Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Sede Medellín
Módulo 6
Borges
Simulación
Simulación es imitar el comportamiento de un
sistema manipulando un modelo que
represente la realidad.
Variables ciertas
Número de asientos 112
Promedio precio del tiquete $396
Promedio costo de indemnización $592
Porcentaje de pasajeros que llegan 80%
Resultados
Número de pasajeros que llegan =0.80 x 112 90
Número de pasajeros que viajan = min( 90; 112) 90
Número de pasajeros que se deben compensar = max( 0 ; 90 - 90) 0
Beneficios = 90 x $396 $35.640
Costos de compensación = 0 x $592 0
Beneficios Netos $35.640 - $0 $35.640
Suponga que decide vender 150 entonces los
beneficios esperados son las siguientes
Variables de decisión
Número de tiquetes vendidos 150
Variables ciertas
Número de asientos 112
Promedio precio del tiquete $396
Promedio costo de indemnización $592
Porcentaje de pasajeros que llegan 80%
Resultados
Número de pasajeros que llegan = 0,80 x 150 120
Número de pasajeros que viajan =min (120;112) 112
Número de pasajeros que se deben compensar= max ( 0; 120 – 112) 8
Beneficios = 112 x $396 $44.352
Costos de compensación= 8 x $592 $4.736
Beneficios Netos = $44.352 - $ 4,736 $39.616
13-7
En vez de usar el valor promedio de las
variables inciertas, podría usar otros valores
como el peor valor posible o el mejor posible,
etc.
13-8
El número!!!
Todos los criterios anteriores llevan a un
número.
Suponen que todas las variables inciertas se
comportan al unísono en el valor promedio.
Pero en la realidad las variables se mueven
simultáneamente en direcciones que no
fueron representadas en los escenarios
estáticos.
Pero preguntas cómo:
•¿Cuál es la probabilidad de alcanzar la meta
de la empresa, por ejemplo $24000?
•¿Cuáles son las posibilidades de perder
dinero?
•¿Qué pasaría si los costos de indemnización
son altos y llegan casi todos los pasajeros?
Pueden ser muy difíciles de responder con ese
método por la multitud de formas en las que se
pueden interrelacionar las variables.
Los modelos estáticos :
Variable X1
Variable X2
Y= Salida
del modelo
Variable Xn
¿Por qué hacer simulación MonteCarlo?
» Para capturar el efecto de cambios
simultáneos en las variables de entrada
• Contextos donde el análisis de sensibilidad
tradicional es débil
• Cuando se desea cuantificar tanto la magnitud
como la probabilidad de ciertos resultados
• Cuando existen más de dos variables inciertas
que deben ser simultáneamente modificadas y
con un número muy amplio de posibles
combinaciones
• Cuando existen no linealidades en el modelo –
Funciones SI, MAX, MIN, etc.
Así, en el problema de la venta de pasajes, los
datos históricos permiten caracterizar
estadísticamente las variables inciertas. De ahí
se puede deducir que:
El porcentaje de viajeros que llegan sigue
una normal con promedio 80% y desviación
10%
Y se tienen los datos históricos del precio del
tiquete y de los costos de indemnización.
Con esta información y simulación de
Montecarlo puede mejorar el análisis de
riesgo. (lo seguiremos en el taller)
Cómo funciona la generación de valores aleatorios de
las variables inciertas?
I) A partir de histogramas de frecuencias
Si se tiene información sobre cierto fenómeno, por
ejemplo, las ventas de un producto, y se estiman las
probabilidades de diferentes niveles de venta así:
Unidades Prob.
1000 10%
2000 25%
3000 40%
4000 25%
A cada nivel de ventas puede asignársele un conjunto de
valores aleatorios de 1 a 100 en número proporcional a su
probabilidad
Unidades Probabilidad Números
aleatorios
1000 10% 01-10
2000 25% 11-35
3000 40% 36-75
4000 25% 76-100
¿Cómo generar observaciones aleatorias a partir
de una distribución de probabilidad?
Se obtiene un número aleatorio de 1 a 100, y se elige
el valor de la variable correspondiente
Ejemplo: número aleatorio 62, demanda 3000
unidades
II) A partir de funciones continuas
Cómo funciona la generación de valores aleatorios de las variables
inciertas continuas?
F 1
3500 36 45-80 0%
3125 3250 3375 3500 3625 3750
3625 16 81-96 Ventas
3750 4 97-100
Supóngase que las cantidades producidas han variado de la
siguiente forma:
3623 12 89-100
A partir de la
serie
simulada se
pueden
deducir otras
series como
TIR, B/C etc.
TIR (%) Frecuencia % Frecuencia relativa y acumulada
acumulado
35 3 3
100
80
40 2 5 60
%
40
45 9 14 20
50 26 40 0
35 40 45 50 55 60 65 70
55 38 78 TIR
60 21 99
65 0 99 TIR media= $51.49
70 1 100 Ingreso neto medio= $6 602 850,
Si se hubiera trabajado solo con promedios (sin
simulación):
E[Vendidas]=3445
E[Producidas]=3445
E[Ingreso]= $2000*3445=$6 890 000
E[TIR]=57.43%
De la serie simulada “Ingreso neto” :
Ingreso neto medio= $6 602 850,
Varianza = 77831440000
Precio $ Probabilidad
2500 0.25
3000 0.50
3500 0.25
El coste variable unitario no puede conocerse con
exactitud, dado que la actual coyuntura económica
es muy cambiante y los precios de los inputs
necesarios para producir el nuevo producto
pueden cambiar con bastante facilidad.
24 36 28 24
0 0 0
-70
• Tornado
• Análisis de escenarios 13-38
Tornado
Jerarquiza la sensibilidad de una variable de salida respecto a
las variables de ingreso
13-40
Análisis de escenarios
Por ejemplo, para un escenario especifico como seria la
agrupación de únicamente los resultados de VPN que se
encuentren en el 10% superior, se identifican las variables
aleatorias cuyos valores difieren en forma significativa de sus
medianas.
13-41
Por ejemplo, en la figura, dentro del escenario que agrupa todas las
iteraciones en que el VPN se encontró en el 10% superior, las
siguientes variables difieren significativamente de sus valores
medianos generales:
13-42
Modelación de relaciones
de dependencia
Hasta ahora se ha asumido que las funciones de
probabilidad son independientes.
Es posible que el valor de algunas variables
dependa de los valores de otras.
Por ejemplo es posible que los costos de
mantenimiento estén relacionados con las
ventas, ya que altas ventas implican altos
niveles de producción y por lo tanto alto uso de
las máquinas.
13b-43
Algunos patrones de Dependencia
12=-1
Variable 2
Variable 2
12=1
Variable 1 Variable 1
Dependencia positiva total Dependencia negativa total
12<0 12=0
Variable 2
Variable 2
Variable 1
Variable 1
Independencia 13b-44
Dependencia negativa difusa
Simulación de dependencia total
48
Desventajas de la simulación de
Montecarlo
Los buenos modelos puede ser caros. Generalmente el
desarrollo de un modelo es un proceso largo y complejo.
Por ejemplo se puede emplear meses para el desarrollo
de un modelo de planeación corporativa
49
Softwares comerciales para
simulación de Montecarlo
@RISK
Crystall Ball
RiskSim
Entre otros…