Procesos

Estocásticos
Simulación de
MonteCarlo
JUAN CARLOS ALDANA BERNAL
Objetivo general
Desarrollar en el participante la capacidad de simular procesos
productivos con la metodología de Montecarlo, con el fin de proponer
alternativas de operaciones
DEFINICIÓN DE LA SIMULACIÓN DE MONTECARLO

• Es una técnica cuantitativa de simulación matemática para el

análisis del comportamiento de sistemas aleatorios no
dinámicos.
• Nace del trabajo de los trabajos de Stan Ulam y John Von
Neumann a finales (1948) en el laboratorio de Los Alamos,
cuando investigaban el movimiento aleatorio de los
neutrones.
• Posteriormente se ha venido utilizando en gran cantidad de
modelos exactos o complejos.
UTILIZACIÓN

Es considerado un método de análisis muy versátil dado que:

• Permite utilizar cualquier distribución para modelar los
tiempos para salida y modelación de los componentes.
• Permite resolver sistemas en los cuales no existe una solución
analítica.
• Permite obtener las distribuciones de probabilidad de los
índices de confiabilidad, lo cual es muy útil para valorar el riesgo
de que ocurran diferentes valores de los índices.
• Los cambios en el sistema se realizan en los datos.
 MODELO DE SIMULACIÓN MONTE CARLO

Datos de
entrada
probabilísticos

Datos de
entradas MODELO Resultado
controlables

1. Establecer una distribución de probabilidad para las variables importantes

2. Construir una distribución de probabilidad acumulada para cada variable
3. Establecer un intervalo de números aleatorios para cada variable
4. Generar números aleatorios
5. Simular el experimento
EJEMPLO SIMULACIÓN

Una empresa esta desarrollando una nueva autoparte, de gran calidad y

muy innovadora. Los análisis iniciales arrojaron los siguientes costos (en
miles de pesos) durante el primer año:
• Precio de venta $249 unidad
• Costo administrativo $400.000
• Costo de publicidad $600.000
Estos son los parámetros del modelo. El costo de MOD, costo de las piezas
y demanda no se conocen con certeza y son entradas probabilísticas. Las
estimaciones para estos costos son:
• C1 : MOD $45 unidad
• C2: Costo de cada pieza $90
• X: Demanda de 15000 unidades.
EJEMPLO ANALISIS DE SENSIBILIDAD (2)
La utilidad en este caso esta dada por:
• Utilidad = (249 – C1- C2)X – 1´000.000 = (249 – 45 – 90)15000-1000000
• Utilidad = $710.000
Si el grupo de planeación asume que los costos pueden variar de la siguiente
manera:
• Costo MOD entre $43 y $ 47 por unidad
• Costo de las piezas entre $80 y $100
• Y la demanda anual puede estar entre 1500 y 28500
Se realiza una evaluación por escenarios
• Mejor escenario
• Peor escenario
EJEMPLO ANALSIS DE SENSIBILIDAD (3)
• El mejor escenario sería:
Utilidad = (249 – 43 – 80)28500-1000000
Utilidad = $2´591.000
• Y el peor escenario sería:
Utilidad = (249 – 47 – 100)1500-1000000
Utilidad = - $847.000
EJEMPLO: COSTO DE MANO DE OBRA
De acuerdo con experiencias anteriores el rango de costo tiene las
siguientes características de distribución de probabilidad:

Costo Frecuencia Probabilidad Probabilidad Intervalo números

Unitario de ocurrencia acumulada aleatorios
43 5 5/50= 0,1 0,1 0,0 <= x < 0,1

44 10 10/50= 0,2 0,3 0,1 <= x < 0,3

45 20 20/50= 0,4 0,7 0,3 <= x < 0,7

46 10 10/50= 0,2 0,9 0,7 <= x < 0,9

47 5 5/50= 0,1 1 0,9 <= x < 1

EJEMPLO: COSTO DE LAS PIEZAS

La empresa considera que es igualmente probable un

precio entre $80 y $100, entonces su distribución seria
uniforme, de la siguiente forma:
Probabilidad
0,06

0,05

0,04

0,03 Probabilidad

0,02

0,01

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
EJEMPLO: DEMANDA
La empresa considera que la demanda tendrá un
comportamiento definido por una distribución normal,
con desviación estándar de 4500 unidades:
Probabilidad demanda
16000

14000

12000

10000

8000
Probabilidad demanda
6000

4000

2000

0
0 2 4 6 8 10
EJEMPLO: GENERACIÓN DE ENSAYOS

Se generan varios ensayos, con los cuales la empresa

este conforme del posible comportamiento del
modelo:
Ensayo

Identificación Generar Generar

Generar Calcular
de costos de costo de
demanda utilidad
parámetros MOD piezas
EJEMPLO: GENERACIÓN DE COSTO MOD
A partir de una tabla de números aleatorios se generan diez
ensayos con números aleatorios y costos asociado de MOD
Ensayo No. Aleatorio Costo MOD
1 0,91 47
2 0,28 44
3 0,65 45
4 0,03 43
5 0,34 45
6 0,27 44
7 0,68 45
8 0,62 45
9 0,49 45
10 0,80 46
EJEMPLO: GENERACIÓN DE COSTO DE PIEZAS
El costo de las piezas se establece a partir de la fórmula:
• a + r (b – a) = 80 + r ( 100 – 80).
Ensayo No. Aleatorio, r Costo pieza
1 0,26 85,3
2 0,58 91,7
3 0,66 93,3
4 0,92 98,8
5 0,41 88,4
6 0,73 94,7
7 0,43 88,6
8 0,11 82,4
9 0,69 93,9
10 0,78 95,7
EJEMPLO: GENERACIÓN DE DEMANDA
Con la generación de números aleatorios , se define la probabilidad
acumulada que tiene un z desviaciones estándar sobre la media. La demanda
es = µ + z ð

Ensayo No. Aleatorio Demanda

1 0,70 17366
2 0,32 12900
3 0,89 20686
4 0,18 10888
5 0,43 14259
6 0,96 22904
7 0,56 15732
8 0,73 17804
9 0,02 5902
10 0,32 12918
EJEMPLO: GENERACIÓN DE RESULTADOS
Ensayo Costo MOD Costo piezas Demanda Utilidad
1 47 85,3 17366 1025570
2 44 91,7 12900 461828
3 45 93,3 20686 1288906
4 43 98,8 10888 169807
5 45 88,4 14259 648911
6 44 94,7 22904 1526769
7 45 88,6 15732 814686
8 45 82,4 17804 1165501
9 45 93,9 5902 -350131
10 46 95,7 12918 385585
Total 449 912,67 151.359 7´137.432
Promedio 44,9 91,26 15.136 713.743
EJERCICIO 1: SIMULACIÓN MONTECARLO
• La Gerencia considera lanzar un nuevo producto. El costo fijo para iniciar la
producción es $30.000. Se espera que el costo variable oscile entre $16 y $24 con un
valor más probable de $20 por unidad. Se estima vender el producto en $50 por
unidad. Se espera que la demanda este entre 300 y 2100 unidades, con 1200 como
demanda más probable.
• Definir el modelo de utilidad de este producto
• Desarrolle el análisis de escenarios y discuta sus resultados.
• Si el precio de venta puede oscilar entre $40 y $60 con igual probabilidad y la
frecuencia de costo variable y la demanda tienen las siguientes frecuencias, realice
10 ensayos para tomar una decisión del lanzamiento de este producto:

Costo Frecuencia Demanda

Unitario
16 5 300
18 10 600
20 20 1200
22 10 1800
24 5 2100
EJERCICIO 2: SIMULACIÓN MONTECARLO
El número de barcazas que llega a un puerto fluctúa entre 0 y 5 (Ver
tabla 1 las probabilidades de llegada). Del estudio realizado se
identifica que el número de barcazas descargadas también cambia de
un día a otro. En la tabla se presenta también las probabilidades
asociadas a las descargas diarias.
Las barcazas se descargan según un sistema FIFO, pero toda barcaza
que no se descargue el día de llegada deberá esperar al día siguiente,
lo cual ocasiona quejas de los clientes. El encargado debe realizar una
simulación de 20 días para determinar los tiempos de llegada,
demoras y descargas y asi determinar recursos adicionales.
No. llegadas Probabilidad Tasa descarga Probabilidad
0 0,13
1 0,17 1 0,05
2 0,15 2 0,15
3 0,25 3 0,50
4 0,20 4 0,20
5 0,10 5 0,10
Bibliografía
• TAHA Handy. Investigación de operaciones. Pearson Educación. México.
2004.
• EPPEN G.D. y otros. Investigación de operaciones en la ciencia
administrativa. Pearson Educación. México. 2.000.
• HILLIER Fredery y LIEBERMAN. Investigación de operaciones. McGraw Hill.
México. 2.001.
• ANDERSON David y otros. Métodos cuantitativos para los negocios. Ed.
Cengage Learning , 11ª. Ed. 2010.
• HEIZER Jay, Dirección de la Producción y Operaciones, 8ª. Edición,
Prentice Hall, 2007.
• KRAJEWSKI Lee, Administración de Operaciones, 8ª. Edición, PrenticeHall,
2008.
Próxima clase
• Leer sobre Modelos dinámicos de tiempo discreto modelados
como cadenas de Markov.
• Ver presentación de Moodle.
• Ver los siguientes videos de simulación con Anylogic para
modelos discretos.
• https://www.youtube.com/watch?v=uuQ-M85aCs0
• https://www.youtube.com/watch?v=9ANy7gm1xG0&t=155s
• https://www.youtube.com/watch?v=sITaki-x5kI