532 Parte 3 Modelos Probabilisticos FIGURA 11.27 Histograma del VNA de Wilson utilizando una dis- tribucién modificada Ahora ya hemos visto tres evaluaciones del problema de presupuesto de capital de los G9 de June: (1) un modelo deterministico (figura 11.6), (2) una simulacién con 500 ensayos, con hip6tesis limitadas sobre la demanda (figura 11.19) y (3) un simulacién con 1,000 ensayos (figura 11.27), con base en lo que June considera que es la representacién mds realista de la de- manda. ,Qué hemos aprendido? 1. Que incrementar el niimero de ensayos puede dar una mejor estimacién del rendimientoes- perado, pero incluso con una gran cantidad de ensayos puede existir a veces una diferencia en- tre el promedio simulado y el rendimiento esperado real 2. Que las simulaciones pueden proporcionar informacién til sobre la distribucién de resul- tados. Con una muestra de 500 ensayos € hip6tesis limitadas sobre la demanda, hubo una indi- cacién (una probabilidad de 0.19) de que este proyecto pudiera devolver un VNA negativo. Esta ¢s informacién valiosa y es algo que no se podria haber determinado con un simple andisis del caso basico, o incluso con un andlisis de riesgo hacia arriba/hacia abajo. 3. Que los resultados de la simulacién son sensibles a las suposiciones que afectan los parémetros de entrada. Pudimos ver que si June modificara sus hip6tesis sobre la distribucién de la demanda (de una distribucién discreta uniforme a una distribuci6n de Poisson con la misma ‘media de 10), habria un impacto considerable en la probabilidad de un VNA negativo (aumenta aproximadamente de 19% a 27.5%). Quizés el impacto més importante en la simulacién ocurre en el proceso de tomar la de- ién. Si June no hubiera levado a cabo algtin andlisis de simulacién, hubiera dado una re- comendacién entusiasta a la propuesta de adicién a la Kinea de equipo pesado con base en el VA medio. Sin embargo, después de Hevar a cabo cualquiera de las simulaciones, lla siente {que el proyecto es muy arriesgado como para recomendarlo. Aunque éste es un juicio cualit- tivo de su parte, puede apoyarlo con los resultados cuantitativos del modelo de simulacén, ‘Como hemos observado anteriormente, Jos modelos no liberan a los administradores de larespon- sabilidad de tomar decisiones, pero sf proporcionan informacién adicional para tomar esas deci- siones de manera bien informada. ED UN Everio DEL contro FOSLINS HOUSEWARES El modelo de presupuesto de capital de June Wilson nos dio un ejemplo del uso de la simalacion en una situacién de “sf 0 no": June tenia que decidir entre aceptar o no aceptar el proyecto. Existen otras situaciones, sin embargo, en las cuales la pregunta es, “;Qué tanto de todo esto debemos hacer?”. La simulacién también puede utilizase para modelos de este tipo. No obsane, existen algunas nuevas preocupaciones (0 quizis variaciones de vieja preocupaciones) a con- siderar cuando se utiliza la simulacién en esta manera, Esta seccién utiliza un modelo de contol de inventarios para dar otro ejemplo de simulacin. También servi para originar un andlisis de la interpretacin adecuada de los resultados.LA PROMOCION DEL SARTEN PARA OMELETTES: :CUANTOS SARTENES PEDIR? “Marie Ford es la compradora en jefe de articulos del hogar en Foslins, uno de los detallistas prin- cipales de Denver. El papel del jefe de compras es importante en una organizacion de ventas al ‘menudeo como Foslins. Marie es responsable de disefar Ia estrategia general de ventas al menudeo Y los procedimientos de operacién de su rea. También supervisa a un grupo de compradores ‘que toman decisiones especfficas de compra. ‘Algunas secciones del departamento de articulos para el hogar acaban de sufrir su segundo mal afio consecutivo. Las tiendas competidoras, como Box and Barrel, que se especializan en aticulos importados para cocina y comedor, han abierto importantes brechas en la posicién que alguna vez fue segura de Foslins. Las secciones de cocina gourmet, cristaleria, articulos de ‘cocina de acero inoxidable y vajillas modernas de Foslins no generan suficientes ingresos como para justificar el espacio de planta que actualmente tienen asignado. Marie planea afrontar este reto de frente. Ha reorganizado las secciones probleméticas para crear una tienda dentro de la tienda, Para lograrel mismo ambiente que sus competidores, ha adop- tado técnicas de exhibicién de madera natural e iluminacién modemas. Bésicament, ha creado tuna tienda de especialidades, como las de sus competidores, dentro del departamento de aticulos para el hogar. Con estos cambios, sumados a la reputacién de la tienda en términos de calidad y servicio, ella piensa que Foslins puede competir de manera efectiva Para presentar la nueva instalacién de Fostins, Marie decide convertir el mes de octubre en el "Mes de la comida internacional”. Esta promocién encabezaré la venta de cinco articulos es- peciales, cada uno de un pais diferente. Estos articulos serdn fabricados especialmente para Foslins e incluyen una sartén de cobre para omelettes proveniente de Francia, un juego espafiol de 12 copas de pie largo para vino, y asi sucesivamente. Cada articulo ha sido seleccionado por ‘un comprador del equipo de Marie. Ya hay un acuerdo sobre el disefo y el precio. Los articulos, tienen que ser pedidos con al menos seis meses de anticipacién, y no formardn parte de la linea normal de productos de Foslins. Toda la existencia no vendida al final de octubre serd rematada una cadena de descuento a un precio reducido, Ademés, Foslins ha adoptado la politica de que si se termina la existencia de algiin articulo de la venta especial, ser4 sustituido por un producto més costoso de la Iinea normal de productos al mismo precio de la venta. Todo es parte de la promocién “Una vez en la vida". En el caso de las sartenes para omelette, Foslins comprars las sartenes especiales a $22 y las venderd a $35. Si sobran sartenes al final de la promociGn, serdn vendidas a la cadena de des- cuento Clampton a $15 la pieza. Si a Foslins se le terminan las sartenes especiales, sen susti- tuidas por sartenes de cobre comunes para omelette, que serdn vendidas al precio de oferta a$35. Las sartenes comunes, que normalmente se venden a $65, cuestan $32 cada una. El problema de Marie es que debe decidir cusntas sartenes especiales debe pedir, sin saber por adelantado cusl sera la demanda correspondiente. Por ejemplo, suponga que ordena 1,000 sartenes y la demanda resulta ser de 1,100. Entonces ella tendria que comprar 100 sartenes (1,100 ~ 1,000) a $32 por sartén después de comprar 1,000 sartenes a $22 por sartén, y venderia 1,100 sartenes a $35 la pieza. Por lo tanto, su utilidad neta seria $35(1100) ~ $32(100) ~ $22(1000) = $13,300 En general, sea y = ntimero de las sartenes pedidas y D = demanda, Entonces para D > y, Utilidad = 35D — 32(D — y) ~ 22y = 3D + 10y Si, por otro lado, ella ordenara 1,000 sartenes y la demanda resultara ser de s6lo 200, entonces ‘venderé 200 sartenes a $35 y 800 sartenes (1,000 — 200) a $15 a Clampton's. Su uilidad neta seria, $35(200) + $15(800) — $22(1000) = -$3000 En general, para D D). Esto significa que tenemos 3 sartenes sobrantes. Po lo tanto lautilidad de esta Gnica simulacién de la promocién es de $35(8) + $15(3) ~ $22(11) = $83. Capitulo 14 533 Simulacién Monte Carlo54 Parte 3 Modelos Probabilsticos rede con seem 1800 to fb 3 Sane ‘Como vat a et t — Celda Formula vp ae ear “MAX(0,B3—B5) FIGURA 11.28 MAX(0,B5~B3) Caso base de Fostins i =SI(B3=B5,E3*BS + E4*B7~E5*B3,E3*B! FIGURA 11.29 Generador de demanda aleatoria de Foslins UTILIDAD VERSUS TAMANO DEL PEDIDO Marie naturalmente esté interesada en determinar de qué manera el nimero de sartenes que or- dene afectaré la utiidad esperada de la promocién, y la posibilidad de que la promocién pierda dinero. Veremos emo atacar esta pregunta con una simulacién, comenzando con un simple ejemplo ilustrativo, Més adelante, en la secci6n 11.6, uilizaremos una hipOtesis més realista de ‘una distribucién normal de la demanda (= 1000, ¢ = 100). Por ahora, supongamos que la demands tiene la siguiente distribucién de probabilidad. Prob (demanda = 8} = 0.1 Prob {demanda = 9} = 0.2 Prob {demanda = 10} = 0.3 Prob (demanda = 11} = Prob {demanda = 12) = 0.1 Prob {demanda = 13} = 0.1 Estas demandas se han escogido artficialmente pequefias a fin de simplificar el ejemplo. Para ‘generar en Crystal Ball la demanda aleatoria para esta distribucién de probabilidad, Marie tiene que escribir esta distribucién discreta en un formato de dos columnas, como se mostré en la sec- i6n anterior. Esto aparece en las columnas G y H de la figura 11.29. Para lograr escribir toda esta informaci6n dela distribucién de probabilidad en Crystal Ball, Marie sigue los siguientes pasos: 1, Hace clic en la celda BS, que es la celda donde Crystal Ball generar los valores aleatorios de la demanda. 2 Hace clic en el primer icono de Crystal Ball (Define Assumption).3. Hace clic en Ia distribucién “Custom” de la Gallery of Distributions (que se vio anterior- mente en la figura 11.17); después hace clic en OK (0 de manera alternativa podrfa hacer doble clic en la distribucién “Custom”). 4, Hace clic en el bot6n “Data” y escribe el rango de celdas donde quiere inserar la informa cin de esta distribucién discreta (G3:H8 como se muestra en la figura 11.29); después hace «licen OK. '. Crystal Ball mostrar de nuevo la distribucin segtin fue escrita(véase la figura 11.29). Ahora estamos preparados para llevar a cabo la simulaciGn para calcular la utilidad prome- dio. Para hacerlo, debemos hacer un cierto niimero de ensayos, haciendo que y= II y generando ‘una nueva demanda en cada ensayo. La utilidad que resulte de cualquier ensayo dado dependerd, Porsupuesto, del valor dela demanda generado para ese ensayo en particular. La wrilidad prome- dio de todos los ensayos, entonces, serd una estimaciGn de la utilidad esperada. Una vez més, esto se puede realizar fécilmente con Crystal Ball, como se sefiala a continuacién: 1. Haga clic en la celda B1I (la celda Profit). 2 Haga clic en el segundo icono Crystal Ball (Define Forecast), lo que hard aparecer un cuadro de didlogo. 3. Cambie el tamafio de la ventana a “Large” y cambie el despliegue a “When Stopped { fasten” en el cuadro de didlogo en caso de que éstasno sean las opciones predeterminadas, (emostradas previamente en la figura 11.20). También haga clic en “Set Default” si desea que ésta sea la opcin predeterminada en el futuro. 4. Haga clic en OK. aga clic en el octavo icono (Run Preferences) y cambie “Maximum Number of trials” a 500 (mostrado previamente en la figura 11.21). 6 Haga clic en OK. 7. Haga clic en el noveno icono (Start Simulation), y después de que Crystal Ball haya llevado ‘cabo las 500iteraciones eindicaré “Maximum numberof trials reached”. Después de hacer clic en OK, produciré autométicamente el histograma que se muestra en la figura 11.30. 8 Para examina las estadistica de la simulacién, haga clic en View, después en Statistics, y CCystal Ball desplegard una tabla, como se muestra en la figura 11.31. Los nimeros que usted genere no coincidirdn exactamente con los que se muestran en la figura 1131, Recuerde que el procedimiento mostrado aqu‘ genera una muestra aleatoria de 500 en sayos partir de un nimeroinfnito de posibles resultados. Con suerte, la caraceriticas generales desu muestra serfan iguales a las que se presentan aqui. De acuerdo con la figura 11.31, la uilidad promedio de los 500 ensayos es $124.30. Por lo tanto, con base en estos 500 ensayos, Capitulo 11 335 Simulacion Monte Carlo FIGURA 11.30 Histograma de simulacién de utilidades de Fostins536 Parte 3 Modelos Probabilisticos FIGURA 11.31 Estadisticas dela simulacién de Fosins Ja mejor estimacién de la uilidad esperada de Marie al pedir 11 sartenes es de $124.30. La hoja de célculo completa se encuentra en el CD como FOSLCBIC.XLS. Marie puede utilizar el mismo método para calcular la utilidad promedio asociada con ‘cualquier otra cantidad. Sélo necesita escribir un tamatio de pedido diferente en la celda B3 de Ia hoja de célculo "Caso bésico” y volver a hacer la simulaci6n, Pero observe que, debido a que la demanda es aleatora, la utilidad promedio también seré aleatoria, Esto significa que si Marie hiciera otro conjunto de 500 ensayos con el mismo tamafio de pedido de 11 sartenes, el simulador podria generar una serie de demandas diferente, y por lo tanto lo mas probable es que obtuviera una utlidad promedio diferente, Valor esperado versus tamafio de pedido Con ste simple ejemplo, Marie puede calcu- lar fécilmente la utilidad esperada real asociada con cualquier cantidad ordenada, en vez de con- fiar en su estimacién dela utilidad a partir de 500 ensayos (por lo general éste no es el caso para ‘ejemplos més realistas y lo se leva a cabo aquf por razones pedagégicas). Esto se puede hacer utlizando la hoja de céleulo mostrada en la figura 11.28 para calcula la utilidad resultante de ‘cada tno de los seis niveles de demanda posibles (8, 9,...13). Todo lo que Marie hace es colo- car seis posibles valores de demanda distintos en la celda BS (uno por uno) y anotar la utilidad producida. Cada uno de estos valores de uilidad es entonces multiplicado por la probabilidad de que esa demanda ocurra (por ejemplo, la utilidad producida cuando la demanda = 10 es mul- tiplicada por 0.3, es decir la probabilidad de que la demanda ser, de hecho, de 10). Finalmente, Jos términos resultantes se suman. Los célculos se muestran en la tabla 11.2. Utilidad simulada versus utilidad esperada Suponiendo que el riesgo no sea un factor, Marie le gustaria seleccionar la cantidad de pedido que reditée la mayor uilidad esperada, Para hacerlo, ella calculara la utlidad esperada para todas las cantidades de pedido posibles (8, 9, 10,., 13), igual a como se hizo para una cantidad de pedido de 11, y seleccionarfa la cantidad a cordenar que tuviera la mayor utilidad, Si fuera a utilizar la simulacin, ella usarfa el mismo pro- cedimiento que utilizé para determinar la wilidad promedio con una cantidad de pedido de 11 para los otros posibles tamatios de pedido (8, 9, 10, 12, 13) y después seleccionaria la cantidad de pedido que diera la mayor uttidad promedio. No es ninguna sorpresa que para cualquier tamatio de pedido, la utlidad promedio generada por el simulador de hoja de clculo no iguale la utilidad esperada real, pues ya hemos visto que en diferentes ensayos se producirin distinios valores de la utilidad promedio. La implicacién de este hecho en el proceso de tomar la decisin es interesante. Las utilidades esperadas calculadas y las utlidades promedio simuladas para tamaiios de pedido de 9, 10, 11 y 12 sartenes se mues- tram en la tabla 11.3. Solo hemos mostrado el trabajo correspondiente la utilidad simulada y a'la utilidad es- perada real para un pedido de 11 sartenes. Dejaremos como ejercicio para el estudiante verificar las otras entradas de la tabla (véanse los problemas 11-9 a 11-11).--LLI EE Pere meee reas wusfOPED00 __DEMANDA UMbxD __PRORARLDADDELADEMANOA—_cOLUMNAYC)*() ul 8 $83 10 83 n 9 $103 20 206 1 10 $123 30 369 ul n $143 20 286 i 2 $146 10 146 " 13 $149 10 149 Uiilidad esperada = ___ $123.9. TABLA 11. ann ;DORDENADA _UTILIDAD ESPERADA REAL —_UTILIDAD PROMEDIO SIMULADA (500 ENSAYOS) $118.88 $124.18 $124.30 SU8.81 Aqui podemos ver que, si Marie tuviera que basar su decisin en la utilidad promedio simmu- lada en este conjunto particular de ensayos, la decisién para maximizar las utilidades consisirfa en pedir I] sartenes. Para maximizar la utilidad esperada real, sin embargo, ella pedirsa 10 sartenes. Esto es, por supuesto, un ejemplo deliberadamente simplificado, pero es un ejemplo excelente del hecho de que la simulacién, en general, no es garantia para obtener la optimalidad. En el caso de Marie, la decisién de ordenar 11 sartenes en vez de 10 no es critica, ya que reduce su utilidad esperada real en menos de 0.2%. En algunos casos, sin embargo, la simulacién puede llevar a resultados que estén lejos de ser 6ptimos. Marie puede por lo tanto preguntarse si hay algo que pueda hacer para mejorar la exactitud de su simulacién, ;Puede ella aumentar la Posibilidad de que una simulacién producira en verdad una decisién Gptima Aunque la naturaleza de la simulacién hace imposible garanticar que se identficaré una decision éptima, existe una forma muy simple de incrementar la posibilidad de este resultado: aumentar el niimero de ensayos. Mientras més grande sea el niimero de ensayos, los resultados tenderdn a ser mas confiables (igual a lo que ocurre cuando se lanza al aire una moneda: mien- tas més veces la arroje usted, mas cerca estard la proporcién de las caras a 50%). Este hecho nos lleva a la siguiente observacién importante: ‘Suponga que, en una decisin bajo condiciones de riesgo, la administracin desear tomar la decisién {ue minimice el costo esperado © que maximice la utilidad esperada, Con la simulacién, la decisin Podirfa obtenerse ermineamente sino se tiene cuidado en simular una cantiad suficiente de ensayos. Deberiamos volver a enfatizar que en un problema real usted no harfa al mismo tiempo el célculo de la utilidad esperada real y el uso de la simulacién para calcular Ia uilidad promedio. La simulacién se utiliza cuando no es préctico 0 incluso es imposible calcula la utlidad espe- $37538 rte 3 Modelos Probabilisticos FIGURA 11.32 Resultados de los faltantes en Fosins rada asociada con decisiones alternativas, o cuando es importante estimar la variabilidad de a ‘medida de desempefio para varias soluciones. Este simple ejemplo sirve para iustar la relacéa entre la simulacién y los modelos analiticos. RECAPITULACION ‘Vamos a resumir y comentar varios aspectos de lo que hemos visto hasta ahora: 1. Un simulador de hoja de célculo toma los pardmetros y decisiones como entradas y de- vuelve una medida (0 medidas) de desempefio como resultado. 2. Cada iteracién del simulador de hoja de célculo (con los mismos parémetros y decisiones) generalmente devolverd un valor diferente para la medida del desempefio. 3. Enel modelo de Marie, la medida del desempeiio (para un pedido de 100) fue la wilde Los 500 ensayos se combinaron para producir otra medida de la bondad del tamatio de pedido dado: la utilidad promedio, Observe que hay todavia més informacién disponible. Si quisiéramos saber qué tan cuentemente ocurrié un faltante (que la demanda excediera la cantidad ordenada), neces tarfamos hacer clic en la celda B9, afiadirla como celda de “Pronéstico”, y volver a hacer l sima- lacién, La figura 11.32 muestra que hubo un faltante en 95 de los 500 ensayos (19%). Estos son datos adicionales, con lo cuales se mide la “bondad” de ordenar I! sartenes, y muestra cémo, por medio de la simulacién, se pueden producir numerosas “medidas del desempefto”. Incluso se ilustra otra propiedad importante de la simulacién en la figura anterior (figura 11.31). Los 500 ensayos han producido tna distribucién de la utilidad: varfa desde $83 hasta $149, con una media de $124.30. También hemos generado anteriormente el histograma que se ‘muestra en la figura 11.30. Esto da un indicativo de la variabilidad asociada con la politica que esté siendo evaluada (ordenar 11 sartenes). Los indicadores de variabilidad son un producto im- portante en los estudios de simulacién, Por lo general, la administracién busca politicas en las cuales el resultado potencial sea altamente predecible, lo que significa una baja variabilidad 4, Incrementar el niimero de iteraciones del simulador de hoja de célculo (con los mismos parémetros y decisiones) por lo general mejoraré la precisiGn de la estimaciGn del valor esperado de la medida de desempefio. En otras palabras, si Marie hubiera utilizado 1,000 o 5,000 ensayos ‘en su simulacién, la utilidad promedio de cada cantidad de pedido casi seguramente hubieraes- tado més cerca del valor de la utilidad esperada real correspondiente. 5. En una simulacién nunca podemos estar seguros de que hemos encontrado la decisién 6p- tima, aunque podemos utilizar el conocimiento de nuestro intervalo de confianza a partir dela estadistica, para estar seguros de que hemos llevado a cabo los suficientes ensayos en los que al- canzamos una confianza de 95 0 99%, Esta imposibilidad de alcanzar 100% se debe a que una simulacién puede producir s6lo una estimacién de la efectividad esperada y no un valor exacto ‘cuando hay eventos aleatorios presentes. 6. Laadministracién debe juzgar cuatro factores principales en un estudio de simulaci6n: ‘a. ¢Captura el modelo la esencia del problema real? (Véase la seccién 11.9 para un andli- sis posterior acerca de este punto.) b, {Se toma en cuenta apropiadamente la influencia de las condiciones de inicio y de final de la simulacién? (Véase la secci6n 11.8 para un ejemplo especifico.)‘c. {Se han levado a cabo suficientes ensayos para cada decisién, de forma que el valor promedio de la medida (0 medidas) de desempefo sea un buen indicador del valor es- perado real? {Se han evaluado las decisiones suficientes (y correctas) para que podamos creer que la mejor respuesta encontrada esti “lo suficientemente cerca” a lo 6ptimo? ED SIMULACION DEL MODELO DE FOSLINS CON UNA HIPOTESIS MAS REALISTA DE LA DEMANDA ‘Aungue ya hemos analizado el modelo de Articulos para el hogar de Foslins en la seccin 11.5, recuerde que habfamos supuesto una distribucién de demanda simplificada, cuando en realidad una distribucién normal, con una media de 1,000 y una desviacién estindar de 100 seria un mo- delo més realista de la demanda. En esta seccién utilizaremos tna distribucién normal de la de- ‘manda, levaremos a cabo 1,000 ensayos (el méximo permitido en la versién para estudiantes de Crystal Ball) y determinaremos la cantidad éptima del pedido. Enel desarrollo de este ejemplo practicaremos la manera de generar una variable aleatoria normal, con una media y una desviaci6n esténdar especificas, También veremos cémo puede re- ducirse la variabilidad en una simulacién, lo que permitiré una mejor estimacién de la diferen- cia en utlidades entre dos decisiones. Ademés, el ejemplo nos da la oportunidad de examinar la diferencia entre utilidad promedio y utilidad esperada real, as{ como un ejemplo posterior de qué eslo que significa la distribucién de utilidades para una cantidad de pedido especifica. LAHOIA DE CALCULO DE FOSLINS: SIMULACION MAS REALISTA DE UNA DEMANDA Vuelva a nuestra hoja de célculo (FOSLNCB1.XLS) de la figura 11.28. Para modificar el modelo, comenzaremos con una hoja de célculo (FOSLNCB2.XLS) y después cambiaremos la cantidad ordenada a 1,020 y le indicaremos a Crystal Ball que queremos cambiar la distribucién aleato- ria de la demanda de una distribucién personalizada (discreta, general) a una distribucién nor- mal, con un valor medio de 1,000 y una desviacién estindar de 100, como se muestra en Ia figura 11.33. (Nota: para hacer esto tinicamente con Excel, todo lo que tiene que hacer es escribir lo siguiente en la celda BS: DISTR.NORM.INV(ALEATORIO(, 1000,100), 0 puede remplazar el 1,000 y el 100 mediante las referencias de celda adecuadas). ara simular 1,000 ensayos, seguimos el mismo procedimiento que en la seccién 11.5, donde ejecutamos 500 ensayos modificando el cuadro de dislogo Run Preferences para indicar una cantidad de iteraciones mayor. El otro cambio que haremos es indicar que deseamos utilizar Jos mismos 1,000 valores aleatorios para la demanda en cada una de las siguientes simulaciones. (ara las diferentes cantidades de pedido que compararemos). Esto se conoce como establecer el valor simiente. El procedimiento para hacer esto es como sigue: 1. Haga clic en “Sampling” en el cuadro de didlogo Run Preferences. 2 Coloque una marca en el cuadro que dice “Use Same Sequence of Random Numbers”, 3. Escriba un “Initial Seed Value” de 422 (0 cualquier niimero que desee), como se muestra ena figura 11.34. 4, Haga clic en OK. Capitulo 11 539 Simulacién Monte Carlo FIGURA 11.33 Hoja de célculo de Fostins suponiendo una demanda normalLabisqueda de un tamaiio de pedido éptimo es un proceso iterativo. Después de ejecutar la simu- lacién con una cantidad de pedido de 1,020, Marie puede verificar a continuacién cantidades de pedido de 1,010 y 1,030. Después de llevar a cabo 1,000 iteraciones de cada nueva cantidad pe- ‘ida, Marie encuentra que las utilidades esperadas son de $12,268.95 y $12,264.60, respectiva- mente, Debido a que la utilidad esperada para un tamafio de pedido de 1,020 es la mejor hasta ahora, Marie decide entonces revisar los tamatios de pedido en ambos extremos (por ejemplo, 1,015 1,025). Encuentra que las uilidades esperadas son $12,270.70 y $12,268.34. Eneste punto, ‘una cantidad pedida de 1,015 parece ser la que da la mayor utilidad esperada, asi que ella analiza, ‘algunos tamatios de pedido a ambos lados (por ejemplo, 1,013 y 1,017) dela mejor cantidad de pe- dido hasta ahora (es decir, 1,015). Marie encuentra que las uilidades esperadas son $12,270.90 y $12,270.77, respectivamente. Ahora parece ser que el tamafio de pedido de 1,017 es el que pro- Porciona la mayor utilidad esperada. Sin embargo, s6lo para asegurarse Marie vuelve a hacer la simulacién e intenta con las cantidades de 1,016 y 1,018. Encuentra que sus utilidades esperadas son de $12,270.76 y $12,270.71, respectivamente, y ahora ya tiene bastante confianza en que la ‘antidad pedida de 1,017 es realmente la mejor decisi6n, si bien apenas por unos cuantos centavos, Lahoja de célculo completa se encuentra en el CD como FOSLCB2C.XLS. ‘Como resultado del proceso iterativo, Marie ha encontrado que aunque la cantidad de pe~ 4ido de 1,017 sartenes maximiza la utilidad promedio pata un conjunto dado de 1,000 deman- das, puede que no maximice la utilidad esperada real. Como ya hemos dicho anteriormente, es casi imposible garantizar que se encontraré la soluciGn 6ptima utlizando la simulacién, Pero re- cuerde, una solucién éptima es te6rica, en contraposicién con un hecho de la vida real. En el mejor de los casos, una solucién éptima representa una “buena decisiGn” para un problema de la Vida real. En este caso, la utilidad promedio para los tamafios de pedido entre 1,015 y 1,018. solamente vari6 en un par de centavos y, por lo tanto, incluso si no obtuvimos la cantidad de pe- «ido éptima exacta, sf tenemos la confianza de estar “lo suficientemente cerca” de ella. La distribucién de probabilidad de la utilidad Sin embargo, podriamos desear saber més acerca de la soluci6n sugerida por la simulacién (pedir 1,017 sartenes). Por ejemplo, zeuénta variabilidad podemos esperar alrededor de la utilidad promedio de $12,270.77? ;Podriamos lograr ‘mucho mas 0 mucho menos que el promedio? ;Podria esta decisién perder dinero? La respuesta definitiva a estas preguntas se da en la forma de una distribucién de probabilidad (0 his- ‘ograma) de la utilidad, como se muestra en la figura 11.37. Capitulo 17 541 Simulacién Monte Carlo FIGURA 11.36 Resultado estadistico de Foslins cuando se ordenan 1,020 sartenes FIGURA 11.37 Histograma de utilidad de Foslins al ordenar 1,017 sartenesrte3 Modelos Probabilisticos La figura 11.37 muestra la distribucién de la utilidad para una cantidad de pedido de 1,017, con base en una muestra de 1,000 ensayos. Esto nos da una buena imagen visual del rango de riesgo que correrd Foslins al pedir 1,017 sartenes, y puede que tenga un mayor impacto en Marie ‘yu jefe que s6lo mimeros y promedios. La distribucién parece tener una forma general de cam- pana, con una cola izquierda larga. La distribucién en pico a la derecha del valor esperado ($12,271) significa que hay una probabilidad definida de que la utilidad excederé a la utiidad media. La cola larga a la izquierda de la utilidad esperada significa que hay alguna probabilidad de obtener un resultado varios miles de d6lares por debajo de la utilidad esperada, Sin embargo, hay muy poca probabilidad de perder dinero en esta promocién: en 1,000 ensayos, ninguna utilidad fue inferior a $4,370. EDs widwest Express: MODELO DE SOBREBOLETAJE EN UNA AEROLINEA La mayor parte de los modelos que hemos analizado hasta ahora en este capitulo han corres- pondido al drea de la manufactura (PROTRAC y Foslins). Ahora que mds de la mitad del pro- ducto intemo bruto de Estados Unidos proviene del sector servicios, este capftulo no estaria completo sin un ejemplo de ese sector. La industria de los viajes y hoteles es una enorme in- dustria multimillonaria. Muchas de las diferentes empresas (por ejemplo, aerotineas, hoteles, renta de autos, cruceros, etc.) dentro de este enorme grupo usan un conjunto de herramientas cuantitativas llamadas administracién de ingresos. Las acrolineas fueron pioneras en el uso de estas herramientas, y American Airlines se considera el lider. Por ejemplo, American Airlines comenzé la préctica de subastar el valor de un asiento en un vuelo en particular cuando se pre- sentaban més clientes que asientos disponibles. Esta fue una manera muy innovadora de tratar el problema potencial que se presenta cuando las aerolineas venden un exceso de boletos para sus vuelos. American Airlines estima que el sobreboletaje aflade més de $200 millones anuales 1 su resultado final (véase Smith et al.). Otras cuestiones, ademds del sobreboletaje, que son practicadas en esta administracién de ingresos incluyen los prondsticos, la asignacién de asien- {os entre las diferentes clases de tarifas y el control de la red completa de escalas de vuelo. Este ejemplo se enfocaré en una linea regional de mucho éxito: Midwest Express Airlines. Esta empresa tiene sus oficinas centrales en Milwaukee, Wisconsin, y fue incorporada por la gran ‘compatfa de productos de consumo Kimberly Clark, que tiene un gran centro de operaciones en la cercana Appleton, Wisconsin, Laura Sorensen es la gerenta de administracién de ingresos. Ha estado revisando los datos histéricos del porcentaje de clientes que no se presentan en muchos de Jos vuelos de Midwest Express. Ella esté particularmente interesada en el vuelo 227 de Milwaukee a San Francisco, Ha encontrado que el promedio de la tasa de ausencia de los pasajeros en este ‘wuelo es de 15%. La aeronave (MD88) tiene capacidad para 112 asientos en una sola cabina. No hay ninguna distincién entre la primera clase y la clase turista en Midwest Express, Todo el sev cio se considera de primera. Usted lo creerfa si tuviera la oportunidad de oler las galletas con chis- pas de chocolate que se estén horneando mientras vuela La pregunta que Laura quiere contestar es hasta qué nivel debe sobrevender los lugares de esta aeronave, La demanda es fuerte para esta ruta, la cual es predominantemente de negocios. La tarifa promedio en este vuelo es de $400. Si Laura acepta solamente 112 reservaciones en este vuelo, es casi seguro que el avién despegaré con asientos vacfos, debido a clientes que no se presentan, Io cual representa un costo de oportunidad para Midwest Express, ya que pudo haber aceptado en cada asiento a otro cliente, y obtenido $400 adicionales. Por otro lado, si ella acepta més reservaciones que asientos, corre él riesgo de que, incluso contando a los que no se presentan, haya més clientes que asientos disponibles. El procedimiento normal en caso de que se deba negar el abordaje a un cliente es ponerlo en el siguiente vuelo disponible, darle alguna compensacin respecto a un viaje futuro y probablemente un vale para hotel y una comida. Todo ‘esto se hace para mitigar el malestar potencial del cliente “rechazado”. Laura calcula que esta ‘compensaciGn por lo general le cuesta a Midwest Express aproximadamente $600 en promedio. Para resolver este modelo desafiante, Laura construy6 la hoja de célculo que se muestra en Ja figura 11.38 (MIDWSTRK.XLS). Demostraremos el uso de @Risk con este ejemplo. En la celda B12, hemos modelado una variable aleatoria binomial utilizando @Risk. Para ‘cada tna de las reservaciones que Midwest Express escoge aceptar, el modelo genera de manera aleatoria el niimero de pasajeros que realmente se presentaran, Entonces se realizan algunos