Simulación de Montecarlo - 1

UNIDAD II
SIMULACIÓN DE MONTECARLO
Ing. Miguel Mejía Dávila MSc. 1

El origen de los métodos modernos de

Simulación provienen del muestreo moderno
de Montecarlo, técnica que fue desarrollada
por John Newman junto con otros
investigadores y equipos militares de
investigación en la segunda guerra mundial.
ppppppppppppppppppp

El término de Montecarlo se refiere a un

proceso que se utiliza en forma aleatoria para
elegir valores muestrales a partir de una
distribución probabilística, después de ésos
valores muestrales se utiliza como entradas o
valores positivos para un modelo de
simulación.

La técnica se divide en 5 pasos muy sencillos:
1. Se establecen las distribuciones de

probabilidad para las variables importantes.
2. Se construye una distribución acumulada de
probabilidad para cada variable.
3. Se establece un intervalo de números
aleatorios para cada variable.
4. Se generan números aleatorios.
5.Simulación del experimento.

1. Establecer las distribuciones de
probabilidad para variables importantes
La idea básica en la simulación de Montecarlo

es la generación de valores para las variables
que componen el modelo que está
estudiando, hay una gran cantidad de
variables en los sistemas del mundo real que
son probabilísticos por naturaleza y que se
desean simular.PPPPPPPPPPPPPPPPPPPP

a) La demanda del inventario sobre una base diaria
o semanal
b) El tiempo de entrega para las llegadas de órdenes
de inventario
c) Los tiempos entre las descomposturas de las
máquinas.
d) Los tiempos entre llegadas o unas instalaciones
de servicio
e) Los tiempos de servicio
f) Los tiempos para completar las actividades de un
proyecto
g) El número de empleados ausentes del trabajo
diario

Una manera común de establecer una distribución de
probabilidad para una variable dada es mediante el
examen de resultados históricos. p
La demanda diaria en llantas radiales en una empresa

en los pasados 200 días se muestra a continuación: p
Demanda de Intervalos de
f fr fra
llantas No. aleatorios
0 10 0,05 0,05 01 – 05
1 20 0,1 0,15 06 – 15
2 40 0,2 0,35 16 – 35
3 60 0,3 0,65 36 – 65
4 40 0,2 0,85 66 - 85
5 30 0,15 1 86 – 100
Total n = 200 días

2. Construir una Distribución de
probabilidad para cada variable.
Se debe calcular la columna de la frecuencia

acumulada. p

3. Establecer los intervalos de números
aleatorios
Se debe asignar un conjunto de números que

represente a cada valor o resultado posible, si
existe un 5% de probabilidad de que la demanda
para un producto sea de 0 unidades por día,
entonces se deseará que el 5% de los números
aleatorios disponibles correspondan a una
demanda de 0 unidades y de un total de 100
números de 2 dígitos que va desde 01 a 99 e
incluido el 0.00 se pueden asignar a los primeros 5
números aleatorios. p

aleatorios
También hay una posibilidad del 10% de que la

demanda para el número producto sea de una
unidad por día, para lo cual se puede asignar los 10
siguientes números que representan ésa demanda.
p

aleatorios
Por lo tanto al asignar números aleatorios a la

demanda diaria para 3 llantas radiales el rango del
intervalo de números aleatorios (36 a 65)
corresponde exactamente a la posibilidad de ése
resultado, una demanda diaria de 3 llantas radiales
sucede el 30% de las veces cualquiera de los 30
números aleatorios mayores que 35 incluyendo el
65 están asignados a ése evento. p

4. Generación de números aleatorios
Se pueden seleccionar a partir de una tabla de

números aleatorios conformados del 0 al 9 cada
dígito con igual probabilidad de ése dígito.
p

4. Generación de números aleatorios
Se pueden seleccionar a partir de una tabla de

números aleatorios conformados del 0 al 9 cada
dígito con igual probabilidad de ése dígito.
p

5. Simulación del experimento
Se puede simular los resultados de un experimento

mediante la simple selección de números
aleatorios, empezando en cualquier lugar de la
tabla se observa el intervalo en la tabla anterior en
que cada número, por ejemplo si el número
aleatorio de la 1era columna (de 2 dígitos) es de
47, significa que se escogerá el intervalo entre 36 y
65 lo que nos indicará que se demandan 3 llantas
y así sucesivamente. p

p
Se ilustrará aún más este concepto mediante la
simulación de 15 días de demanda para llantas
radiales de dicha empresa, así se tiene: p
No. Demanda diaria
Número de días
p
aleatorio simulada
1 74 4
2 29 2
3 79 4
4 13 p 1
5 55 3
6 79 4
7 56 3
8 15 1
9 69 4
10 68 4
11 31 2
12 45 3
13 37 3
14 45 3
15 16 2
TOTAL DE DEMANDA EN
43
15 DÍAS
43/15= 2.867 Demanda diaria promedio

Es importante observar que la demanda promedio

de 2.867 llantas en esta simulación de 15 días
difiere de la demanda diaria esperada
teóricamente que viene dada de la siguiente
manera: p
n
E ( x)   x. p( x)  0  0.05 1 p0.1 ...  5  0.15  2.95 llantas
i 1
p
Sin embargo si esta simulación se repitiera cientos o
miles de veces la demanda de tiempo simulación sería
casi la misma que la demanda esperada o teórica. Cómo
esperar el computador puede ser una herramienta útil.

EJERCICIO
El número de automóviles que llegan a una

estación de servicio de gasolina durante las
últimas 50 hrs de operación tiene el siguiente
patrón. Los siguientes números aleatorios han sido
generados: 44, 30, 26, 09, 49, 33,13, 89, 13, 37.
Simule 10 horas de llegada a esta estación.
¿Cuál es el número promedio de llegadas durante

este período?. ppppppppppppppppppppppppppppp
p
EJERCICIO
No. de autos Intervalos de

f fr fra
que llegan No. aleatorios
6 10 0,2 0,2 01 – 20
7 12 0,24 0,44 21 – 44
8 20 0,4 0,84 45 – 84
9 8 0,16 1 85 – 100
Total n = 50 1

EJERCICIO
Llegadas
Número de No.
diarias
días aleatorio
simuladas
1 44 7
2 30 7
3 26 7
4 9 6
5 49 8
6 33 7
7 13 6
8 89 9
9 13 6
10 37 7
TOTAL DE DEMANDA
70
EN 10 DÍAS
70/10= 7 Llegadas autos por hora en

promedio

EJERCICIO
Presentaremos a continuación el análisis de simulación

y análisis de inventarios suponen frecuentemente que
tanto la demanda del producto como el tiempo de
resurtido son conocidos y sus valores son constantes.
p
En la mayoría de situaciones de inventario la demanda
y el tiempo de entrega son variables y el análisis exacto
se vuelven extremadamente difícil de manejar por
cualquier otro medio diferente a la simulación se
presentará un problema de inventario con dos variables
de decisión y dos componentes probabilísticos.

p
EJERCICIO
El propietario de una ferretería desea establecer

algunas decisiones acerca de la cantidad de orden y
del punto de reorden para un producto en particular que
tiene una demanda diaria y un tiempo de entrega de la
reorden probabilística (con incertidumbres). p
El desea hacer una serie de corridas de simulación

intentando varias cantidades de la orden y varios
puntos de reorden con el fin de minimizar un costo total
de inventario de un producto, los costos del inventario
incluirán en este caso los costos de reordenar, manejar
y del faltante de inventario. p
p
EJERCICIO
Ejemplo: Una ferretería vende el taladro eléctrico

marca ACE, la demanda diaria para el taladro es
relativamente baja, pero está sujeta a cierta
variabilidad en los últimos 300 días, este
empresario ha observado las ventas siguientes:
p
Demanda de
F fr
p fra Intervalos de
taladros No. aleatorios
0 15 0,048 0,048 01 – 05
1 30 0,097 0,145 06 – 15
2 60 0,194 0,339 16 – 35
3 120 0,387 0,726 36 – 75
4 45 0,145 0,871 76 – 91
5 30 0,097 0,968 92 – 00
Total n = 300

EJERCICIO
Cuando este empresario coloca una órden para resurtir
su inventario de taladros hay un retraso en la entrega
que va de 1 a 3 días, esto significa que el tiempo de
entrega se puede considerar como una variable
probabilística. El número de días que se tomaba para
recibir las 50 últimas órdenes se presentan en la tabla
siguiente: ppp
p
p Intervalos de
Retraso f fr fra
No. aleatorios
1 10 0,200 0,200 01 – 20
2 25 0,500 0,700 23 – 70
3 15 0,300 1,000 71 – 100
Total n = 50

EJERCICIO
La política de inventario de este ferretero para

simular, es una cantidad de orden 10 con un punto
de reorden de 5, es decir cada vez que el inventario
en mano al final del día sean 5 o menos dicho
ferretero llamará a su proveedor y colocará una
orden para 10 taladros más. Si el tiempo de entrega
es de un día, por cierto la orden no llegará a la
mañana siguiente sino al tercer día que se coloca el
pedido. P
p
p

EJERCICIO
Ventas
Unidades Inventario Números Inventario Número Tiempo de
Día Demanda perdida Orden?
Recibidas inicial aleatorios final aleatorio entrega
s
1 10 49 3 7 0 NO -- --
2 7 61 3 4 0 SI 43 2
3 4 62 3 1 0 NO -- --
4 1 33 2 0 1 NO -- --
5 10 10 55 3 7 0 NO -- --
6 7 70 3 4 0 SI 89 3
7 4 37 3 1 0 NO -- --
8 1 60 3 0 2 NO -- --
9 0 82 4 0 4 NO -- --
10 10 10 39 3 7 0 NO -- --

EJERCICIO
La simulación de la inversión del ferretero genera

algunos resultados interesantes. P
p
1. El inventario final promedio
p ó el inventario
promedio al final del día, viene dado por la siguiente
forma: p
p
No. dep
unidades Inventario Final
Inventario final promedio 
No. de días
31
Inventario final promedio   3.1 taladros / día
10

EJERCICIO
2. También se observa las ventas promedio de

pérdidas o las ventas de pérdida promedio que
viene dada por las: pp
p
Ventas perdidas promediop
Ventas perdidas
No. de días
7
Inventario final promedio   0.7 unidades / día
10

EJERCICIO
3. Se pueda sacar el número promedio de órdenes

colocadas.
p
p 2 órdenes
No. promedio de órdenes colocadas 
10 días
No. promedio de órdenes colocadas  0.2 orden / día

EJERCICIO
Se estima que el costo de colocar cada orden de

taladro es de USD.10, el costo de manejo del
inventario por taladro almacenado al final de cada
día es de 0.50 c y el costo de una venta a pérdida
es de USD.8. Calcule el costo diario total de la
inversión que viene a ser la suma de 3
componentes del costo. p
p
p

EJERCICIO
(1) Costo diario de la orden = Costo de colocar una

orden x No. de órdenes colocadas por día.
Costo diario de la orden = 10 x 0.20 = 2$ costo

diario de la orden.
p
(2) Costo diario de manejop del inventario = Costo de
manejar una unidad por día p x Inventario final
promedio.
Costo diario de manejo: 0.50 x 3.1 = 1.55

p
p
p
EJERCICIO
(3) Costo faltante diario = Costo de venta perdida x No.

promedio de ventas perdidas por día
Costo faltante diario = 8 x 0.70 = 5.6

p
p
4) Costo total diario de inversión=
p Suma (1), (2) y (3)
= 2 +1.55 +5.6
= $9.15 Costo del inv. diario
p
p
p
OBSERVACIONES
1. Esta simulación debe extenderse por varios días

antes de llegar a cualquier conclusión, si se
pretende realizar una simulación manual, 100 días
pueden representar una buena referencia. Si se
hiciese en un computador con 1.000 días se
lograría estimaciones más exactas de los costos.
p
p
p
OBSERVACIONES
2. Esto completará el análisis? Respuesta No. Se

pueden comparar esta estrategia con otras
posibilidades, por ejemplo que tal una cantidad de la
orden 10 y 1 punto de reorden de 4, o una cantidad de
orden 12 y un punto de reorden 6. Después de simular
todas las combinaciones razonables de cantidades en
la orden y de puntos de reorden podría seleccionarse
la combinación que genere el menor costo total de
Inventario.
p
p
p
EJERCICIO No.2
Los administradores de una Cía ha observado que el

tiempo muerto de la maquinaria en el área de producción
ocasionan considerables pérdidas de producción y aumenta
los pedidos atrasados que no se han surtido y hace que se
pierda las oportunidades de ventas. Los administradores
opinan que es posible reducir en forma significativa el
problema utilizando un número adecuado de personal de
mantenimiento el salario por hora para el personal de
mantenimiento es de $8, los administradores consideran
que se pierden $30 por hora cuando una maquinaria no
está en operación, este costo incluye las utilidades que se
pierde así como también el costo de tiempo muerto de los
operadores. p
p
p
EJERCICIO No.2
Esta fábrica necesita determinar el número óptimo del

personal de mantenimiento, es decir la Cía necesita
saber en qué punto , el costo de personal de
mantenimiento influye en los costos esperados por el
tiempo muerto de los operadores y las utilidades que
se pierde. El gerente de producción ha recopilado
datos con respecto al tiempo que transcurren entre
descomposturas.
p
p
p
EJERCICIO No.2
Tiempo entre
Intervalos de
descomposturas f fr fra
No. aleatorios
(min)
15 7 0,047 0,047 01 – 05
16 14 0,093 0,140 06 – 15
17 15 0,100 0,240 15 – 24
18 28 0,187 0,427 25 – 43
19 36 0,240 0,667 44 – 67
20 27 0,180 0,847 68 – 85
21 15 0,100 0,947 86 – 95
22 8 0,053 1,000 95 – 00
Total n = 150

EJERCICIO No.2
No se recopilaron datos con respecto al tiempo que el

personal de mantenimiento invierte en reparar una
máquina, sin embargo el gerente proporcionó una
estimación aproximada de los tiempos de servicio y las
posibilidades asociadas.
Tiempo de Probabilidad p fa Intervalos de No.

servicio (min) p(x) aleatorios
p
5 – 15 0,05 01 – 05
15 – 25 0,25
p0,050
0,300 06 – 30
25 – 35 0,4 0,700 31 – 70
35 – 45 0,25 0,950 71 – 95
45 – 55 0,05 1,000 96 – 100
Total n = 1

EJERCICIO No.2
Se inicia la simulación suponiendo que el día del

trabajo comienza a las 08:00 am y termina a las 16:00
hrs. Cuando ocurre una descompostura se comienza
el servicio de inmediato si está disponible una persona
de mantenimiento si no lo está, la máquina pasa de
una línea de espera, se da servicio a las máquinas
que esperan en línea sobre la base que la primera que
llega, la primera que se atiende P.L.P.A.
p
p
p
EJERCICIO No.2
Se recopilan datos sobre los tiempos que las

máquinas están en fila, el número de máquinas que
están en dicha línea de espera y la cantidad de
tiempo que cada persona de mantenimiento está
desocupada, se utilizan éstos datos para calcular los
costos totales.
p
p
p

Servicio Tiempo de espera
No. de
Tiempo
máquinas
que pasa Personal
No. Tiempo No. Tiempo que
No. hasta la Se inicia de
aleatorio de aleatorio en Operadore esperan
descom siguiente el Terminal manteni
descompo ocurrenci de minuto s (min) el
posturas descompo servicio miento
sturas a servicio s servicio
stura en min.
(min)
1 62 19 08:19:00 08:19:00 64 30 08:49:00 19 -- --
2 82 20 08:39:00 08:49:00 44 30 09:19:00 10 1
3 52 19 08:58:00 59 30 09:49:00 21 1
09:19:00
4 18 17 09:15:00 3 10 09:59:00 34 2
09:49:00
5 63 19 09:34:00 09:59:00 59 30 10:29:00
6 14 16 09:50:00 10:29:00 30 30 10:59:00
7 32 18 10:08:00 10:59:00 16 20 11:19:00
8 13 16 10:24:00 11:19:00 57 30 11:49:00
9 63 19 10:43:00 11:49:00 87 40 12:29:00
10 54 19 11:02:00 12:29:00 21 20 12:49:00

PROBLEMA DE SIMULACIÓN DE LÍNEAS
DE ESPERA

SIMULACIÓN DE LÍNEAS DE ESPERA
Un empleo importante de la simulación es el problema

de líneas de espera para los sistemas de colas más
reales, la simulación puede ser el único método
disponible en el siguiente ejemplo se muestra la
simulación de gran muelle de descarga y su cola
asociada; las llegadas de barcos por puertos no se
distribuyen por Poisson y las tasas de descarga
(tiempo de servicio) no son exponenciales o
constantes. En este caso los modelos matemáticos de
línea de espera no pueden utilizarse.
p
p
p
EJERCICIO DE LÍNEAS DE ESPERA
Barcos completamente cargados llegan a un puerto A, el
No. de barcos que atracan cualquier noche va de 0 a 5, las
probabilidades de 0 a 5 de llegadas se muestra en la
siguiente tabla:
Intervalos de No.
No. de llegadas Probabilidad fr p fa aleatorios
0 0,13 p0,130 01 – 13
1 0,17 p
0,170 14 – 30
2 0,15 0,150 31 – 45
3 0,25 0,250 46 – 70
4 0,20 0,200 71 – 90
5 0,10 0,100 91 – 00
Total n = 1

Un estudio realizado por el Superintendente de Puerto
revela que el número de barcos descargados también
tiende a variar de un día al otro. El superintendente
proporciona información a partir del cual se crea una
distribución de probabilidades para la variable de la tasa de
descarga diaria.
Tasa de Intervalos de No.
descarga p
Probabilidad fr fa
aleatorios
1 0,05 p 0,050 01 – 05
2 0,15 p0,150 06 – 20
3 0,5 0,500 21 – 70
4 0,2 0,200 71 – 90
5 0,10 0,100 91 – 00
Total n = 1

Los barcos se descargan según el orden de llegada,

cualquier barco que no sea descargado el día de su
llegada debe esperar hasta el día siguiente.
Paralizar el barco en el puerto es muy costoso, el

superintendente decide realizar un estudio de
simulación de llegadas descargas y retrasos y se
hacen una simulación por 15 días. La siguiente tabla
muestra la simulación día tras día. p
p
p

Los barcos se descargan según el orden de llegada,

cualquier barco que no sea descargado el día de su
llegada debe esperar hasta el día siguiente.
Paralizar el barco en el puerto es muy costoso, el

superintendente decide realizar un estudio de
simulación de llegadas descargas y retrasos y se
hacen una simulación por 15 días. La siguiente tabla
muestra la simulación día tras día. p
p
p

No. de barcos No.
No. Total a No. No. barcos
Día retrasados en Llegadas
Aleatorios descargar aleatorio descargados
días anteriores nocturnas
1 0 52 3 3 37 3
2 0 6 0 0 63 0
3 0 50 3 3 28 3
4 0 88 4 4 2 1
5 3 53 3 6 74 4
6 2 30 1 3 35 3
7 0 10 0 0 24 0
8 0 47 3 3 3 1
9 2 99 5 7 29 3
10 4 37 2 6 60 3
11 3 66 3 6 74 4
12 2 91 5 7 85 4
13 3 35 2 5 90 4
14 1 22 2 3 73 3
15 0 0 5 3 59 3
41
20 RETRASOS
TOTALES LLEGADAS 39
TOTALES
TOTALES

Se está interesado en por los menos 3 útiles e

importantes informaciones:
p
1. El No. Promedio de barcos retrasados para el día
siguiente: p
p
20 bar cos
No. promedio bar cos retrasados por día  p  1.33 bar cos retrasados por día
15 días

2. No. Medio de barcos de llegadas nocturnas
p41
No. medio bar cos llegadas nocturnas   2.73 horas por llegadas nocturnas
15 p
días
3. No. Medio de Barcos descargados por día
p
49
No. promedio bar cos desc arg ados por día p  2.6 bar cos desc arg ados por día
15 días

Teniendo en cuenta los retrasos, los costos de mano

de obra inactiva y el costo de contratar personal extra
de la escala, el superintendente y el controlador del
puerto podría tomar la decisión sobre el personal.
p
p

GRACIAS POR SU ATENCIÓN
Ing. Miguel Mejía Dávila M.Sc. 51

Simulación de Montecarlo - 1

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Simulación de Montecarlo - 1

Caricato da

Copyright:

Formati disponibili

UNIDAD II

Ing. Miguel Mejía Dávila MSc. 1

El origen de los métodos modernos de

Ing. Miguel Mejía Dávila MSc. 2

El término de Montecarlo se refiere a un

Ing. Miguel Mejía Dávila MSc. 3

La técnica se divide en 5 pasos muy sencillos:

1. Se establecen las distribuciones de

Ing. Miguel Mejía Dávila MSc. 4

La idea básica en la simulación de Montecarlo

Ing. Miguel Mejía Dávila MSc. 5

Ing. Miguel Mejía Dávila MSc. 6

La demanda diaria en llantas radiales en una empresa

Total n = 200 días

Ing. Miguel Mejía Dávila MSc. 7

Se debe calcular la columna de la frecuencia

Ing. Miguel Mejía Dávila MSc. 8

Se debe asignar un conjunto de números que

Ing. Miguel Mejía Dávila MSc. 9

También hay una posibilidad del 10% de que la

Ing. Miguel Mejía Dávila MSc. 10

Por lo tanto al asignar números aleatorios a la

Ing. Miguel Mejía Dávila MSc. 11

Se pueden seleccionar a partir de una tabla de

Ing. Miguel Mejía Dávila MSc. 12

Se pueden seleccionar a partir de una tabla de

Ing. Miguel Mejía Dávila MSc. 13

Se puede simular los resultados de un experimento

Ing. Miguel Mejía Dávila MSc. 14

43/15= 2.867 Demanda diaria promedio

Ing. Miguel Mejía Dávila MSc. 15

Es importante observar que la demanda promedio

Ing. Miguel Mejía Dávila MSc. 16

El número de automóviles que llegan a una

¿Cuál es el número promedio de llegadas durante

No. de autos Intervalos de

Ing. Miguel Mejía Dávila MSc. 18

70/10= 7 Llegadas autos por hora en

Ing. Miguel Mejía Dávila MSc. 19

Presentaremos a continuación el análisis de simulación

Ing. Miguel Mejía Dávila MSc. 20

El propietario de una ferretería desea establecer

El desea hacer una serie de corridas de simulación

Ejemplo: Una ferretería vende el taladro eléctrico

Ing. Miguel Mejía Dávila MSc. 22

Ing. Miguel Mejía Dávila MSc. 23

La política de inventario de este ferretero para

Ing. Miguel Mejía Dávila MSc. 24

Ing. Miguel Mejía Dávila MSc. 25

La simulación de la inversión del ferretero genera

Ing. Miguel Mejía Dávila MSc. 26

2. También se observa las ventas promedio de

Ing. Miguel Mejía Dávila MSc. 27

3. Se pueda sacar el número promedio de órdenes

No. promedio de órdenes colocadas  0.2 orden / día

Ing. Miguel Mejía Dávila MSc. 28

Se estima que el costo de colocar cada orden de

Ing. Miguel Mejía Dávila MSc. 29

(1) Costo diario de la orden = Costo de colocar una

Costo diario de la orden = 10 x 0.20 = 2$ costo

Costo diario de manejo: 0.50 x 3.1 = 1.55

(3) Costo faltante diario = Costo de venta perdida x No.

Costo faltante diario = 8 x 0.70 = 5.6