempo aleatorio entre 20 y 40 horas.

Hay ciertas dependencias que hacen que no se pueda dar inicio a una tarea sin
estar otras ya realizadas

C3 dependen de C1 y C2
C5 depende de C2

A través de la aplicación de Monte Carlo calcular la estimación del tiempo total


desde que se comienza la obra hasta que se finaliza la misma, y la desviación
estándar.
página de apoyo: http://www.fing.edu.uy/inco/cursos/mmc/pautas.htm. (Enlaces a
un sitio externo.)
http://www.aplicacionDeLaSimulacionMonteCarloEnElCalculoDelRi-4835801.pdf
Material de apoyo Materia Simulación. Politecnico GranColombiano

Responder... Responder al comentario

Contraer subforoColmenares Jaramillo Paola Andrea


Colmenares Jaramillo Paola Andrea
lunes1 oct en 21:31
Gestionar la entrada de foro
Buenas noches,
A continuación mi aporte a este foro para la semana No 5.
PLANTEAMIENTO DEL PROBLEMA:
Una empresa fabrica soportes para asientos de automóviles utilizando tubulares de
fierro unidos con soldadura, en el proceso de unión se cuenta con 5 máquinas
robot, con el fin de dar cumplimiento a los estándares de calidad exigidos por sus
clientes, la empresa deber realizar pruebas para comprobar la tensión a las
soldaduras, como resultado de dichas pruebas se generan materiales de desecho
cuyos costos ascienden a USD 256.376 anuales.
En las pruebas de calidad, se debe revisar que la sección del cordón de soldadura
analizado no presente, porosidad, fractura, falta de continuidad, doble cordón, poro
o túnel.
Se realizan cuatro pruebas diarias a cada robot, tomando una pieza por turno, por lo
que se realizan un total de 20 ensayos diarios. El estudio consideró una producción
de seis meses, registrando el resultado de forma discreta, es decir cómo pasa o no
pasa, para su tratamiento de forma estadística.
Con el fin de reducir los costos derivados de la pruebas de calidad, se propone
efectuar solo 10 pruebas diarias estimando un ahorro del 50% sin perder la
sensibilidad en el monitoreo del proceso.
RESOLUCIÓN:
Se crea un modelo de simulación Montecarlo a partir de los datos históricos
obtenidos en los últimos seis meses, su validez es a través de una prueba
estadística de hipótesis para proporciones.
En el proceso de soldadura se cuenta con 5 robots que realizan la operación, por
cada uno, se toman cuatro piezas para formar la muestra diaria de veinte
especímenes. Se hace el registro para monitorear el proceso y se recaban los datos
de los seis meses anteriores al presente estudio. En este espacio de tiempo se
realizaron 7496 pruebas el número de aquellas que no pasaron el requisito de
calidad ascendió a 317, lo que da un porcentaje del 4.23%.
En esta propuesta, se considera que, al tener cinco robots con niveles de
producción idénticos, presentan una distribución de probabilidad distribuida de
forma uniforme para seleccionar una muestra completamente aleatoria. Esto
permite generar un primer modelo para simular el tipo de celda de soldadura del
que se tomará el soporte a probar.
Cada robot tiene un 20% de ser seleccionado, por lo que se generan cinco
intervalos a considerar, uno para cada robot. La probabilidad acumulada limita cada
uno de dichos intervalos, teniendo una longitud de 0 a 1, sin tocar los extremos. Así,
el robot 1 estará definido desde 0.0001 hasta el valor de 0.1999; el 2 desde 0.2000
hasta el 0.3999, el 3 de 0.4000 al 0.5999, el 4 de 0.6000 al 0.7999, y el 5 de 0.8000
hasta 0.9999 esto permite que las fronteras de cada espacio no se traslapen al
momento de usar este primer modelo al definir de qué celda de soldadura se tomará
la probeta. Con los resultados históricos por cada robot, se obtienen los porcentajes
de falla, que sirven de base para generar el segundo modelo, que dará el porcentaje
de la prueba.

Robot Intervalo

1 0.0001 0.1999

2 0.2000 0.3999

3 0.4000 0.5999

4 0.6000 0.7999

5 0.8000 0.9999

En el segundo modelo, se simula el resultado de la prueba. Para cada robot se


genera un modelo dependiendo de su porcentaje de falla histórico por los resultados
anteriores, que se usa dependiendo del robot seleccionado en la primera
simulación. Por ejemplo, si se obtiene que el robot 1 es aquel del que se va a tomar
la muestra, la segunda simulación proporciona el resultado de la prueba, es decir,
pasa o no pasa.

Resultado de la prueba Intervalo

Pasa 0.0001 0.9719

No pasa 0.9720 0.9999

Para que se pueda trabajar en estos modelos, se generan números aleatorios, dos
por cada ciclo, que deben ser utilizados para simular un tipo de robot y el resultado
de la prueba, respectivamente. Por ejemplo, si para simular la selección del robot se
obtiene el 0.0154, que se encuentra en el intervalo del robot 1, entonces se toma el
Modelo Robot 1; si un segundo número que se obtiene es el 0.56275 y se emplea
en el segundo modelo, el resultado es una prueba que si pasa. Se realizan,
entonces, la cantidad de 1,680 ciclos para simular 10 pruebas diarias, durante los
próximos seis meses.
CONCLUSIÓN:
Al analizar los resultados obtenidos en las pruebas simuladas, se obtiene un
porcentaje de falla del 3.282%, que se compara estadísticamente con el histórico de
4.23%. A través de una prueba de hipótesis de proporciones, con un nivel de
significancia del 5%, no se rechaza la hipótesis nula, por lo que se concluye que no
hay diferencia significativa entre ambas proporciones, y es válido reducir el número
de pruebas.

REFERENCIA:
https://www.palermo.edu/ingenieria/pdf2015/15/CyT_15_03.pdf

Gracias,

Responder... Responder al comentario

Contraer subforoGarcia Garcia Lizeth Vanessa


Garcia Garcia Lizeth Vanessa
lunes1 oct en 21:46
Gestionar la entrada de foro
El método de Monte Carlo es una herramienta de investigación y planeamiento;
básicamente es una técnica de muestreo artificial, empleada para operar
numéricamente sistemas complejos que tengan componentes aleatorios. la
Simulación es el proceso de diseñar y desarrollar un modelo computarizado de un
sistema o proceso y conducir experimentos con este modelo, a fin de entender el
comportamiento del sistema o evaluar varias estrategias con las cuales se puede
operar el sistema.

PROBLEMA: La planificación de proyectos potentes, Control y optimización de


recursos, satisfacer la demanda posible y minimizar gastos.
OBJETIVO: La planificación a la hora de gestionar un proyecto de inversión. se lleva
a cabo lo que se conoce como el método de Monte Carlo:
COMO SE APLICA:

o Elegir, aleatoriamente, uno de los valores de cada factor, y dependiendo de la


combinación seleccionada, computar la tasa de rendimiento resultante.
o Estimar la escala de valores que podría alcanzar cada factor, y la probabilidad
de ocurrencia asociada a cada valor.
o una vez definidas las estadísticas de tareas y de riesgos, lo siguiente sería
calcular un valor concreto para cada riesgo y cada tarea. Esto se realiza a
través de la disposición de varios números aleatorios de entre 0 y 100. Al
asemejar a cada número aleatorio un porcentaje de representatividad, el
resultado es que se es capaz de estimar la duración o el coste de un proyecto,
en función de cada número aleatorio

La idea básica de este método es poder realizar valoraciones con respecto a


proyectos de inversión. La prevención es un punto crucial a la hora de tomar
decisiones en las empresas, ya que permite estar prepáranos para contratiempos o
riesgos inesperados. La aplicación empleada sobre Microsoft Excel nos permite
incorporar el análisis del riesgo de un determinado proyecto en el cronograma del
mismo.
CONCLUSION:
Ofrecer a la persona responsable de tomar las decisiones una serie de posibles
resultados, así como la probabilidad de que se produzcan según las medidas
tomadas. Muestra las posibilidades extremas (arriesgadas y conservadoras) así
como todas las posibles consecuencias de las decisiones intermedias

BIBLIOGRAFIA:
FAULÍN, Javier, et al. "Simulación de Monte Carlo con Excel". Proyecto e-Math.
https://www.cerembs.co/blog/cuanto-vale-el-riesgo-el-metodo-monte-carlo (Enlaces
a un sitio externo.)
Responder... Responder al comentario

Contraer subforoMora Robayo Maria Antonia


Mora Robayo Maria Antonia
lunes1 oct en 21:47
Gestionar la entrada de foro
Compañeros y Tutor buena noche.
A continuación, hago a aporte par la primera parte del foro correspondiente a la
semana 5.
El caso de investigación corresponde a:
Nombre del Proyecto: Modelación y simulación de Monte Carlo: Análisis de riesgo,
introducción de un nuevo producto
Área de aplicación: Investigación y Desarrollo.
La compañía PcSA, comercializa equipos informáticos. El equipo el equipo
encargado de del diseño de nuevos productos ha desarrollado un prototipo de una
impresora portátil de alta calidad. Los análisis preliminares financieros y de mercado
han llevado a establecer un precio de venta y un presupuesto de para los costos
administrativos y de publicidad para el primer año. Sin embargo, no se conocen con
exactitud el costo de mano de obra directa, el costo de componentes y la demanda
para el primer año del producto, y por lo tanto se consideran entradas
probabilísticas del modelo de Montecarlo, se deben describir mediante
distribuciones de probabilidad, que permitan evaluar un escenario pesimista y otro
optimista, en la proyección de costos y demanda del producto. Para lo anterior se
consideraron los siguientes pasos:
Proceso de simulación: proceso a simular o de evaluar muchos escenarios para
un suceso de “qué pasaría si”, se genera una distribución de probabilidad para cada
una de las entradas a evaluar, es decir:

o Costo de Mano de obra Directa


o Costo de componentes
o Demanda para el primer año

En el proceso se asignaron números aleatorios para simular la probabilidad de


ocurrencia de cada evento teniendo en cuenta diferentes escenarios.
Proceso de ejecución del modelo: el paso a seguir es calcular las respectivas
utilidades teniendo en cuenta varios escenarios, y múltiples ensayos, o correr la
simulación para un numero relativamente grande de ensayos, como una forma de
obtener resultados relativamente útiles
Interpretación de los resultados: La interpretación de los resultados ayudan a
comprender mejor el potencial de utilidad o de perdida. Permite determinar un nivel
de riesgo aceptable por la empresa o iniciar nuevas investigaciones en la
implantación de proyectos más rentables. La el proceso de simulación es útil en la
medida que haga el análisis de estadística descriptiva correspondiente, tablas de
datos y graficas explicativos, la construcción de intervalos de confianza para los
niveles de utilidad esperada. Entre otros beneficios del proceso de simulación.

Mora Robayo Maria Antonia

Mora Robayo Maria Antonia


lunes1 oct en 22:02

Gestionar la entrada de foro

Bibliografía:Tomado publicación: pagina


Web: https://dialnet.unirioja.es/servlet/articulo?codigo=4835801 (Enlaces a un sitio
externo.)

Responder... Responder al comentario

Contraer subforoMedina Fajardo Jenny Alexandra


Medina Fajardo Jenny Alexandra
lunes1 oct en 21:51
Gestionar la entrada de foro

0. En la primera intervención de cada grupo: ¿Cómo se aplicó la Simulación de


Montecarlo para resolver el problema?

se planteó el problema en el banco agrario de Colombia con la posible suplantación


de clientes en los productos que tienen con la entidad, con la implementación la
simulación de Montecarlo, realizando muestreo calculando la cantidad de clientes
vinculados versus posibles suplantación, se verifico desde el momento en el cual se
vincula y fideliza el cliente, cuando empieza a realizar sus diferentes transacciones
se simulo las posibles formas de fraude que podría sufrir el cliente, las perdidas en
las que pudiesen incurrir el banco económicas y reputacionales se logró llegar a la
conclusión y solución que es:

o Realizar filtros de los clientes


o Confirmar su información (actualizar datos)
o Realizar monitoreo las 24 horas de sus transacciones mediante llamadas,
mensajes y alertas a oficinas dependiendo el caso.

Web grafía
https://www.youtube.com/watch?v=6W4JG15H5jo (Enlaces a un sitio externo.)

https://www.bancoagrario.gov.co/SAC/Paginas/default.aspx (Enlaces a un sitio


externo.)

2. En la segunda intervención de cada grupo: ¿Qué dificultades se


identificaron al aplicar la herramienta?

se explicaron distintos conflictos como errores en los filtros por carencia de


actualización de datos, complicada comunicación con algunos clientes, debido a
que actualmente se tienen clientes en todo el territorio nacional, y la impaciencia de
los clientes al recibir las llamadas y los mensajes, sea por la falta de la habilidad o la
carencia de tiempo.
3. ¿Cómo superar las dificultades mencionadas?

se propusó el problema mostrado por el banco agrario ante las suplantaciones de


los clientes en las entidades financieras, lo mostrado es completamente valido, pero
las entidades financieras han de tomar medidas más decisivas para poder realizar
un mejor control sobre las pérdidas producidas por las suplantaciones con los
clientes, por lo cual se muestra estas estimaciones para tener en cuenta:

o Se deben comprometer a inspeccionar los datos y medidas aplicadas al menos


cada 3 meses o cuando se presenten cambios significativos, en cuanto a las
reclamaciones realizadas por los clientes o cambios significativos en el mercado
o Con el método de Montecarlo se alcanzarán a registrar las correlaciones
existentes entre los factores de riesgo dentro de las siguientes variables: riesgo
de interés, riesgo de cambio, riesgo de variación en el precio de los valores de
renta variable y riesgo de variación en el precio de los fondos administrativos.
o Hay que resaltar que la muestra hacia el fraude para el modelo bancario es el
mismo modelo efectuado por IBM, con el propósito de establecer con esa actitud
la distribución de pérdidas y la mejora en el control de los procesos.

Responder... Responder al comentario

Contraer subforoBonilla Rodriguez Edwin


Bonilla Rodriguez Edwin
lunes1 oct en 22:27
Gestionar la entrada de foro
Buenas Noches Tutora y Compañeros:
Mi caso de Estudio es Valoración de opciones climáticas: una aplicación para
el sector arrocero de Yopal (Colombia)
Introducción
En Colombia el sector económico agropecuario es de gran importancia para el
desarrollo de la economía pero que durante los últimos años ha sido afectado
fuertemente por los fenómenos climáticos como El Niño y La Niña causando
pérdidas millonarias de cultivos y disminuyendo la producción. Es el caso del cultivo
de Arroz en la zona del Yopal y en el caso se estudia se realiza la valoración de
opciones climáticas con el fin de establecer la prima a pagar por este derecho.
¿Cómo se aplicó la Simulación de Montecarlo para resolver el problema?
Se determinaron datos de entrada como variables subyacentes climáticas, la
temperatura, precipitaciones, heladas, entre otros factores climáticos que afecten
los cultivos.
Adicionalmente, los periodos de cultivo, tipos de contrato a negociar y sus
vigencias.
Con el método Montecarlo se generaron 100.000 interacciones del comportamiento
de la temperatura, hectáreas de cultivo, producción entre otras, lo cual arrojo un
vector de pagos y cálculos de valores esperados de la prima a pagar para obtener
el derecho de la opción. Valor que correspondería a $102.800 y un agricultor
debería adquirir un total de 6 contratos de este tipo, lo cual le representaría un costo
de $616.800.
¿Qué dificultades se identificaron al aplicar la herramienta?
La correlación entre la producción y la variable climática que constituye el
subyacente del derivado climático.
¿Cómo superar las dificultades mencionadas?
Definición del método de valoración de la opción climática el cual modela un patrón
de comportamiento de acuerdo a una serie histórica que correlaciona los datos de
entrada suavizandolos cuando presentan grandes volatilidades.
https://revistas.uexternado.edu.co/index.php/odeon/article/view/5096/6346 (Enlaces
a un sitio externo.)
https://www.esan.edu.pe/apuntes-empresariales/2016/06/el-modelo-de-simulacion-
de-montecarlo-aplicado-al-sector-agropecuario/ (Enlaces a un sitio externo.)
EDWIN BONILLA RODRIGUEZ
Responder... Responder al comentario

Contraer subforoOrozco Guzman Marta Ligia


Orozco Guzman Marta Ligia
lunes1 oct en 22:28
Gestionar la entrada de foro
MARTA LIGIA OROZCO GUZMAN
ADMINISTRACION DE EMPRESAS
Foro Simulación Gerencial

Dificultades y retos al aplicar simulación de Montecarlo.

Webgrafia:
https://docplayer.es/8065886-Futbol-y-matematica-modelo-de-simulacion-de-monte-
carlo.html (Enlaces a un sitio externo.)
Desarrollo: Se debe resumir en un relato en qué consistía el problema y como se
resolvió utilizando Simulación de Montecarlo. Se debe incluir la fuente de la página
Web.

Fútbol y Matemáticas: Modelo de Simulación de Montecarlo.


El autor de este artículo presenta la metodología que se empleó para la estimación
de las probabilidades de clasificación de la selección nacional de Costa Rica al
último Mundial de fútbol Corea-Japón 2002.
Lo anterior se trata de la aplicación de un modelo de Simulación de Montecarlo,
con el cual se realizan millones de simulaciones de los posibles resultados de los
juegos pendientes en un torneo de fútbol, se siguieron las leyes de probabilidad,
donde solo un número limitado de equipos puede clasificar al mundial, dentro del
modelo se toman los principales factores que pueden influir por ejemplo:

o La historia reciente.
o El potencial actual de los equipos.
o Circunstancias particulares que rodean los partidos pendientes.

Este modelo se utilizó con mucho éxito durante el desarrollo de torneo de la


Concacaf del año 2001, para el Mundial Corea-Japón 2002 donde Costa Rica tuvo
una gran participación.
La FIFA cada vez más utiliza este método para el ranking de equipos. Con el
método de Simulación de Montecarlo además de la ayuda de los recursos como la
tecnología de la computación hoy en día es posible la elaboración de modelos
matemáticos que puedan estimar las probabilidades de clasificación en torneos
llamados todos contra todos
La idea básica de utilizar la simulación de Montecarlo fue el gran momento
futbolístico de la selección de Costa Rica en ese año, lo cual hizo que existiese
dentro de la afición grandes anhelos de clasificación lo que permito realizar la
simulación millones de veces las probabilidades de clasificación de las selecciones
de centro américa. Este modelo de simulación también permitió que se pudiera
determinar las posibilidades de partidos empatados ganados o perdidos.
Responder... Responder al comentario

Contraer subforoPortela Salamanca Sandy Yorley


Portela Salamanca Sandy Yorley
lunes1 oct en 22:45
Gestionar la entrada de foro

Un caso del ICA- Ministerio de Agricultura.


La participación en este foro tiene como fin objetivo analizar los
lineamientos de una evaluación económica de las inversiones y
explotaciones agropecuarias para el ICA y a partir del peso colombiano vs
otras monedas de latinoamerica, vamos a explicar el uso del Modelo de
simulación de Montecarlo, el mismo que nos sirve para simular los
resultados que puede asumir un indicador de rentabilidad, como el Valor
Actual Neto o la Tasa Interna de Retorno de los inversionistas, en este
caso los campesinos de la zona rural de Cauca. Sin embargo, vale la pena
aclarar que como administradores podemos aplicar a cualquier resultado
que surja de un proceso de combinación de variables que puedan
simularse a partir de las probabilidades.
El procedimiento implica la asignación aleatoria de un valor a cada
variable pertinente del flujo de inversionistas para el proyecto del Cauca.
La selección de valores aleatorios permite la posibilidad que al aplicarlos
en forma repetida a las variables relevantes (por ejemplo precio,
rendimientos, hectáreas, etc.), se obtengan suficientes resultados
probables de tal modo que se establezca una aproximación a la forma de
una distribución de frecuencias "estimada" de los valores de la variable
pertinente (VAN o TIR, por ejemplo).
Cada variable relevante asume individualmente valores aleatorios que
deben concordar con una distribución de probabilidades de la misma
manera para cada una de ellas.
El Modelo de Simulación de Montecarlo es perfecto para analizar los
valores de las variables son según el criterio del evaluador, en tanto que
en el Modelo de Montecarlo los valores son asignados en función de la
distribución de probabilidades que se asigne para cada uno y dentro del
intervalo determinado por el evaluador.
Para aplicar este modelo se emplea una base de datos que podemos usar
en excel o en otros similares que no varían demasiado en su forma de
aplicación.
¿Como se aplico la simulación del caso MonteCarlo para resolver el
problema?
Variable del precio vs hectárea por cultivo.
El uso de modelos internos para la medición de riesgos financieros parten
de dos insumos básicos: identificar la posición o monto expuesto a riesgo
y poder aproximar la probabilidad de pérdida ante un evento no esperado.
Para la aproximación de pérdidas, los modelos de medición de riesgos
financieros (crédito, liquidez y de mercado, donde se incluye el cambiario)
se basan en conocer la distribución del retorno de los inversionistas.
Razones para el atraso del uso regulatorio de modelos internos en el
mercado financiero colombiano se sustentan no sólo en los costos de
sistemas y capital humano sino también en el supuesto que la evolución
del retorno de la moneda colombiana no reúne las propiedades
estadísticas deseadas, aproximadamente a la normalidad como si lo
hacen otras monedas, como condición básica aplicar un modelo interno (
Valor en Riesgo), incluida la relativa estabilidad en la senda de su
volatilidad en el periodo de estimación

¿Como superar las dificultades mencionadas?


Resultado :
Podemos ver que el peso colombiano presenta, junto a la moneda
uruguaya, una menor volatilidad en sus rendimientos (variable que se
aproxima a la medida de riesgo); en niveles también se llego a la misma
consideración. El análisis también determinó que ninguna de las series
presenta una distribución que se aproxime a un comportamiento como el
de la normal, donde se requiere que el valor real se aproxime a cero y que
la inversión sea de tres. Sin embargo, el grado de apuntamiento o kurtosis
permitiría determinar, mediante un análisis complementario, en qué nivel
de confianza estadístico el peso Colombiano puede presentar un
comportamiento que se aproxime a una normal.
Citas bibliográficas y referencias:
http://www.portafolio.co/opinion/hernan-avendano/agricultura-retos-
oportunidades-53564 (Enlaces a un sitio externo.) (Enlaces a un sitio
externo.)
https://www.minagricultura.gov.co/planeacion-control-
gestion/Paginas/Informacion-Financiera-y-
Contable.aspx?RootFolder=%2Fplaneacion-control (Enlaces a un sitio
externo.)gestion%2FInformacin%20Financiera%20y%20Contable%2FEsta
dos%20Contables%202018&FolderCTID=0x0120001CB5F5129850C4498
9257D9377778B42&View=%7BACCBB24C-58EC-4492-B672-
5E4429C0DC10%7D (Enlaces a un sitio externo.)

Responder... Responder al comentario

Contraer subforoSarmiento Salcedo Isabel Maria


Sarmiento Salcedo Isabel Maria
lunes1 oct en 22:48
Gestionar la entrada de foro
SIMULACIÓN GERENCIAL
Dificultades y retos al aplicar simulación de Montecarlo
Consigna: Investigar sobre alguna aplicación de Simulación de Montecarlo a un
caso real. Deben de forma resumida relatar en qué consistía el problema, y cómo se
resolvió utilizando Simulación de Montecarlo.
DESCRIPCIÓN DEL PROBLEMA
Título: Aplicación de una opción real de abandono con simulación MonteCarlo y
volatilidad condicional GARCH: Un caso de estudio para un proyecto de inversión
minera.

Dentro del presente trabajo se realizó la programación de un estudio para


determinar la viabilidad financiera de un proyecto de inversión en el sector minero,
que tiene como objeto la extracción de oro subterráneo ubicado en Colombia, En
este se analizan como insumo fundamental la volatilidad del precio del oro, para lo
cual se utiliza la metodología Box Jenkins, estimando un modelo econométrico de
volatilidad tipo GARCH. Adicionalmente, los resultados obtenidos se contrastan con
simulación Montecarlo.
Para el desarrollo de la valoración del proyecto de inversión minero, se tuvo en
cuenta elementos econométricos, análisis de riesgos, análisis de opción real,
simulación Montecarlo y opciones financieras, de los cuales se puede observar que
la inversión del proyecto cuenta con viabilidad, y se hace la recomendación a los
administrativos de la empresa que inicien con la operación del mismo.
Esta investigación se desarrolló en tiempo real en un proyecto de una multinacional
que propone invertir en Colombia en el sector minero y en el cual bajo supuestos
válidos a esta organización le resulta beneficioso analizar por medio simulación
Montecarlo la opción de abandono en el instante preciso, en ello incide el riesgo que
genera la volatilidad del precio.
RESULTADOS
Se emplea la Simulación Monte Carlo, que permite generar valores aleatorios del
VPN para variables de entrada inciertos, obteniendo diferentes escenarios, los
cuales son muy importante para la toma de decisiones (M. A. Arango, 2016).
Definida la variable de entrada se procedió a crear un modelo de simulación
Montecarlo, para la distribución del precio del oro, Se realiza una simulación de
100.000 iteraciones para lo cual se consideró una función distribución normal,
utilizando el programa @RISK.
El valor de media de la variables de entrada en este caso la del Valor neto del
proyecto es de 128.996 USD, en las posibles iteraciones realizadas generando una
mayor confianza del valor esperado real del proyecto de inversión, entregando una
mayor posibilidad de tomar una acertada decisión en un mayor número de
escenarios.
Cita Bibliográfica:
http://www.revistaespacios.com/a17v38n52/a17v38n52p22.pdf (Enlaces a un sitio
externo.)
Atentamente,
Isabel Sarmiento Salcedo
Responder... Responder al comentario

Contraer subforoHernandez Zuluaga Diana Carolina


Hernandez Zuluaga Diana Carolina
lunes1 oct en 22:51
Gestionar la entrada de foro
Buenas noches compañeros:
Responder... Responder al comentario

Contraer subforoAhiquel Nino Susan Paola


Ahiquel Nino Susan Paola
lunes1 oct en 22:52
Gestionar la entrada de foro
Buenas noches adjunto remito mi aporte
Una compañía de Diseño y Producción de calcomanías desea conocer cuál
de los productos que vende le genera mayor beneficio Económico.

0. En la primera intervención de cada grupo: ¿Cómo se aplicó la Simulación


de Montecarlo para resolver el problema?

Mediante el enfoque de Simulación Montecarlo se estima la distribución de los


productos, utilizando diferentes escenarios hipotéticos, generados aleatoriamente, a
partir de los productos que se venden con mayor frecuencia.
Con la aplicación de un modelo matemático de carácter probabilístico se tomarán
las mejores decisiones para la compañía.
El procedimiento tendría los siguientes pasos:

1. Recopilar la información Histórica de la Compañía


2. Diseño de tablas de datos históricos
3. Determinar la combinación línea/evento que se quiere simular.
4. Generar una muestra aleatoria de la distribución de frecuencias asumida.
5. Generar una muestra aleatoria de la distribución de severidad

Fórmulas utilizadas para identificar los beneficios de los artículos que fueron más
vendidos
((precio de venta)-(costo)) * (cantidad de elementos vendidos por día) = ganancia
por producto Diario
(ganancia por producto diario) – (costo de operación diario) = ganancia neta
2. En la segunda intervención de cada grupo: ¿Qué dificultades se
identificaron al aplicar la herramienta?

o Interacción compleja con el sistema.


o A menudo los datos son abstractos y no pueden ser interpretados directamente.
o Gran cantidad de datos de salida (resultados).

3. ¿Cómo superar las dificultades mencionadas?

Si se da más atención a la elaboración del diseño se pueden obtener unos


resultados muy bien presentados y muy inteligibles, pero totalmente erróneos y en
consecuencia inservibles si no se enfoca correctamente.
Presentación de datos

o Gráficas estadísticas.
o Diseños a la vanguardia
o Conjunto de datos actualizados (información histórica real)

https://www.youtube.com/watch?v=7sUaaUHVqQI

Responder... Responder al comentario

Contraer subforoBeltran Jimenez Ana Rosely


Beltran Jimenez Ana Rosely
lunes1 oct en 23:00
Gestionar la entrada de foro
FORO SIMULACION GERENCIAL
Tema: Dificultades y reos al aplicar simulación Montecarlo
Primera Etapa
En la primera parte del foro (a lo largo de la semana 5), cada grupo debe investigar
sobre alguna aplicación de Simulación de Montecarlo a un caso real. Deben de
forma resumida relatar en qué consistía el problema, y cómo se resolvió utilizando
Simulación de Montecarlo. No olvidar incluir la fuente de la página web donde se
encuentra descrita la aplicación que se mencionó.

Caso Real: Compañía que produce toda clase de promocionales para hogares y
vehículos mediante la elaboración de calcomanías hechas por capas en un plotter
de corte
Problema: La empresa presenta 3 grupos de acción que son:

0. Elaboración de calcomanías personalizadas para el hogar o material


promocional.
1. Elaboración de calcomanías personalizadas para vehículos pertenecientes a la
categoría “Tuning” (en el mundo del automóvil, sinónimo de la personalización
de un vehículo a través de diferentes modificaciones de la mecánica para mayor
rendimiento, cambios exteriores de la carrocería e incluso en el interior del
vehículo)
2. Elaboración de calco manías para vehículos de transporte público y escolar.

Definición del problema: El gerente quiere saber cual de los tres grupos de
producción antes mencionados, le representa mayor productividad, en aras de
mejorar los procesos de decisiones de compra anticipada de materia prima para la
elaboración de las calco-manías, mediante la utilización del método Montecarlo.

3. En la primera intervención de cada grupo: ¿Cómo se aplicó la Simulación


de Montecarlo para resolver el problema?
o Primero se desarrolla el modelo matemático cuantitativo donde debemos ver la
representación de cantidades en función de las variables y las constantes.
o Se reviso la variable que se sometería a las simulación basados en la cantidad
de artículos de cada grupo que fueron vendidos por día, para determinar los
beneficios se validarían las siguientes formulas
o ((precio de venta)-(costo)) *(cantidad de elementos vendidos por día)
=ganancia por producto diario
o (ganancia por producto diario)- (costos de operación diario) =ganancia
neta
o Después de analizar los resultados de estas fórmulas, lo que se pretendía es
determinar si alguno de los 3 grupos mencionados arriba puede sopesar el costo
de la operación diaria
o Se determino la probabilidad del suceso
o Se determina la probabilidad acumulada
o Se determina el intervalo inferior y superior de la probabilidad acumulada
o Creación de columnas de valores aleatorios
o Creación de columnas para la cantidad de artículos vendidos
o Creación de columnas de ganancias por productos diarios
o Creación de la columna ganancia neta
Conclusiones
Después de aplicar la simulación del método Montecarlo se puede evidenciar que el
grupo No. 2 de elaboración de calcomanías personalizadas para vehículos
pertenecientes a la categoría “Tuning” es el que puede sostener el costo
diario de la compañía
https://www.youtube.com/watch?v=7sUaaUHVqQI (Enlaces a un sitio externo.)

Responder... Responder al comentario

Contraer subforoHernandez Zuluaga Diana Carolina


Hernandez Zuluaga Diana Carolina
lunes1 oct en 23:01
Gestionar la entrada de foro
Buenas noches compañeros y tutor:
Metodo de simulación de Monte Carlo en la planificación de proyectos de ingeniería
civil, específicamente aquellos en la fase de construcción.
Propone la metodología para que su uso pueda ser utilizado por cualquier
organismo o empresa que desarrolle el diseño y construcción de obras civiles. De
esta manera se incluyen en el presupuesto y el cronograma las posibles variaciones
producidas por eventos de riesgo que usualmente ocurren durante el proceso
constructivo. Muestra aplicaciones numéricas con datos de proyectos reales para
modelar distintos escenarios para el cronograma y el estimado de costo usando
programas computacionales
metodo de monte carlo en el análisis de riesgo del cronograma y costo en proyectos
de ingeniería civil. Usar el programa @Risk; para Microsoft Project en la
planificación del cronograma y para Microsoft Excel en el análisis de costo.
Mostrar que la simulación numérica puede ser una herramienta habitual y útil para
ser
incluida en la planificación de proyectos de las empresas constructoras y
organismos
públicos.
• Desarrollar una metodología simple para aplicar la simulación de Monte Carlo con
herramientas de Microsoft Excel, Microsoft Project y el complemento @Risk, de
manera que
sea aplicada por cualquier profesional que trabaje en la planificación de costo y
cronograma.
• Conocer de forma no determinista la cantidad de recursos monetarios y tiempo
que presentan los proyectos de ingeniería civil considerando intervalos de confianza
para los eventos de
riesgo.
• Estimar contingencias en la elaboración de presupuestos y plazos con distintos
niveles de
confianza.

Responder... Responder al comentario

Contraer subforoBeltran Reyes Maria Clemencia


Beltran Reyes Maria Clemencia
lunes1 oct en 23:05
Gestionar la entrada de foro

Buenas noches respetados compañeros y tutor


Mi nombre es María Clemencia Beltrán y comparto con ustedes mi aporte al foro
Cuestionamientos que centren el debate, se recomienda de 1 a 3 preguntas.

0. En la primera intervención de cada grupo: ¿Cómo se aplicó la Simulación


de Montecarlo para resolver el problema?
Una fábrica de artículos domésticos, produce termostatos de plancha, tiene
tres procesos o estaciones de producción, la meta u objetivo de producción
es 3500 montajes por semana, los cuales no se están cumpliendo en un 100%
sólo se cumple el 85% ósea 2975 montajes por semana.
Inicialmente se tomaron los tiempos y movimientos de los diferentes
procesos para obtener una base de datos y así poder aplicar el modelo de
Montecarlo estocástico, debido a que este nos permite tener diferentes
variables y su vez combinar diversas probabilidades que puedan acontecer
durante el proceso, se generaron diversas alternativas de mejora en las líneas
de montaje en un entorno virtual, lo que no afectó el curso normal de la
producción en planta y sin generar costos adicionales.

2. En la segunda intervención de cada grupo: ¿Qué dificultades se


identificaron al aplicar la herramienta?

Que el modelo estocástico depende de muchas variables, lo que genera


demasiada incertidumbre, corriendo el riesgo de que si alguna variable no
está correctamente correlacionada en el modelo, las simulaciones podrían
calcular sucesos que jamás ocurrirán en al realidad.
3.¿Cómo superar las dificultades mencionadas?

Bibliografía
Robert J. Thierauf. (2007). Toma de decisiones por medio de investigación de
operaciones. Limusa, (Ed).
Información tomada de:
Artículo, Buenos Aires, julio/agosto, 2006, Una Aplicación del Método de Monte
Carlo en el Análisis de Riesgo de Proyectos: Su automatización a través de una
planilla de cálculo. Recuperado
de:http://www.cyta.com.ar/ta0504/v5n4a5.htm (Enlaces a un sitio externo.)
Artículo, Información Tecnológica, Vol. 23(4), 33-44 (2012), Uso de la
Simulación Monte Carlo para la Toma de Decisiones en una Línea de Montaje
de una Fábrica. Recuperado
de: https://scielo.conicyt.cl/pdf/infotec/v23n4/art05.pdf (Enlaces a un sitio
externo.)
Caso de estudio https://scielo.conicyt.cl/pdf/infotec/v23n4/art05.pdf (Enlaces
a un sitio externo.)

Responder... Responder al comentario


Contraer subforoVela Tellez Monica Ailen


Vela Tellez Monica Ailen
lunes1 oct en 23:09
Gestionar la entrada de foro
Buena noche
Comparto mi aporte relacionada con la primera intervención
¿Cómo se aplicó la Simulación de Montecarlo para resolver el problema?
El caso está relacionado con una multinacional que de los productos para el hogar
que fabrica diseño la opción de crear una línea de termostatos para planchas de
uso doméstico, la idea de la compañía es que se fabricaran 3500 partes por
semana, dejándolo a cargo de un solo operario haciendo uso de 3 estaciones de
trabajo.
La propuesta inicial del área de ingeniería es que las estaciones de trabajo
propuestas para este fin ayudarían al cumplimiento del presupuesto planteado pero
luego de 3 meses de operación no dio abasto ya que para poder cumplir con la
meta fue necesario el pago de horas extras generando así gastos que no se
plantearon en el momento de la creación de la estrategia.
La compañía decidió consultar con expertos para validar que opciones podría tener
en cuenta para poder cumplir con la producción de este nuevo producto, por ello
hizo uso de la simulación estocástica. Iniciaron midiendo tiempos con cronometro
para poder hacer una comparación del que se usó inicialmente y el que se proponía
con base al método planteado. La idea de la compañía para cumplir con la
producción es reducción de tiempo y mayor producción sin generar sobre costos por
lo que con base al ejercicio realizado se hicieron unos ajustes necesarios como el
hecho de dejar las estaciones de trabajo libres al finalizar la jornada para no afectar
la producción del siguiente día esto con el fin que el operario no deje el producto sin
terminar lo que ayudo a generar buenas prácticas y aumentar la producción.

Vela Tellez Monica Ailen

Vela Tellez Monica Ailen


lunes1 oct en 23:11

Gestionar la entrada de foro

Bibliografia
https://scielo.conicyt.cl/scielo.php?pid=S0718-
07642012000400005&script=sci_arttext (Enlaces a un sitio externo.)
Responder... Responder al comentario

Contraer subforoRodriguez Moreno Leidy Johana


Rodriguez Moreno Leidy Johana
lunes1 oct en 23:52
Gestionar la entrada de foro
Tutor
Buenas tardes,
Dando respuesta a sus solicitud:
Simulación Monte Carlo para toma de decisiones en una Línea de Montaje de una
Fábrica Fabril.
El siguiente artículo presenta como una compañía de fabricación de artículos para
el hogar localizada en Brasil ante la necesidad de mejorar su meta de producción
usa como herramienta sistemática la simulación estocástica.
La compañía instala recientemente una línea de montaje para un cierto tipo de
termostato de plancha. Para ello decidió realizar una nueva línea de montaje con
tres estaciones de trabajo cada una con un solo operario por su tamaño.
El porcentaje de producción para esta nueva línea de montaje de termostato de
plancha es de 3.500 partes por semana. Pero la realidad de su cumplimiento es de
apenas el 85%. Teniendo en cuenta este desequilibrio, se requirió de una técnica
matemática sistematizada que ayudara a estos empresarios y dar mejora en su
cumplimiento.
De casa matriz, la compañía recibe un listado con los lineamientos necesarios
(Listado de operaciones y tiempos de cada proceso) para hacer montaje del
termostato.
Teniendo esta información la compañía hace desarrollo un balance de línea de
montaje dividiendo las operaciones requeridas entre las tres estaciones. Para esta
misión el encargado o jefe de área realiza una agrupación de las operaciones para
dar respuesta de los tiempos que está generando cada operario. De esta ecuación,
la compañía tiene como resultado la producción en piezas que tiene cada estación
de trabajo por semana.
De este ejercicio paso a paso la compañía identificaba los posibles problemas que
presenta cada estación detallando los tiempos reales de cada proceso y tiempos
reales en trabajo de rutina.
La conclusión del presente artículo, es demostrar que si es posible ejecutar y probar
diversas alternativas de mejora de una línea de montaje. De allí, el aspecto más
importante es que el método a utilizar es una solución práctica e innovadora ya que
aporta un flujo de nuevos conocimientos, competencias y capacidades sin disminuir
la producción y con bajos costos. Se trata, así, de un procedimiento de ingeniería
que propone beneficios prácticos para quienes trabajan en la fábrica.
Webgrafía
https://scielo.conicyt.cl/scielo.php?script=sci_arttext&pid=S0718-
07642012000400005 (Enlaces a un sitio externo.)
Aporte: Leidy Johana Rodríguez - Código No. 1421026472

Responder... Responder al comentario

Contraer subforoChitiva Onate Andrea Del Pilar


Chitiva Onate Andrea Del Pilar
Ayer2 oct en 0:00
Gestionar la entrada de foro
FORO SEMANA 5 SIMULACIÓN GERENCIAL
Buen día tutora y compañeros, me permito compartir mi aporte al Foro del presente
módulo en su primera etapa Semana 5.
Simulación De Montecarlo
Este tipo de simulación se enmarca dentro de la toma de decisiones bajo riesgo, ya
que algunas variables pueden tomar cualquier valor dentro de un rango, sin saberse
por lo tanto cual será el valor de la solución; pero si se puede asignar la
probabilidad de ocurrencia de cada valor dentro del rango y construir una
distribución de probabilidades de las respuestas.
(Gutiérrez, 2008, p.96).
Ejemplo Presentado
Un distribuidor local de periódicos compra cada mañana una cantidad fija de
periódicos que adquiere a $ 700 cada uno para su venta posterior a $ 1.400 cada
unidad. Debido a la caducidad de los periódicos, aquellos que no son vendidos el
mismo día se venden como reciclaje posteriormente a un precio de $ 50 por unidad.
La demanda diaria de periódicos está dada de acuerdo a datos mostrados en la
tabla de distribución de probabilidad

Tabla 1. Demanda Diaria. Elaboración Propia en Excel con Datos del Video.

Problema a Resolver
¿Cuál debe ser la cantidad de periódicos que debe comprar el vendedor para
obtener utilidades razonables?
Resultados
Según el video nos muestran paso a paso la forma correcta de resolver el problema
o interrogante mejor que el vendedor debe tener presente para obtener ganancias
significativas para él.
1. El Autor del video completa la tabla de demanda diaria con los rangos dentro de
los que se encuentran las unidades de periódicos (Tabla 1).

2. Luego con los datos de la Tabla 1 propone crear una nueva en Excel para poder
trabajar con las fórmulas que nos permitan calcular las ventas, costos y utilidades.
3. El Autor propone trabajar con variables aleatorias que nos permitan jugar con
distintos valores dependiendo de la cantidad de periódicos que se encuentren
dentro del rango estipulado en Tabla 1 para suponer 15 días de ventas.
4. En la Tabla 2, relacionada a continuación, notamos como utilizando la formula de
Excel =ALEATORIO(), construimos una tabla que nos permita realizar una
simulación de la Utilidad.

Tabla 2. Variables modificables por fórmula Aleatoria. Elaboración Propia en Excel con Datos del
Video.

5. Luego construye una nueva tabla que le va a permitir replicar el valor de la


utilidad, teniendo como base distintas variables tanto de número de periódicos,
como de las ventas y costos para finalmente tener un promedio de la Utilidad.

Tabla 3. Replica de Utilidad. Elaboración Propia en Excel con Datos del Video.

6. Finalmente grafíca el promedio de Utilidades.


Gráfica 1. Utilidad Propia. Elaboración Propia en Excel con Datos del Video.

7. Finalmente, de acuerdo a la gráfica se puede inferir que el valor acertado de


periódicos a vender para lograr una utilidad razonable está dentro de las 45
Unidades.
Referencias Bibliográficas
- Gutiérrez, J. (2008). Modelos financieros con Excel - SIL. (2a. ed.) Ecoe Ediciones.
Página 96. Tomado de http://www.ebooks7-24.com.loginbiblio.poligran.edu.co:2048
- YouTube. (2017). Simulación de Monte Carlo. Modelo del vendedor de periódicos.
[online] Disponible en: https://www.youtube.com/watch?v=0bxE-rYcmuA
[Consultado en septiembre 30 de 2018].
Cordial Saludo,
Andrea Chitiva Oñate
Código 1411020804
Responder... Responder al comentario

Contraer subforoRiano Velasquez Marisol


Riano Velasquez Marisol
Ayer2 oct en 0:53
Gestionar la entrada de foro
Buena noche compañeros/ Tutora, a continuación dejo mi aporte al foro:
Métodos de simulación en Estudios Biomédicos
Estudio y caracterización óptica de un Carcinoma Basocelular mediante
simulación láser numérica
Las simulaciones de Monte Carlo son una de las técnicas más utilizadas en el
contexto de modelación de geometrías de sistemas heterogéneos, como puede ser
la piel humana. Además, uno de los principales retos modernos en biofotónica es la
simulación del comportamiento óptico y la propagación de la luz en tejidos.
Existen programas comerciales, basados en técnicas de Monte Carlo, que permiten
estudiar el comportamiento de la piel frente a una radiación óptica; la aproximación
a la trayectoria que sigue la luz en su interacción con el tejido se obtiene a partir de
las propiedades ópticas conocidas a priori. Piel modelada y simulación numérica.
Los resultados expuestos son datos innovadores, sobre patrones de radiación en
unidades de irradiación como de reflectividad y transmitividad de la piel.
Este trabajo ofrece un método para distinguir entre piel "sana" y piel con carcinoma
basocelular, lo que podría facilitar un procedimiento de identificación de lesiones
cancerosas de la piel.
El simulador MC ejecuta el transporte de varios fotones de un láser incidente sobre
distintas pieles sanas, y sobre una piel con basalioma obteniendo un método para la
caracterización y diagnóstico de dicha enfermedad en las pieles. La melanina, la
hemoglobina y los carotenos son tres pigmentos que otorgan a la piel una gran
variedad de colores distintos. La melanina, en función de su cantidad consigue que
la piel varíe de amarillo pálido a rojo y de pardo a negro. Debido a que el número de
melanocitos es aproximadamente el mismo en todos los individuos, los diferentes
colores de la piel son consecuencia de la cantidad de pigmento producido y
transferido por los melanocitos a los queratinocitos).
Los parámetros ópticos de simulación son los coeficientes de absorción, dispersión
de la luz, y factor de anisotropía de cada capa de piel simulada, mientras que las
propiedades ópticas a calcular serán, la transmisión, reflectividad, y la densidad de
potencia en unidades de irradiación, para comparar su valor en cada piel y observar
las diferencias que presentan con la piel con carcinoma basocelular.
El principal inconveniente del método MC es la cantidad de tiempo de cálculo
necesario para su ejecución ya que, si se quiere una variación aceptable en el
modelado estadístico, se necesita analizar un gran número de fotones. Respecto a
la función de probabilidad, el método MC es un método para simular el transporte
de la luz por el tejido mediante el envío de fotones o paquetes de fotones por un
camino aleatorio sobre una muestra virtual de tejido en un ordenador. El camino de
cada paquete de fotones se simula sobre si emerge o se absorbe.
La función de probabilidad de una interacción del fotón viene dada por:
Donde es el coeficiente de atenuación total, es decir la suma de los coeficientes de
absorción y ángulo de dispersión de la luz.
La propagación de fotones en los tejidos continúa hasta que la intensidad del fotón
se reduzca al 5% de su intensidad incidente o hasta que el fotón es emitido por retro
dispersión hasta la superficie del tejido.
Se utiliza el simulador de Monte Carlo el cual se basa en la interacción láser con
tres tipos de pieles sanas como una piel caucásica, una piel hispana, una piel
africana y una piel con lesión cancerosa. Las propiedades ópticas de cada tipo de
piel se obtienen como elemento diferenciador para su caracterización y se realiza
un estudio del patrón de incidencia en las distintas pieles, así como se transmite y
se refleja la luz a través de las capas de piel, lo que permite clasificar e incluso
diagnosticar el tipo de piel que se ha expuesto.
Se utiliza una fuente circular de 0.01 milímetros de radio, con una potencia total de
1 Vatio de radiación, y situada a 0.1 mm de la piel, lo que equivale a una radiación
láser monocromática (se emplea una longitud de onda distinta en cada simulación).
Su patrón de incidencia es circular, lo que determina un total de 2791 rayos de luz
en cada simulación. El ángulo de incidencia es perpendicular y se ha ido variando la
frecuencia de 50 en 50 nanómetros para observar las propiedades de irradiación de
cada uno de los tejidos expuestos. Se utilizan 10 ejecuciones por cada simulación,
lo que hace un total de casi 30000 fotones totales.
A mayor número de fotones utilizados mayor es la exactitud y menor la
incertidumbre, pero el tiempo de computación requerido es mayor. Para este caso
se realizó un total de 440 simulaciones (10 por cada 11 longitudes de onda y cuatro
tipos de pieles distintos) que en tiempo empleado equivale a:

o Simulaciones realizadas con 103 fotones: 15 segundos


o Simulaciones realizadas con 104 fotones: 5 minutos
o Simulaciones realizadas con 105 fotones: 45 minutos
o Simulaciones con 106 fotones: 8 horas

La variación en los datos obtenidos es esta simulación en cuanto a la transmisión y


como refleja la piel son necesarios ya que se cuenta con un porcentaje de error de
media del 0.8% en la transmisión y del 0,55% en la reflexión.
La incorporación de una herramienta asequible para el diagnóstico no invasivo in
vivo en los Hospitales de Campaña para la detección de la aparición de un cáncer
de piel sobre la piel sana sería un herramental que complementaria a la
dermatoscopia de manera barata y sencilla.
Uno de los trabajos futuros inmediatos es utilizar muestras in vivo o in vitro de
distintas pieles y su desarrollo experimental. Por último, hay que indicar que las
simulaciones permiten disponer de información previa a la experimentación.
https://www.researchgate.net/publication/234064704_Simulador_Monte_Carlo_Para
_El_Estudio_De_La_Propagacion_De_La_Luz_En_El_Tejido (Enlaces a un sitio
externo.)
http://nuclear.fis.ucm.es/research/thesis/DEA-jacobo-cal.pdf
http://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S1887-
85712015000200003 (Enlaces a un sitio externo.)
Cordialmente,
Marisol Riaño V.
Responder... Responder al comentario

Contraer subforoDiaz Bonilla Leidy Steffani


Diaz Bonilla Leidy Steffani
Ayer2 oct en 10:20
Gestionar la entrada de foro
Simulación de Monte Carlo es una técnica que permite llevar a cabo la valoración de
los proyectos de inversión considerando que una, o varias, de las variables que se
utilizan para la determinación de los flujos netos de caja no son variables ciertas, sino
que pueden tomar varios valores. Por tanto, se trata de una técnica que permite
introducir el riesgo en la valoración de los proyectos de inversión.
La técnica de la simulación de Monte Carlo se basa en simular la realidad a través
del estudio de una muestra, que se ha generado de forma totalmente aleatoria
¿Cómo se aplicó la Simulación de Montecarlo para resolver el problema?
Nos centramos en una fabrica de coches, en ella realizamos una medición sobre los
vehículos defectuosos frente al total de producción y los ingresos generados en
cada situación (es un caso hipotético donde manejamos una producción baja 20
coches/día) extrapolable a casos de producción real.
https://www.pdcahome.com/wp-content/uploads/2013/04/Simulaci%C3%B3n-de-
MonteCarlo.xls (Enlaces a un sitio externo.)
Encontramos fallos de distintos tipos producción en nuestra producción de coches,
esto repercute en un reproceso del vehículo con un consiguiente gasto no
esperado disminuyendo ingresos. Desde el numero de errores producidos
anteriormente podemos ver cual será la tendencia de ocurrencia de fallos,
calculamos la probabilidad acumulada y así establecemos los limites sobre los que
podemos trabajar y cuales nos marcan la franja para cada uno de los errores,
mediante la formula “=Aleatorio” de Excel, nos lanza de forma aleatoria números
comprendidos de 0 a 1 y se asocian a un tipo de fallo dependiendo del intervalo al
que pertenezca, una vez asociado el numero aleatorio al fallo mediante la formula
“=Buscar” tenemos el coste que supone el reproceso. En este caso solo trabajamos
con que en cada suceso se produce un fallo, se podría añadir el caso en que se
diera mas de un error en un vehículo.
Entonces podemos obtener cual es el balance beneficios-gastos previstos, hacer
una estimación de perdidas y actuar al respecto. Ver cual es fallo mas frecuente y
actuar al respecto. Para la resolución de estos errores podemos utilizar técnicas
como Jidoka (Enlaces a un sitio externo.)para implicar al empleado desde el primer
momento en la resolución de fallos u otras metodologías como Six Sigma (Enlaces
a un sitio externo.) o Lean (Enlaces a un sitio externo.)donde mediante un grupo de
trabajo se consigue disminuir la probabilidad de fallo.
Con esta Simulación se busca, aplicar estas metodologías como Six Sigma o Lean,
en donde el objetivo, sera llegar al problema inicial, que es producción del auto,
buscamos saber si el error esta en las maquinas, o en la mano de obra, desde allí
se haría una pausa, la idea es no seguir generando perdidas significativas.
Referencias
http://www.expansion.com/diccionario-economico/simulacion-de-monte-
carlo.html (Enlaces a un sitio externo.)
https://www.pdcahome.com/4236/simulacion-de-monte-carlo-aplicada-a-produccion-
de-vehiculos/ (Enlaces a un sitio externo.)

Responder... Responder al comentario

Contraer subforoCorzo Ardila Diana Paola


Corzo Ardila Diana Paola
Ayer2 oct en 10:35
Gestionar la entrada de foro
Buenas tardes Tutor compañeros a continuación mi Aporte al Foro.

Corzo Ardila Diana Paola

Corzo Ardila Diana Paola


Ayer2 oct en 12:55

Gestionar la entrada de foro


Buenas tardes Tutor, Compañeros Me permito enviar mi aporte al Foro.
SIMULACION MONTECARLO
La simulación Monte Carlo es una Técnica que combina varios conceptos
estadísticos que tienen la capacidad de probar como se puede comportar en el
futuro una variable en varios escenarios y de manera aleatoria.
Este sistema se utiliza en varios campos como es la ciencia la física y las finanzas.
ANALISIS DE UTILIDADES EN UNA EMPRESA MANUFACTURERA
1.¿Cómo se aplicó la Simulación de Montecarlo para resolver el problema?
El gerente de una Compañía manufacturera desea estimar el comportamiento de
sus utilidades bajo diferentes escenarios.
Ha solicitado un reporte al área financiera de sus operaciones, para realizar el
estudio se ha establecido los siguientes comportamientos.
El precio Unitario puede considerase como una distribución Triangular:
Mínimo: $18,95
Medio: más probable $ 24,5
Máximo $ 26,95
Los costos Unitarios se distribuyen de forma Uniforme con parámetros
a: $ 12
b: $15

¿Qué dificultades se identificaron al aplicar la herramienta?


El área financiera estima que La cantidad vendida se debe establecer con base en
precio unitario. El determina que la función es igual a : 10000 - 250 * precio unitario
+ una variable aleatoria que se distribuye de manera normal con parámetros miu=0
y std = 10.
Los costos fijos se distribuyen de forma normal con media = $30.000 y desviación
estándar de $5.000.

¿Cómo superar las dificultades mencionadas?


Con simulación de Montecarlo podemos simular varios escenarios de problemas
financieros con el objetivo de conocer si las decisiones financieras que vamos a
tomar son correctas y nos traen beneficios económicos.
http://www.palisade-lta.com/risk/simulacion_monte_carlo.asp (Enlaces a un sitio
externo.).
http://www.expansion.com/diccionario-economico/simulacion-de-monte-
carlo.html (Enlaces a un sitio externo.)

Responder... Responder al comentario

Contraer subforoDiaz Sanchez Brigith Zuleima


Diaz Sanchez Brigith Zuleima
Ayer2 oct en 17:44
Gestionar la entrada de foro
saludos
buenas tardes compañeros y profesora
Responder... Responder al comentario

Contraer subforoDiaz Sanchez Brigith Zuleima


Diaz Sanchez Brigith Zuleima
Ayer2 oct en 18:53
Gestionar la entrada de foro
buenas tardes compañeros y profesora
foro semana 5 y 6
parte 1

¿CUÁNTO VALE EL RIESGO? EL MÉTODO


MONTE CARLO? (Enlaces a un sitio externo.)
Cada vez son más las empresas que toman conciencia de la importancia de evaluar
riesgos a la hora de tomar decisiones o de emprender determinados proyectos de
inversión, ya que la previsión y la prevención son a menudo la mejor forma de
solución de posibles problemas.
Con el objetivo de valorar con exactitud el riesgo en un determinado proyecto de
inversión en una empresa o grupo de trabajo, se lleva a cabo lo que se conoce
como el método de Monte Carlo, un ejercicio de simulación de la realidad
sustituyendo la realidad por un plano teórico haciendo uso de números aleatorios.

En que consiste el método Monte Carlo


La idea básica de este método, asentando desde hace varias décadas, es poder
realizar valoraciones con respecto a determinados proyectos de inversión teniendo
en cuenta que las variables que se utilizan para el estudio no son ciertas, sino que
en ocasiones pueden referirse a varios valores.
Su principal valor, que ha hecho de esta técnica un aspecto clave para la gestión de
proyectos en las empresas, es que permite incoporar el concepto de riesgo a la
hora de entrar a valorar una inversión. Como se ha referido con anterioridad, la
prevención es un punto crucial a la hora de tomar decisiones en el seno de las
empresas, ya que permite estar preparados para contratiempos o riesgos
inesperados.
El origen de esta técnica se remonta a la década de 1940 y hace referencia al
Casino de Monte Carlo, considerada tradicionalmente la capital “del azar”. En 1940,
los matemáticos Neuman y Ulam aplicaron el método de simulación aleatoria al
campo de experimentación de las armas nucleares.
La importancia de este hecho reside en que por primera vez se hace patente que
esta técnica, además de para el azar y los juegos, también era aplicable a otras
áreas del conocimiento. Tan es así que fue 1964 cuando Hertz aplica esta práctica
técnica de simulación al análisis de las inversiones.
La utilización del método Monte Carlo como vía de investigación procede del
trabajo realizado en la creación y desarrollo de la bomba atómica en el contexto de
la Segunda Guerra Mundial en el Laboratorio de los Álamos en Estados Unidos. Lo
que se realizó en aquel momento fue la simulación de cuestiones de probabilidad
con respecto a la difusión de neutrones.
Hoy en día se trata de unos de los mecanismos de mayor peso a la hora de realizar
algoritmos de raytracing para generar imágenes en 3D.
Controlar la aleatoriedad es sin duda uno de los objetivos que siempre ha marcado
la trayectoria del hombre, por lo que la aparición de esta técnica venía a servir para
controlar y poder trabajar aun cuando existe aleatoriedad en un determinado
proceso. Para llevarla a cabo se produce a estudiar una muestra, generada de
forma aleatoria.
Se trata de un método de análisis prevenido especialmente práctico para aquellos
aspectos en los que es difícil encontrar información, o en los que la experimentación
es difícilmente posible. Al poner sobre el tablero una gran cantidad de escenarios
aleatorios, los análisis se adaptan con una mayor exactitud a la variabilidad del
mundo real.
Para determinar de forma más efectiva el riesgo de una determinada inversión se
procede a la identificación de aquellas posibilidades más significativas, lo que
reduce de forma considerable la cantidad de variables aleatorias que entrarían en el
proceso de análisis. Además, el método exige determinar las relaciones que existen
entre estas variables más significativas, a menudo una de las tareas más
complicadas de este proceso de prevención de riesgos en las empresas o iniciativas
de todo tipo.

La informática, un gran aliado para el método Monte


Carlo
La tecnología es, sin duda, una de las grandes bases de la vida moderna, sin la cual
no se podrían llevar a cabo la infinita mayoría de procesos de la vida diaria. Por este
mismo motivo este método encuentra un pilar fundamental en la utilización de
determinados softwares que permiten sistematizar e informatizar la tarea
de valoraciones del riesgo,
Algunos de los programas más útiles y más empleados en los diferentes proyectos
desde hace años, con el objetivo de establecer el grado de factibilidad de la
planificación a la hora de gestionar proyectos, son los siguientes:

o @Risk. Se trata de una aplicación empleada sobre Microsoft Excel que permite
incorporar el análisis del riesgo de un determinado proyecto en el cronograma
del mismo.
o Cristal Ball. Al igual que ocurre con la anterior, también está basada en Excel y
permite aplicar el análisis de Monte Carlo a la gestión de proyectos. Es capaz
de dilucidar modelos predictivos concretos y aplicarle la mejor solución. Uno de
sus mayores utilidades es que permite considerar la correlación que existe entre
distintas variables.
o Gold Sim. Se trata de un programa de análisis muy aplicable al sector de los
negocios y de la ingeniería.

Además de estos, existen otros programas informáticos para aplicar el método


Monte Carlo para realizar valoraciones de riesgo, como Katmar, Risky Project o
Full Monte, todos ellos muy empleados en el ámbito de los negocios para gestionar
proyectos.
La tecnología ha ejercido una influencia fundamental en la implantación y el
desarrollo del método Monte Carlo, ya que gracias al avance de los ordenadores y
el software, proyectos de cálculo que en otro momento hubieran sido del todo
inconcebibles, hoy son perfectamente realizables gracias a programas y
aplicaciones novedosas.

¿Por qué es útil el método Monte Carlo de cara a los


proyectos?
La idea de la que parte la aplicación del método Monte Carlo es que hay aspectos,
como el plazo o el coste, que no pueden ser determinados con exactitud, ya que se
trata de puntos variables. Se trata de una variabilidad con una doble vertiente: por
una parte, las estimaciones que se llevan a cabo son en sí mismas variables, ya
que una acción ni dura siempre igual ni cuesta siempre lo mismo; y por otra parte,
el riesgo en sí, ya que presentan una probabilidad de ocurrir diferente en distintas
situaciones, asi como un impacto que varía de unas situaciones a otras.
Lo que permite efectuar este análisis es otorgar de forma conceptual un valor a un
proyecto, no de manera determinada, sino estableciendo un “valor medio” y una
determinada variabilidad. Permite determinar hasta qué punto las
determinadas valoraciones de un proyecto son realistas y arrojan confianza con
respecto a los objetivos perseguidos con una determinada acción.
Monte Carlo permite a los analistas encargados de llevar a cabo la prevención de
riesgos señalar en qué porcentaje de las simulaciones aleatorias que se han llevado
a cabo aspectos como el plazo y el coste con menores que los objetivos que se
persiguen con el propio proyecto.
De este modo, si este porcentaje es inferior al grado de confianza que una
determinada empresa o grupo considera mínimamente aceptable, se estaría ante
un caso en el que la planificación no es factible y habría que modificarla.

¿Cómo se aplica el método Monte Carlo?


Este método para determinar el riesgo de determinadas acciones no se usa
generalmente para inversiones pequeñas, sino que se destina para las de tipo
medio o alto.
La clave para entender la utilidad de este sistema de simulación se encuentra en
que en los distintos proyectos hay esencialmente dos aspectos presentes que
tienen un comportamiento de tipo no determinista, es decir, cuyos resultados
dependen de múltiples variables y hay que enfrentar una cierta aleatoriedad. Este
es el caso de las tareas y el riesgo en las inversiones.
Las tareas poseen un valor de tipo medio, además de ser variables en función de
unas estadísticas capaces de relacionar un coste a un porcentaje que mide la
representatividad. Por su parte, el riesgo presenta dos probabilidades: la de
ocurrencia y el impacto que puede tener.
Para poner en práctica el método de Monte Carlo, una vez definidas las estadísticas
de tareas y de riesgos, lo siguiente sería calcular un valor concreto para
cada riesgo y cada tarea. Esto se realiza a través de la disposición de varios
números aleatorios de entre 0 y 100. Al asemejar a cada número aleatorio un
porcentaje de representatividad, el resultado es que se es capaz de estimar la
duración o el coste de un proyecto, en función de cada número aleatorio.
La idea es que durante este análisis de riesgo se repita este cálculo un número
considerable de veces, para asegurarse de la mayor forma posible de cuál es el
riesgo teórico al que una determinada inversión se enfrenta.
En definitiva, el método Monte Carlo se ha revelado como uno de los pilares
fundamentales para llevar a cabo valoraciones de riesgo en el seno de las
empresas. Tener una herramienta que permita prevenir situaciones aleatorias,
definir su probabilidad y poder preparar una respuesta de actuación para los riesgos
que una acción pueda acarrear representa un avance crucial en los sistemas de
gestión de las empresas y en la optimización de las inversiones. Valorar los riesgos
antes de efectuar acciones es una forma inteligente de estar preparados en todo
momento para solucionar problemas y reducir así el factor sorpresa.
https://www.cerembs.co/blog/cuanto-vale-el-riesgo-el-metodo-monte-carlo (Enlaces
a un sitio externo.)

Responder... Responder al comentario

Contraer subforoRodriguez Pena Carolina


Rodriguez Pena Carolina
Ayer2 oct en 21:24
Gestionar la entrada de foro

Rodriguez Pena Carolina


Rodriguez Pena Carolina
Ayer2 oct en 22:27

Gestionar la entrada de foro

SIMULACIÓN DE MONTECARLO APLICADO A UN CASO REAL


Investigar sobre alguna aplicación de Simulación de Montecarlo a un caso real.
Deben de forma resumida relatar en qué consistía el problema, y cómo se resolvió
utilizando Simulación de Montecarlo. No olvidar incluir la fuente de la página web
donde se encuentra descrita la aplicación que se mencionó
Rta. Recorrer la distancia entre San Francisco y Los Ángeles en tan sólo 30
minutos: esta es la atrevida idea que están desarrollando los creadores del quinto
medio de transporte, Hyperloop. Esta innovadora propuesta, transportar personas
en cápsulas propulsadas dentro de tubos a muy baja presión a velocidades que
rondan los 1.000 km/h, está cada día más cerca de la realidad, puesto que en la
actualidad, ya existen prototipos e importantes colaboradores de renombre mundial
(tanto entes públicos como punteras empresas privadas) que se han adherido a la
idea y han comenzado a colaborar con las diversas compañías que están en la
lucha por obtener en primer prototipo a escala real. Se trata de un medio de
transporte 100% verde, rápido, económico y que en definitiva, reduciendo de tal
manera las distancias, puede aportar una serie de mejoras a la vida cotidiana de las
personas incalculables. Sin embargo, aunque todas estas bondades son
aparentemente incuestionables, la primera palabra que acude a la mente de un
inversor que escucha hablar sobre la idea (y de la posibilidad de poner su capital en
juego) es: riesgo.
¿Cómo se aplicó la Simulación de Montecarlo para resolver el problema? El
método de Montecarlo está basado, a grandes rasgos, en la aplicación de
distribuciones de probabilidad a cada uno de los riesgos. Para ello, y de acuerdo a
la distribución que mejor explique el comportamiento de cada riesgo, será necesaria
la determinación de unos valores característicos que permitan modelizar cada
distribución. Por ejemplo, cuando la distribución que mejor se adapte al
comportamiento de un riesgo sea de tipo PERT, será necesario determinar los
valores mínimo, probable y máximo del riesgo. Para el caso, y atendiendo a la
partida presupuestaria sobre la que tenga afectación el riesgo, se considerará a
dicha partida (presente en el documento Alpha de Hyperloop) como el coste
probable de dicho riesgo. Por lo tanto sólo quedaría determinar los valores mínimo y
máximo. Además, también es necesario comentar que, el valor monetario de una
amenaza será positivo ya que ésta, de producirse, provocaría un aumento del
precio final del proyecto. Por contra, el valor de una oportunidad sería negativo dado
que su materialización implicaría una reducción en el precio final del mismo.
El Método Montecarlo ayudará no sólo a saber la probabilidad de una TIR en
concreto sino, más importante aún, que imputs influyen más al resultado de la TIR,
un dato clave para elegir una estrategia durante la monitorización de los riesgos y al
tomar medidas para mitigarlos.
método de montecarlo aplicado al análisis de riesgos del hyperloop
http://87.98.229.209/~csg/proyecto%202016/GRUPO%20DIEGO-TFM%20-
%20Entrega%20Final.pdf (Enlaces a un sitio externo.)

Responder... Responder al comentario

Contraer subforoPerez Sarmiento Lady


Perez Sarmiento Lady
2:433 oct en 2:43
Gestionar la entrada de foro
Cordial saludo Tutor y Compañeros.
A continuación, adjunto la aplicación de Simulación Monte Carlo en un ejemplo de la
vida real, con su respectivo paso a paso, para mostrar de manera clara la solución
de un problema.
La Simulación Monte Carlo, o Método Monte Carlo es una metodología estadística
que se basa en una gran cantidad de muestreos aleatorios para lograr llegar a
resultados próximos, de resultados reales.
En el documento adjunto, veremos un paso a paso claro, y con gráficos claros para
saber como aplicar las fórmulas en el caso, y así saber de dónde sale cada valor, y
el objetivo en cada paso.
Espero sea de apoyo para consulta y claridad al momento de ejecutar.
Bibliografía:
Rafael Avila. (2015). Simulación de Monte Carlo. 20 Agosto 2015, de LUZ Hojas en
excel Sitio web: https://blog.luz.vc/es/como-hacer/Simulaci%C3%B3n-de-
Montecarlo/ (Enlaces a un sitio externo.)
Cordialmente:
Lady Pérez Sarmiento.

Ejemplo de aplicación de Simulación Montecarlo en un caso re

También podría gustarte