Revista de la Escuela de Estudios de Postgrado, Vol. X No. X, año 2018.

ISSN 2518-4725.

SIMULACIÓN DE MONTE CARLO COMO HERRAMIENTA DE ANÁLISIS Y MEJORA DE

PROCESOS

Ing. M Sc. PMP José Antonio Medrano García

Mtro. En Análisis y Administración de la Confiabilidad
jamedrano@uvg.edu.gt

Resumen Abstract

El método de Monte Carlo para la simulación
estática es una herramienta que permite analizar
situaciones que por su naturaleza probabilística y
compleja no sería posible analizar utilizando
métodos tradicionales de matemáticas y estadística.
Monte Carlo method for static simulation is a tool
that allows the analysis of situations of a complex
and probabilistic nature which would not be possible
to analyze via traditional mathematical and/or
statistical methods.

En este artículo se presenta un ejemplo ficticio que This article presents a fictitious example that shows
ilustra el uso de esta técnica aplicada a analizar y the use of this technique to find alternatives for the
encontrar alternativas para un problema de calidad solution of a quality problem in a manufacturing
en manufactura. environment.

Se utilizó el método con una herramienta Monte Carlo Simulation was used with the aid of a
informática (R/RStudio) para la generación de las software tool (R/RStudio) to generate random
variables aleatorias y el posterior análisis de los variables and the subsequent analysis of the
resultados. Se logró establecer el impacto de results. It was possible to determine the impact of
distintas acciones orientadas a resolver un problema various solutions aimed towards solving a specific
específico. manufacturing problem.
.
Palabras clave
Simulación, Monte Carlo, R, Calidad, Procesos, Keywords
Mejora Continua. Simulation, Monte Carlo, R, Continuous
Improvement, Quality, Process.
Revista de la Escuela de Estudios de Postgrado, Vol. X No. X, año 2018.
ISSN 2518-4725.
Introducción
El Método de Monte Carlo es una de las metodologías
más interesantes para el modelado y análisis de
problemas donde intervienen variables tanto de tipo
determinista como de carácter estocástico o
probabilístico.
Figura 1. Pasos para la simulación de un proceso
Fuente: elaboración propia.
Los pasos para realizar un ejercicio de Simulación de
Monte Carlo son los siguientes:
a) Definir y delimitar el modelo a simular.
b) Identificar las variables relevantes que componen
el modelo.
c) Clasificar las variables en probabilísticas y
deterministas.
d) Para las variables probabilísticas, se debe definir la
distribución y los parámetros y para las variables
deterministas, los valores que toman.
e) Construir el modelo, identificando las salidas o
resultados que son de interés para el análisis.
f) Generar una gran cantidad de datos a partir de las
distribuciones de las variables probabilísticas y
calcular el modelo para cada combinación de valores
de dichas variables probabilísticas con las variables
deterministas.
g) Tabular y analizar estadísticamente los resultados
del modelo, principalmente su distribución y los
parámetros de la misma.
Figura 1. Modelo para Simulación Monte Carlo
Fuente: elaboración propia.
Desarrollo del tema
Este artículo muestra la forma como se aplica la
metodología de Monte Carlo al análisis de un
problema de calidad en un proceso de manufactura
ficticio de una industria metal mecánica.
a) Descripción del problema:
Un proceso metal-mecánico donde se producen 2
tipos de piezas que son parte de un sistema más
complejo. La primera de las piezas tiene forma
cilíndrica, hueca en el centro y la otra es un pin o
cilindro sólido que va inserta dentro de la primera. La
Figura 2 muestra una ilustración de estas piezas. Las
piezas se toman tal y como van saliendo de cada
proceso y se combinan en el orden en que salen. El
principal requerimiento de calidad para estas piezas
es el ajuste que existe entre el pin y el cilindro. Este
ajuste depende directamente del diámetro interno del
cilindro y del diámetro externo del pin. Si el espacio
(diferencia de diámetros) entre el pin y el cilindro es
muy grande, el ajuste será pobre y existirá demasiado
movimiento lo que ocasiona problemas de
funcionamiento del mecanismo. Si la diferencia es
muy pequeña, puede ser que el pin no quepa dentro
del cilindro o entre demasiado forzado lo cual
también causa problemas.
Revista de la Escuela de Estudios de Postgrado, Vol. X No. X, año 2018.
ISSN 2518-4725.
El diámetro interno del cilindro debe ser de 500
milésimas de pulgada y el diámetro externo del pin
debe ser de 497 milésimas, por lo que, asumiendo una
posición concéntrica del pin, debería quedar un anillo
de 1.5 milésimas de ancho entre el cilindro y el pin,
lo que se considera ideal. La fabricación de ambas
piezas se realiza utilizando equipo de alta precisión
que es capaz de producir los diámetros esperados, sin
embargo, la máquina produce demasiadas unidades
que no cumplen la especificación del ajuste. Existen
2 tipos de problema, el primero, que la diferencia de
diámetros sea menor a 1 milésima, si esto sucede, el
pin puede ser reprocesado para reducir ligeramente su
diámetro y poder cumplir con el ajuste requerido,
pero esto es claramente un retrabajo o reproceso. El
segundo problema es que la diferencia de diámetro
sea mayor a 5 milésimas, lo que implica que el
espacio entre el pin y el cilindro es mayor a 2.5
milésimas, lo que ocasiona exceso de holgura y por
ende, problemas de desempeño. Cuando esto sucede,
las piezas deben ser rechazadas ya que no pueden ser
reparadas por lo que esto representa otro tipo de
desperdicio.
Históricamente se sabe que el equipo produce piezas
cuyas medidas se resumen en la tabla 6.1 y estos datos
se ajustan muy bien, como es común en procesos
industriales, a una distribución normal. Como ya se
mencionó, el problema de los rechazos y los
reprocesos está incidiendo negativamente en el
desempeño del proceso y en los costos del mismo por
lo que se busca una forma de reducir
significativamente la ocurrencia de estos dos
problemas. Una propuesta concreta es el cambio de
tecnología para la máquina que produce las piezas,
por una nueva que ofrece reducir la desviación
estándar (variación) de los diámetros a la mitad de lo
que actualmente se está obteniendo. Para evaluar el
impacto de esta propuesta, se recurre a la simulación
de Monte Carlo, tanto de la situación actual como de
la situación futura luego del cambio de tecnología.
Figura 2. Componentes Cilindro/Pin
Fuente: elaboración propia.
Tabla I.
Parámetros de la distribución de las características
de las piezas
Fuente: elaboración propia
b) Desarrollar el modelo
El primer paso, como se indicó anteriormente, es
crear el modelo e identificar las variables, tanto
aleatorias como deterministas que componen el
modelo. En este caso el modelo es relativamente
simple, se trata solamente de calcular la diferencia
entre el diámetro del cilindro y el pin, si esta
diferencia es mayor a 5, constituye un rechazo y si es
menor a 1, constituye un reproceso. Las únicas
variables de entrada son solamente los 2 diámetros y
son variables aleatorias continuas que se distribuyen
normalmente de acuerdo a los parámetros de la tabla
1.
c) Simular el modelo mediante la generación de
valores aleatorios.
Una vez modelado y parametrizado el sistema, se
procede a simularlo mediante la generación de una
cantidad suficientemente grande de valores aleatorios
Revista de la Escuela de Estudios de Postgrado, Vol. X No. X, año 2018.
ISSN 2518-4725.

para las variables probabilísticas lo que a su vez La figura 3 muestra los resultados de ambas
generará una gran cantidad de valores para el simulaciones, antes y después del cambio.
resultado de interés. Primero, es evidente que dado que ambas
Utilizando la capacidad de generación de números variables se distribuyen normalmente, sus
aleatorios de distintas distribuciones, tanto continuas diferencias también se distribuyen de acuerdo a
como discretas que tiene R, se generan los datos de una curva normal, tal y como lo predice la teoría.
los diámetros de ambas piezas. En este caso se define
que se generen datos normales con los parámetros
respectivos para cada pieza. Con esas dos variables
de entrada, se calcula la diferencia para cada pareja
de piezas y se determina si cae en la clasificación de
rechazo o reproceso, evaluando si la diferencia es
mayor a 5 o menor a 1 respectivamente.
La simulación se ejecuta generando una muestra de
10000 datos para cada variable, lo que a su vez
produce 10000 resultados para las variables de salida
del modelo. Esto debe ser suficientemente
Figura 4. Resultados de la Simulación del Modelo en R antes y
representativo del universo de posibles resultados después del cambio de tecnología con ordenamiento de las
para el posterior análisis estadístico. piezas
Fuente: elaboración propia

De acuerdo a los resultados de la simulación, en la

situación actual, se está produciendo aprox. un 13 %
de reprocesos y un porcentaje similar de rechazo. Si
se asume que todo lo que se reprocesa queda dentro
de las especificaciones, entonces se puede afirmar
que un 87 % de las piezas son aptas para su uso. Esto
es un rendimiento pésimo para los estándares de Seis
Sigma ya que equivale a un nivel de 1.5 Sigma, pero
a eso hay que adicionar el costo de reprocesar un 13%
de las piezas por lo que el desperdicio en este proceso
Figura 3. Resultados de la Simulación del Modelo en R antes y
es enorme. Luego de hacer el cambio de las
después del cambio de tecnología sin ordenamiento de las
piezas desviaciones para simular el impacto que tendría el
Fuente: elaboración propia cambio de tecnología, se puede observar que
efectivamente se obtiene una reducción importante
d. Analizar los resultados
tanto en el porcentaje de reproceso como en el
porcentaje de rechazo, equivalente a casi un factor de
 Revista de la Escuela de Estudios de Postgrado, Vol. X No. X, año 2018.
ISSN 2518-4725.

10. Esto dejaría el porcentaje de producto que debe de rechazos y de reprocesos en las 10000 simulaciones
rechazarse en 1.25 %, lo que equivale a un nivel de 4 es de 0, con un Cp de 1.31 que significa que el nivel de
Sigma. Mucho mejor, evidentemente, pero todavía calidad del proceso estaría por arriba de los 6 Sigma,
por debajo de Seis Sigma. menos de 3.4 partes por millón de defectuosos, por lo
que en los 10000 casos simulados ninguna pieza
tendría que ser rechazada o reprocesada, como se
comprueba en la simulación.
e. Identificar Mejoras
El ejemplo anterior muestra la forma en que la
simulación de Monte Carlo puede ayudar a analizar y
En ambos casos, tanto la situación actual como la
evaluar mejoras en los procesos fácil y rápidamente,
futura, se ha asumido que los pares (cilindro y pin) se
proporcionando la flexibilidad suficiente para evaluar
obtienen aleatoriamente del proceso respectivo de
diferentes escenarios y realizar un análisis estadístico
producción de cada una de las piezas y se forman las
de los resultados de cada uno de ellos.
parejas de esta forma aleatoria. Esto refleja lo que sería
una situación real. Una idea que puede surgir en esta Síntesis conclusiva
etapa de Mejora (Improve) y que puede producir Como se observa en este trabajo, el uso de la
resultados significativamente mejores sería cambiar el simulación de Monte Carlo como herramienta de
proceso para que, en lugar de formar las parejas análisis y evaluación de soluciones en proyectos de
cilindro/pin en forma aleatoria, se hiciera un proceso mejora continua puede representar beneficios
de clasificación de las piezas para que se pudieran significativos en tiempo y recursos para las
combinar aquellas piezas que tienen un mayor organizaciones en la actualidad.
diámetro interno del cilindro con los pines que, a su
vez, también tienen un mayor diámetro externo, Existen herramientas de software disponibles en
reduciendo por consiguiente las diferencias y a su vez, forma gratuita que ponen esta herramienta al alcance
reduciendo los reprocesos y los rechazos. de cualquier persona u organización que desee
Esto puede simularse fácilmente en R haciendo un utilizarlas.
ordenamiento de los vectores de diámetros generados
aleatoriamente previo a su emparejamiento. Referencias bibliográficas

La figura 4 muestra los resultados de la simulación con 1. Bloomfield, Victor. (2014), Using R for
un ordenamiento de las piezas. Puede observarse que Numerical Analysis in Science and
existe una mejora significativa incluso en la situación Engineering, CRC Press.
actual con la tecnología antigua, ya que solo 2. Rubinstein, Reuven (2008), Simulation and
the Monte Carlo Method, John Wiley & Sons.
introduciendo este cambio, se reduce el porcentaje de
rechazos a 0.01 % y los reprocesos a 0.02 %. Esto
pondría el proceso a un nivel de capacidad (Cp) de
0.647 que equivale a un nivel de calidad cercano a los
3.88 Sigma sin necesidad de adquirir la nueva
tecnología y si se adquiere la maquinaria, el porcentaje
Revista de la Escuela de Estudios de Postgrado, Vol. X No. X, año 2018.
ISSN 2518-4725.

Información del autor

Ingeniero Químico José Antonio Medrano García,
Facultad de Ingeniería, Universidad de San Carlos de
Guatemala, 1995.

Magister Scientae en Análisis y Administración de la

Confiabilidad, FISICC, Universidad Francisco
Marroquín, 1998.