UNIVERSIDAD CENTROCCIDENTAL

LISANDRO ALVARADO
DECANATO DE CIENCIAS Y TECNOLOGIA
DEPARTAMENTO DE INVESTIGACION DE OPERACIONES Y ESTADISTICA
INVESTIGACION DE OPERACIONES II - ING. DE PRODUCCION

Proyecto: Simulacin Monte Carlo

Asignatura:
Investigacin de Operaciones II
Profesora:
Anas Acua
Integrantes:
Caneln Sariger
Cuicas Julianny
Sousa Danirys
Barquisimeto Marzo 2016

La simulacin Monte Carlo

La tcnica de la simulacin de Monte Carlo se basa en simular la realidad a travs

del estudio de una muestra, que se ha generado de forma totalmente aleatoria. Resulta, por
tanto, de gran utilidad en los casos en los que no es posible obtener informacin sobre la
realidad a analizar, o cuando la experimentacin no es posible, o es muy costosa. As,
permite tener en cuenta para el anlisis un elevado nmero de escenarios aleatorios, por lo
que, se puede decir que hace posible llevar la tcnica del anlisis de escenarios al infinito
ampliando la perspectiva de los escenarios posibles. De esta forma, se pueden realizar
anlisis que se ajusten en mayor medida a la variabilidad real de las variables consideradas.
La aplicacin de esta tcnica se basa en la identificacin de las variables que se consideran
ms significativas, as como las relaciones existentes entre ellas (aunque esto puede resultar
realmente complejo), para explicar la realidad a estudiar mediante la sustitucin del
universo real, por un universo terico utilizando nmeros aleatorios.
Los orgenes de esta tcnica estn ligados al trabajo desarrollado por Stan Ulam y
John Von Neumann a finales de los 40 en el laboratorio de Los Alamos, cuando
investigaban el movimiento aleatorio de los neutrones. En aos posteriores, la simulacin
de Monte Carlo se ha venido aplicando a una infinidad de mbitos como alternativa a los
modelos matemticos exactos o incluso como nico medio de estimar soluciones para
problemas complejos. As, en la actualidad es posible encontrar modelos que hacen uso de
simulacin MC en las reas informtica, empresarial, econmica, industrial e incluso
social. En otras palabras, la simulacin de Monte Carlo est presente en todos aquellos
mbitos en los que el comportamiento aleatorio o probabilstico desempea un papel
fundamental -precisamente, el nombre de Monte Carlo proviene de la famosa ciudad de
Mnaco, donde abundan los casinos de juego y donde el azar, la probabilidad y el
comportamiento aleatorio conforman todo un estilo de vida.
Son muchos los autores que han apostado por utilizar hojas de clculo para realizar
simulacin MC. La potencia de las hojas de clculo reside en su universalidad, en su
facilidad de uso, en su capacidad para recalcular valores y, sobre todo, en las posibilidades
que ofrece con respecto al anlisis de escenarios. Las ltimas versiones de Excel
incorporan, adems, un lenguaje de programacin propio, el Visual Basic for Applications,

con el cual es posible crear autnticas aplicaciones de simulacin destinadas al usuario

final. En el mercado existen de hecho varios complementos de Excel (Add-Ins)
especficamente diseados para realizar simulacin MC, siendo los ms conocidos: @Risk,
Crystall Ball, Insight.xla, SimTools.xla, etc.

Complemento @Risk para Excel

@RISK es un complemento para Excel que realiza anlisis de riesgo utilizando la

simulacin para mostrar mltiples resultados posibles en un modelo de hoja de clculo, he
indica qu probabilidad hay de que se produzcan. Computa y controla matemtica y
objetivamente gran nmero de escenarios futuros posibles, y luego seala las
probabilidades y riesgos asociados con cada uno. Esto quiere decir que se podran decidir
qu riesgos desea tomar y cules se preferira evitar, tomando la mejor decisin en
situaciones de incertidumbre.
@RISK tambin ayuda a planificar las mejores estrategias de administracin de
riesgo mediante la integracin de RISKOptimizer, que combina la simulacin Monte Carlo
con lo ltimo en tecnologa de resolucin de problemas para optimizar cualquier hoja de
clculo que contenga valores inciertos. Usando algoritmos genticos u OptQuest, junto con
las funciones de @RISK, RISKOptimizer puede determinar la mejor asignacin de
recursos, la distribucin ptima de activos, el calendario ms eficiente y mucho ms.
Para efectos prcticos, a continuacin, se presenta un problema de estudio que
requiere simular los posibles costos en que se puede incurrir el mantenimiento de una
mquina, para dos diferentes polticas de inventario, por lo que se utilizar la herramienta
Excel en conjunto con el complemento RiskSim, finalmente se tomar la decisin de cul
es la mejor poltica desde el punto de vista econmico, tomando en cuenta un gran nmero
de posibles escenarios.

Problema de Estudio
La empresa El Ensueo" tiene una mquina conocida como estirotorcedora, la cual
requiere mantenimiento. Dentro de la estirotorcedora existe una pieza crtica, que consta de
4 componentes electrnicos en serie, cada uno de los cuales tiene un costo de $150000. De
los datos histricos, se concluy que el tiempo de vida en horas de cada componente
electrnico sigue una distribucin normal con media 505 y varianza 100. Cuando alguno de
los 4 componentes llega al trmino de su vida es necesario detener la estirotorcedora para
cambiar dicho componente. Armar y desarmar la pieza lleva 1 hora y cambiar un
componente lleva 0,25 horas, el costo estimado de la mquina cuando est fuera de
funcionamiento es de $320000 por hora.
El departamento de mantenimiento desea analizar dos polticas de mantenimiento,
con el

fin de determinar cul de ellas es la mejor opcin desde el punto de vista

econmico. Las alternativas presentadas son:

1. Cambiar solamente el componente descompuesto.
2. Cambiar todos los componentes, cuando el primero de ellos se descomponga.
Determine mediante el desarrollo de modelos de simulacin y sus implementaciones la
opcin de mantenimiento ms econmica.

Modelado
Inicialmente se tiene que el problema hace nfasis en determinar cul de las dos
polticas de reemplazo resultar ms econmica para el departamento de mantenimiento, es
decir, que se habla de considerar cul es la vida til de un bien, y dependiendo de la manera
en que se cambien los componentes entonces una poltica resultar ms econmica que la
otra; ahora bien, anteriormente se han estudiado dos modelos matemticos que determinan
la vida til de un bien tomando o no en cuenta el valor de dinero en el tiempo, en este caso,
a pesar de ser muy anlogo no se podra tomar esta va para su resolucin, pues no hay un
valor de salvamento que considerar, por lo cual resolver el problema con simulacin es la
ruta ms prctica.

Este sistema lo tomaremos en condiciones de estado estable, donde tendremos un

tiempo de servicio determinstico de 1,25h para el caso 1 y de 2h para el caso 2, al cual
llamaremos Tri, adems el servidor es el departamento de mantenimiento, el servicio es el
cambio de componente y los componentes descompuestos son los clientes. Por otro lado
tendremos valores constantes para cada caso, que seran el costo de cada componente
($150000) y el costo estimado cuando la mquina este fuera de servicio ($320000), valores
fundamentales para decisin de la polticas ms econmica.
Adems se dice que mediante datos histricos se determin que la vida til de cada
componente, sigue una distribucin normal con media 505 y varianza 100, por lo cual se
dir: ~(505,100), donde es la variable aleatoria que representa el tiempo de
descompostura para cada componente de la mquina en horas. Para generar observaciones
de estos datos emplearemos la herramienta RiskSim.
El reloj de simulacin avanzar a travs de incremento por cada evento i, donde el
evento representa el cambio de un o unos componentes dependiendo de la poltica.
Supondremos que la instalacin comienza vaca, y que recin se ha puesto en marcha la
mquina con los cuatro componentes nuevos en el tiempo simulacin cero ( = 0). Otra
acotacin importante es que el tiempo de simulacin obedece slo al tiempo en que la
mquina est activa, por lo que si se detiene la mquina para ser reparada tambin se
detendr el reloj de la simulacin.
Finalmente definimos para ambas polticas:
NCi = Nmero de componentes cambiados para el evento i
Tmi= Tiempo de mantenimiento por cada evento i en horas
Cm= Costo cuando la mquina est fuera de servicio por $ por h
Cc= Costo por cada componente en $
Donde i representa los eventos, es decir, el cambio de componente, y adems el
factor de decisin sern los costos de mantenimiento por horas:

( ) + ( )

Donde j es la poltica 1 2 de estudio.

As finalmente, comenzamos con la resolucin del problema de estudio.

Resolucin

Primeramente procedemos a abrir Excel, y ya teniendo activado nuestro

complemento RiskSim, construiremos una tabla donde se diferencien los Tiempos de
simulacin (Ts), las observaciones de generadas por la distribucin normal para cada
componente, el nmero de piezas cambiadas (Nci) y el tiempo de mantenimiento (Tri). Para
el primer caso Nci = 1, menos en las condiciones iniciales donde ya han sido cambiadas las
piezas, y Tci=1,25 horas, pues solo se cambiar un componente.
Al tener la tabla descrita, se comienza a generar la primera observacin para cada
componente mediante la frmula =RANDNORMAL(505;10), as

Luego, se debe decidir en el siguiente tiempo de simulacin cual ser el prximo

evento a ocurrir, para ello elegiremos la frmula =MIN(C20;D20;F20;E20)

Una vez hecho esto se debe aplicar un condicional, puesto que, si uno de los
componentes es cambiado entonces tendr un nuevo tiempo de vida til, pero sino es
cambiado entonces permanecer con el mismo tiempo de vida til que tena en la fila
anterior.

Para

explicarlo

aplicaremos

la

frmula

para

la

celda

D21,

as

=SI(B21=D20;RANDNORMAL(505;10)+B21;D20), ntese que si se cumple el

condicional entonces deber sumarle el tiempo de simulacin ya transcurrido.

Este procedimiento se copiar para el resto de las observaciones. Se sigue por

realizar la sumatoria del total de componentes cambiados al final de la simulacin (F121) y
la cantidad de horas fuera de servicio de la mquina (F122), al igual que se seala el tiempo
final de simulacin que para este caso fue de 10096.18592, recordando que puede cambiar.
Luego

se

calcula

el

costo

de

mantenimiento

por

por

hora

mediante

=((C125*F121)+(C124*F122)/F123), que es equivalente a la frmula de CMj presentada

en el modelado.

Ahora de manera similar se hace para la poltica 2, salvo que ahora no se deber
agregar condicional pues si cada evento representa el cambio de componente y los cuatro
componentes sern cambiados al mismo tiempo, por cada evento que ocurra se deber
obtener una nueva observacin para la vida til sin excepcin, y adems se le sumar el
tiempo de simulacin ya transcurrido. Para mejor compresin se muestra la aplicacin para
celda C20, que ser =RANDNORMAL(505;10)+B20, la cual se repetir para el resto de
las observaciones.

Una importante acotacin, es que para esta poltica se realizaron muestras hasta
llegar a las horas de simulacin cercanas a las del primer caso, para que al comparar los
costos se tuviera relacin con el nmero de horas transcurridas. Al igual que en el caso uno
se calcul la sumatoria del total de componentes cambiados al final de la simulacin (F44),
la cantidad de horas fuera de servicio de la mquina (F45), se seala el tiempo final de
simulacin que para este caso fue de 10380.16162 y el costo de mantenimiento por $ por
hora mediante =((C43*F44)+(C42*F45)/F46), que es equivalente a la frmula de CMj
presentada en el modelado.

Posteriormente implementaremos el uso del complemento RiskSim, para ello

buscaremos la opcin COMPLEMENTO > Risk Simulation > One Output, donde luego se
desplegar una ventana en la que ingresaremos la etiqueta del valor que queremos simular,
que en este caso sera CM = COSTO DE MANTENIMIENTO POR $ POR HORA DE
FUNCIONAMIENTO; luego la frmula de CMj, y el nmero de simulaciones que
queremos hacer que se seleccion como 1000. Al hacer esto para ambas polticas se
desplegar otra hoja donde arroje la simulacin completa, ms grficos de apoyo que
permitan tomar la decisin final.

Anlisis de datos y conclusin

Para la Poltica 1, se obtuvieron las siguientes tablas y grficos

RiskSim 2.41
Academic
Date
Time

Columna1
17-mar-16
8:58
Proyecto-Simulacin Monte Carlo. Caneln Sariger, Cuicas Julianny, Sousa
Danirys.xlsx
POLTICA 1
$F$126
CM = COSTO TOTAL DE MANTENIMIENTO POR $ POR HORA DE
FUNCIONAMIENTO
1116
1000

Workbook
Worksheet
Output Cell
Output Label
Seed
Trials

Columna1
Mean
St. Dev.
Mean St. Error
Minimum
First Quartile
Median
Third Quartile
Maximum
Skewness

Columna2
5379,579343
16,56317248
0,523773503
5309,409697
5369,103464
5380,171195
5390,955976
5420,788551
-0,3741

RiskSim 2.41 Academic - Histogram

FREQUENCY

150

2,5
2
1,5
1
0,5
0

100
50
0
1
5300

5310

5320

5330

9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

5340

5350

5360

5370

5380

5390

5400

5410

5420

CM = COSTO TOTAL DE MANTENIMIENTO POR $ POR HORA DE FUNCIONAMIENTO

5430

Para la Poltica 2, se obtuvieron las siguientes tablas y grficos

RiskSim 2.41 Academic

Date
Time

Columna1
17-mar-16
11:05
Proyecto-Simulacin Monte Carlo. Caneln Sariger, Cuicas Julianny,
Sousa Danirys.xlsx
POLTICA 2
$F$49
CM2 = COSTO TOTAL DE MANTENIMIENTO POR $ POR HORA DE
FUNCIONAMIENTO
15140
1000

Workbook
Worksheet
Output Cell
Output Label
Seed
Trials

Columna1
Mean
St. Dev.
Mean St. Error
Minimum
First Quartile
Median
Third Quartile
Maximum
Skewness

Columna2
2506,883659
7,64103303
0,241630681
2482,003805
2501,756104
2506,828373
2511,620757
2540,51698
0,0919

FREQUENCY

RiskSim 2.41 Academic - Histogram

300

2,5

250

200

1,5

150
1

100

0,5

50
0

0
1

2480

3
2490

5
2500

7
2510

9
2520

10

11
2530

12

13
2540

CM2 = COSTO TOTAL DE MANTENIMIENTO POR $ POR HORA DE FUNCIONAMIENTO

14
2550

Al finalizar la simulacin, inmediatamente nos dirigimos al segundo cuadro

arrojado para ambas polticas donde obtenemos la media estimada de cunto ser el costo
de mantenimiento por $ por hora de funcionamiento, en el caso 1 la media fue de
$5379,579343 por hora de funcionamiento, mientras que la media para el caso 2 fue
$2506,883659 por hora de funcionamiento, lo que fcilmente nos hace decidir que la
poltica ptima es la nmero dos, pues se incurrir en menores costos a pesar de pagar por
ms componentes inecesarios.
Si analizamos con detalles el comportamiento de los valores se observ que para la
poltica 1 la mquina fue detenida 99 veces para ser cambiada una pieza, por lo que se tena
una gran prdida de tiempo y produccin, mientras que para el segundo caso a pesar de que
se tuviera una cantidad aproximada de horas de funcionamiento la mquina slo fue
detenida 22 veces, lo que permite que se incurra en menos gastos.
Por otro lado, a pesar de que se pudiese decir que se gastaba mucho dinero
cambiando los componentes sin que aun estuviesen daados, la relacin de costos entre la
prdida de dinero al tener la mquina detenida era mayor con respecto al costo de los
componentes, por lo que los resultados obtenidos tienen lgica y permiten al investigador
dar una recomendacin final.
As se recomienda tomar la opcin de la poltica 2, que implica cambiar todos los
componentes de la pieza crtica cuando uno de estos se haya daado, ya que el costo medio
a incurrir en mantenimiento de $ por horas de funcionamiento es un poco menos de la
mitad del costo medio de mantenimiento de la poltica 1.

Referencias

Consultas en lnea:

http://www.expansion.com/diccionario-economico/simulacion-de-montecarlo.html
http://www.uoc.edu/in3/emath/docs/Simulacion_MC.pdf