Simulación Gerencial

Introducción a Simulación de
Montecarlo

1
 Agenda
• Introducción
• Simulación de Montecarlo (SMC)
• Ejemplos

2
 Introducción
¿Qué es Simulación?

Simulación es el proceso de construir un modelo matemático o

lógico de un sistema o problema de decisión, experimentando
con el modelo para obtener luces sobre el comportamiento del
sistema o elementos que permitan seleccionar la mejor
alternativa para el problema de decisión.

3
 Introducción
¿Qué es un Modelo?

Un modelo se puede definir como la representación de un

sistema con el propósito de estudiarlo.

Se debe definir claramente la relación entre las entidades, las

actividades que se desarrollan y es únicamente necesario
considerar aquellos aspectos del sistema que afectan el
problema de investigación.

4
Tipos de Modelos
¿Qué es un Modelo?

5
Pasos en un estudio de Simulación

6
Traducción del Modelo

1. Traducción del
Modelo

Lenguajes de
Lenguajes de
2. propósito
General
Simulación de
propósito
especial

3. Java, C++, VB
Arena, @Risk,
Crystal Ball

7
 Simulación de Montecarlo (SMC)
La Simulación de Montecarlo (SMC) es una técnica cuantitativa
que hace uso de muestreos estadísticos para imitar, mediante
modelos matemáticos, el comportamiento aleatorio de
sistemas reales no dinámicos.

Generalmente en estadística los modelos aleatorios se usan

para simular fenómenos que poseen algún componente
aleatorio. Pero en la SMC el objeto de la investigación es el
objeto en sí mismo, es decir, un suceso aleatorio o pseudo-
aleatorio se usa para estudiar el modelo.

8
 Simulación de Montecarlo (SMC)
La clave de la SMC consiste en crear un modelo matemático del
sistema, proceso o actividad que se quiere analizar,
identificando:

- Variables (Inputs del modelo): Son aquellas cuyo

comportamiento aleatorio determina el comportamiento
global del sistema. (Generación de números y variables
aleatorias).

9
 Simulación de Montecarlo (SMC)
- Resultados de la Simulación (Experimento): Analizar el
comportamiento del sistema ante los valores generados. El
objetivo es repetir n veces el experimento obteniendo n
observaciones sobre el comportamiento del sistema. Los
resultados serán más precisos cuanto mayor sea el número n
de experimentos que llevemos a cabo.

10
 Simulación de Montecarlo (SMC)
La SMC se puede utilizar de acuerdo a los siguientes algoritmos:

- SMC Puro: Está fundamentado en la generación de

números aleatorios por el método de Transformación
Inversa, el cual se basa en las distribuciones acumuladas de
frecuencias (Visto anteriormente).

11
 Simulación de Montecarlo (SMC)
- Combinación de VA´s por SMC: Cuando el resultado de la
simulación se da por la combinación de las VA´s, se debe
realizar y verificar:

- Desarrollar un modelo conceptual o lógico de decisión.

- Construir un modelo, especificando la relación entre las
variables y las distribuciones de probabilidad para las variables
aleatorias.
- Verificar y validar el modelo.
- Diseñar experimentos utilizando el modelo.
- Analizar los resultados y concluir.
12
 Simulación de Montecarlo (SMC)
Las principales características a tener en cuenta para la
implementación o utilización de la SMC son:

- El sistema debe ser descripto por 1 o más funciones de

distribución de probabilidad (FP).

- Generación de números aleatorios (No debe existir correlación

entre los valores muéstrales).

- Establecer límites y reglas de muestreo para las FP (Definir que

valores pueden adoptar las VA´s).
13
 Simulación de Montecarlo (SMC)
Las principales características a tener en cuenta para la
implementación o utilización de la SMC son:

- Definir Scoring (Cuando un valor aleatorio tiene o no sentido para

el modelo a simular).

- Estimación del error (¿Con que error trabajamos? ¿Cuanto error

podemos aceptar para que una corrida sea válida?).

- Técnicas de reducción de Varianza.

14
 Simulación de Montecarlo (SMC)
Las principales características a tener en cuenta para la
implementación o utilización de la SMC son:

- Paralelización y Vectorización (Utilizado en aplicaciones con

muchas variables).

15
 Ejemplo 1: Simulación de Montecarlo
(SMC)
Se tiene la siguiente distribución de probabilidades para una
demanda aleatoria (diaria) y queremos ver que sucede con el
promedio de la demanda en varias iteraciones:

Frecuencia
Unidades Frecuencia
Acumulada
42 0,1 0,1
45 0,2 0,3
48 0,4 0,7
51 0,2 0,9
54 0,1 1

16
 Ejemplo 1: Simulación de Montecarlo
(SMC)
Generando los valores aleatorios vamos a ver como se obtiene el
valor de la demanda para cada día:

Número Valor de la
Iteración
Aleatorio [R] Demanda
1 0,886 51
2 0,021 42
… … …
n 0,225 45

17
 Ejemplo 1: Simulación de Montecarlo
(SMC)
Si se aumenta el números de replicas, los resultados obtenidos
son:

Iteración Media Desviación Error

10 48,60 3,41 1,078
100 48,12 3,16 0,316
1000 47,87 3,28 0,104
10000 47,87 3,30 0,033

18
 Ejemplo 2: Simulación de Montecarlo
(SMC)
La compañía Plásticos de Colombia S.A, se dedica a la fabricación de
productos plásticos y telas vinílicas. En la actualidad, están analizando la
posibilidad de lanzar un nuevo producto llamado impermeable plástico (en
colores amarillo y negro). Éste producto puede ser utilizado como protector
solar y/o como recubrimiento para la lluvia por las personas y las industrias.

Teniendo en cuenta que es un producto nuevo, la gerencia de la compañía ha

analizado la situación y ha encontrado que para fabricarlo se requiere de una
máquina especializada, con la que no se cuenta en la actualidad. Por lo tanto,
han definido como alternativa arrendar la máquina que se requiere.

19
 Ejemplo 2: Simulación de Montecarlo
(SMC)
La compañía ha identificado dos modelos de máquinas que se ajustan a las
necesidades actuales de producción de impermeable de color negro y de
color amarillo. La primera alternativa es arrendar la máquina TX-1. Esta
máquina tiene una capacidad de producción de 32.000 metros al mes, y su
costo de leasing es 1’950.000/mes.

La segunda alternativa es arrendar la máquina TX-2. Esta máquina tiene un

costo de leasing más bajo $1’650.000. Su capacidad de producción es mayor
(5.000 metros más que la TX-1).

20
 Ejemplo 2: Simulación de Montecarlo
(SMC)
Para estimar el comportamiento de la demanda del nuevo producto, la
compañía ha recolectado información sobre la demanda esperada por mes
del impermeable plástico negro y la demanda de impermeable amarillo, y ha
encontrado los siguientes resultados respecto al comportamiento de cada
mercado:
• Color amarillo: mínimo 12000 metros, máximo 21000 metros, y valor más
probable 18000 metros.
• Color negro: entre 17000 y 23000 metros.

Adicionalmente, la compañía estima que el precio de venta por metro de

impermeable amarillo es de $2500, y el precio de venta por metro de
impermeable negro es de $2300.

21
 Ejemplo 2: Simulación de Montecarlo
(SMC)
Los costos unitarios asociados con la producción en cada máquina se
presentan a continuación:

Costos variables TX-1 TX-2

Distribución Normal Normal
Media 950 1100
Desviación estándar 90 25

¿Qué decisión debe tomar la compañía?

22