UNLPAM - Facultad de Ciencias Económicas y Jurídicas Notas de Cátedra 2012

18 – Métodos Cuantitativos para la Administración

Capítulo 5. Simulación
1 Conceptos básicos. Ventajas y desventajas de su aplicación. Planeamiento
y etapas.
2 Muestras artificiales. Números aleatorios y pseudoaleatorios. Método
Montecarlo.
3 Simulación aplicada a problemas de inventarios. Estimación de costos y
análisis de resultados.
4 Simulación aplicada a problemas de gestión. Estimación y análisis de
resultados.
5 Simulación aplicada a sistemas de colas: distintos casos. Estimación de
medidas de desempeño y análisis de resultados.
6 Bibliografía



1 Conceptos básicos. Ventajas y desventajas de su aplicación. Planeamiento

y etapas.
La simulación de un sistema es la operación del modelo que lo representa, mediante
experimentación. Se recurre a la configuración, reconfiguración, y experimentación sobre un
medio maleable y más fácil de interpretar, sin alterar al sistema real en sí mismo, lo cual sería
impracticable, peligroso o demasiado costoso.
La simulación permite observar en detalle la operación del sistema e inferir propiedades
inherentes al comportamiento de los elementos de la realidad representada -el sistema, ya sea
existente o futuro a diseñar- y evaluar su rendimiento, mediante la propuesta de diferentes
configuraciones de interés y durante un tiempo más o menos prolongado.
La posibilidad de efectuar alteraciones en el modelo (en lugar de afectar al sistema real
existente o ante la imposibilidad de actuar porque el sistema real todavía no se construyó)
reduce el riesgo de: errores en las especificaciones, resultados catastróficos, sobre o sub
utilización de recursos, rendimiento deficiente del sistema, etc.

¿Normativo o descriptivo?
Los modelos de simulación no se resuelven para recomendar un curso de acción del cual se
derive un resultado de optimización. Constituyen una técnica de evaluación de los méritos de
diferentes cursos de acción mediante la experimentación, en base a un modelo matemático
que representa la situación real de decisión.
Mientras que en un modelo normativo las variables de decisión muestran resultados y obtienen
un conjunto de valores que optimizan el objetivo, en un modelo de simulación las variables
constituyen entradas con un conjunto particular de valores para evaluar el comportamiento de
los elementos del sistema representado.
En conclusión, en un modelo de simulación se obtiene una descripción de cómo funciona el
sistema representado, cuando se dan las circunstancias señaladas por el experimentador.

Métodos Cuantitativos para la Administración; Fac. Cs. Econ. y Jur., UNLPam Notas de cátedra 2012
1
UNLPAM - Facultad de Ciencias Económicas y Jurídicas Notas de Cátedra 2012
18 – Métodos Cuantitativos para la Administración

Situaciones en las que es aplicable la simulación. Las ventajas de simular

Una de las características básicas de esta técnica es su aplicabilidad en situaciones en las que
la aleatoriedad de un sistema afecta a los análisis que puedan hacerse sobre él.
Abundan las aplicaciones de simulación en áreas de administración pública, sistemas
informáticos, industria manufacturera, biotecnología, economía y administración, servicios de:
defensa, transporte (público, aereo, terreste, cargas, etc.), salud, cuidado del medio ambiente,
bancarios, etc.
La simulación se convierte en una herramienta ideal en situaciones como las siguientes:
 Imposibilidad de observar el comportamiento real de determinados procesos, por no ser
técnicamente observables o porque demandan costos excesivos. Por ejemplo, estadísticas
sobre la evolución de las infecciones de Mal de Chagas en los próximos años, rendimiento de
los elementos que participan de la próxima misión exploratoria a Marte, efectos de una
campaña publicitaria de una empresa utilizando sitios y programas Web en Internet.
 Es posible una formulación matemática del modelo pero con soluciones analíticas demasiado
complejas (como en sistemas de filas de espera con variedad de servidores encadenados y
de distribuciones probabilísticas en arribos y servicios, o análisis del comportamiento de
mercados de valores)
 Imposibilidad o alto costo para validar el modelo matemático planteado, por escasez de
datos y complejidad en su obtención.
 Escalas de tiempo discrepantes entre la realidad y el analista. Un simulador electrónico
puede “avanzar en el tiempo” rápidamente y mostrar resultados que llevaría muchos años
obtener en tiempo real (ejemplo, cambios geológicos o cósmicos)
 Facilidad de manipulación de los valores de parámetros que en la realidad pueden demandar
mucho trabajo o ser imposibles de obtener.
 Eliminación de “ruido” y repercusiones de segundo orden debido a la interacción de
elementos que en la realidad provocan interferencias en los resultados obtenidos, y que en
la simulación se pueden aislar para evaluar específicamente los que se quiere analizar.
En la tabla siguiente se insertan ejemplos de 3 situaciones en las que es aplicable la técnica de
Simulación.
Simulación para observar efectos
Situación real Elementos aleatorios Estructura No Aleatoria
de cambios en:
 Niveles reaprovisionamiento con
 Demanda de artículos  Normas
Administración demanda estable
 Plazos de reaprovi- reaprovisionamiento,
de inventarios  Demanda con niveles de
sionamiento  Tamaño de los depósitos
reaprovisionamiento fijos
 Número de paquetes
 Tamaño flota
a distribuir  Tamaño de la flota
Repartos a  Normas de recepción de
 Capacidad de  Horarios de trabajo
domicilio paquetes (tamaño, horarios,
vehículos  Relocalización centros de
(cadetería) etc.)
 Distancias /tiempo atención y duración de
 Cantidad de Centros atención
 Cantidad de vehículos recorridos.
y distribución geográfica
fuera de servicio
Planificación  Llegada de  Onda verde  Tiempo de onda verde
urbana (flujo vehículos a una  Sentido de circulación del  Cantidad promedio de
vehicular) zona (cantidad por tránsito vehículos que arriban al lugar
unidad de tiempo)  Normativa  Ensanche de calzadas
estacionamiento en (remoción de vehículos
calzadas estacionados, obstáculos, etc.)
Las desventajas y peligros de la simulación

Métodos Cuantitativos para la Administración; Fac. Cs. Econ. y Jur., UNLPam Notas de cátedra 2012
2
UNLPAM - Facultad de Ciencias Económicas y Jurídicas Notas de Cátedra 2012
18 – Métodos Cuantitativos para la Administración

Al momento de aplicar simulación no deben dejarse de lado ciertas precauciones, para que su
aplicación sea realmente efectiva.
Su más seria desventaja es justamente su facilidad de uso; es común olvidar las limitaciones y
condiciones bajo las cuales es válida la simulación y, consecuentemente, extraer conclusiones
incorrectas. No tener en cuenta que el modelo ha sido construido con el nivel de exactitud
derivado de la mayor o menor simplificación aplicada es un ingrediente adicional a la
cirscunstancia mencionada aquí.
También puede ser fuente de problemas enamorarse demasiado del modelo y olvidarse de que
se está en presencia de un entorno experimental que representa a la realidad sólo bajo ciertas
condiciones.
Errores en el modelado pueden derivar en conclusiones incorrectas, puesto que se fuerzan
características para que se pueda construir el modelo. Tal el caso, por ejemplo, en la
simplificación de relaciones y aspectos sociales, motivaciones y comportamiento humano, etc
cuando se busca inferir las consecuencias de aplicación de un determinado “modelo”
económico en una sociedad.

Planeamiento y etapas
Las siguientes etapas resultan importantes en el desarrollo correcto del modelo de simulación.
1. Formular el problema
Quien debe tomar una decisión identifica el problema, y da inicio a reuniones con integrantes
del equipo (analistas, expertos en la materia, etc) para tratar: objetivos del estudio, nivel de
detalle a observar en el modelo, medidas de eficiencia a obtener, configuración de escenarios,
etc.
2. Construcción del modelo conceptual a partir de datos e información disponible
Se recopila información sobre la estructura y funcionamiento del sistema representado, datos
útiles para definir parámetros y variables y su distribución de probabilidad, relaciones
funcionales. Se lo define en detalle. Se recoletan datos de campos, que serán útiles al
momento de validar los resultados arrojados por el modelo.
3. Validación del modelo conceptual
En esta etapa se busca determinar el grado de semejanza entre el modelo de simulación y la
realidad que pretende representar, considerando la finalidad para la que se implementa. Esta
revisión estará a cargo de un analista o experto conocedor del tema, y si se observan errores,
omisiones o inconsistencias se las deberá corregir antes de avanzar con las etapas siguientes.
4. Programación del modelo
Se programa el modelo conceptual en una aplicación de simulación o por medio de un lenguaje
de programación de propósito general. Finaliza con el código depurado.
5. Validar el programa de simulación
Si hay datos del sistema real, se los puede comparar con los resultados del modelo. Esto es la
validación de resultados, que procura verificar su coherencia y consistencia de acuerdo con el
funcionamiento esperado del sistema. Es conveniente hacer análisis de sensibilidad para
identificar los factores que tienen un efecto mayor sobre los resultados del modelo.
6. Diseño, realización, y análisis de experimentos de simulación

Métodos Cuantitativos para la Administración; Fac. Cs. Econ. y Jur., UNLPam Notas de cátedra 2012
3
UNLPAM - Facultad de Ciencias Económicas y Jurídicas Notas de Cátedra 2012
18 – Métodos Cuantitativos para la Administración

Para cada caso se ha de decidir el tiempo de simulación y el número de muestras a obtener,

mediante la selección de un grado de confianza adecuado. Los resultados deben verificarse por
si fuera necesario realizar experimentos adicionales.
7. Documentar y resumir los resultados de simulación
La documentación debe incluir: modelo conceptual, código documentado del programa del
modelo y resultados del estudio. También un resumen que comente el desarrollo y validación
del modelo, asi como las conclusiones obtenidas del análisis de los resultados.

2. Muestras artificiales. Números aleatorios y pseudoaleatorios. Método

Montecarlo.
Si a las variables aleatorias introducidas en el modelo se les asignan valores se obtiene un
cierto resultado. Éste representa el rendimiento de los elementos componentes del sistema
modelado para el caso concreto de esos valores asignados a las variables. Se ha realizado un
solo experimento (una muestra), que por sí solo no permite formular apreciaciones
concluyentes.
Para que las conclusiones obtenidas del modelo se apoyen en un trabajo más sólido, la técnica
de simulación se basa en la experimentación repetitiva, generando lo que se denomina
muestras artificiales. El número de muestras a obtener está ligado a la fijación de un cierto
grado de confianza (un valor  , entre 0 y 1) que, aplicado según lo aprendido en Estadística,
permite definir el tamaño de la muestra. Para un valor fijo de  la precisión de la estimación
puede mejorarse aumentando solamente el tamaño de la muestra, lo cual -en términos de la
simulación- significa aumentar el número de corridas.

Números aleatorios y pseudoaleatorios.

Dado que la aplicación de simulación está íntimamente ligada a modelos que representan
situaciones con comportamiento aleatorio, es necesario contar con un generador números de
este tipo. Existen programas de computación con capacidad para generarlos.
Se denomina números aleatorios a las muestras procedentes de una distribución uniforme en
el intervalo [0,1].
Existen distintas formas de obtención de números aleatorios. Los métodos aplicables a tal fin
pueden clasificarse de la siguiente manera:
a) Métodos manuales: Loterías y ruletas. Suelen ser lentos y no reproducibles. Durante
bastante tiempo se creyó que eran el único procedimiento para producir verdaderos
números aleatorios.
b) Métodos analógicos. Los números se obtienen de algún experimento físico que pueda
recibirse dentro de la computadora. Se pueden generar rápidamente, pero no son
reproducibles; esto es, es difícil volver a obtener la misma secuencia de números.
c) Tablas de números aleatorios: Es un procedimiento lento y presenta el inconveniente de
que la tabla puede ser insuficiente para una simulación larga.
d) Números Pseudoaleatorios. Métodos basados en la generación de números usando un
programa de computación. Dato que el algoritmo utilizado es determinístico, estrictamente
hablando los números generados no serían aleatorios, pero se comportan como si lo
fueran ya que cumplen con condiciones de independencia y de aleatoriedad

Métodos Cuantitativos para la Administración; Fac. Cs. Econ. y Jur., UNLPam Notas de cátedra 2012
4
UNLPAM - Facultad de Ciencias Económicas y Jurídicas Notas de Cátedra 2012
18 – Métodos Cuantitativos para la Administración

Método Montecarlo
El método Montecarlo es una técnica de simulación originada en la década de 1940, en el
ámbito de los trabajos desarrollados por Von Neumann y Ulam en el laboratorio de Los Álamos,
aplicados al desarrollo de la bomba atómica durante la Segunda Guerra Mundial.
Se lo denominó así por asimilación con la característica más popular del Principado de Mónaco:
los juegos de azar del casino.
Según su definición, en el Método Montecarlo los eventos simulados tienen lugar
aleatoriamente y se ajustan a la descripción de las probabilidades teóricas derivadas de
experiencias adquiridas.

Muestras artificiales de variables aleatorias discretas

En el caso de variable aleatoria discreta (x), se indica con p(xi) al valor de la probabilidad de
la variable x cuando es igual a xi.
Se verifica, además, que
n

0  p(xi)  1 , para i = 1, 2, 3, ..., n y  p( x

i 1
i )1

Y la función de acumulación de la variable discreta entre 1 y el valor particular x0 es igual a

F ( x0 )  P ( x  x0 )
x0
  p( x i )
i 1

Transformación inversa
El algoritmo de Simulación Montecarlo utiliza lo que se ha denominado Procedimiento de la
Transformación Inversa.
La muestra artificial se genera a partir de la tabla de probabilidad acumulada correspondiente a
los valores de la variable del evento a simular. Para esto se gener la tabla de probabilidades
acumuladas y luego, a partir de estos valores, se establecen los intervalos de números que se
asocian a cada valor de la variable en estudio.
Si las probabilidades acumuladas están expresadas con 2 decimales, bastará extraer números
aleatorios de 2 dígitos para utilizarlos en la simulación. Conociendo cuál es el número aleatorio,
se determina en cuál de los intervalos definidos se encuentra ese número aleatorio, y a partir
de tal intervalo se obtiene el valor simulado para la variable: es el valor de la variable que se
corresponde con el intervalo en el cual está incluido el número aleatorio obtenido.
Considérese el ejemplo basado en la siguiente tabla, que contiene la distribución de la
demanda diaria de un cierto artículo. Puede adoptar valores entre 3 y 8, y en la segunda
columna se indica la cantidad de veces que se ha observado la demanda de cada una de esas
cantidades. Las columnas restantes tienen cálculos que permitirán desarrollar el ejemplo:
transformación de frecuencias relativas en probabilidades; sumatoria de probabilidades
acumuladas hasta un cierto valor; y definición de intervalos de validez para los números
aleatorios a obtener.

Demanda Frecuencias p(xi) F(x) Intervalo

Métodos Cuantitativos para la Administración; Fac. Cs. Econ. y Jur., UNLPam Notas de cátedra 2012
5
UNLPAM - Facultad de Ciencias Económicas y Jurídicas Notas de Cátedra 2012
18 – Métodos Cuantitativos para la Administración

3 12 0,12 0,12 01 - 12
4 23 0,23 0,35 13- 35
5 38 0,38 0,73 36 - 73
6 11 0,11 0,84 74 - 84
7 9 0,09 0,93 85 - 93
8 7 0,07 1,00 94 - 00

Suponiendo que se quiere obtener una muestra de tamaño n = 3, a partir de los números 35,
77 y 06 obtenidos en forma aleatoria, las cantidades demandadas simuladas serán:
4, ya que 35 está comprendido en el intervalo correspondiente a F(x)=0,35.
6, ya que 77 está comprendido en el intervalo correspondiente a F(x)=0,84, y
3, ya que 06 está comprendido en el intervalo correspondiente a F(x)=0,12.

Muestras artificiales de variables aleatorias continuas

Cuando la variable a simular tiene un comportamiento continuo, se tiene la función de
acumulación F ( x )   f ( x ) dx , integrada en el dominio de la variable.
De manera similar a lo ya visto para el caso de variable aleatoria discreta, a partir de un
número aleatorio comprendido entre 0 y 1 se genera un elemento de la muestra artificial x0
que corresponde al valor de la función de acumulación F(x0). La diferencia radica en que acá
no se establecen intervalos, ya que el valor obtenido (por ser variable continua) va
exactamente al valor de la variable.
Caso de una variable que se ajusta a una Distribución Exponencial Negativa. La
, para 0  x   , y en la
- x
función de densidad de la distribución responde a f ( x )   e
cual  es el parámetro de la distribuciión. Y su distribución de probabilidades acumuladas es
x0

F ( x )    . e  x dx , para x0  (0, )
0

En este caso, para generar el valor artificial de la variable x0 para el cual las probabilidades
acumuladas asumen un valor F(x0) que coincide con el número aleatorio aplicado, se recurre a
ln( 1  F ( x0 ))
x0  

Considérese este ejemplo, en el cual se debe generar una variable artificial siguiendo a una
Distribución Exponencial Negativa de parámetro 2. A tal efecto, el número aleatorio obtenido
es 885.
Como el número aleatorio se asimila a la función de acumulación F(x0) se tiene que hacer el
siguiente cálculo: x0 = - [(ln (1-0,885))/2] que resumido es x0 = - (ln 1,115))/2, y arroja el
valor simulado de la variable x0 = 1,0814.

7 BIBLIOGRAFÍA.
ANU, MARIA (1997)., Intoduction to Modeling and Simulation. Proceedings of the 1997 IEEE
Winter Simulation Conference. Editores: S. ANDRADÓTTIR,
K. J. HEALY, D. H. WITHERS, AND B. L. NELSON

Métodos Cuantitativos para la Administración; Fac. Cs. Econ. y Jur., UNLPam Notas de cátedra 2012
6
UNLPAM - Facultad de Ciencias Económicas y Jurídicas Notas de Cátedra 2012
18 – Métodos Cuantitativos para la Administración

EPPEN, G. D., GOULD, F. J., Y OTROS (2000). Investigación de Operaciones en la Ciencia

Administrativa - Creación de modelos de decisiones con
hojas de cálculo electrónicas. México, Prentice-Hall.
FRITZSON, PETER (2003). Principles of Object-Oriented Modeling and Simulation with Modelica
2.1. Wiley-IEEE Press.
MATHUR, K. Y SOLOW, D. (2000). Investigación de Operaciones - El arte de la toma de
decisiones. México, Prentice-Hall.
PENDITO, MARÍA INÉS (2007). Investigación Operativa - Nociones de Simulación. Córdoba,
Asociación Cooperadora Facultad de Ciencias Económicas
de la UNC.
RAYCHAUDHURI, SAMIKV (2008). Introduction to Monte Carlo Simulation. Proceedings of the 2008
IEEE Winter Simulation Conference; Editores: S. J.
MASON, R. R. HILL, L. MÖNCH, O. ROSE, T. JEFFERSON, J. W.
FOWLER.

Métodos Cuantitativos para la Administración; Fac. Cs. Econ. y Jur., UNLPam Notas de cátedra 2012
7