Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
¿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
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
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.
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.
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.
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
Métodos Cuantitativos para la Administración; Fac. Cs. Econ. y Jur., UNLPam Notas de cátedra 2012
7