SIMULACIÓN

¿Qué es la simulación?

 La simulación es el proceso de construcción de un modelo matemático o

lógico y experimentar con ese modelo para obtener información sobre su
comportamiento.

 Las dos palabras claves de esta definición son MODELO y

EXPERIMENTO.

 La principal ventaja de la simulación como herramienta es su flexibilidad.

Su aplicabilidad depende del tiempo que se dedique a construir el modelo y
a analizar los resultados de esa simulación.
¿Qué pasa si...?

Naturaleza de la simulación:
 La simulación es muy utilizada en el mundo de los negocios para
predecir, explicar, entrenar y ayudar a identificar soluciones óptimas.

 Problemas de producción: agendas de producción realistas, proyección de

ventas, políticas de inventario, logística, etc.

 Usuarios: entidades financieras, empresas de consumo masivo, entidades

sin fines de lucro tales como salud, gobierno y educación
Modelos de simulación

Un modelo es una abstracción o una representación de algo real

Los modelos pueden ser:

1. Prescriptivos: sugieren el mejor curso de acción a tomar, tal
como la programación lineal.
2. Descriptivos: simplemente describen relaciones y proveen
información para su evaluación. Son utilizados para la toma de
decisiones y para explicar el comportamiento de sistemas y/o para
predecir futuros eventos en base a ciertos inputs.
3. Determinísticos: los datos son conocidos o se asume que son
conocidos con certeza.
4. Probabilísticos: el comportamiento de las variables es probable.
5. Continuos o discretos, lo que puede ser descrito en como las
variables se modifican a través del tiempo
Modelos descriptivos

 La simulación es un modelo descriptivo, simplemente evalúa la

performance o el comportamiento de un sistema, dados ciertos
inputs.

 Los inputs son las variables controlables (decisiones a tomar por

el usuario) y las variables exógenas.

 La simulación incluye el elemento de la probabilidad, que Excel

no necesariamente incluye
Simulación de Monte Carlo

 Monte Carlo es básicamente un experimento de muestreo

cuyo propósito es estimar la distribución de un resultado que
depende de una o más variables probabilísticas.

 Es generalmente utilizado para evaluar el impacto esperado

de una decisión determinada y el riesgo relacionado con
esa decisión.
Beneficios de la simulación

1. Permite simular sin correr los riesgos asociados a la

implementación (responder a la pregunta y si?)

2. Es una técnica muy sencilla de utilizar y fácil de explicar

(interpretación de resultados).

3. Otorga un cierto nivel de confianza para la toma de decisiones.

Desventajas

1. El tiempo para desarrollar un modelo detallado se incrementa

con la dificultad del problema a resolver

2. Falta de respuestas concretas (es necesario repetir un

experimento varias veces como para poder repetir sus resultados),
en contraposición con ciertos modelos analíticos que tienen sólo
una solución correcta (sería lo ideal).
Procedimiento de simulación

 Definición de los objetivos

 Formulación del modelo
 Diseño del experimento
 Realización del experimento
 Evaluación de los resultados
PASO 1: DEFINICION DE LOS OBJETIVOS Una simulación puede
llevarse a cabo como ayuda para entender un sistema existente o como
apoyo para diseñar un nuevo sistema. Es importante que los objetivos
estén definidos con claridad, Los objetivos influyen en el diseño del
experimento.

PASO 2: FORMULACION DEL MODELO La tarea es desglosar en

términos lógico matemáticos precisos:
1. Las componentes que deben incluirse.
2. Comportamiento de las componentes
3. Sus relaciones La meta es formular un modelo válido y seguro con un
mínimo de complejidad.
PASO 3: DISEÑO DEL EXPERIMENTO
Se ahorra mucho tiempo y esfuerzo, si se trabaja en los
procedimientos experimentales antes de corre el modelo.
¿qué medidas se tiene que tomar?. ¿qué incrementos de tiempo se
usarían? ¿Cuál será la duración total?
Deben tomarse en cuenta las respuestas a estas y otras preguntas al
desarrollar un plan para el experimento?

PASO 4: REALIZACION DEL EXPERIMENTO

Esto es de hecho correr el modelo. Aquí se debe marcar el tiempo
apropiado, hacer las observaciones necesarias y registras los datos
para el análisis.
PASO 5: EVALUACION DE LOS RESULTADOS
Casis siempre la simulación da resultados estadísticos: promedios y
distribuciones de probabilidad
En la practica, estos 5 pasos se traslapan considerablemente.
El orden de los pasos es menos significativo que el que se ejecuten
por completo.
GENERACION DE VALORES DE UNA VARIABLE ALEATORIA
Como muchas simulaciones incluyen variables aleatorias, es
necesario conocer como seleccionar valores específicos de esta
variable
PROCESO DE MONTE CARLO
Es un procedimiento de 2 pasos para generar valores de una variable
aleatoria de acuerdo con una distribución de probabilidad dada
Paso 1: Generar números aleatorias, los cuales deben tener una
distribución de probabilidad uniforme
Paso 2: Transformar los números aleatorios con distribución uniforme
en el valor que se desea, de acuerdo con la distribución que se
quiere.
Para transformar un número aleatorio distribuido uniformemente en
uno que tenga la distribución deseada puede aplicarse cualquiera de los tres
métodos: gráfico, matemático o tabular
METODO TABULAR
Se usa ampliamente por su simplicidad
Su procedimiento es el siguiente:
1. Se construye una tabla de cada valor de la variable
aleatoria y su probabilidad asociada.
2. Se tabula la distribución acumulada.
3. Se establecen intervalos de números aleatorios usando la
probabilidad acumuladas como límites superiores de cada
intervalo.
De esta manera se ha creado un código para interpretar los
números aleatorios con la distribución de probabilidad
deseada.
Tabla N°1
Tiempo entre llegadas

Tiempo minutos Probabilidad Probabilidad Intervalos

Acum
1 .05 .05 0.01-0.05
3 .25 .30 0.06-0.30
5 .60 .90 0.31-0.90
7 .10 1.00 0.91-1.00

Números aleatorios
.96 .69 .82 .55
.68 .99 .69 .25
.72 .84 .12 .89
.20 .01 .13 .55
.97 .87 .94 .26
VERIFICACION DE LA REPRESENTATIVIDAD
Cuando se emplea el proceso de Monte Carlo es importante revisar
los valores generados para comprobar si son representativos de los
que se esperaba. La distribución de los valores debe corresponder de
cerca a la distribución dada para la variable. Si nos es así, se deben
rechazar estos valores y desarrollar un nuevo conjunto.
CONFIABILIDAD Y VALIDACION DEL MODELO
Se dice que el modelo es confiable si replicas identicas
llevan los mismos resultados.
Un modelo es válido si los resultados de la simulación
son semejantes a los que se obtendrían del sistema real,
es decir, del sistema que se esta modelando.
La validez es mas difícil de demostrar.
La prueba básica de una simulación es el hecho de que
proporcione o no información más valiosa que su costo.
EJEMPLO Nº 1: ANALISIS DE GANANCIA
Supóngase que una firma está considerando la introducción de un
nuevo producto al mercado. Se sabe con una información razonable
que el costo fijo es de $10,000 y que el precio de venta debe ser de
$2 por razones competitivas. La firma quiere por lo menos alcanzar el
punto de equilibrio en el primer año de ventas.
Este problema surge gracias a la incertidumbre en cuanto a que los
costos variables estarán entre $0.95 y $1.04. Se piensa que la
demanda dependerá de la reacción de los competidores. Si
reaccionan rápidamente el primer año, se espera que la ventas sean
de 8000, 9000 o 10,000 unidades. Si no hay reacción fuerte,
entonces las ventas pueden llegar a 10,000, 11,000 0 12,000
unidades. La firma piensa que existe un 60% de posibilidades de
que sus competidores reaccionen fuertemente.
La administración desea saber el riesgo de seguir adelante con el
producto. ¿qué posibilidades existe de llegar al punto de equilibrio?
Pasos:
2. Definición de los objetivos
¿Cuál es el objetivo en este problema?
2. Formulación del Modelo
¿Cuál es el modelo propuesto?
3. Diseño del experimento
¿Cuál seria el diseño del experimento?