UNIVERSIDAD CATÓLICA DEL TÁCHIRA

FACULTAD DE CIENCIAS ECONÓMICA Y SOCIALES

ESCUELA DE ADMINISTRACIÓN Y CONTADURÍA
ADMINISTRACIÓN MENCIÓN GERENCIA DE EMPRESAS

SIMULACIÓN
(PANEL DE CONTROL)

Integrantes:
Useche Duran Maria Jose V-29.908.909
Carrero Carrero Marianna Nohely V-29.852.684
Romero Ramirez Valeria Carolina V-30.251.613
Romero Ramirez Gabriel Alejandro V-28.257.967
Guerrero Urdaneta Jesus David V- 26.066.709

4to. Año, Sección “A”

Gerencia de Empresas

ABRIL 2023
 ÍNDICE

Introducción
Definición
Ventajas
Desventajas
Importancia
Procedimiento de Simulación
Generación de números aleatorios
Simulación de Monte Carlo
Pasos para realizar una simulación de Monte Carlo
 INTRODUCCION

La técnica de simulación es desde hace mucho tiempo una herramienta importante para el
diseñador. Durante muchos años, se han usado modelos a escala de máquinas, para simular
la distribución de planta. La simulación común se usó inicialmente en la investigación de
operaciones, surgió por primera vez en el trabajo de John Von Neumann y Stanislaw Ulam, en
los últimos años de la década de los 40. Quienes a través del análisis de Montecarlo en
conjunto con una técnica matemática, resolvieron problema relacionados con las barreras
nucleares de protección, demasiado costosas para someterlas a pruebas de experimentación
o demasiado complejas para realizar sus análisis. Un el advenimiento de las computadoras,
en los primeros años de la década de los 50, la simulación experimentó un avance
substancial. En la actualidad se resuelven incontables problemas de negocios, puesto que la
simulación en la computadora es un método económico y rápido para efectuar la vasta
cantidad de cálculos que se requieren.

Definición

La simulación es una técnica que a través de modelos permite representar un evento

cualquiera, a fin de investigarlo de manera detallada. La simulación como técnica aplicada a
las investigaciones permite emplear modelos simplificados de un sistema, evento, proceso,
situación y comportamiento, en estudio, sin necesidad de afectar el original. Ayuda a que el
investigador construya descripciones cuando no puede tener acceso de forma directa al
evento. Además, le permite examinar potenciales decisiones, así como también reducir el
tiempo de prueba... La técnica de simulación permite también generar escenarios bajo
condiciones posibles y probables, como predicción, formular propuestas a partir de tales
predicciones y elegir cursos de acción más favorables.

Ventajas
1. Es un proceso relativamente eficiente y flexible.
2. La simulación permite la inclusión en complicaciones del mundo real.
 3. La simulación permite estudiar los efectos interactivos de los componentes individuales
o variables para determinar las más importantes.
4. Los modelos de simulación se estructuran y nos resuelve en general problemas
trascendentes.

Desventajas
1. Un buen modelo de simulación puede resultar bastante costoso; a menudo el proceso
es largo y complicado para desarrollar un modelo.
2. Los directivos generan todas las condiciones y restricciones para analizar las
soluciones. El modelo de simulación no produce respuestas por sí mismo.
3. Cada modelo de simulación es único. Las soluciones e inferencias no son usualmente
transferibles a otros problemas.

Importancia
La simulación es una herramienta muy potente para la evaluación y el análisis de los sistemas
nuevos y los ya existentes. Permite anticiparse al proceso real, validarlo y obtener su mejor
configuración. El objetivo es ayudar o dar el soporte necesario al diseñador durante el proceso
de diseño, análisis y diagnosis de sistemas ingenieriles. El software debe complementar el
talento del diseñador para que éste pueda modelar y simular de forma lo más eficientemente
posible.

Procedimiento de Simulación
1. Definición de los objetivos: Generalmente un problema se presenta por síntomas, no
por el diagnostico. Por lo que antes de generar soluciones en un sistema, se deben
buscar el mayor número de síntomas. Es necesario en primer lugar definir claramente
los objetivos de nuestra investigación, antes de hacer cualquier intento encaminado a
planear la realización de un experimento en simulación. Encontraremos que la
exposición original del problema varía considerablemente de su versión final. Los
objetivos de la investigación, tanto en la empresa y la economía, como también en la
mayoría de las ciencias sociales, toma generalmente la forma ya sea de: (1) preguntas
que deben contestarse, (2) hipótesis que se deben probarse y (3) efectos por
estimarse.
2. Formulación del modelo: • Especificación de los componentes
• Especificación de las variables y los parámetros
• Especificación de las relaciones funcionales.
Una de las primeras consideraciones que se toman en cuenta en la formulación de un
modelo matemático reside en saber cuántas variables se deben incluir en el modelo. La
segunda consideración importante en la formulación del modelo matemático se refiere
a la complejidad de los mismos. Por lo general, estamos interesados a la formulación
de modelos matemáticos que produzcan descripciones o predicciones, razonablemente
exactas, referentes al comportamiento de un sistema dado y reduzca a la vez, el tiempo
de computación y programación. Una tercera consideración en la formulación de
modelos matemáticos para simulación en computadora estriba en el área de la
eficiencia de computación, es decir, la complejidad del algiritmo1. El tiempo consumido
para la programación de la computadora, constituye una cuarta consideración al
formular modelos para simulación.Diseño del experimento: Se ahorra mucho tiempo y
esfuerzo, sí se trabaja en los procedimientos experimentales antes de correr el modelo
¿Qué medidas se tienen que tomar? ¿Qué incrementos de tiempo se van a usar?
¿Cuál será la duración total? ¿Cómo se analizarán los resultados? Deben tomarse en
cuenta las respuestas a estas y otras preguntas al desarrollar un plan para el
experimento.

3. Realización del experimento: Ejecutar el modelo. Aquí se debe marcar el tiempo

apropiado, hacer las observaciones necesarias y registrar los datos para el análisis.

4. Evaluación de los resultados: Es necesario hacer un juicio del valor inicial de la

suficiencia de nuestro modelo, para probarlo. Esto se logra haciendo una comparación
de las mediciones iniciales obtenidas por nuestro modelo de simulación con las
obtenidas de la realidad. Este paso representa sólo la primera etapa en la prueba de un
modelo de simulación previa a las corridas reales en la computadora, por lo que en
este punto nuestro interés reside en probar las suposiciones o entradas que se
programarán en la computadora.
 Generación de números aleatorios

Los números aleatorios, son la base esencial de la simulación. Permiten a los modelos
matemáticos representar la realidad, cuando se requiere una impredecibilidad se utilizan los
números aleatorios. La aleatoriedad se obtiene a partir de un generador de números
aleatorios, el cual es, un dispositivo informático o físico diseñado para producir secuencias de
números sin orden aparente. El objetivo de cualquier generador, es producir una secuencia de
números entre 0 y 1 que simules las propiedades de distribución uniforme y de independencia.
Generar números aleatorios de una distribución de probabilidad significa obtener valores de la
distribución que se puedan considerar independientes.

Usos:

En la vida cotidiana se utilizan números aleatorios en situaciones tan dispares como pueden
ser los juegos de azar, en el diseño de la caída de los copos de nieve, en una animación por
ordenador, en tests para localización de errores en chips, en la transmisión de datos desde un
satélite o en las finanzas.

Características:

 Los valores obtenidos deben ser independientes entre sí.

 Los valores deben tener la misma probabilidad de poder obtenerse.

Proceso:

1. Obtención de los valores:

 Obtención de valores de una distribución U (0,1).
 Transformación de los valores anteriores en valores de la distribución elegida.

2. Comprobación de que pertenecen a la distribución elegida (Test de hipótesis):

 Los números obtenidos son independientes (Test de independencia).
 Los números aleatorios vienen de U (0,1), test de distribución (Contraste de
Kolmogorov-Smirnov).
 3. Comprobación de que pueden considerarse independientes (Test de hipótesis).

Condiciones para considerar que un método generado es correcto:

 Los números generados deben de parecer independientes y venir de U (0,1), es decir,

que pasen los test.
 Deben de ser rápidos y necesitar poco almacenamiento.
 Deben de poder producir secuencias largas, para asegurar que, en una secuencia de
números aleatorias, cada uno solo se repite una vez.
 Deben de poder reproducir la misma secuencia de números aleatorios.
 Deben de poder producir secuencias independientes para modelizar las distintas
fuentes del sistema.

Principales métodos para generar números aleatorios:

1. Extracción con reemplazamientos de bolas en una urna: Este es el método más

antiguo, consistía principalmente en ir sacando bolas numeradas del 0 al 9, de una
bolsa. En el caso, de que se quisieran 4 decimales, se extraían 4 bolas y se pone un
punto decimal delante. La gran ventaja que tiene este método es que los números
obtenidos son totalmente independientes, cumpliendo con una de las características de
los números aleatorios. Pero, por otra parte, la generación de los números es
claramente muy lenta.

2. Método cuadrado medio: Realizado por Von Newmann, el método comienza con un
número inicial, el mismo se eleva al cuadrado. Posteriormente se escogen los dígitos
del medio (Depende también de cuantos dígitos se necesiten) del número elevado al
cuadrado. Se colocan después del punto decimal. Este número será el primer número
aleatorio. Los pasos serian:
  Elegir un entero de cuatro cifras, Z0.
 Para obtener cada número aleatorio, se toman los cuatro dígitos centrales de
Zi^2. Si Zi^2 no tiene ocho dígitos se completa con ceros a la izquierda.
 Posteriormente se coloca un punto decimal delante para obtener así el valor Ui
y, por lo tanto, el numero aleatorio, U (0,1).

Tabla realizada para mostrar el método cuadrado medio

Zi Zi^2 Ui

5497 5497^2= 2170= 0,2170

30.217.009

2170 2170^2= 7089= 0,7089

04.708.900

7089 7089^2= 2539= 0,2539

50.253.921

3. Método congruenciales lineales: Realizado por Lehmer, el método consiste

principalmente en elegir cuatro enteros iniciales:

 Z0 (Semilla).
 m (Modulo).
 a (Multiplicador).
 c (Incremento).

De igual manera se usa la siguiente formula recursiva: Zi+1= (aZi+c) mod m. Numero
aleatorio= Z/m.

Tabla realizada para mostrar el método congruencial

Constantes Zi Ui
 X0= 27 Z1= (17*27+43) mod U1= 2/100= 0,02
100= 2

a= 17

c= 43 Z2= (17*2+43) mod U2= 77/100= 0,77

100= 77 mod 100=
77

m= 100

Test de distribución, contraste de Kolmogorov-Smirnov: Ya hemos mencionado varias

veces en este informe sobre el test de independencia, es decir, ver si los números obtenidos
son independientes o no. Pero para poder abarcar bien la generación de números aleatorios,
también debemos conocer el test de distribución que nos permite saber si los números vienen
de U (0,1). Este test compara la distribución de un conjunto de números generados con una
distribución uniforme, es decir:

El test compara: La función de probabilidad acumulada continua F (x) de una distribución

uniforme, con la función de probabilidad acumulada empírica Sn (x), de una muestra de N
observaciones.

Ejercicio planteado:

Utilizar el método cuadrado medio para generar 7 números aleatorios a

partir de una raíz, la cual es 3708. Se requiere que cada número
aleatorio contenga por lo menos 4 dígitos.

Tabla realizada para el ejercicio planteado de números aleatorios

Zi Zi^2 Ui

3708 3708^2= 13.749,264 U1= 7492= 0,7492

 7492 7492^2= 56.130.064 U2= 1300= 0,1300

1300 1300^2= 1.690.000 U3= 6900= 0,6900

6900 6900^2= 47.610.000 U4= 6100= 0,6100

6100 6100^2= 37.210.000 U5= 2100= 0,2100

2100 2100^2= 4.410.000 U6= 4100= 0,4100

4100 4100^2= 16.810.000 U7= 8100= 0,8100

Los 7 números aleatorios generados fueron: 0,7492; 0,1300; 0,6900; 0,6100; 0,2100;
0,4100; 0,8100.

Simulación de Monte Carlo

Las simulaciones de Monte Carlo son una técnica matemática que predice los posibles
resultados de un evento incierto. Los programas informáticos utilizan este método para
analizar datos pasados y predecir una serie de resultados futuros en función de una elección
de acción. Por ejemplo, si desea estimar las ventas del primer mes de un nuevo producto,
puede proporcionar al programa de simulación de Monte Carlo los datos históricos de ventas.
El programa estimará diferentes valores de venta en función de factores como las condiciones
generales del mercado, el precio del producto y el presupuesto de publicidad.

Usos: Este método tiene múltiples utilidades en el campo de la economía. En las inversiones
es donde más se ha utilizado (campo en el que profundizaremos más adelante), pero muchas
empresas también le han dado uso a esta simulación. Generalmente, podemos destacar los
tres usos más comunes en los que los profesionales utilizan la simulación de Montecarlo:

A la hora de llevar a cabo grandes proyectos por parte de las empresas, ayuda a generar
diferentes escenarios que se podrían producir en función de los costes y plazos del proyecto.

Para crear y estudiar el comportamiento de opciones financieras o carteras de inversión.

En muchas ocasiones también se utiliza para gestionar el riesgo en las inversiones.

Fundamentos: La simulación de Monte Carlo, puede fundamentarse en dos aspectos;

cuando está fundamentada en la generación de números aleatorios y cuando la variable
aleatoria no es directamente el resultado de la simulación. Por lo tanto:

Fundamentada en la generación de números aleatorios:

1. Determinar las variables aleatorias y sus distribuciones.

2. Iterar (Ensayar) tantas veces como sean necesarias. El proceso es:
 Generar un numero aleatorio.
 Uniforme (0,1).
 Determinar el valor para el numero aleatorio generado de acuerdo a las
clases que se especifiquen.
3. Calcular la media, la desviación estándar o los métodos estadísticos comparables.
4. Analizar los resultados.

Variable aleatoria no es directamente el resultado de la simulación:

1. Diseñar el modelo lógico de decisión.

2. Especificar distribuciones de probabilidad para las variables aleatorias.
3. Incluir posibles dependencias entre variables.
4. Calcular el resultado del modelo según valores de muestreo y registrar el resultado.
5. Repetir el proceso hasta tener una muestra representativa.
6. Calcular media o desviación estándar.
7. Analizar los resultados.

Pasos para realizar una simulación de Monte Carlo

Existen dos formas para aplicar la simulación de Monte Carlo, el proceso va a depender de si
la variable aleatoria es directamente el resultado o no, el cual como ya se ha mencionado
antes dicha simulación es fundamental en la generación de numeros aleatorios.

Como punto de partida, tenemos cuando la variable aleatoria es directamente el resultado:

 Determinar las variables aleatorias y sus distribuciones.

  Generar un número aleatorio. Ya sea uniforme [0,1]. O Determinar el valor para el
número aleatorio generado de acuerdo al rango o clases que se especifiquen.
 Iterar tantas veces como sean necesarias.
 Calcular media, desviación estándar o métodos estadísticos comparables.
 Analizar los resultados.

Otra opción sería cuando la variable aleatoria no es directamente el resultado de la

simulación:

 Diseñar el modelo lógico de decisión.

 Especificar distribuciones de probabilidad para las variables aleatorias relevantes.
 Incluir posibles dependencias entre variables.
 Calcular el resultado del modelo según valores de muestreo (iteración) y registrar el
resultado.
 Repetir el proceso hasta tener una muestra estadísticamente representativa.
 Calcular media o desviación estándar.
 Analizar los resultados.
 EJERCICIO 1
Simular la demanda diaria para el periodo establecido, si se tienen las siguientes probabilidades

Probabilidad Demanda Lm Ls Demanda Dia Aleatorio Demanda

20% 1500 0% 20% 1500 1 13% 1500
30% 1700 20% 50% 1700 2 52% 2100
40% 2100 50% 90% 2100 3 56% 2100
10% 2400 90% 100% 2400 4 40% 1700
5 36% 1700
6 51% 2100
7 47% 1700
8 53% 2100
9 82% 2100
10 32% 1700
11 71% 2100
12 58% 2100

EJERCICIO 2
Fireston vende todo tipo de neumáticos, pero una llanta radial popular es responsable de una gran parte de las ventas generales. Al reconocer que los costos de inventario pueden ser significativos con este
producto, el gerente de operaciones quiere determinar una politica para administrar dicho inventario.

Para ver cómo estaría la demanda durante un periodo, desea simular la demanda diaria para cierto número de días.

Demanda de llantas Frecuencia (Dias) Probabilidad de ocurrencia Demanda Diaria Probabilidad Probabilidad Acumulada
0 10 0,05 Paso 2: Elaborar una distribucion de 0 0,05 0,05
Paso 1: Establecer 1 20 0,10 probabilidad acumulada para cada variable 1 0,10 0,15
distribuciones 2 40 0,20 2 0,20 0,35
de probabilidad 3 60 0,30 3 0,30 0,65
4 40 0,20 4 0,20 0,85
5 30 0,15 5 0,15 1,00
200 1

Paso 3 : Establecer intervalos

de numeros aleatorios

Demanda Diaria Probabilidad Probabilidad Acumulada Intervalos de numeros aleatorios

0 0,05 0,05 01 a 05
1 0,10 0,15 06 a 15
2 0,20 0,35 16 a 35
3 0,30 0,65 36 a 65
4 0,20 0,85 66 a 85
5 0,15 1,00 86 a 100

Dias (n) Número aleatorio (Xi) Demanda diaria simulada Demanda Diaria Intervalos de numeros aleatorios Paso 5: Calcular Demanda
1 52 3 0 01 a 05 Esperada Diaria
Paso 4: Generar numeros aleatorios
1. Los números se pueden seleccionar 2 37 3 1 06 a 15
dando vuelta a una ruleta que tenga 100 3 82 4 2 16 a 35
ranuras 4 69 4 3 36 a 65
2. Tomando a ciegas fichas númeradas en 5 98 5 4 66 a 85
un sombrero
6 96 5 5 86 a 100
3. Tabla de números aleatorios
4. Excel 7 33 2
8 50 3
9 88 5
10 90 5
69,5 39 Demanda total de 10 Dias
3,9 Demanda diaria promedio de llantas
X̅ =Media o Promedio

Desviaciones (Desviaciones)² (Xi - X̅ )²/n-1

Xi - X̅ (Xi - X̅ )² 612,0555556 Varianza
-17,5 306,25
-32,5 1056,25 √612,0555556 Desviacion Estandar
12,5 156,25 24,74
-0,5 0,25
28,5 812,25
26,5 702,25
-36,5 1332,25
-19,5 380,25
18,5 342,25
20,5 420,25
5508,5
 REFERENCIAS BIBILIOGRÁFICAS

http://simulaingenieria.blogspot.com/2017/02/21-numeros-aleatorios-definicion_44.html

https://webs.um.es/mpulido/miwiki/lib/exe/fetch.php?media=wiki:simt1b.pdf

https://es.scribd.com/document/514341987/Un-generador-lineal-congruencial#

https://aws.amazon.com/es/what-is/monte-carlo-simulation/#:~:text=Las
%20simulaciones%20de%20Monte%20Carlo%20son%20una%20t%C3%A9cnica
%20matem%C3%A1tica%20que,de%20una%20elecci%C3%B3n%20de%20acci
%C3%B3n.