1

Simulacin Gerencial
Introduccin a Simulacin de
Montecarlo
Agenda
Introduccin
Simulacin de Montecarlo (SMC)
Ejemplos



2
Introduccin
Qu es Simulacin?

Simulacin es el proceso de construir un modelo matemtico o
lgico de un sistema o problema de decisin, experimentando
con el modelo para obtener luces sobre el comportamiento del
sistema o elementos que permitan seleccionar la mejor
alternativa para el problema de decisin.
3
Introduccin
Qu es un Modelo?

Un modelo se puede definir como la representacin de un
sistema con el propsito de estudiarlo.

Se debe definir claramente la relacin entre las entidades, las
actividades que se desarrollan y es nicamente necesario
considerar aquellos aspectos del sistema que afectan el
problema de investigacin.



4
Tipos de Modelos
Qu es un Modelo?




5
Pasos en un estudio de Simulacin




6
Traduccin del Modelo




7
3.
2.
1.
Traduccin del
Modelo
Lenguajes de
propsito
General
Java, C++, VB
Lenguajes de
Simulacin de
propsito
especial
Arena, @Risk,
Crystal Ball
Simulacin de Montecarlo (SMC)
La Simulacin de Montecarlo (SMC) es una tcnica cuantitativa
que hace uso de muestreos estadsticos para imitar, mediante
modelos matemticos, el comportamiento aleatorio de
sistemas reales no dinmicos.

Generalmente en estadstica los modelos aleatorios se usan
para simular fenmenos que poseen algn componente
aleatorio. Pero en la SMC el objeto de la investigacin es el
objeto en s mismo, es decir, un suceso aleatorio o pseudo-
aleatorio se usa para estudiar el modelo.



8
Simulacin de Montecarlo (SMC)
La clave de la SMC consiste en crear un modelo matemtico del
sistema, proceso o actividad que se quiere analizar,
identificando:

- Variables (Inputs del modelo): Son aquellas cuyo
comportamiento aleatorio determina el comportamiento
global del sistema. (Generacin de nmeros y variables
aleatorias).




9
Simulacin de Montecarlo (SMC)
- Resultados de la Simulacin (Experimento): Analizar el
comportamiento del sistema ante los valores generados. El
objetivo es repetir n veces el experimento obteniendo n
observaciones sobre el comportamiento del sistema. Los
resultados sern ms precisos cuanto mayor sea el nmero n
de experimentos que llevemos a cabo.





10
Simulacin de Montecarlo (SMC)
La SMC se puede utilizar de acuerdo a los siguientes algoritmos:

- SMC Puro: Est fundamentado en la generacin de
nmeros aleatorios por el mtodo de Transformacin
Inversa, el cual se basa en las distribuciones acumuladas de
frecuencias (Visto anteriormente).






11
Simulacin de Montecarlo (SMC)
- Combinacin de VAs por SMC: Cuando el resultado de la
simulacin se da por la combinacin de las VAs, se debe
realizar y verificar:

- Desarrollar un modelo conceptual o lgico de decisin.
- Construir un modelo, especificando la relacin entre las
variables y las distribuciones de probabilidad para las variables
aleatorias.
- Verificar y validar el modelo.
- Disear experimentos utilizando el modelo.
- Analizar los resultados y concluir.


12
Simulacin de Montecarlo (SMC)
Las principales caractersticas a tener en cuenta para la
implementacin o utilizacin de la SMC son:

- El sistema debe ser descripto por 1 o ms funciones de
distribucin de probabilidad (FP).

- Generacin de nmeros aleatorios (No debe existir correlacin
entre los valores mustrales).

- Establecer lmites y reglas de muestreo para las FP (Definir que
valores pueden adoptar las VAs).



13
Simulacin de Montecarlo (SMC)
Las principales caractersticas a tener en cuenta para la
implementacin o utilizacin de la SMC son:

- Definir Scoring (Cuando un valor aleatorio tiene o no sentido para
el modelo a simular).

- Estimacin del error (Con que error trabajamos? Cuanto error
podemos aceptar para que una corrida sea vlida?).

- Tcnicas de reduccin de Varianza.



14
Simulacin de Montecarlo (SMC)
Las principales caractersticas a tener en cuenta para la
implementacin o utilizacin de la SMC son:

- Paralelizacin y Vectorizacin (Utilizado en aplicaciones con
muchas variables).




15
Ejemplo 1: Simulacin de Montecarlo
(SMC)
Se tiene la siguiente distribucin de probabilidades para una
demanda aleatoria (diaria) y queremos ver que sucede con el
promedio de la demanda en varias iteraciones:





16
Unidades Frecuencia
Frecuencia
Acumulada
42 0,1 0,1
45 0,2 0,3
48 0,4 0,7
51 0,2 0,9
54 0,1 1
Ejemplo 1: Simulacin de Montecarlo
(SMC)
Generando los valores aleatorios vamos a ver como se obtiene el
valor de la demanda para cada da:






17
Iteracin
Nmero
Aleatorio [R]
Valor de la
Demanda
1 0,886 51
2 0,021 42

n 0,225 45
Ejemplo 1: Simulacin de Montecarlo
(SMC)
Si se aumenta el nmeros de replicas, los resultados obtenidos
son:






18
Iteracin Media Desviacin Error
10 48,60 3,41 1,078
100 48,12 3,16 0,316
1000 47,87 3,28 0,104
10000 47,87 3,30 0,033
Ejemplo 2: Simulacin de Montecarlo
(SMC)
La compaa Plsticos de Colombia S.A, se dedica a la fabricacin de
productos plsticos y telas vinlicas. En la actualidad, estn analizando la
posibilidad de lanzar un nuevo producto llamado impermeable plstico (en
colores amarillo y negro). ste producto puede ser utilizado como protector
solar y/o como recubrimiento para la lluvia por las personas y las industrias.

Teniendo en cuenta que es un producto nuevo, la gerencia de la compaa ha
analizado la situacin y ha encontrado que para fabricarlo se requiere de una
mquina especializada, con la que no se cuenta en la actualidad. Por lo tanto,
han definido como alternativa arrendar la mquina que se requiere.





19
Ejemplo 2: Simulacin de Montecarlo
(SMC)
La compaa ha identificado dos modelos de mquinas que se ajustan a las
necesidades actuales de produccin de impermeable de color negro y de
color amarillo. La primera alternativa es arrendar la mquina TX-1. Esta
mquina tiene una capacidad de produccin de 32.000 metros al mes, y su
costo de leasing es 1950.000/mes.

La segunda alternativa es arrendar la mquina TX-2. Esta mquina tiene un
costo de leasing ms bajo $1650.000. Su capacidad de produccin es mayor
(5.000 metros ms que la TX-1).






20
Ejemplo 2: Simulacin de Montecarlo
(SMC)
Para estimar el comportamiento de la demanda del nuevo producto, la
compaa ha recolectado informacin sobre la demanda esperada por mes
del impermeable plstico negro y la demanda de impermeable amarillo, y ha
encontrado los siguientes resultados respecto al comportamiento de cada
mercado:
Color amarillo: mnimo 12000 metros, mximo 21000 metros, y valor ms
probable 18000 metros.
Color negro: entre 17000 y 23000 metros.

Adicionalmente, la compaa estima que el precio de venta por metro de
impermeable amarillo es de $2500, y el precio de venta por metro de
impermeable negro es de $2300.




21
Ejemplo 2: Simulacin de Montecarlo
(SMC)
Los costos unitarios asociados con la produccin en cada mquina se
presentan a continuacin:






Qu decisin debe tomar la compaa?
22
Costos variables TX-1 TX-2
Distribucin Normal Normal
Media 950 1100
Desviacin estndar 90 25