SIMULACIÓN DE MONTECARLO – Ing. José Núñez Durán Ph.D.

SIMULACIÓN DE MONTECARLO

12.1 Introducción

En capítulos anteriores se había definido al modelo como la representación simplificada

de un sistema, que además permite gobernar el funcionamiento del mismo. Sin embargo, para
lograr esta simplificación no se toman en cuenta todas las variables que de una u otra manera
determinan el funcionamiento y salida del sistema.

Existen sistemas que son difícilmente descritos a través de modelos simbólicos y su

simplificación, conduce a obtener resultados con cierto grado de desviación de la realidad,
estos casos pueden ser modelados por simulación, sin embargo es importante señalar que los
resultados que se obtengan de la experimentación por simulación no son los óptimos, sino
simplemente buenos.

La modelación por simulación es la más popular dentro de la I.O. y su aplicación se

desplaza desde problemas económicos, ingenieriles, administrativos, sociales, biológicos, etc.
A manera de colación, en el capítulo de inventarios cuando se estudiaba el sistema I o T, con
demanda y tiempo de anticipación variables, se había visto lo engorroso del cálculo para
simplemente tres y dos formas de ocurrencia respectivamente en ambas variables, si el
analista de I.O. requiriese aproximar aún más a un fenómeno real, probablemente tendría que
modelar con 50 formas de ocurrencia de la demanda, imagínese amable lector, el gigante
problema para obtener resultados que permitan calcular la existencia de seguridad.
Evidentemente no es imposible, sin embargo, no es la manera más adecuada, por lo que se
propone aplicar la simulación como la técnica más adecuada para resolver casos como el
presentado utilizando el computador como medio para los cálculos numéricos emergentes de la
experimentación.

Por los argumentos precedentes, puede definirse la simulación como una técnica
numérica destinada a experimentar el comportamiento de un sistema en ordenador digital, en
forma dinámica respecto a la variable tiempo.

En la anterior definición se han expresado algunos conceptos que requieren analizarse

con mayor detenimiento para comprender en profundidad su participación, éstos son: sistema y
modelo dinámico.

Todo fenómeno o problema que se presenta en la realidad puede contextualizarse en

un ámbito específico que se denomina sistema. Para mejor comprensión, imagínese a un
ciudadano que llega a las 14:00 horas a las cercanías del estadio ―Hernando Siles‖ de La Paz ,
donde en horas más debe enfrentar el seleccionado nacional al de Brasil. El primer problema
que surge en la cabeza de nuestro noble ciudadano es, en cuál de las ventanillas hacer cola
para adquirir el boleto, luego, cuál de las colas debe seguir para ingresar al campo deportivo.
Cuando logra entrar, el seleccionado boliviano había hecho dos goles y justamente el árbitro
da el pitazo de finalización del primer tiempo. ¿Qué tal la simpatía de nuestro, hasta ahora,
noble fanático boliviano?. El problema que se ha presentado es de administración de colas, es
decir, la atención en las ventanillas es tan lenta que se requieren aumentar más estaciones de
servicio y puertas de acceso a las graderías. De algún modo se ha descrito el sistema con las
colas y ventanillas de venta de boletos, para satisfacer la necesidad de diversión de miles de
ciudadanos fanáticos del balompié.

Otro ejemplo, imagínese que el alcalde de la ciudad, al margen de su discurso político y

despojándose de la mascarilla de ―amigo de todos‖, decide ordenar el tráfico vehicular de la
ciudad. ¡Tarea de titanes!. El sistema que se debe considerar contempla todas las calles y
avenidas del congestionado centro de la ciudad, el número de vehículos particulares y de
servicio público que diariamente circulan.
 SIMULACIÓN DE MONTECARLO – Ing. José Núñez Durán Ph.D.

El problema entonces, se presenta en el funcionamiento de un sistema que va

funcionando y transformándose en el tiempo, es decir, van cambiando algunas de las
características de sus componentes con la finalidad de adecuarse a las exigencias del medio
amniótico donde se desempeña.

Para dar solución a los problemas que se presentan en los sistemas, desde el enfoque
de I.O, se requiere representarlos a través de modelos preferentemente matemáticos que
permitan predecir el comportamiento bajo diversos estados de las variables que intervienen.
La mayoría de los modelos de I.O. estudiados hasta el presente tienen la característica de ser
estáticos, es decir, los resultados obtenidos de su aplicación son independientes del tiempo; en
el modelo de simulación ocurre precisamente lo contrario, se requiere conocer el
comportamiento del sistema en puntos discretos de la variable tiempo.

La forma de presentación de las variables en el futuro es probabilística, pudiendo

asumir cualquier valor en forma incontrolable por parte del decisionista, este fenómeno motivó
el estudio de dos prominentes científicos contemporáneos, John von Neuman y Ulana en los
años cuarenta. Se conoce que ambos matemáticos trabajaban en el programa secreto de
construcción de la bomba atómica y debían resolver la metodología de dimensionamiento de
paredes de recipientes para contener una reacción nuclear. La dirección de la emisión de
protones es completamente probabilística, de manera que para su concepción idearon la
simulación Monte Carlo, en relación a uno de los casinos más famosos del mundo donde la
ocurrencia del resultados en la ruleta es estocástica (azar).

Bajo la misma concepción de los creadores de este modelo, se considera que las
ventajas de la aplicación, se presentan en evitar experimentar con el sistema físico, puesto que
en numerosos casos no es viable o de difícil aplicación. Por otra parte, al simular el
funcionamiento del sistema, permitirá estudiar los efectos de cambios que se producen;
asimismo, con los resultados de la experimentación podrán sugerirse estrategias para el mejor
funcionamiento.

12.2 Concepción de sistema

Todo fenómeno que merece ser estudiado se presenta en el ámbito de un sistema,

donde los inputs (variables) que ingresan a él son procesados y emitidos como producto del
mismo. La representación a través de la caja negra (black box) permite abstraer con mayor
precisión lo indicado.

FIG. 12.1

CONCEPCIÓN DEL SISTEMA A TRAVÉS DEL BLACK BOX

X Y
Y = f(X)
INPUT OUTPUT

El input puede representarse a través del vector (x1, x2, x3,...., xn), donde cada
elemento es una variable representada por sus características o estado. El output también es
representado por el vector (y1, y2, y3,...., yn).

El proceso de transformación y = f(x) en la caja negra es un modelo que combine

adecuada, sistemática y lógicamente los inputs a través de los elementos existentes en el
sistema.
 SIMULACIÓN DE MONTECARLO – Ing. José Núñez Durán Ph.D.

El estudio que se realiza está dirigido a los sistemas abiertos, es decir aquellos que
mantienen interacción con otros que se encuentran en el mismo nivel jerárquico, niveles
superiores u otros del entorno, que de alguna manera influyen en su comportamiento. En la
figura 12.2 se observa al sistema con sus elementos y su relacionamiento con satélites a él.

FIG. 12.2

EL SISTEMA, SUS ELEMENTOS Y RELACIONES

Todo sistema para ser concebido como tal, debe cumplir con los siguientes principios
generalizadores:

Subsidiaridad, principio que indica que un sistema no funciona aislado del contexto y
consecuentemente es subsidiario de otros sistemas del mismo nivel o superiores.
Interacción, permite afirmar que el funcionamiento de un subsistema influye sobre el
comportamiento de los demás. Este principio en el diseño del modelo de simulación, permite
afirmar que una deficiencia en la concepción de un submodelo puede generar resultados
erróneos para el conjunto del sistema.
Equifinalidad, el diseño del sistema debe ser tal que para alcanzar los objetivos, se
realiza a través de medios y acciones diferentes entre sí.
Determinismo, indica que todo resultado que se obtiene de un sistema, es
consecuencia de causas definidas y constatables. En cumplimiento a este principio, puede
afirmarse que si la simulación del sistema se aleja de un resultado razonable, entonces el
diseño del modelo tiene deficiencias que deben readecuarse.

Algunas propiedades que debe cumplir un sistema son la eficiencia y la sinergia. La

primera de ellas se refiere al funcionamiento y cumplimiento de objetivos, los mismos que
deben efectuarse con economía de medios. Elaborar un modelo de simulación y operarlo, debe
ser razonable en términos de inversión y mantenimiento. La sinergia es la propiedad por la que
el funcionamiento del conjunto del sistema, siempre es superior a la suma de las partes.

12.3 El proceso de modelación en la simulación

Habiéndose concebido la existencia del sistema donde se presenta el fenómeno, es

necesario ahora, describirlo a través de un modelo que permita operarlo y/o predecir su
comportamiento en función de los inputs.
 SIMULACIÓN DE MONTECARLO – Ing. José Núñez Durán Ph.D.

El modelo es la representación simplificada de un sistema y consiguientemente, podría

concebirse un plano o maqueta como modelo icónico, también la representación de un
sistema eléctrico, a través de un modelo análogo de un sistema hidráulico. Para los fines de
la simulación, los modelos indicados no son útiles, por ello que se utilizarán los modelos
simbólicos o matemáticos en las que una letra o símbolo representa una variable, parámetro
o constante.

Los modelos simbólicos se clasifican en determinísticos y probabilísiticos, en el primer

modelo las variables que ingresan al sistema son perfectamente cuantificables, mientras que
en el segundo, la ocurrencia depende de una función de distribución de probabilidades, sea
ésta empírica o teórica.

Asímismo, para fines de este contenido, los modelos simbólicos también se clasifican
en estáticos o dinámicos. En el primer caso, el modelo no tiene ninguna relación con la variable
tiempo, mientras que en el segundo, las variables de entrada y salida son dependientes del
tiempo.

La simulación que es objeto de estudio de este capítulo, utilizará los modelos

probabilísticos y dinámicos para su representación, su denominación a partir de ahora será
generalizada a modelo de simulación.

En el proceso de modelación de la simulación se requiere la aplicación de la

metodología científica, consiguientemente se presenta a continuación la descripción de la
misma.

Formulación del problema, objetivo e hipótesis. Antes de iniciar una investigación,

se precisa definir el problema que se presenta en el sistema y al cual debe enfocarse el estudio
y resolución del mismo. El objetivo debe definirse en términos claros y precisos, de manera que
la meta quede perfectamente establecida. Definidos los elementos anteriores, entonces se
formula la hipótesis, que se constituye en la guía de la investigación, algo que debe
demostrarse.

Formulación del modelo matemático. Es la fase más compleja del proceso de

simulación, que requiere alto contenido de abstracción para definir la variables necesarias, las
relaciones funcionales entre ellas y la estructuración total de la secuencia lógica del cálculo.

Evaluación del modelo. Estructurada la secuencia lógica del modelo, se realizan

corridas manuales para obtener los primeros resultados y evaluarlos con relación a parámetros
previamente definidos por la experiencia y lógica. También podrán utilizarse técnicas
estadísticas para evaluar los resultados de estas corridas manuales.

Formulación del programa para computadora. La concepción del modelo a través

del flujograma, permitirá facilitar posteriormente la codificación en algún lenguaje de alto nivel
como el FORTRAN, BASIC o C. Es importante señalar en este punto que se han desarrollado
una serie de lenguajes de simulación, entre ellos DYNAMO, GPSS, STELLA y otros que
facilitan el proceso.

Análisis de los resultados de la simulación. Con la alta velocidad de procesamiento

de los computadores digitales, se podrá obtener una serie de corridas determinada a través de
relaciones estadísticas, cuyos resultados deben interpretarse antes de tomar decisiones.

12.4 Generación de números aleatorios

Para la simulación de un sistema, se requieren generar números aleatorios que

representados entre un rango específico determinan la ocurrencia estocástica de una variable
específica que se estudia.
 SIMULACIÓN DE MONTECARLO – Ing. José Núñez Durán Ph.D.

El número aleatorio tiene estrecha relación con el concepto de variable aleatoria que
describe una función de un evento probabilístico, expresado en números reales sobre un
espacio muestral. Consiguientemente, una variable aleatoria puede clasificarse de acuerdo a
la función densidad de probabilidad que la genera, pero para fines del presente capítulo se
trabajarán con variables aleatorias de funciones densidad de probabilidad uniforme, que se
define como:

1 0<x<1
f(x) =
0 d.o.m.

Su interpretación gráfica se muestra de la manera siguiente:

f(x)

0 1

La función de distribución para la misma función se define como:

0 X <= 0

F(x) = X 0 <= X <= 1

1 X >= 1

Los números aleatorios que se representan en el intervalo unitario (0,1) son números
aleatorios uniformes determinados por esta f.d.p.

En el proceso de simulación se requiere una secuencia de números aleatorios y éstos,

sólo pueden calcularse a través de métodos numéricos que otorgan la calidad de pseudo
aleatoriedad, pero en el presente contenido se generalizará a aleatorios. Los métodos que se
conocen son:

- Métodos manuales.
- Métodos de computador analógico.
- Métodos de computador digital.

Los dos primeros no son de interés para este texto y sólo se tomarán en cuenta
aquellos relacionados con la utilización del computador digital que es la herramienta más
importante para simular. Los métodos utilizados por el ordenador son:

- Generación externa a través de un proceso físico aleatorio.

- Generación interna a través de relaciones recursivas.

Si bien el fenómeno físico realmente se presenta como aleatorio ( emisión de

radiofrecuencias de cuerpos estelares, ruido termoelectrónico o la desintegración radioactiva
de partículas ), el montar el experimento para obtener los números aleatorios es muy complejo
y costoso, consiguientemente no se toma en cuenta. El segundo método se refiere al método
congruencial que genera números aleatorios de ciclos completos.
 SIMULACIÓN DE MONTECARLO – Ing. José Núñez Durán Ph.D.

En el afán de presentar una idea del cálculo aritmético que ocurre en el interior de un
computador, se presenta la relación recursiva general siguiente:

x i+1 = a x i + c (mod m)

Donde a, x, c y m son números mayores o iguales a cero. Cuando i = 0, se denomina

semilla ( x0 ).

Sean a = 3, c = 7 y el módulo = 10, generar una secuencia de números aleatorios.

—————————————————————————————————
i xi ( 3 xi + 7 ) / 10 x i+1 No. aleatorio uniforme
—————————————————————————————————
0 1 10 0 0 0
— = 1+ —
10 10

1 0 3x0+7 7 7 7
——— = —— ——
10 10 10

2 7 3x7+7 28 8 8 8
——— = — = 2 — ——
10 10 10 10

3 8 3x8+7 31 1 1 1
——— = — = 3 — ——
10 10 10 10

Y así sucesivamente.
—————————————————————————————————

Los números aleatorios resultantes de la aplicación de este método, para obtener la

calidad de tales, deben pasar por una serie de pruebas estadísticas, entre las que se citan las
pruebas de Kolmogorov-Smirnov, ji cuadrada, de corrida y la de intervalo. Sin embargo, para su
aplicación se sugiere referirse al libro de J. Prawda 5.

12.5 Generación de números aleatorios no uniformes

En la modelación de sistemas circunstancialmente pueden requerirse que los números

aleatorios se presenten asociados a una función densidad de probabilidades específica, por
ello, se presenta a continuación el método de la transformada inversa para generar números
aleatorios no uniformes de funciones conocidas y no complejas.

Dada una función densidad cualquiera f(x), puede representarse la función de

distribución de probabilidades F(x) como:

1
F(x)
R

x x
 SIMULACIÓN DE MONTECARLO – Ing. José Núñez Durán Ph.D.

Una variable aleatoria uniforme denominada R entre los límites (0,1), puede ser
representada proyectando hasta la función de distribución F(x) y de ella hacia el eje de las
abcisas que representa el número aleatorio para la función densidad específica.
Matemáticamente se representa como:

x = F-1 (R)

Distribución exponencial

Sea la función densidad de probabilidades

λ e-λx x>=0
f(x) =
0 x<0

Para determinar la función de distribución:

x

F(x) = ∫λe -λt dt = 1 - e-λx

0

Sea R el número aleatoria uniforme (0,1)

R = F(x)

R = 1 - e-λx

e-λx = 1 – R Siendo 1-R = R

e-λx = R

Aplicando logaritmos en la ecuación

-λx ln e = ln R

1
x = - —— ln R
λ

Distribución geométrica o de Pascal

Sea la función densidad de probabilidad

f(x) = p q x-1

La función de distribución de probabilidad se expresa como

x

F(x) = Σ p q x-1
t=1

F(x) = p(1+q+ q2 + q3 + . . . + qx-1)

Los términos dentro del paréntesis corresponde a una serie geométrica, de manera que
se obtiene:
 SIMULACIÓN DE MONTECARLO – Ing. José Núñez Durán Ph.D.

F(x) = p[(1-qx)/(1-q)]

F(x) = p[(1-qx)/p]

F(x) = 1- qx

Despejando q
qx = 1 – F(x)

qx-1 = [1-F(x)]/q

Sea
R = [1-F(x)]/q

Consiguientemente R = qx-1

Aplicando logaritmos ln R = (x-1) ln q

Despejando x ln R
x = 1 + ———
ln q

Distribución Erlang

Siguiendo el mismo procedimiento de deducción se obtiene

1
x= - —— log π ri
λ

Distribución Normal

Para n >= 10 y ri variables aleatorias independientes con distribución uniforme (0,1),

desviación estándar σ y media μ.

x=( Σ ri – 6 )σ + μ

De la misma manera pueden deducirse relaciones para la distribución Poisson,

Lognormal, Weibull, Triangular y otras. Para mayor información referirse a la bibliografía citada
al final del capítulo.

12.6 Reloj de simulación

Hasta ahora, podría definirse al modelo de simulación como la imitación del

comportamiento de un sistema, consiguientemente, la forma de medir esta particular forma de
presentación de las características o estados del sistema, es a través de puntos discretos del
tiempo que se denominarán eventos. A continuación se concibe gráficamente lo descrito.

E1 E2 E3 ....... En
    Tiempo

Ei = Evento i.
 SIMULACIÓN DE MONTECARLO – Ing. José Núñez Durán Ph.D.

El reloj de simulación mide el tiempo entre eventos y consecuentemente permite mover

el sistema simulado a lo largo del tiempo, para ello emplea dos métodos:

- Incrementos de tiempo fijos.

- Incrementos de tiempo variables o impulsado por eventos.

En el primer método, el reloj se incrementa en intervalos discretos de igual magnitud y

el sistema se examina cuando haya transcurrido una unidad de tiempo simulado.

En el segundo, el reloj simulado se actualiza hasta aquel tiempo en el cual ocurre el

siguiente evento significativo.

Con todos los conceptos definidos hasta este punto, se considera que recién se tiene la
base conceptual necesaria para comprender los experimentos de simulación de Monte Carlo
a los que se harán referencia en el siguiente epígrafe.

12.7 Simulación de Monte Carlo

12.7.1 Integración por simulación

Si bien se había concebido a la simulación para su aplicación en sistemas dinámicos,

también puede aplicarse a la determinación de áreas por integración, es decir problemas
estáticos. Para ello, se considera la ecuación de una parábola que se representa como:

y = x2

En este problema se definen los límites de la integración y se representan en el

siguiente gráfico:

x
-1 0 1

El área definida por la parábola y el eje de las abcisas se calcula a través de la integral
siguiente:

1 1
A p = ∫x2 dx = 1/3 x3 = (1/3)[ 13 – (-1)3] = (1/3) 2 = 2/3
-1 -1

El área del rectángulo se calcula como:

A∫ = 2 x 1 = 2

Luego la relación área definida por la parábola vs. área del rectángulo será:

Ap 2/3 1 Número de aciertos

—— = —— = —— = ———————————————————
A∫ 2 3 Número de eventos de la simulación
 SIMULACIÓN DE MONTECARLO – Ing. José Núñez Durán Ph.D.

Para realizar la simulación, se considera la generación de dos pares de números

aleatorios uniformes, el primero representa a la coordenada en el eje x y el segundo en el eje y.
Calculando el valor de y a través de la ecuación y = x2, permite evaluar la corrección del acierto
del par simulado, en este caso si y simulado es menor que y calculado por fórmula, entonces
cae dentro del área de la parábola y consiguientemente es un acierto, caso contrario es
solamente un ensayo y se contabiliza en el total de eventos de la simulación.

En la siguiente tabla se muestra la simulación de Monte Carlo para esta integración.

No. R1 = x R2 = y y = x2 R2 < y Acierto No. R1 = x R2 = y y = x2 R2 < y Acierto

—————————————————————————————————————————————————————
1 0,890 0,476 0,7821 SI 1 2 0.656 0.760 0,430 NO 1
3 0,883 0892 0,7797 NO 1 4 0,510 0,235 0,2601 SI 2
5 0,614 0,816 0,3770 NO 2 6 0,100 0,057 0,0100 NO 2
7 0,874 0,573 0,7639 SI 3 8 0,683 0,204 0,4664 SI 4
9 0,920 0,172 0,8464 SI 5 10 0,401 0,485 0,1608 NO 5
11 0,471 0,142 0,2218 SI 6 12 0,136 0,982 0,0185 NO 6
13 0,805 0,132 0,6480 SI 7 14 0,142 0,422 0,0202 NO 7
15 0,346 0,218 0,1197 NO 7 16 0,542 0,156 0,2938 SI 8
17 0.211 0,340 0,0445 NO 8 18 0,215 0,999 0,0462 NO 8
19 0,084 0,141 0,0071 NO 8 20 0,516 0,674 0,2652 NO 8
21 0,190 0,805 0,0361 NO 8 22 0.645 0,623 0.4160 NO 8
23 0,793 0,258 0,6288 SI 9 24 0,992 0,403 0,9841 SI 10
25 0,348 0,809 0,1211 NO 10 26 0,095 0,268 0,0025 NO 10
27 0,252 0,212 0,0635 NO 10 28 0,710 0,898 0,5041 NO 10
29 0,448 0,671 0,2007 NO 10 30 0,865 0,490 0,7482 SI 11
31 0,358 0,785 0,1282 NO 11 32 0,930 0,097 0,8649 SI 12
33 0,696 0,435 0,4844 SI 13 34 0,906 0,427 0,8201 SI 14
35 0,431 0,507 0,1857 NO 14 36 0,031 0,495 0,0010 NO 14
37 0,339 0,500 0,1149 NO 14 38 0,052 0,111 0,0027 NO 14
39 0,694 0,712 0,4816 NO 14 40 0,270 0,339 0,0729 NO 14
41 0,091 0,605 0,0083 NO 14 42 0.239 0,128 0,0571 NO 14
43 0,522 0,662 0,2725 NO 14 44 0,464 0,512 0,2153 NO 14
45 0,858 0,910 0,7362 NO 14 46 0,739 0,090 0,5461 SI 15
47 0,770 0,197 0,5929 SI 16 48 0,994 0,516 0,9880 SI 17
49 0,553 0,793 0,3058 NO 17 50 0,462 0,374 0,2134 NO 17

—————————————————————————————————————————————————————

Esta simulación se la realizó en forma manual utilizando una calculadora analógica

para generar los números aleatorios.

Aplicando la relación que se había deducido para control

Número de aciertos 17
———————————————— = ——— = 0,34
Número de eventos de la simulación 50

El resultado es muy próximo a 1/3, consiguientemente se ha obtenido un buen

resultado. Es obvio que para mayor número de eventos, el resultado se aproximaría aún más al
resultado correcto.

El resultado de los experimentos en simulación tiene aproximadamente la siguiente

tendencia:

Resultado

No. óptimo

No. de eventos
Situación estacionaria
 SIMULACIÓN DE MONTECARLO – Ing. José Núñez Durán Ph.D.

El refinamiento en el cálculo para optimizar el tiempo de computador, debería permitir

el cálculo del número óptimo de eventos o iteraciones que deben experimentarse para llegar al
punto estacionario, el método requiere la aplicación de la Teoría de la estimación,
particularmente de la estimación del intervalo confidencial de la media de una distribución
empírica y del Teorema del límite central para tipificar la variable aleatoria. El lector que
requiriese introducirse en este tema, referirse a Mood y Graybill, ―Introducción a la Teoría
Estadística‖ .5

12.7.2 Simulación para un sistema de inventario

Se acuerda, amigo lector, la dificultad presentada en los sistemas Q y P cuando la

ocurrencia de la demanda es apreciable, al igual que el tiempo de anticipación. El camino más
viable para modelar los sistemas planteados es la simulación de Monte Carlo, porque
realmente la demanda ocurre en forma aleatoria en un rango apreciable, además que la misma
ocurre a lo largo de la dimensión tiempo.

La simulación que se presenta a continuación, se denomina ―Algoritmo de Hooke y

Jeeaves‖ , fue experimentado utilizando el QPRO en el curso de Postgrado de ―Simulación y
Modelaje‖ en la Universidad Autónoma Tomás Frías en 1995.

En un sistema de inventarios Q, se ha determinado que el lote económico de pedido es

de 200 unidades, así como también el punto de reorden es de 100 unidades.

La distribución de la demanda es el resultado de la experimentación y la probabilidad

representa el resultado del cociente entre la frecuencia y el número total de observaciones. De
la misma manera se han obtenido las formas de ocurrencia del tiempo de anticipación. Se
incorporan adicionalmente los factores estacionales durante los meses del año.

DISTRIBUCIÓN DE PROBABILIDAD DE LA DEMANDA

—————————————————————————————————————————————————————
CANTIDAD PROBABILIDAD ACUMULADA CANTIDAD PROBABILIDAD ACUMULADA
35 0,010 0,010 48 0,065 0,424
36 0,015 0,025 49 0,070 0,494
37 0,020 0,045 50 0,080 0,574
38 0,020 0,065 51 0,075 0,649
39 0,022 0,087 52 0,070 0,719
40 0,023 0,110 53 0,065 0,784
41 0,025 0,135 54 0,060 0,844
42 0,027 0,162 55 0,050 0,894
43 0,028 0,190 56 0,040 0,934
44 0,029 0,219 57 0,030 0,964
45 0,035 0,254 58 0,016 0,980
46 0,045 0,299 59 0,015 0,995
47 0,060 0,359 60 0,005 1,000
—————————————————————————————————————————————————————

DISTRIBUCIÓN DE PROBABILIDAD DEL TIEMPO DE ANTICIPACIÓN

—————————————————————————————————————
MESES PROBABILIDAD ACUMULADA
—————————————————————————————————————
1 0,30 0,30
2 0,40 0,70
3 0,30 1,00
—————————————————————————————————————
 SIMULACIÓN DE MONTECARLO – Ing. José Núñez Durán Ph.D.

FACTORES ESTACIONALES

—————————————————————————————————————
MES FACT. ESTACIONAL MES FACT. ESTACIONAL
—————————————————————————————————————
1 1,20 7 0,80
2 1,00 8 0,90
3 0,90 9 1,00
4 0,80 10 1,20
5 0,80 11 1,30
6 0,70 12 1,40
—————————————————————————————————————

A continuación se presenta la simulación generando números aleatorios, tanto para la

demanda como para el tiempo de anticipación.

—————————————————————————————————————————————————————
MES INVENTARIO NÚMERO DEMANDA INVENTARIO FAL ORDEN NÚMERO MESES INVENTARIO
INICIAL ALEATORIO AJUSTADA FINAL TANTE ALEATORIO MENSUAL PROM
0 150 150
1 150 0,520 60 90 1 0,257 1 120
2 90 0,054 37 53 1 - - 72
3 253 0,126 37 216 1 - . 134
4 216 0,481 39 177 1 - - 196
5 177 0,739 42 135 1 - - 156
6 135 0,786 37 98 2 0,687 2 116
7 98 0,984 46 52 2 - - 75
8 56 0996 53 -1 1 2 - - 26
9 200 0,339 47 153 2 - - 77
10 153 0,824 65 88 3 0,245 1 120
11 88 0,519 64 24 3 - - 56
12 224 0,583 70 154 3 - - 89
—————————————————————————————————————————————————————
1 1237
—————————————————————————————————————————————————————

Los costos relacionados con el problema son:

Costo de ordenar un lote = 100 $ / orden

Costo de mantenimiento de inventario = 20 $ / unidad-año
Costo de déficit = 50 $ / unidad

Costo Total = Costo de orden + Costo de mantenimiento + Costo de déficit

Costo Total = (100 $/orden) (3 órdenes) + (1237/12 u)( (20 $/u-año) +

( 1 u ) (50 $/u) = 2.411,67 $.

Para obtener un resultado que se aproxime al promedio, se requiere experimentar de la

misma forma por n veces.

Referencias

1 Arbones M. Eduardo. Ingeniería de sistemas. Ed. Marcombo. España. 1991.

2 Barrientos Oscar. Apuntes del curso de postgrado ―Simulación y Modelaje‖. U.A.T.F.

Potosí. 1995.

3 Mood J. Graybill F. Introducción a la Teoría Estadística . Editorial Aguilar. Madrid. 1975.

4 Moskowitz H. Wrigth G. Investigación de operaciones. Prentice Hall. México. 1996.

5 Prawda Juan. Métodos y modelos de Investigación de Operaciones. Limusa. México.

1980.
 SIMULACIÓN DE MONTECARLO – Ing. José Núñez Durán Ph.D.

6 Raffo Eduardo. Investigación de Operaciones. Arte Studio Gráfica. La Paz. 1999.

7 Shamblin J. Stevens G. Investigación de Operaciones. Un enfoque fundamental.

McGraw-Hill. México. 1985.

8 Taha Hamdy. Investigación de Operaciones. Una introducción. Representaciones y

Servicios de Ingeniería S.A. México. 1981.

9 Varela Jaime E. Introducción a la Investigación de Operaciones. Fondo Educativo

Interamericano. Colombia. 1982.

Ejercicios y problemas

1.- Aplicando la simulación Montecarlo calcule el área correspondiente a un círculo,

cuyo eje coincide con el eje de coordenadas y tiene un radio unitario. La ecuación de un
círculo es:
x2 + y2 = 1

La ecuación entre dos puntos es:

————————
D = √ x2 + y2

2.- Una cadena de supermercados es abastecida por un almacén central. La

mercancía llega durante la noche. El personal encargado de descargar la mercancía consiste
en tres personas, las cuales trabajan en un turno de ocho horas ( de las 11:00 p.m. La 7:30
a.m.). Estas personas pueden empezar a tomar sus alimentos a partir de las 3 a.m., para
terminar a las 3:30 a.m. Si a las 3 a.m., se está descargando un camión, entonces se
empezará a tomar los alimentos al momento de terminar de descargarlo. El salario por hora
que recibe este personal es de Bs. 25. El almacén sólo recibe mercancía de las 11:00 p.m. a
las 7:30. Si tiempo extra es requerido, el salario percibido por el personal será de Bs. 37,50
por hora. Finalmente, se estima que el costo de espera de un camión es de Bs 100 por hora y
el costo de tener operando el almacén es de Bs 500 por hora.

DISTRIBUCIÓN DE PROBABILIDAD DEL NÚMERO DE CAMIONES

ESPERANDO EN LA PUERTA DEL ALMACÉN
—————————————————————
CANTIDAD DE PROBABILIDAD
CAMIONES
—————————————————————
0 0,50
1 0,25
2 0,15
3 0,10
—————————————————————

DISTRIBUCIÓN DE PROBABILIDAD DEL TIEMPO

ENTRE LLEGADAS
————————————————————
TIEMPO ENTRE PROBABILIDAD
LLEGADAS
————————————————————
20 0,02
25 0,08
30 0,12
35 0,25
40 0,20
45 0,15
50 0,10
55 0,05
60 0,03
 SIMULACIÓN DE MONTECARLO – Ing. José Núñez Durán Ph.D.

————————————————————

DISTRIBUCIÓN DE PROBABILIDAD DEL TIEMPO

DE SERVICIO PARA EQUIPOS DE 3 PERSONAS

————————————————————
TIEMPO DE SERVICIO PROBABILIDAD
(MIN) DE 3 PERSONAS
————————————————————
20 0,05
25 0,10
30 0,20
35 0,25
40 0,12
45 0,10
50 0,08
55 0,06
60 0,04
————————————————————

Para realizar la simulación se requiere construir para cada una de las tablas
presentadas, el rango de variación para la probabilidad acumulada. Determinar el costo total
de operación de este sistema de acuerdo a las siguientes relaciones:

Costo total = Salarios + Espera

Salarios = Salario (tiempo normal) + Salario(tiempo extra)

Espera= Operación del almacén + Espera del camión

Este problema denominado (Coss Bú) fue tomado íntegramente del Curso de
Postgrado ―Simulación y Modelaje‖ anteriormente citado.

3.- A través de la simulación Monte Carlo, se requiere conocer el costo mínimo de

operación de un sistema de recepción de minerales de un ingenio metalúrgico, que consta de
operaciones de pesada en balanza con carga y sin ella de las volquetas que ingresan, el
tiempo de descarga es muy variable porque se realiza a la tolva de alimentación en forma
manual y depende de la disponibilidad de peones, que también realizan otras funciones en
forma paralela. Se ha estudiado el servicio que se brinda a las volquetas que llegan y responde
a una distribución exponencial, el costo de la mano de obra alcanza a Bs. 25 por hora.

De acuerdo a contrato con los proveedores de carga, se establece una penalidad de 10

Bs/hora-volqueta por tiempo de espera en la cola y el sistema.

La distribución de probabilidades del tiempo entre llegadas se muestra en el siguiente

cuadro:
DISTRIBUCIÓN DE PROBABILIDAD DEL TIEMPO
ENTRE LLEGADAS
(HORAS)
————————————————————
TIEMPO ENTRE PROBABILIDAD
LLEGADAS
————————————————————
0:45 0,10
1:00 0,16
1:45 0,30
2:00 0,25
2:30 0,12
2:45 0,07
————————————————————
 SIMULACIÓN DE MONTECARLO – Ing. José Núñez Durán Ph.D.

La simulación puede aplicarse a una infinidad de problemas y sistemas, por ello, el

autor considera que sea el lector quien plantee problemas de su vivencia y conocimiento,
para resolverlos aplicando esta técnica.