Documentos de Académico
Documentos de Profesional
Documentos de Cultura
337 Lectura7.1 PDF
337 Lectura7.1 PDF
En el capitulo 14, usted aprendió los conceptos básicos de la simulación. Varios ejemplos
sencillos sirvieron para ilustrar la metodología general. Recuerde, sin embargo, que la
principal ventaja de la simulación es el estudio de sistemas grandes y complejos que no
puedan ser revisados fácilmente con un análisis matemático directo. En este capítulo,
usted verá como se aplica la simulación a problemas de diferentes áreas, incluyendo un
problema sobre finanzas, uno sobre administración de inventarios y uno sobre un sistema
de colas. Aprenderá también como usar el análisis estadístico para determinar el número
de corridas de simulación o repeticiones que hay que hacer para que pueda lograr un nivel
deseado de confianza en el valor resultante.
2
15.1.1 Descripción del problema
Suponga que está a punto de comprar una casa y debe decidir de que manera financiar su
adquisición. Tiene dos opciones. Una es conseguir una hipoteca f1ja a 15 años a18% sin
puntos (un punto es 1% de la cantidad hipotecada). La otra opción es una hipoteca de tasa
variable a 15 años, con una tasa inicial de 7%. Esta tasa se ajusta cada tres años en la
cantidad de cambio de la tasa principal (una tasa clave que los bancos cargan a sus
mejores clientes) que se haya presentado en dicho periodo. La tasa máxima es 10%. Los
meritos de las dos hipotecas se analizan sobre la base de 15 pagos anuales hechos al final
de cada ano, aunque el análisis puede hacerse igualmente bien utilizando 180 pagos
mensuales. Las tasas principales futuras, desde luego, son desconocidas, pero suponga
que un economista respetado le ha dicho que cree que la probabilidad de que esta tasa
cambie en cualquier periodo de tres años es como sigue:
Como se vio en la sección 14.3.1 del capitulo 14, antes de diseñar los detalles de una si-
mulación por computadora, es muy importante tener un claro entendimiento de los
objetivos del estudio en forma de resultados numéricos específicos. Para el problema
de la hipoteca, es necesario comparar los pagos anuales de las hipotecas de tasa fija y
tasa variable. Con el propósito de simplificar el ejemplo, no se toman en cuenta las
implicaciones impositivas de las dos hipotecas, pero pueden incluirse utilizando
registros contables adicionales. La cantidad principal total de la hipoteca es la misma en
ambos casos, de modo que la comparación puede realizarse sobre una base "por
$1000".
Un planteamiento común para comparar dos formas de pago consiste en realizar un
análisis de flujo de efectivo basado en el valor presente neto, que toma en cuenta el
valor temporal del dinero. Por ejemplo, ¿preferiría usted $1.00 ahora o $1.10 dentro de un
año? La respuesta depende de la tasa de descuento (interés). Si puede obtener mas de
10% de interés, preferiría $1.00 ahora porque su valor será mayor a $1.10 dentro de un
año. En general, el valor presente neto1 (NPV) de una cantidad $A en algún tiempo
3
futuro t es la cantidad $P que se tendría que invertir ahora, con una tasa de descuento
conocida, de modo que $P valga $A en el tiempo t. Por ejemplo, si A es $100, t = 3 y la
tasa de descuento es 8% anual, entonces el valor presente neto es P = $79.38. Esto es,
P = $79.38 invertidos ahora con una tasa de interés de 8% anual crecerán a A = $100 al
final de t = 3 años. Las fórmulas matemáticas específicas necesarias para obtener el
valor presente neto se presentaran cuando se requieran en la presente sección. Para
utilizar el concepto de valor presente neto en la comparación de dos hipotecas, calcule lo
siguiente:
3. La cantidad en la cual el pago variable excede al pago fijo, por cada ano.
Un valor presente neto positivo para esta diferencia indica que la hipoteca de tasa fija es
preferible, pues se espera que cueste menos en términos del valor actual del dinero. En
resumen, entonces, el valor presente neto de las diferencias en los quince pagos anuales
de las dos hipotecas constituyen el resultado de la presente simulación.
4
3. Los datos probabilísticos que se generan cuando es necesario y que consisten en
las tasas de interés aplicables a la hipoteca de tasa variable durante cada uno de
los cuatro periodos restantes de tres años
Una vez que se han identificado los resultados y los datos de entrada para calcularlos,
usted necesita generar números aleatorios adecuados y desarrollar un esquema
asociado de contabilidad.
Las entradas probabilísticas para la presente simulación son las cuatro tasas de
interés al inicio de los años 4, 7,10 y 13 de la hipoteca de tasa variable. La cantidad en
la cual difiere cada tasa de su antecesora deberá seguir la distribución dada en la
descripción del problema. Para generar un número aleatorio a partir de esta
distribución discreta, utilice el procedimiento presentado en la sección 14.3, capítulo
14. Es decir:
Por ejemplo, recuerde que la tasa de interés variable para los años 1-3 es de 7%. Para
generar la tasa de interés para los años 4-6, elija arbitrariamente un número aleatorio
uniforme entre 0 y 1, digamos U = 0.703888, tomado de la hilera 16 y la columna 1 de
5
la tabla del apéndice A. De acuerdo con la tabla 15.1, la tasa de interés disminuye en
0.5% debido a que el valor de Use encuentra en el intervalo de 0.60 a O.75. Por
consiguiente, la tasa de interés para los años 4-6 es:
Tenga en consideración, sin embargo, que siempre que esta tasa de interés exceda
10%, los términos de la hipoteca demandan que solamente se cargue 10%.
Recuerde los datos siguientes, que corresponden a la descripción del problema dada
en la sección 15.1.1:
Principal = P = 1000
El pago anual al final del ano para la hipoteca de tasa fija se calcula mediante la
formula:
i
Pago = P *
1− rn
0.08
= 1000 *
1 − (0.92593)15
= $116.83
6
Por el contrario, el pago anual para la hipoteca de tasa variable cambia cada tres años,
basándose en la tasa de interés aplicable, en el principal restante y en el número de
años que faltan.
Para los primeros tres años, el interés de tasa variable es 7% (de modo que i = 0.07 y r
= 1/(1 + i) = 711.07 = 0.93458). El principal restante es P=1000, de manera que el pago
en cada uno de estos años es:
i
Pago = P *
1− rn
0.07
= 1000 *
1 − (0.983458)15
= $109.79
Para calcular el pago para cada uno de los siguientes tres años, es decir, para los
años 4, 5 y 6, primero es necesario saber cuanto del principal falta por ser pagado.
En otras palabras, una porción de cada uno de los pagos anuales de $109.79 es por
intereses y el resto es para pagar el principal. En particular, para el ano 1:
Pago = 109.79
= 1000-39.79
= 960.21
Por consiguiente, al inicio del año 2, el principal restante es de $960.21. Cálculos
parecidos para los años 2 y 3 tienen como resultado la tabla siguiente:
7
AÑO 1 AÑO 2 AÑO 3
Principal inicial 1000.00 960.21 917.63
Para determinar el pago anual de cada uno de los siguientes tres años sobre el principal
no pagado de $872.07 y 12 años restantes de deuda, es necesario utilizar números
aleatorios para generar la tasa de interés aplicable. Seleccione arbitrariamente un
número aleatorio inicial uniforme entre 0 y 1, de la tabla del apéndice A, digamos U=
0.703888 del renglón 16 y la columna 1. De acuerdo con la tabla 15.1, la tasa de interés
disminuye en 0.5% pues este valor de U cae dentro del intervalo comprendido entre
0.60 y 0.75. Por consiguiente, la tasa de interés para los años 4-6 es:
Interés en los años 4-6 = (interés en los años 1-3) - (cambio)
= 7.0 - 0.5
= 6.5%
En consecuencia, para estos tres años:
Principal = P = 872.07
1 1
Factor de valor presente r = = = 0.93897
1 + i 1.065
i
Pago = P *
1− rn
0.065
= 872.07 *
1 − (0.93897)12
8
= $106.89
Para calcular el pago por cada uno de los tres años siguientes, esto es, para los años 7, 8
y 9, primero es necesario conocer cuanto del principal queda por ser pagado. En otras
palabras, una porción de cada uno de los pagos anuales de $106.89 es por concepto de
intereses y el resto se abona al capital principal. En particular, para el año 4:
Pago = 106.89
= 56.68
9
CONTABILIDAD PARA LOS AÑOS 7- 9
Para determinar el pago anual por cada uno de los siguientes tres años sobre el
principal no pagado de $711.45 y nueve años restantes, es necesario utilizar números
aleatorios para generar la tasa de interés aplicable. Seleccione el siguiente numero
aleatorio uniforme entre 0 y 1 de U = 0.856269, tornado de la hilera 16 y la columna 2
de la tabla del apéndice A. De acuerdo con la tabla 15.1, la tasa de interés disminuye
en 1.0%, porque este valor de U cae dentro del intervalo comprendido entre 0.75 y 0.90.
Por consiguiente, la tasa de interés para los años 7-9 es:
= 6.5 - 1.0
= 5.5%
Realizando cálculos parecidos para los años restantes se tiene como resultado la
información que se presenta en la tabla 15.2. Esta tabla representa el esquema de
contabilidad necesario para seguir el rastro de los 15 pagos anuales utilizados para
comparar la hipoteca de tasa variable con la de tasa fija. El paso final consiste en
comparar los dos flujos de pago mediante el cálculo del valor presente neto de la
diferencia en los pagos anuales.
Recuerde que para comparar las dos hipotecas es necesario calcular lo siguiente:
TABLA 15.2 Pagos anuales para la hipoteca de tasa variable
AÑO 1 2 3 4 5 6 7
Saldo inicial 1000. 960.2 917.6 872.0 821.8 768.3 711.45
00 1 3 7 6 9
Pago 109.7 109.7 109.7 106.8 106.8 106.8 102.34
variable 9 9 9 9 9 9
10
AÑO 8 9 10 11 12 13 14 15
Saldo 648.24 581.56 511.21 438.84 361.76 279.67 193.52 100.48
inicial
Pago 102.34 102.34 105.60 105.60 105.60 108.53 108.53 108.53
variable
Interés 35.66 31.99 33.23 28.52 23.51 22.38 15.49 8.05
Los valores para los pagos 1 a 3 se resumen en las primeras cuatro columnas de la
tabla 15.3. Para encontrar los valores presentes netos de tales diferencias, es
necesario calcular la tasa de descuento. Utilice las cinco tasas de interés para la
hipoteca de tasa variable que aparecen en la tabla 15.3 para calcular la tasa de
descuento:
11
1 1
Factor de valor presente = r = = = 0.93721
1 + d 1.067
El valor presente neto de cualquier cantidad A al final del año m se calcula con la
fórmula:
TABLA 15.3 Comparación de los pagos anuales de las dos hipotecas para
la hipoteca de tasa variable
12
Por ejemplo, para el primer año, la diferencia en los pagos anuales es de A = $109.79 -
$116.83 = -$7.04, y, de este modo, el valor presente neto de esta cantidad es:
Valor presente neto = A * r
= -7.04 * (0.93721)' = -6.60
De manera similar, para el segundo año, en el cual m = 2 y la diferencia en los pagos
anuales es también A = -7.04,
= -7.04 * (0.93721)t =
= -6.60
= -7.04 * (0.93721)2 =
= -6.18
13
CORRIDA U TASA U TASA U TASA U TASA VPN
14
El resultado de hacer estos cálculos para cada uno de los trece años restantes se
resume en la última columna de la tabla 15.3. Sumando los 15 números que hay
en esta columna se obtiene que el valor presente neto de las diferencias en los
pagos anuales de las dos hipotecas es de -92.66. Esto significa que, en la
presente simulación, es preferible la hipoteca de tasa variable a la hipoteca de
tasa fija, debido al valor presente neto negativo de la diferencia.
Entre muchos otros productos, American Dairy Foods, Inc., (ADF), suministra
leche a varios expendios de un suburbio de Madison. ADF obtiene la leche de
una cooperativa granjera local a $1.50 el galón y la almacena en sus
instalaciones centrales. De ahí, la leche es distribuida a los expendios según se
vaya necesitando, a un precio de $2.00 por galón. Un análisis estadístico de las
ventas anteriores ha revelado que la demanda diaria en las instalaciones
centrales puede ser aproximada con bastante precisión a través de una
distribución normal con una media de 750 galones y una desviación estándar
de 100.
El departamento de contabilidad de ADF ha negociado con la cooperativa un
costo fijo de $100 por pedido para cubrir los cargos de entrega y de
procesamiento. La experiencia de ADF con la cooperativa revela que el 80% de
15
las veces la orden de leche que ADF hace al principio del día es entregada por
la cooperativa a la mañana siguiente. Sin embargo, 20% de las veces el pedido
es entregado la segunda mañana después de haberlo hecho.
Como gerente de operaciones de ADF, usted desea determinar una política de
inventarios que maximice la ganancia diaria esperada, basándose en un costo
de mantenimiento de inventario de H = $0.02 por galón por día. Al determinar
esta política, usted necesita tomar en cuenta que la leche es un producto
perecedero. Con ese hecho en mente, la política de la corporación indica que
cualquier cantidad de leche que se encuentre en las instalaciones centrales
más de siete días no puede ser distribuida a los expendios. En su lugar, es
vendida a los bancos de comida locales a $0.50 por galón.
Al determinar la política óptima, debe darse cuenta de que los modelos
descritos en el capítulo 12 no se aplican de manera directa. Una razón de ello
es que el tiempo líder en este problema no es conocido, mientras que los
resultados del capítulo 12 están basados en un tiempo líder conocido.
También, el aspecto perecedero del problema hace que no sea válido el
análisis matemático del capítulo 12. Por estas razones, una simulación es una
forma razonable de evaluar diferentes políticas, como se describirá en la
sección 15.2.2.
16
Por ejemplo, si s = 500 y S = 2000, entonces la política es pedir leche
solamente si el inventario en existencia y en pedido se encuentra por debajo de
500 galones. En este caso, ADF ordena un pedido para tener el inventario en
existencia y en pedido hasta un total de 2000 galones.
El objetivo es determinar los valores de s y de S que maximicen la ganancia
diaria esperada. A pesar de que sería deseable realizar un análisis matemático
para determinar los mejores valores de s y S, hacerlo, en este caso, no resulta
sencillo debido a la complejidad ocasionada por el tiempo guía no conocido y el
carácter perecedero de la leche. Un planteamiento viable consiste en utilizar la
simulación para evaluar la ganancia diaria esperada asociada con diferentes
valores de s y S, y luego elegir la pareja de valores que proporcionen la
ganancia diaria esperada más grande. Para ilustrar de qué manera se usa la
simulación en la evaluación de una elección particular, suponga que ks = 900 y
S = 4000.
15.2.3 Diseño de la simulación
Como se analizó en la sección 14.3.1 del capítulo 14, antes de diseñar los
detalles de una simulación por computadora, es de suma importancia tener un
claro entendimiento de los objetivos del estudio en forma de resultados
numéricos específicos. Para el problema de American Dairy Foods, tal
resultado es la ganancia diaria esperada.
El siguiente paso consiste en identificar los datos de entrada de la simulación.
Necesita estos valores para calcular la ganancia diaria esperada. Recuerde, de
la sección 14.3, capítulo 14, que las entradas caen dentro de las tres
categorías siguientes.
1. Las condiciones iniciales, en este caso, expresan la cantidad de leche con
un día de almacenamiento que se tiene en existencia, con dos días de
almacenamiento que se tiene en existencia y así sucesivamente, al inicio de la
simulación. Otra condición inicial es si se ha ordenado un pedido antes del
primer día de la simulación y, si éste es el caso, la cantidad ordenada y el día
en que se espera su llegada. Estos valores iniciales deberían reflejar las
condiciones iniciales más probables en cualquier día dado y deberían
obtenerse mediante una estimación basada en su experiencia. Para los
propósitos de esta ilustración, suponga que no hay pedidos pendientes y que
los inventarios iniciales son los siguientes:
DÍAS DE SÍMBOLO INVENTARIO
ALMACENAMIENTO INICIAL (GALONES)
0 I0 0
1 I1 500
2 I2 300
3 I3 0
4 I4 0
5 I5 100
6 I6 100
17
2. Los datos determinísticos consisten en:
18
Además, siempre que se ordene un pedido, se necesita generar el tiempo
líder aleatorio de acuerdo con la siguiente distribución discreta:
DÍAS PROBABILIDAD
1 0.8
2 0.2
⎧1 si U < 0.8
Tiempo guía = ⎨
⎩2 si U ≥ 0.8
I0 I1 I2 I3 I4 I5 I6
0 500 300 0 0 100 100
19
1. Elija aleatoriamente un número aleatorio entre 0 y 1 de la tabla del
apéndice A, digamos U = 0.770145, de la hilera 6, columna 1.
d = µ + (σ * z)
= 750 + (100 * z)
= 750 + (100 * 0.73)
= 823 galones
⎧d si d ≤ inventario total
Cantidadvendida = ⎨
⎩inventario total en cualquier otro caso
INVENTARIO
DÍAS DE INICIO DEMANDA INICIO
ALMACENAMIE SÍMBOL DEL DÍA 1 CLUMPLIDA DEL DIA 2
NTO O
0 I0 0 0
1 I1 500 323 0
2 I2 300 300 500-
323=177
3 I3 0 300-300 = 0
4 I4 0 0
20
5 I5 100 100 0
6 I6 100 100 100-100 = 0
7 I7 0 0 100-100 = 0
= 823 * 0.50
= 411.50
21
galones vendidos * (pérdida por galón)
Pérdida de los bancos de a los bancos
alimentos
= 0.00
0 si no se ordena un pedido
Costo del pedido
1100 si se ordena un pedido
= 177 * 0.02
= 3.54
I0 I1 I2 I3 I4 I5 I6
0 0 177 0 0 0 0
22
Paso 2. Pedidos: observe que el inventario total de I =10 + Il + . . . + IB =
177 está por debajo del punto mínimo de nuevos pedidos de s =
900: Por consiguiente se ordena un pedido para que el
inventario suba a S = 4000. Este pedido es de 4000 -177 = 3823
galones de leche. Como se analizó en la descripción del
problema, esta leche llega en el día 3 (con una probabilidad de
0.80) o en el día 4 (con una. probabilidad de 0.20). Para generar
este tiempo líder aleatorio, seleccione el siguiente numero
aleatorio, 0.556772, de la hilera 6, columna 2 de la tabla del
apéndice A. Debido a que este número es menor a 0.80, el
tiempo líder es un día, de modo que el pedido llega al inicio del
día 3.
I0 I1 I2 I3 I4 I5 I6
0 0 0 0 0 0 0
23
CONTABILIDAD PARA EL DÍA 3
2), ese pedido llega al inicio del día 3. Agregue esta cantidad a I0, el nivel de
inventario actual de leche con cero días de almacenamiento:
I0 I1 I2 I3 I4 I5 I6
3823 0 0 0 0 0 0
Paso 2. Pedidos: el inventario total de I = Io + I1 +...+ I6 = 3823 está por encima del
punto mínimo de nuevos pedidos de s = 900, de modo que no se ordena ningún
pedido el día 3.
I0 I1 I2 I3 I4 I5 I6
0 3216 0 0 0 0 0
24
Ganancia neta = (ganancia de la leche vendida a los expendios) - (pérdida de la
leche vendida a bancos de alimentos) - (costo por hacer un pedido ese día) -
(costo de mantenimiento del inventario de ese día) = (607 * 0.50) - (0 * 1.00) -
(3216 * 0.02)
= -$239.18
Los resultados obtenidos al repetir este proceso para los primeros 20 días se
resumen en la tabla 15.5. Si el proceso se efectúa para 100 días, obtendrá una
ganancia total de $30 517.62. Dividiendo este total entre 100 da como resultado
una ganancia diaria esperada estimada en $305.18.
Recuerde que este valor es solamente una estimación basada en una simulación
particular. La estimación puede hacerse más confiable al aumentar el número de
días en la presente simulación o realizando la simulación de 100 días muchas
veces más. En la sección 15.5, usted aprenderá cómo determinar un número
adecuado de veces que se puede repetir esta simulación, de modo que la
estimación resultante este dentro de una precisión especificada de antemano.
25
simulaciones parecidas. Seleccione entonces los valores de s y S que produzcan
la mayor ganancia diaria esperada de acuerdo con la simulación.
Antes de instrumentar la política obtenida de la presente simulación, como
administrador, usted debería tomar en cuenta otros aspectos del problema. Por
ejemplo, puede ser que desee considerar qué tan seguido la política de inventario
tiene como resultado un déficit de leche, es decir, que la empresa no sea capaz de
suministrar el producto a los expendios. También, usted puede desear conocer el
impacto de revisar el inventario en otro periodo y no diariamente. Todas estas
preguntas del tipo "¿qué sucede si...? pueden ser exploradas haciendo los
cambios adecuados al diseño y a la contabilidad de la simulación.
TIEMPO PROBABILIDAD
(segundos)
3-8 0,6
8-13 0,3
13-18 0,1
26
No existen datos similares para la caseta rápida propuesta. No se espera que el
tiempo de servicio en ésta siga la distribución anterior porque dicha distribución
pertenece a autos, camiones y todos los demás vehículos, mientras que la caseta
rápida solamente es para automóviles. De la experiencia con casetas rápidas en
otras carreteras, usted cree que el tiempo de servicio puede ser aproximado
bastante bien por una distribución exponencial, con una tasa media de 10 autos
por minuto.
Usted debería darse cuenta de que los modelos descritos en el capítulo 13 no se
aplican directamente. Una razón de ello es que los tiempos de servicio en las
casetas siguen diferentes distribuciones, y una de éstas no es exponencial. Una
segunda razón es que los autos con dos o más pasajeros tienen la libertad de
escoger una de las tres colas, mientras que todo el resto del tráfico debe unirse a
Caseta
----------------------------------- rápida
-----------------------------------
1
-----------------------------------
Casetas
generales
-----------------------------------
2
-----------------------------------
Figura 15.1 Plaza de cobro propuesta para la New Jersey Turnpike Commission.
una de las dos colas de las casetas generales. Además, entre las casetas
permitidas, cada vehículo escoge la cola más pequeña. Por tales razones, no se
pueden aplicar aquí los modelos del capítulo 13. Una simulación ofrece medios
razonables para evaluar el sistema.
27
3. El use promedio de cada caseta, es decir, la fracción de tiempo que tarda el
empleado en atender a un vehículo.
El siguiente paso consiste en identificar los datos de entrada de la simulación.
Como siempre, éstos caen en las siguientes tres categorías:
1. Las condiciones iniciales aquí son el número de vehículos que son atendidos o
que esperan en la fila en cada caseta al momento en que inicia la simulación.
Estos valores deben reflejar las condiciones más probables durante las horas
pico. Como administrador de operaciones, debería hacer una estimación de
ellos, basándose en su experiencia. Para el propósito del presente ejemplo,
suponga que la fila rápida está vacía y que en cada fila general, un automóvil
acaba de detenerse en la caseta para pagar. Se tiene también que hay dos autos
esperando en la fila de una de las casetas generales y tres en la otra fila general.
Recuerde que si la simulación se lleva a cabo durante un periodo lo
suficientemente largo, las condiciones iniciales tendrán poco efecto en los
resultados finales.
2. Los datos determinísticos consisten en la duración del periodo durante el cual se
va a realizar la simulación, digamos dos horas, y el hecho de que hay una caseta
rápida y dos generales.
3. Los datos probabilísticos, generados cuando sea necesario, consisten en lo
siguiente:
a. Las Ilegadas de vehículos, cuyos tiempos entre llegadas se supone que
siguen una distribución exponencial, con una tasa media X, = 20 vehículos por
minuto.
b. El tipo de vehículo que llega, que es un vehículo para la caseta rápida (es
decir, un auto con al menos dos personas) o un vehículo para las colas
generales (todos los demás vehículos). La probabilidad de que un vehículo que
Ilega pueda formarse en el carril rápido es de 0.3333 y la probabilidad de que
no se pueda formar es de 0.6667, como se dio en la descripción del problema.
c. El tiempo de servicio de un vehículo que se encuentre en la fila general, que
se supone sigue la distribución histórica dada.
d. El tiempo de servicio de un automóvil que se encuentre en la fila rápida, que
se supone sigue una distribución exponencial con una tasa media de 10 autos
por minuto.
La simulación real consiste en generar los números aleatorios apropiados y un
esquema de contabilidad asociado, lo cual se describe a continuación.
Cada una de las cuatro entradas probabilísticas necesita ser generada utilizando
números aleatorios de acuerdo con sus distribuciones de probabilidad
subyacentes.
28
• Generando un número aleatorio uniforme, U, entre 0 y 1.
• Calculando:
ta = - (1/20) * 60 * ln(1- U)
TIEMPO PROBABILIDAD
(segundos)
3-8 0,6
8-13 0,3
13-18 0,1
Para generar la distribución continua
con base en estos datos empíricos, primero obtenga su función de distribución
acumulativa, F(x), como se muestra en la figura 15.2. Para generar un número
aleatorio a partir de esta función de distribución acumulativa particular, recuerde el
planteamiento general, descrito en la sección 14.3, capítulo 14:
• Genere un número aleatorio uniforme, U, entre 0 y 1.
29
Figura 15.2 Función de distribución acumulada del tiempo requerido
Figura 15.2 Función de distribución acumulada del tiempo requerido para atender
un vehículo en una caseta general
Encontrar el valor deseado de t, depende de si U está entre 0.0 y 0.6, entre 0.6 y
0.9 o entre 0.9 y 1, como se muestra en la figura 15.3.
Específicamente, el tiempo de servicio, ts se calcula de la manera siguiente:
30
31
Para determinar cuando cambia el estado de este sistema, usted necesita saber
los tiempos a los cuales los vehículos en las dos casetas generales terminan de
32
ser atendidos y cuando el siguiente vehículo llega a la plaza de cobro. Estos
valores necesitan ser generados aleatoriamente de acuerdo con sus
distribuciones.
Utilice números aleatorios para determinar cuando los dos vehículos que son
atendidos actualmente en cada una de las casetas generales terminan el trámite.
U − 0.6
ts = 8 + 5 *
0.3
0.689315 − 0.6
= 8 + 5*
0.3
= 9.49 segundos
U
ts = 3 + 5 *
0.6
0.122662
= 3 + 5*
0.6
=4.02 segundos
El vehículo que se encuentra en la primera caseta general sale del sistema 9.49
segundos después, al tiempo T = 0 + 9.49 = 9.49. El vehículo que se encuentra en
la segunda caseta general sale del sistema al tiempo T = 0 + 4.02 = 4.02.
33
to = -(1/20) * 60 * ln(1 - U)
= -3 * In(1- 0.151792)
= 0.49 segundos
Esto es, el siguiente vehículo Ilega 0.49 segundos a partir de ahora, al tiempo
T=0+0.49=0.49.
Para determinar el tipo de vehículo que llega, utilice el siguiente número aleatorio
entre 0 y 1, U = 0.245387, de la hilera 1, columna 5, lo cual significa que el
vehículo es rápido (pues U < 0.3333).
a
El estado de la caseta es I para desocupado o B para ocupado.
b
Lleg./Sal. significa que el suceso al tiempo actual as una Ilegada/salida.
1. Suceso: esta columna indica qué suceso (un nuevo vehículo que llega o uno
que sale) ha tenido como resultado un cambio en el estado del sistema en este
momento. En general, esta columna contendrá la entrada "Lleg" para una llegada
y "Sal" para una salida. Al tiempo actual T = 0, se tiene como entrada un " " para
indicar las condiciones iniciales.
34
4. Siguiente llegada: estas columnas proporcionan el tiempo al cual llega el
siguiente vehículo y si éste puede pasar por la caseta rápida o no. Como se vio
anteriormente, el siguiente vehículo llega al tiempo 0.49 y es un vehículo
rápido, lo cual está indicado por la letra E.
Basándose en la información de la tabla 15.6, usted puede ver que el estado del
sistema permanece igual hasta que llega un nuevo automóvil rápido al tiempo T =
0.49. Esta llegada ocurre antes de que cualquiera de los dos vehículos que están
siendo atendidos en las casetas generales termine de hacer el pago.
Cuando el vehículo rápido llega al tiempo T = 0.49, usted necesita llevar a cabo los
siguientes dos pasos:
ts = -(1/10) * 60 * ln(1 - U)
= -6 * l(1 - 0.995255) = -6 * (- 5.3517)
= 32.11 segundos
35
Estos cambios están resumidos en la tabla 15.7, en la hilera correspondiente al
tiempo T = 0.49, al cual llega un nuevo vehículo.
Cuando el vehículo general llega al tiempo T= 3.08, usted necesita seguir los
siguientes dos pasos:
1. Cambie el estado del sistema de la manera siguiente:
a. Decida qué fila escoge el vehículo que llega. En este caso, el vehículo se
forma en la fila de la primera caseta general, pues solamente hay dos autos
en ella, y en la otra hay tres.
b. Determine si el vehículo que llega puede ser atendido de inmediato en la
caseta escogida. En este caso, el vehículo no puede ser atendido de
inmediato porque la caseta escogida está ocupada. Este vehículo aumenta
la longitud de la fila de dos a tres.
2. Determine el tiempo del siguiente vehículo que llega. De nuevo, genere un
tiempo entre llegadas aleatorio utilizando el siguiente número aleatorio entre 0
y 1, U = 0.894206, de la hilera 2, columna 4, de la manera siguiente:
ta = -(1/20) * 60 * ln(1- U)
= -3 * ln(1- 0.894206)
= -3 * (-2.2467)
= 6.74 segundos
36
Estos cambios se resumen en la tabla 15.8, en la columna correspondiente al
tiempo T = 3.08, al cual llega un nuevo vehículo.
De la tabla 15.8, usted puede ver que el estado del sistema permanece igual hasta
que el vehículo que se encuentra en la segunda caseta general termina de ser
atendido al tiempo T= 4.02. Este suceso se presenta antes que otro vehículo
empiece a ser atendido en la caseta rápida o que el vehículo que está siendo
atendido en la primera caseta general termine de pagar, y antes de la siguiente
llegada de un vehículo, programada al tiempo 9.82.
Cuando este vehiculo termina en la segunda caseta general al tiempo T = 4.02, los
siguientes cambios pueden ocurrir:
U
ts = 3 + 5 *
0.6
0.355729
= 3 + 5*
0.6
= 5.97 segundos
Este vehículo termina de ser atendido 5.97 segundos a partir de ahora, al tiempo T
= 5.97 + 4.02 = 9.99 segundos.
37
general. A partir de estos sucesos muestra, usted puede ver que el estado del
sistema cambia solamente cuando uno de dos sucesos se presenta: (a) llega un
nuevo vehículo o (b) un vehículo termina de ser atendido en una caseta.
Dependiendo de qué suceso ocurra primero, el reloj se mueve a ese punto del
tiempo y se llevan a cabo las siguientes operaciones asociadas de contabilidad.
38
39
Estas dos cantidades pueden obtenerse de la tabla 15.10. De la tabla, hasta un
tiempo T = 60, usted puede contar que siete vehículos han sido atendidos en la
primera caseta general (la primera termina al tiempo 9.49, la segunda al tiempo
24.35, y así sucesivamente).
Para obtener el valor del numerador se requiere saber cómo varía con el tiempo la
longitud de la fila para acceder a la primera caseta general. Esa información
también está disponible en la tabla 15.10 y ha sido transferida a la figura 15.4. Del
tiempo T = 0 a T = 3.08, existen dos vehículos en la fila de la primera caseta
general. Su tiempo de espera combinado hasta ese punto es:
40
Entonces, del tiempo T = 3.08 al tiempo T = 9.49 hay tres vehículos en la fila:
Tiempo de espera de T = 3.08 a T = 9.49 = 3 * (9.49 - 3.08)
= 19.23 segundos
Al realizar este cálculo para cada intervalo de tiempo de la figura 15.4 y sumar los
tiempos de espera se obtiene el tiempo de espera total:
Tiempo de espera total = 176.22 segundos y, entonces, el tiempo de espera
promedio es:
176.22
=
7
= 25.17 segundos
TIEMPO DE ESPERA
CASETA ESTIMADO
41
(SEGUNDOS)
Rápida 7.59
General 1 25.17
General 2 19.99
FRACCIÓN DEL
NÚMERO TIEMPO TIEMPO (TIEMPO
EN LA TOTAL TOTAL/60)
FILA
0 0.0000 0.0000
1 0.0000 0.0000
2 11.4684 0.1911
3 40.8563 0.6809
4 7.6753 0.1279
42
CALCULO DE LA UTILIZACIÓN PROMEDIO DE CADA CASETA
34.13
=
60
= 0.5688
TIEMPO DE ESPERA
CASETA ESTIMADO
(SEGUNDOS)
Rápida 0.5688
General 1 1.000
General 2 1.000
CONSIDERACIONES ADICIONALES
43
Cuando el cálculo de las estadísticas está basado en el periodo relativamente
corto de 60 segundos, las condiciones iniciales tienen un efecto significativo sobre
los valores finales. Sin embargo, si la simulación se lleva a cabo sobre un periodo
"largo", digamos durante un periodo de dos horas, los efectos de las condiciones
iniciales son relativamente insignificantes.
Otra manera de tener más certeza acerca de los valores de las estimaciones de
las medidas de rendimiento consiste en repetir la simulación y los cálculos
anteriores para muchos días diferentes, y luego tomar el promedio de cada
estadística. En la sección 15.5, usted aprenderá más acerca de cuántos días
necesita repetir la simulación para tener una confianza razonable con respecto a
las medidas de rendimiento.
Una vez que se obtienen las estadísticas finales, el gerente o administrador puede
evaluar los méritos de tener una caseta rápida en una plaza de cobro. Examinando
los
44
ser justificados, a menos que se utilice el modelo repetidamente durante un
periodo grande para tomar decisiones operacionales de funcionamiento.
Alternativamente, si la simulación se utiliza como una herramienta estratégica de
planeación, podría ser conveniente desarrollar el modelo con uno de los paquetes
de software disponibles. El use de un paquete de computación elimina el tiempo
de desarrollo, pero el tiempo de computación que le toma llevar a cabo la
simulación puede ser significativamente mayor que el tiempo que necesitaría un
programa construido para tal fin.
Los paquetes de software de simulación proporcionan los bloques de construcción
comunes que se deben unir en la secuencia apropiada para construir un modelo
de su sistema particular. Estos paquetes caen dentro de dos categorías básicas:
9 Paquetes de software especializados, que son diseñados para simular un
problema perteneciente a una, clase especial. Por ejemplo, ®RISK se utiliza
para simular problemas que implican análisis de riesgos; SIMFACTORYR
se utiliza para simular las operaciones de un proceso de manufactura; y así
por el estilo.
45
9 Paquetes de computación de propósitos generales, que son lo
suficientemente flexibles para simular casi cualquier sistema. GPSS,
SIMAN, SLAMR y SIMSCRIPT son ejemplos de éstos.
A pesar de que está más allá del objetivo del presente libro enseñar los detalles de
un lenguaje específico, en esta sección se presentará una, breve introducción
sobre el use de un paquete de software de cada categoría, para desarrollar un
modelo de simulación. El objetivo es darle una apreciación de cómo pueden
ayudar los paquetes de computación a desarrollar una simulación.
CANTIDAD DE PROBABILIDAD
CAMBIO
+2.0 0.05
+1.5 0.05
+1.0 0.15
+0.5 0.15
+0.0 0.20
-0.5 0.15
-1.0 0.15
-1.5 0.05
-2.0 0.05
principal en ese momento. La tasa máxima es 10%. Los méritos de las dos
hipotecas se comparan utilizando el valor presente neto de las diferencias de los
quince pagos anuales hechos al final de cada año, utilizando una tasa de
descuento igual al promedio de las cinco tasas de interés variable. Desde luego
que las tasas principales futuras se desconocen, pero recuerde que obtuvo las
siguientes probabilidades de cambio en esta tasa durante cualquier periodo de tres
años.
El paquete ®RISK trabaja con LOTUS. La hoja de cálculo LOTUS para este
problema se muestra en las figuras 15.6 y 15.7. Tales hojas de cálculo contienen
los resultados de calcular el valor presente neto de las diferencias entre los pagos
con tasa variable y con tasa fija en los cuales los cambios en la tasa principal en
los años 4, 7, 10 y 13 son, respectivamente, -0.5%, -1.0%, 1% y 1.5%. Como
puede ver en la parte superior de la figura 15.6, estos cálculos están basados en lo
siguiente:
46
1. Una cantidad principal de $1000.
2. Una tasa fija de 8%, que tiene como resultado 15 pagos anuales de $116.83
cada uno. (Este valor se obtiene utilizando la función de LOTUS ®PMT con una
tasa de interés de 8%, un capital principal de $1000 y un periodo de 15 años.)
3. Una tasa variable inicial de 7%.
⎛ 872.06 ⎞
= 122.57 * ⎜ ⎟
⎝ 1000 ⎠
= $106.
47
El pago anual ("Var. Pay.") al final del ano 4 es de $106.89, del cual $56.68 es el
interés ("Interest") calculado al multiplicar los $872.06 del principal por la tasa
48
aplicable de 0.065. La diferencia de $50.20 ("Principal") es el pago del principal de
$872.06. El saldo restante ("Rem. Bal.") es de $821.86.
Estos cálculos se llevan a cabo en secuencia para cada uno de los quince años, y
los resultados se dan en las figuras 15.6 y 15.7. La línea final de cada hoja de
cálculo es la diferencia entre el pago con tasa variable y el pago con tasa fija de
$116.83. Utilizando estas diferencias y la tasa de descuento de 0.067, que es el
promedio de las cinco tasas de interés variable aplicables de 0.07, 0.065, 0.055,
0.065 y 0.08, la función de LOTUS ®NPV proporciona el valor presente neto de -
92.66, como se muestra en la figura 15.7. Observe que estos valores son los
mismos que los obtenidos de la simulación sencilla efectuada en la sección 15.1.
Las hojas de cálculo de las figuras 15.6 y 15.7 están basadas en un conjunto de
cambios específicos en la tasa variable aplicable. La simulación necesita
efectuarse muchas veces, cada vez con los cambios en la tasa generados
aleatoriamente de acuerdo con la distribución dada. El paquete @RISK le permite
hacer lo anterior de manera precisa, mediante la especificación de aquellas celdas
de la hoja de cálculo cuyos valores deben generarse de manera aleatoria. Esto se
lleva a cabo mediante la asociación de la distribución deseada con cada una de
tales celdas. (Los detalles de llevar a cabo lo anterior están más allá del alcance
del presente libro.)
Al repetir la simulación 100 veces, utilizando ®RISK, se obtiene el resultado de las
figuras 15.8 y 15.9. El resultado de la figura 15.8 es un histograma que muestra el
porcentaje de las 100 corridas de simulación que tienen como resultado un valor
presente neto en un intervalo dado. La observación más importante de esta figura
es que aproximadamente 5% (correspondiente a la barra vertical que se encuentra
más a la derecha) de las 100 simulaciones tuvieron como resultado un valor
presente neto positivo. Esto significa que hay aproximadamente un 5% de
probabilidad de que la hipoteca de tasa fija sea mejor. En la esquina superior
derecha, se puede ver también que el valor presente neto promedio para estas
cien corridas de simulación es -67.97734, lo cual significa que en promedio la
hipoteca de tasa variable es mejor.
El resultado de la figura 15.9 proporciona estadísticas detalladas para las 100
corridas de simulación. La primera línea de tal informe confirma el valor presente
neto promedio de -67.97734. También puede verificar que solamente 5% de las
corridas tuvieron como resultado un valor presente neto positivo, como se muestra
en la línea 5 del informe (etiquetada con "Probability of Positive Result",
Probabilidad de un resultado positivo). La segunda porción del informe (etiquetada
como "Percentile Probabilities", Probabilidades percentiles) proporciona las
frecuencias acumuladas. Por ejemplo, de la línea 6 de esa parte, se puede ver que
25% de las 100 corridas de simulación tuvieron como resultado un valor presente
neto menor a -101.9098. Esto significa que existe aproximadamente 25% de
probabilidad de que sobre un préstamo de $1000, el valor presente neto de la
hipoteca de tasa variable sea mejor que el de la hipoteca de tasa fija en
aproximadamente 101.
49
15.4.2 Un ejemplo de simulación con el paquete de software SIMAN
TIEMPO PROBABILIDAD
(SEGUNDOS)
3-8 0.6
8-13 0.3
13-18 0.1
50
3. Se supone que el tiempo de servicio en la caseta rápida sigue una
distribución exponencial con una tasa media de 10 automóviles por
minuto, esto es un tiempo medio de servicio de 6 segundos por auto.
Figura 15.9 Informe estadístico de las 100 simulaciones hechas con @RISK para
el problema de comparación de las hipotecas de tasa variable y tasa fija.
51
4. La simulación se inicia sin que haya vehículos en el sistema. Estas condiciones
iniciales deberán tener poco impacto pues la longitud de la corrida de
simulación de dos horas es lo suficientemente grande.
Un programa escrito en SIMAN requiere dos partes separadas:
52
BEGIN; <1>
DISCRETE,200,3; <3>
RESOURCES: 1, EXPB:
2, GENB1:
3, GENB2; <4>
PARAMETERS: 1,3:
2,6:
3,0,3,.6,8,.9,13,1.0,18; <5>
DSTAT: 1, NQ(1), EXP Q:
2, NQ(2), GEN1 Q: 3, NQ(3), GEN2 Q: 4, NR(1), EXP BOOTH: 5, NR(2),
GBOOTH 1:
6, NR(3), GBOOTH 2; <6>
TALLIES: 1, WAIT IN EXP Q:
2, WAIT IN GEN1 Q:
REPLICATE,1,0,7200; <8>
END; <9>
53
NÚMERO DE DESCRIPCIÓN
DECLARACIÓN
<2> Proporciona el título, el autor y los datos del
programa. Esta información aparece en la parte
superior de todos los resultados obtenidos con
SIMAN.
<3> Indica qua se trata de un suceso DISCRETO que
permite como máximo 200 transacciones
(vehículos) de manera simultánea en el sistema
<4> Indica qua existen tres RECURSOS numerados 1,
2 y 3 con los nombres EXPB, GENB1, GENB2,
correspondientes a las tres casetas de cobro.
<5> Proporciona valores numéricos pare los datos
determinísticos y probabilísticos. En este caso, la
primera línea indica una tasa promedio de
llegadas de un vehículo cada 3 segundos; la
segunda línea indica un tiempo promedio de
servicio de 6 segundos en la caseta rápida; y la
tercera línea as la distribución acumulada del
tiempo de servicio pare las casetas generales,
que, como se muestra en la figura 15.12, de 0
hasta 3 segundos, aumenta linealmente a 0.6 en 8
segundos, a 0.9 en 13 segundos y a 1.0 en 18
segundos.
<6> Identifica los valores de salida estándar que serán
informados en la simulación: las estadísticas de
las longitudes de las tres colas, denotadas con
NQ(1), NQ(2) y NQ(3), y las estadísticas,
incluyendo la utilización, para los tres recursos
(servidores) denotados con NR(1), NR(2) y NR(3).
<7> Indica qua además de los valores de salida
estándar de <6>, tres estadísticas más deben ser
REGISTRADAS, como se describirá mis adelante
en el modelo.
<8> Indica qua la simulación debe llevarse a cabo una
vez, empezando en el tiempo 0 y terminando
después de 7200 segundos (2 horas).
54
55
56
EL MODELO DEL PROBLEMA DE LA NEW JERSEY TURNPIKE COMMISSION
57
La parte final del resultado de la figura 15.13 proporciona las estadísticas
correspondientes a la longitud de las tres colas y a la utilización de las casetas.
Por ejemplo, hay un promedio de 0.79615 autos esperando en la fila de la caseta
rápida con una desviación estándar de 1.7369. Los números mínimo y máximo de
vehículos en esta fila son 0 y 9, respectivamente. Al final de dos horas de
simulación, no hay ningún carro esperando en esa fila. Se reportan estadísticas
similares para las colas de las dos casetas generales. Las últimas tres líneas
proporcionan las estadísticas correspondientes a la utilización de las tres casetas.
Por ejemplo, la utilización promedio de la caseta rápida es de 0.61686, con una
desviación estándar de 0.78811. Esta caseta está ocupada aproximadamente 62%
del tiempo. Se dan estadísticas parecidas para la utilización de las dos casetas
generales.
En la presente sección usted ha visto cómo se utilizan los paquetes de software
especializados y de propósitos generales para efectuar una simulación. Como
podría esperar, tales paquetes, por lo general, acortan el tiempo requerido para
desarrollar
58
experimental y presentada en las declaraciones <10>, <15> y <20> del modelo.
Por ejemplo, el tiempo de espera promedio para los 736 autos que llegan a la cola
rápida es de 7.7884 segundos con una desviación estándar de 1.5673 segundos.
Estadísticas similares son proporcionadas para las dos colas generales.
La parte final del resultado de la figura 15.13 proporciona las estadísticas
correspondientes a la longitud de las tres colas y a la utilización de las casetas.
Por ejemplo, hay un promedio de 0.79615 autos esperando en la fila de la caseta
rápida con una desviación estándar de 1.7369. Los números mínimo y máximo de
vehículos en esta fila son 0 y 9, respectivamente. Al final de dos horas de
simulación, no hay ningún carro esperando en esa fila. Se reportan estadísticas
similares para las colas de las dos casetas generales. Las últimas tres líneas
proporcionan las estadísticas correspondientes a la utilización de las tres casetas.
Por ejemplo, la utilización promedio de la caseta rápida es de 0.61686, con una
desviación estándar de 0.78811. Esta caseta está ocupada aproximadamente 62%
del tiempo. Se dan estadísticas parecidas para la utilización de las dos casetas
generales.
En la presente sección usted ha visto cómo se utilizan los paquetes de software
especializados y de propósitos generales para efectuar una simulación. Como
podría esperar, tales paquetes, por lo general, acortan el tiempo requerido para
desarrollar un modelo de simulación, cuando se le compara con la escritura de su
59
propio programa en un lenguaje de computación estándar, como C o Pascal.
Independientemente de qué lenguaje utilice, necesita determinar qué tan larga
debe ser cada corrida de simulación y cuántas corridas hacer de modo que se
tenga confianza en las estadísticas obtenidas. Tales cuestiones se ven en la
siguiente sección.
De los ejemplos de las secciones 15.1 a 15.3, usted ha visto que la simulación es
una herramienta exitosa para el estudio de problemas complejos que no pueden
analizarse directamente mediante técnicas matemáticas. Al diseñar una simulación
asociada en la que son generados los números aleatorios adecuados, y haciendo
use de otros datos de entrada, se puede obtener una estimación del resultado
deseado. Sin embargo, es importante darse cuenta de que una sola simulación
proporciona solamente un valor, de entre muchos posibles, del resultado. Esto se
debe a que todos los números aleatorios utilizados para efectuar los cálculos, de
hecho, están basados en el primer número seleccionado de la tabla uniforme de
números aleatorios o generador. Al seleccionar un número aleatorio uniforme
inicial diferente y efectuar los mismos cálculos se tendrá como resultado un valor
diferente del resultado.
Recuerde el problema de comparación de la hipoteca de tasa fija con la de tasa
variable de la sección 15.1, en el cual usted desea determinar el valor presente
neto esperado de las diferencias de las dos formas de pago de la hipoteca.
Aunque no se conoce el valor "verdadero" del resultado, la simulación le sirve de
ayuda para estimar su valor. Al utilizar el número aleatorio uniforme inicial tomado
de la hilera 16, columna 1 de la tabla del apéndice A, la primera corrida de la
simulación estima el número en -92.6696, como se muestra en la primera hilera de
la tabla 15.4. Basándose en esta estimación, usted llegaría a la conclusión de que
la hipoteca de tasa variable es mejor. Sin embargo, si el número aleatorio uniforme
inicial se elige de la hilera 22, columna 1, los mismos cálculos tienen como
resultado una estimación de +11.09258, como se ve en la hilera 7 de la tabla 15.4.
En este caso, usted llegaría a la conclusión de que la hipoteca de tasa fija es
mejor.
En otras palabras, el resultado de una sola simulación puede conducir a
estimaciones diferentes y, en consecuencia, a conclusiones distintas, dependiendo
de qué número aleatorio uniforme inicial se haya escogido. Por tanto, en general
usted no puede tener confianza en el resultado obtenido con una Bola simulación.
En vez de ello, es necesario repetir la simulación muchas veces, obteniendo, por
consiguiente, diferentes resultados. Entonces, tomando un promedio, puede
obtener una estimación más confiable de la "verdadera" media del valor del
resultado.
Haciendo una analogía, el valor del resultado obtenido a partir de una sola corrida
de simulación es lo mismo que obtener una estimación de una población entera
basándose en una sola observación específica. Por ejemplo, en la fabricación de
bombillas de luz, se está interesado en estimar su vida promedio, que es el
número de horas que pueden funcionar hasta que se funden. Para estimar este
valor, puede tomar una muestra aleatoria de una sola bombilla y estimar cuánto
dura encendida. Sin embargo, suponga que la bombilla dura solamente 15 horas.
60
¿Creería usted que la vida promedio de todas las bombillas de la producción es de
solamente 15 horas? Probablemente no. En otras palabras, no se puede
determinar la vida promedio de una población completa (de bombillas), basándose
en una sola observación. En vez de hacer eso, usted probaría muchas bombillas
aleatoriamente y determinaría su vida promedio. Si el tamaño de la muestra es lo
suficientemente grande, entonces tendría una estimación confiable de la vida
promedio de las bombillas de la población completa.
Para entender cuántas veces se debe repetir una simulación cuando el objetivo
consiste en estimar la media de un valor de salida, es mejor empezar por escoger
un número específico de corridas de simulación y preguntarse qué tan precisa es
la estimación del valor de salida obtenido. Para responder a esta pregunta se
requiere la creación de un intervalo de confianza alrededor de la estimación.
61
Recuerde de nuevo el problema de la comparación de la hipoteca de tasa variable
con la de tasa fija, en el cual el valor de salida es el valor presente neto esperado,
digamos u, de las diferencias entre los pagos anuales de tasa variable y de tasa
fija durante los 15 años. En la sección 15.1, se usa el promedio de 35 corridas de
simulación para obtener una estimación de X= -78.9361 para µ. La pregunta ahora
es: ¿qué tan cerca está este valor estimado del valor verdadero de µ?
Para responder a esta pregunta, recuerde lo que sabe de estimación estadística.
El objetivo consiste en determinar un valor de e y crear un intervalo de la forma:
x±e
de modo que, con un cierto grado de confianza, se puede decir que la media
verdadera, u, está en este intervalo. Usted selecciona el "grado de confiaza” en la
forma de un valor de a entre cero y uno, de manera que con una confianza de (1-
α) * 100% se puede decir que µ está en este intervalo. Por ejemplo, para tener una
confianza de 95%, escogería un valor de α = 0.05.
CARACTERÍSTICAS CLAVE
Habiendo escogido un valor apropiado de a, calcule el intervalo de confianza
asociado mediante:
s
x ± t ( n−1),α / 2 *
n
En la que:
n = tamaño de la muestra (es decir, el número de corridas de simulación)
x = promedio de muestra
s = desviación estándar de la muestra
t (n-1),α/2 = valor de la distribución t con n - 1 grados de libertad, de modo que el
área que está a la derecha de este valor es α/2.
x±( t )
s
(n -1),α/2 *
n
⎛ 42.18124 ⎞
= -78.9361 ± ⎜⎜ 2.03 * ⎟⎟
⎝ 35 ⎠
62
= -78.9361 ± 14.47
En otras palabras, usted puede estar 95% confiado en que el valor presente neto
esperado de las diferencias en los pagos anuales variables y fijos en el periodo de
15 años está dentro de una distancia de 14.47 unidades del valor estimado de -
78.9361, obtenido con las 35 corridas de simulación. En consecuencia, a este
valor de e = 14.47 se le conoce como precisión de la estimación y representa
una medida de qué tan confiable es la salida de la simulación.
Para un valor fijo de α, la precisión de la estimación puede mejorarse aumentando
solamente el tamaño de la muestra, n, lo cual significa aumentar el número de
corridas de una simulación de simulación. Ahora aprenderá cómo determinar ese
valor para lograr una precisión deseada en la estimación.
s
e = t ( n −1),α / 2 *
n
2
⎛ t ( n*−1),α / 2 * s ⎞
n * = ⎜⎜ ⎟⎟
⎝ e ⎠
63
2
⎛ z *s⎞
n* = ⎜ α / 2 ⎟
⎝ e ⎠
CARACTERÍSTICAS CLAVE
Un enfoque alternativo se utiliza para resolver el hecho de que el valor de s no se
conoce:
2
⎛ z *s⎞
n* = ⎜ α / 2 ⎟
⎝ e ⎠
Paso 3. Sin >_ n*, detenga el proceso. Ya se han efectuado suficientes corridas
de simulación. En cualquier otro caso, efectúe n* - n corridas de
simulación. En cualquier otro caso, efectúe n* - n más corridas de
simulación. Ahora ya ha realizado un total de n* simulaciones, de modo
que haga el tamaño de la muestra n = n* y regrese al paso 2.
Lleve a cabo los pasos dados como características clave con el ejemplo de la
hipoteca, en el cual:
α = 0.05
e = 10
z α/2 = 1.96
Paso 0. Seleccione un valor inicial para n, digamos n = 35. Paso 1. Efectúe n
corridas de simulación.
2
⎛ z *s⎞
n* = ⎜ α / 2 ⎟
⎝ e ⎠
2
⎛ 1.96 * 42.18124 ⎞
=⎜ ⎟
⎝ 10 ⎠
64
= 70.413 (redondeado a 71)
Paso 3. Como n = 35 < n* = 71, es necesario llevar a cabo n* - n = 71- 35 = 36
corridas de simulación más, antes de regresar al paso 2.
Observe que los pasos 2 y 3 se repiten hasta que n excede a n*. De la fórmula
para n*, se puede ver que a medida que disminuye el valor de e (esto es, usted
desea una estimación mAs precisa), el valor de n* aumenta. Por ejemplo, si e es
reducido en un factor de 2, de 10 a 5, n* aumenta en un factor de 4, de 71 a
aproximadamente 282.
Aquí usted ha aprendido cómo determinar un número apropiado de corridas de
simulación para estimar la media de un valor de salida, a fin de lograr un nivel
deseado de precisión. Un análisis parecido se necesita cuando el objetivo es
estimar una proporción.
Para entender cuántas veces se debe repetir una simulación cuando el objetivo
consiste en estimar una proporción, resulta mejor empezar por escoger un número
específico de corridas de simulación y preguntarse qué tan precisa es la
estimación obtenida. Responder a esta pregunta requiere la creación de un
intervalo de confianza alrededor de la estimación de la proporción.
26
p= = 0.743
35
La pregunta ahora es: ¿qué tan cercano está este valor estimado, p, del verdadero
valor de π?
Para responder esta pregunta, vuélvase hacia la estimación estadística. El objetivo
consiste en determinar un valor para e y en crear un intervalo de la forma:
p±e
de manera que, con un cierto grado de confianza, usted pueda decir que la
proporción verdadera, n, se encuentra en dicho intervalo. Usted escoge el "grado
de confianza" en la forma de un valor para a entre 0 y 1, de modo que con una
confianza de (1- α) * 10090, pueda decir que n está en este intervalo. Para tener
una confianza de 95%, usted debería escoger un valor de a = 0.05.
65
CARACTERISTICAS CLAVE
Tanto n * p = 35 * 0.743 = 26 como n * (1-p) = 35 * 0.257 = 9 son mayores que 5,
de modo que el intervalo de confianza asociado, utilizando la aproximación normal
está dado por:
⎡ p(1 − p) ⎤
p ± ⎢ zα / 2 * ⎥
⎣ n ⎦
en la que:
n = tamaño de la muestra (es decir, el número de corridas de simulación)
p = proporción de la muestra
zα/2 = valor de z tomado de la distribución normal estándar, de modo que el área
que se encuentra a la derecha de z es α/2.
α = 0.05
n = 35
p = 0.743
zα/2 = 1.96 (ver la tabla estándar normal en el apéndice B)
66
DETERMINACION DEL TAMAÑO DE MUESTRA PARA LOGRAR UN NIVEL
DE CONFIANZA Y UNA PRECISIÓN DADOS
CARACTERISTICAS CLAVE
67
α = 0.05
e = 0.10
zα/2 = 1.96
p = 0.743
Hasta aquí ha visto cómo y cuándo los gerentes usan la simulación para analizar
sistemas complejos. Los gerentes, entonces, toman decisiones basándose en los
resultados de la simulación. En las Consideraciones gerenciales del capítulo 14,
aprendió la importancia de obtener datos confiables. En esta sección, se analizan
otras varias cuestiones relacionadas con el use de la simulación y la implantación
de los resultados.
Validación
68
1. Inexactitud en la construcción del modelo. Su modelo puede no imitar de
manera precisa el sistema real porque:
a. El sistema es tan complejo que usted consciente (o inconscientemente)
excluye ciertos aspectos.
b. Al desarrollar el modelo, tal vez haya hecho ciertas suposiciones que no
reflejen la realidad. Tal vez se vio forzado a tomar estas suposiciones
porque careció de información o porque deseaba simplificar el modelo. Por
ejemplo, al simular el sistema de colas de la Comisión de Autopistas de
Nueva Jersey, usted supuso que una vez que un vehículo elige la línea más
corta disponible que conecta con la plaza de peaje, el vehículo
permanecerá en esa línea. En la práctica, sin embargo, un vehículo puede
cambiar a otra línea disponible que se acorte o que parezca avanzar más
rápidamente.
2. Inexactitud en los valores de los datos. Puede haber estimado algunos
valores de entrada de manera inexacta.
Por estas razones, desea validar su modelo de computadora antes de confiar en
sus salidas. Esto es, desea asegurarse de que el modelo no contiene descuidos o
errores numéricos importantes y proporciona una representación adecuada del
sistema que se está simulando.
Un modelo de computadora se valida de cualquiera de las siguientes maneras:
69
disponibles están ociosos. En contraste, en algunos problemas, no se dispone tan
fácilmente de las condiciones iniciales o, de hecho, no se conocen. Por ejemplo, al
simular la operación de la hora de mayor afluencia de la plaza de peaje para el
problema de la Comisión de Autopistas de Nueva Jersey, las condiciones iniciales
consisten en el numero de vehículos en cada una de las tres garitas de peaje y el
estado ociosa/ ocupada de cada garita. Estos valores varían de día en día y no
pueden conocerse con certeza. En tales casos, los valores iniciales generalmente
se escogen de una de las siguientes maneras:
Asuntos computacionales
70
escribir un programa especialmente diseñado para su sistema y necesidades en
un lenguaje de computadora adecuado. Como gerente, es importante darse cuenta
de que ambos enfoques requieren habilidades de programación significativas. Más
afro, una vez que se desarrollan los modelos de computadora, su corrida para
obtener los valores de salida a menudo requiere cantidades sustanciales de
tiempo de computadora (algunas veces horas) debido a la longitud de cada corrida
y al número de corridas necesarias para obtener estimaciones confiables.
El uso de un paquete de simulación ahorra tiempo en el desarrollo del modelo,
pero el software puede correrse con bastante lentitud. A la inversa, escribir su
propio programa toma más tiempo de desarrollo, pero el programa elaborado
generalmente usa menos tiempo de computadora porque ha sido diseñado para
un problema particular. Existe, entonces, un equilibrio entre el tiempo de desarrollo
y el esfuerzo computacional. Como pauta general, si pretende usar el modelo de
simulación repetidamente, tal vez cada semana o cada mes, podría valer la pena,
hacer un esfuerzo extra en el desarrollo de su propio programa de simulación para
ahorrar, en lo subsecuente, un tiempo significativo de computadora.
RESUMEN
RESUMEN
71
puede proporcionar información útil y confiable para la mayoría de los sistemas
grandes y complejos del mundo real.
EJERCICIOS
³EJERCICIO 15.1 La ciudad de Tokio está considerando construir un pequeño
aeropuerto doméstico con una pista de despegue y aterrizaje sobre terraplén en la
bahía de Tokio. La pista operará durante las horas de 6 A.M. hasta media noche.
Se espera que las aeronaves aterricen durante este horario de acuerdo con un
proceso de Poisson a una tasa promedio de 30 por hora. Se supone que el tiempo
transcurrido entre las salidas de las aeronaves sigue una distribución exponencial,
con una media de 1 minuto. El análisis de datos de operaciones similares indica
que el tiempo requerido para aterrizar o despegar y salir de la pista se distribuye
normalmente, con una media de 90 segundos y una desviación estándar de 30
segundos. El gerente de la Comisión de Trafico Aéreo desea saber el promedio de
tiempo que tarda un avión que llega en esperar pista y la misma estadística para
un vuelo que sale. Suponga que la aeronave use la pista sobre la base de que el
primero en llegar es el primero en atenderse, sin importar el que la nave está
aterrizando o despegando. Suponga también que la simulación comienza sin
ninguna aeronave en el sistema. Complete la siguiente tabla usando IDS tres
números aleatorios comenzando en la columna 3 de la fila 1 de la tabla del
apéndice A para determinar IDS tiempos en los que los siguientes tres aviones
(A3) A4, A6) entran al sistema para aterrizar. Después use los tres números
aleatorios comenzando en la columna 3 de la fila 10 para determinar la cantidad de
tiempo que cada uno de los aviones A3, A4, A5 requerirá de uso de la pista para
aterrizar. Observe que todos IDS tiempos de la tabla están en minutos.
72
TIEMPO DE SALIDA TIEMPO DE DESPEGUE
NUMERO NUMERO TIEMPO DE TIEMPO NUMERO VALOR CANTIDAD
DE ALEATOR INTERLLEGA DE ALEATORI Z DE TIEMPO
AERONA IO DAS ENTRA O DE
VE DA ATERRIZA
JE
D1 0.291777 0.34 0.34 0.098975 -1.29 0.86
D2 0.790803 1.56 1.91 0.186970 -0.90 1.05
D3
D4
D5
73