SIMULACIÓN

GERENCIAL
 

 
 
Análisis de datos de salida Sensibilidad
 

 
 
 
 

 
 
 

 
 
 
 

 
 
 

 
 
 
 

 
 
 
   
  

• ANÁLISIS  DE  DATOS  DE  SALIDA  SENSIBILIDAD  

 

1. Índice  
1. Análisis  de  Sensibilidad  
2. Análisis  de  Sensibilidad  en  Simulación  de  Montecarlo  
3. Ejemplos.  
 

2. Introducción  
El  propósito  del  presente  documento  es  presentar  a  los  estudiantes  las  herramientas  gráficas  
y   analíticas   para   llevar   a   cabo   un   correcto   análisis   de   los   datos   de   salida,   teniendo   muy  
presente   que   son   estos   los   resultados   de   los   modelos   de   Simulación   y   obtenidos   luego   de  
haber  corrido  la  simulación.  

Finalmente,   se   presentará   al   estudiante   una   serie   de   ejercicios   relacionados   para   reforzar   los  
conocimientos  adquiridos  durante  el  desarrollo  del  módulo.  
 

3. Objetivo  general  
Al  finalizar  el  módulo,  los  estudiantes  sabrán  cuáles  son  las  herramientas  gráficas  y  analíticas  
fundamentales   para   llevar   a   cabo   un   análisis   de   datos   de   salida,   así   como   su   respectiva  
aplicación   con   el   objetivo   de   realizar   dicho   análisis   y   así   hacer   inferencias   sobre   el  
comportamiento  de  los  sistemas  bajo  estudio.  
 
Al  finalizar  la  séptima  semana  de  aprendizaje:  

1. El  estudiante  entenderá  la  importancia  de  realizar  un  análisis  de  Datos  de  Salida  
2. El   estudiante   conocerá   la   forma   de   aplicar   todos   los   conceptos   vistos   durante   el  
módulo  en  el  análisis  de  Salida  
3. El   estudiante   podrá   aplicaciones   de   pruebas   estadísticas,   resultados   de   los   modelos  
de  Simulación  de  Montecarlo    

4. Desarrollo  temático  
 
4.1  Recomendaciones  académicas.  

Se  recomienda  al  estudiante  realizar  la  lectura  de  la  cartilla,  en  la  cual  se  encuentra  toda  la  
información  relevante  que  se  evaluará  en  la  semana,  adicional  a  la  lectura  de  la  cartilla  se  le  
recomienda   revisar   las   teleconferencias   así   como   las   video-­‐diapositivas,   pues   estas   son   un  
medio   que   puede   aclarar   las   dudas   generadas   con   la   lectura   o   también   dar   soporte   a   los  
temas  expuestos  en  la  misma.  

 
2   [ POLITÉCNICO GRANCOLOMBIANO]
  

Finalmente,  se  le  sugiere  realizar  los  ejercicios  planteados  por  el  tutor  ya  que  estos,  a  pesar  
de  no  tener  un  valor  porcentual  en  la  nota,  sí  harán  que  su  formación  sea  completa  y  pueda  
ser  reforzada  de  forma  práctica.  
 
4.2    Desarrollo  de  cada  una  de  las  unidades  temáticas.    
 
1. ANÁLISIS  DE  SENSIBILIDAD  

Un  análisis  de  sensibilidad  es  una  técnica  a  través  de  la  cual  se  intenta  evaluar  el  efecto  que  
los   parámetros   de   entrada   o   las   restricciones   especificadas   de   un   modelo   tienen   sobre   las  
variables  de  salida  del  mismo  tanto  en  términos  relativos  como  en  términos  absolutos,  con  el  
objetivo  de  cuantificar  el  riesgo.  
 
El  análisis  de  sensibilidad  puede  servir  para:  
 
- Identificar  las  variables  críticas  del  modelo.  
- Identificar  dónde  se  deben  dedicar  mayores  esfuerzos  en  los  procesos  de  planeación,  
control  y  seguimiento  de  las  decisiones.  
- Identificar  las  variables  que  deben  ser  incluidas  en  la  creación  de  escenarios  o  en  los  
modelos  de  Simulación  de  Montecarlo.  
 

2. ANÁLISIS  DE  SENSIBILIDAD  EN  SIMULACIÓN  DE  MONTECARLO  

Teniendo  en  cuenta  que  por  medio  de  la  Simulación  de  Montecarlo  se  pueden  obtener  varios  
resultados   para   las   diferentes   variables   involucradas   en   el   modelo   (Variables   aleatorias,  
Variables   de   decisión   y   variables   de   resultados)   por   medio   de   las   diferentes   iteraciones,   el  
análisis  de  sensibilidad  se  puede  realizar  en  varios  niveles:  
 
• Análisis   de   Sensibilidad   de   una   variable:   Teniendo   en   cuenta   que   por   medio   de   las  
iteraciones   se   obtienen   diferentes   valores   para   las   variables   de   resultados,   se   pueden  
realizar  los  siguientes  análisis:  
 

- Estadísticas  descriptivas  de  las  variables  de  resultados:  Se  calculan  con  el  objetivo  de  
entender   el   comportamiento   de   la   distribución   de   la   variable   por   medio   de   las  
medidas   de   dispersión   y   Variabilidad.   Adicionalmente,   se   puede   analizar   el   tercer   y  
cuarto  momento  de  la  distribución.  

Ejemplo:   Luego   de   generar   1.000   iteraciones   para   el   modelo   planteado   anteriormente  

(Impermeables),  se  obtienen  los  siguientes  resultados:  
 

 
[ SIMULACUÓN GERENCIAL ] 3
  

Margen  Total  TX1 Margen  Total  TX2

Media 44.789.909 Media 44.901.602
Error  típico 93.824 Error  típico 74.388
Mediana 44.826.429 Mediana 45.600.765
Moda #N/A Moda #N/A
Desviación  estándar 2.966.987 Desviación  estándar 2.352.344
Varianza  de  la  muestra 8.803.010.228.953 Varianza  de  la  muestra 5.533.521.827.090
Curtosis -­‐0,122867 Curtosis 0,447441
Coeficiente  de  asimetría -­‐0,038616 Coeficiente  de  asimetría -­‐0,974297
Rango 17.498.555 Rango 13.306.448
Mínimo 36.513.384 Mínimo 36.459.651
Máximo 54.011.938 Máximo 49.766.099
Suma 44.789.908.840 Suma 44.901.601.838
Cuenta 1.000 Cuenta 1.000
 
- Representación  gráfica  de  las  variables  de  resultado:  La  descripción  gráfica  se  realiza  
con  el  objetivo  de  corroborar  los  resultados  obtenidos  por  medio  de  las  estadísticas  
descriptivas  acerca  del  comportamiento  de  la  distribución  de  los  resultados  obtenidos.  

Ejemplo:   Luego   de   generar   1.000   iteraciones   para   el   modelo   planteado   anteriormente  

(Impermeables),  se  obtienen  los  siguientes  resultados:  
 

 
4   [ POLITÉCNICO GRANCOLOMBIANO]
  

Histograma  -­‐  Margen  Total  -­‐  TX  1  

90   120,00%  
80   100,00%  
Frecuencia  

70  
60   80,00%  
50   60,00%  
40  
30   40,00%  
20   20,00%  
10   Frecuencia  
0   0,00%  
36513383,57  
37642322,58  

39900200,61  
41029139,62  
42158078,64  
43287017,65  
44415956,66  
45544895,68  
46673834,69  
47802773,7  
48931712,72  
50060651,73  
51189590,74  
52318529,76  
53447468,77  
38771261,6  

%  acumulado  

Clase  

Histograma  -­‐  Margen  Total  -­‐  TX  2  

120   120,00%  
100   100,00%  
Frecuencia  

80   80,00%  
60   60,00%  
40   40,00%  
20   20,00%  
Frecuencia  
0   0,00%  
36459651,23  
37318131,74  
38176612,25  

40752053,77  

42469014,79  
43327495,29  

45044456,31  
45902936,82  
46761417,32  
47619897,83  
48478378,34  
49336858,85  
44185975,8  
39035092,76  
39893573,26  

41610534,28  

%  acumulado  

Clase  
 
 
 

- Cálculo   de   probabilidades:   Se   pueden   realizar   cálculos   de   probabilidades   para   cada  

una   de   las   variables   de   resultados   del   modelo   de   simulación,   ya   que   se   tiene  
diferentes  valores  por  medio  de  las  iteraciones.  (Visto  anteriormente  en  el  curso)  
- Estimación  por  Intervalo:  Se  pueden  realizar  cálculos  de  intervalos  de  confianza  para  
las   diferentes   variables   de   resultados   del   modelo   de   simulación,   ya   que   se   tiene  
diferentes  valores  por  medio  de  las  iteraciones.  (Visto  anteriormente  en  el  curso)  
 
• Análisis   de   sensibilidad   de   Variables   aleatorias:   Para   analizar   cada   una   de   las   variables  
aleatorias   que   intervienen   en   el   modelo   de   SMC,   se   analizan   estas   variables   de   forma  

 
[ SIMULACUÓN GERENCIAL ] 5
  

individual   con   el   objetivo   de   encontrar   cuál   es   el   impacto   de   estas   variables   en   las  

variables  de  resultados.  

 
Ejemplo:  Con   el   objetivo   de   dar   respuesta   a   los   siguientes   interrogantes,   se   generaron   1.000  
iteraciones  del  modelo  realizado  anteriormente  (TX-­‐1  y  TX-­‐2),  obteniendo  como  resultados:  
 
¿En  qué  porcentaje  de  escenarios  la  máquina  TX-­‐1  supera  a  la  máquina  TX-­‐2?  
 
Alternativa   Frecuencia   %  

TX-­‐1   419   42%  

TX-­‐2   581   58%  
 
¿Cuál   es   la   probabilidad   de   que   en   promedio,   el   margen   total   de   las   máquinas   TX-­‐1   y   TX-­‐2   sea  
superior  a  45´000.000?  
 
Por  el  Teorema  del  límite  Central,  los  resultados  son:  
 
 
TX-­‐1:       P( X > 45´000.000) = 0.003%
 
´
TX-­‐2:       P( X > 45 000.000) = 43.97%
 
¿Cuál   es   el   intervalo   de   confianza   de   los   costos   totales?   ¿Cuál   es   el   coeficiente   de   variabilidad  
para  las  variables  de  entrada?  
 
Asumiendo  un  Nivel  de  significancia  del  5%,  encontramos  los  siguientes  resultados:  
 
 
⎡ s s ⎤
  IC95% = ⎢ X − Zα / 2 ; X + Zα / 2
  ⎣ n n ⎥⎦
 
 
 
[
IC95% = 73´374 .103;73´895 .008 ]
 
 
 
 
 
 

 
6   [ POLITÉCNICO GRANCOLOMBIANO]
  

El  coeficiente  de  variabilidad  para  los  inputs  es:  

 

Demanda   Demanda   Costo   unitario  Costo   unitario  

  amarillo   negro   TX1   TX2  

CV   13,17%   8,52%   9,39%   2,26%  

 
 
¿Qué   ventaja,   en   el   largo   plazo,   representa   la   elección   de   la   máquina   TX-­‐2   sobre   la   TX-­‐1?  
¿Estadísticamente,  hay  diferencias  entre  el  margen  de  las  máquinas  TX-­‐1  y  TX-­‐2?  
 
En  el  largo  plazo,  es  decir,  teniendo  en  cuenta  los  resultados  de  las  variables  de  desempeño  
luego  de  las  diferentes  iteraciones,  los  resultados  son:  
 

    Margen  Total  TX1   Margen  Total  TX2   Resultado  

Promedio   $    44.634.563,19   $    44.989.129,43   $    354.566,25  

 
 
Estadísticamente,   los   resultados   se   pueden   comparar   por   medio   de   pruebas   de   hipótesis.  
Estos  resultados  son:  
 
- Pruebas   de  Hipótesis:  Con  el  objetivo  de  contrastar  si  las  varianzas  de  las  poblaciones  
son  iguales,  primero  realizamos  esta  prueba,  a  un  nivel  de  significancia  del  5%.  
 
Realizamos   la   siguiente   prueba,   con   el   objetivo   de   contrastar   la   diferencia   de   medias   del  
margen  total  de  las  alternativas  TX1  y  TX2:  
 
  H 0 = µ 2 − µ1 = 0
  H A = µ 2 − µ1 > 0
 
Con  grados  de  Libertad  V=1983  
 
Por  lo  tanto,  el  valor  crítico  de  la  Distribución  t  a  1  cola  es:  
  t
0.95 ,1893 = 1.645
 
 
 
 

 
[ SIMULACUÓN GERENCIAL ] 7
  

Donde  el  estadístico  de  prueba  es:  

 
  ( X TX 2 − X TX 1 ) − δ 0
t   = = 3.05
S 2TX 2 S 2TX 1
  n2
+
n1
 
 
Por   lo   tanto,   con   un   nivel   de   confianza   del   95%   podemos   concluir   que   existe   suficiente  
evidencia  estadística  para  decir  que  los  promedios  de  los  márgenes  no  son  iguales.  

 
8   [ POLITÉCNICO GRANCOLOMBIANO]