Toma de Decisiones

en Operaciones
Ing. MBA Miguel Ángel Patiño Antonioli
E-mail: mpatino@pucp.pe
E-mail2: miguel.patino@6sconsultores.com
WhatsApp: (+51) 993495101
Skype: mpatino23
Diplomatura de Estudio en
Gestión de Operaciones
Módulo I
Recordando la clase anterior…
¿Qué recuerdas?
Sesiones 3 y 4:

Simulación de Montecarlo
Objetivos
Al finalizar esta sesión, el alumno:

1. Comprende los fundamentos clave de

los Modelos de Simulación.
2. Comprende el Teorema de Montecarlo
y su interacción dentro del método de la
Transformada Inversa.
3. Reconoce las aplicaciones principales y
derivadas de los modelos de simulación.
Agenda
1. Fundamentos principales de la Simulación
▪ Conceptos clave.
▪ Métodos de Simulación
▪ El Teorema de Montecarlo y el método de la
Transformada Inversa

2. Aplicaciones de la Simulación
▪ Aplicación del teorema de Montecarlo para la
construcción de modelos de simulación.
▪ Aplicaciones derivadas
▪ Próximos pasos
Control de lectura
Lecturas previas obligatoria
Anderson, D., Sweeney, D.,
Williams, T., Camm, J.,
Cochran, J., Fry, M., &
Ohlmann, J. (2016). Métodos
cuantitativos para los
negocios (13a ed.). México D.
F., México: Cengage:
▪ Simulación (Pp. 719 - 769)
El CV como indicador de la Variabilidad

CV Grado de Variabilidad
0 < CV < 10 Datos muy homogéneos
Datos regularmente
S 10 ≤ CV < 15 homogéneos
CV  Datos regularmente
x 15 ≤ CV < 20 variables

20 ≤ CV < 25 Datos variables

CV ≥ 25 Datos muy variables
El impacto de la variabilidad

www.leansolutions.co
Intervalo de Confianza
෡
*

𝑰𝑪𝜽 = 𝜽 ± 𝑲𝝈𝜽෡
K: Número Estadístico de Tablas. 𝑍(1−𝛼) 𝑜 𝑇(1−𝛼; 𝑛−1)
Depende del caso Media, Proporción: 2 2

▪ Intervalo de valores dentro del cual es posible que

esté el parámetro de la población (basado en las
observaciones de la muestra)
▪ Proporciona un grado de confianza para determinar
donde se ubica el parámetro de la población.

* Fuente: Tesis Ing. Miguel Patiño (http://tesis.pucp.edu.pe/repositorio/handle/123456789/1112?show=full)

NC (Nivel de Confianza)

𝑵𝑪 = 𝟏 − 𝜶
▪ Probabilidad de que el intervalo contenga al
Parámetro.
▪ Se expresa en porcentaje.
▪ Rangos típicos: [90% - 99%]: Valor típico: 95%
 1.1

IC (𝝁)
 1.1
Intervalo de Confianza para la Media

𝝈𝒙 𝝈𝒙
ഥ −𝒁
𝑿 𝜶 ∗ ഥ +𝒁
≤ 𝝁 ≤𝑿 𝜶 ∗
𝟏− 𝒏 𝟏− 𝒏
𝟐 𝟐

IC ( 90%)  x  1.645 x
IC (95%)  x  1.96 x
IC ( 99%)  x  2.58 x
 1.1
¿Cómo saber si
trabajamos con Z o T?
¿Conozco 𝝈 o 𝒏 ≥ 𝟑𝟎?

SÍ 𝒁𝟏−𝜶
𝟐

NO 𝑻(𝟏−𝜶,𝒏−𝟏)
Dado que n<30, 𝟐
asumo Normalidad y uso:
El “Largo Plazo”
 “The only
constant in
organizations
is change…
everything
else
Charles Handy
changes”
Pregunta de reflexión inicial:
¿Para qué proyectarnos a largo plazo?
La importancia del “largo plazo”

Fuente: Tesis Ing. Miguel Patiño (http://tesis.pucp.edu.pe/repositorio/handle/123456789/1112?show=full)

 Generando 100k corridas de Pi …

𝑷𝒂𝒓𝒂 𝟏𝟎𝟎, 𝟎𝟎𝟎 𝒄𝒐𝒓𝒓𝒊𝒅𝒂𝒔:

𝝅 ≈ 𝟑, 𝟏𝟒𝟏𝟓𝟗𝟐𝟔𝟓𝟑𝟓𝟖𝟗𝟕𝟗𝟑𝟐𝟑𝟖𝟒𝟔 …

𝑷𝒂𝒓𝒂 𝟒𝟓𝟎 𝒄𝒐𝒓𝒓𝒊𝒅𝒂𝒔: 𝒗𝒂𝒓𝒊𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅

Fuente: Tesis Ing. Miguel Patiño (http://tesis.pucp.edu.pe/repositorio/handle/123456789/1112?show=full)

 Las Cadenas de Markov Ergódicas

ESTADO
ESTACIONARIO
MARKOVIANO

Verificación del Estado Estable para una Cadena de Markov Ergódica

Elaboracion Propia en Scilab
Fuente: Tesis Ing. Miguel Patiño (http://tesis.pucp.edu.pe/repositorio/handle/123456789/1112?show=full)
 “Ningún
descubrimiento
se hizo nunca
sin una
conjetura
audaz”
Concepto clave de la Simulación
▪ Teoría de Colas
▪ Notación Kendall/Lee/Taha
▪ Simulación de eventos discretos
▪ Ri / Ui
▪ Pseudo-Aleatorio
▪ X
▪ Xi
▪ f(x)
▪ Generador de variables
 “Si en un modelo de
Simulación entra
basura…sale basura”
Proceso de diseño del modelo de un
sistema real y de realización de
experiencias con él, con la finalidad
de aprender el comportamiento del
sistema o de evaluar diversas
estrategias para el funcionamiento
del mismo

Shannon, 1975
Definiciones

• Son técnicas para usar computadoras para imitar, o

simular, las operaciones de diversos procesos del
mundo real (Law y Kelton)

• … Colección de métodos y aplicaciones que

imitan el comportamiento de sistemas reales…
(Kelton y Sadowski)

• …Técnica que imita la operación de un sistema real

a medida que evoluciona con el tiempo (Winston)
 Un modelo es una
representación parcial de una
determinada realidad ….
Una realidad es algo que existe
en el mundo real:
Negocios, proyectos, inversiones,
contrataciones, decisiones
personales, matrimonio …
Modelos
▪ Abstracción/representación/construcción
intelectual de la realidad

¿Cómo modelamos
esta realidad?

¿Cuál es el objetivo
del modelo?

¿Cuál es el alcance
del modelo?
 La incertidumbre es todo
aquello que ignoramos y que
forma parte de nuestros
modelos … no todos los
aspectos son controlables ...
Modelo Mundial de Fútbol
Esquema genérico
1. Finanzas
2. Marketing
3. Operaciones
Teoría

Resultado
MODELO
• Histogramas
• Estadística descriptiva
• Intervalos de confianza

Técnica
Simulación de Montecarlo
Proceso para el modelo de un emprendimiento …
Tipos de Simulación

▪ En función del tiempo

Estática
Representación de un sistema para un
instante (en el tiempo) en particular

Dinámica
Representación de un sistema que se
desarrolla a lo largo del tiempo
Tipos de Simulación

▪ En función de los datos

Determinística
No usa variables aleatorias. Para
cada conjunto de datos de entrada,
existirá solamente una respuesta
“Los arribos son cada 5 minutos y se
demoran 6 minutos en atender cada
cliente…”

Estocástica
Contiene una o más variables
aleatorias. Sólo se puede estimar la
respuesta
“El tiempo entre llegadas es una
variable que sigue una distribución
exp(5)…”
Tipos de Simulación
▪ En función de las variables de estado del
sistema
Discreta
Un modelo en el cual las variables de
estado cambian en un número entero de
puntos en el tiempo

Continua
Las variables de estado cambian
continuamente respecto al tiempo
Generación de Variables Aleatorias
▪ Se asume que se cuenta con un buen generador de
números aleatorios
▪ Existen métodos generales para ser aplicados y también
métodos particulares según el tipo de distribución que se
desea replicar
Simulación de Montecarlo
Orígenes

Stanislaw M. Ulam (1909 - 1984)

Nicholas Metropolis (1915-1999)

Simulación de Montecarlo
▪ Una vez obtenidos los números
Aleatorios, éstos serán los inputs
de los Generadores de Variables.

▪ El método de la Transformada
Inversa parte del Teorema de
Montecarlo, el más usado en este
contexto:

−𝟏
𝑿𝒊 = 𝑭𝒙 (𝑹𝒊 )
Simulación de Montecarlo
Generadores en Excel
 Técnicas para representar
variables con incertidumbre
Cuando vemos el pasado …
▪ Muchas veces es preferible suponer distribución de
probabilidad para las tasas de crecimiento antes que
para la variable en niveles.
▪ En vez de suponer una distribución de probabilidad de la
demanda, hacerlo con la tasa de crecimiento de la
demanda, sobre todo, si la demanda ha estado creciendo.
Ej.: Año 2013 2014 2015 2016
Estamos a inicios del 2017: Demanda 22 38 44 50
¿Qué pasará con la demanda en el 2017?
✓ Incorrecto pensar que será 22, 38, 44 o 50.
✓ La demanda podría ser quizás 40 o 25.
✓ 22 es muy poco probable que se produzca.
Prueba de bondad de ajuste
▪ Pruebas de hipótesis que sirven para
comprobar que la distribución generada puede
aproximarse o no a una distribución teórica
deseada
▪ Las hipótesis con las que se trabaja son:
– H0 : la variable aleatoria se ajusta la
distribución dada
– H1 : caso contrario.
▪ Se emplean las pruebas:
Kolmogorov Smirnov (KS) o Chi-Cuadrado (χ2)
Para tomar decisiones en PH:

𝑅𝐶: {𝑝𝑣 ≤ 𝛼}
Los dos errores en la vida:

𝜷
Entonces construyamos modelos !!
CASO One Plus

Objetivo: Aprender las

principales técnicas para modelar
variables con incertidumbre:

1. Variables aleatoria
2. Distribución normal
3. Discreta uniforme discreta
4. Discreta uniforme continua
5. Distribución no uniforme
6. Relación entre variables
Ejercicios
Simulación de Montecarlo
Caso 1: “Flujos de efectivo”
▪ Usted incursiona en un proyecto
de renovación tecnológica con
los siguientes datos:
✓ Horizonte: 5 años
✓ I0= S/. 2,500
✓ Nivel esperado de ventas =
1,000
✓ Pu= S/. 3.80
✓ Costos anuales = S/. 3,000
✓ IR = 30%
✓ Tasa de descuento = 10%
✓ Valor de Rescate = S/. 1,500
Simulación de Montecarlo
Caso 1: “Flujos de efectivo”
Datos adicionales:
▪ Precio: Distribuido Lognormalmente con media 3.8 y desviación
estándar 0.5
▪ Producción sujeta a plaga (5% del año), con la que cae 80%.
▪ I0: puede llegar a ser 10% más alta y 5% más baja.
▪ Valor de Rescate: puede llegar a ser 10% más bajo y 5% más
alto.
Miguel desea estudiar el impacto de la variabilidad en la rentabilidad
del proyecto:
1) ¿Cuál es el VAN y TIR para 1 corrida? ¿Para 13? ¿Para 500?
2) Calcular el IC al 95% para el VPN y la TIR. Interpretar
3) Calcular la Probabilidad de tener VPN positivo.
4) ¿Qué conclusiones y siguientes pasos recomienda?
Simulación de Montecarlo
Caso 2: “La Portátil”
▪ La Portátil S. A., fabrica computadoras personales y periféricos.
El grupo de diseño de productos de la compañía elaboró un
prototipo para una nueva impresora portátil de alta calidad.
▪ La nueva impresora presenta un diseño innovador y el potencial
de captar una porción significativa del mercado de las
impresoras portátiles. Los análisis financieros y de
mercadotecnia preliminares proporcionan los siguientes datos:
✓ Precio de venta: $249 por unidad
✓ Costo administrativo: $400,000
✓ Costos de publicidad: $600,000.
✓ Costo MOD, el costo de las partes y la demanda del primer
año para la impresora no se conocen con certeza y se
consideran entradas probabilísticas.
Simulación de Montecarlo
Caso 2: “La Portátil”
▪ La empresa supone que el Costo de la MOD variará de $43 a $47
por unidad con una probabilidad de ocurrencia de: 10% para $43,
20% para $44, 40% para $45, 20% para $46 y 10% para $47.
▪ El departamento de manufactura estima que el costo de las
partes variará uniformemente de $80 a $100 por unidad.
▪ MKTG estima que la demanda para el primer año se describe
con una distribución de probabilidad normal con un valor medio
de 15,000 y una desviación estándar de 4,500 unidades.
▪ Gabriela, GG de la compañía, quisiera un análisis de la utilidad
potencial de la impresora en el primer año. Debido a la situación
de flujo de efectivo restringido Gabriela está particularmente
preocupada por el potencial de una pérdida:
¿Cuál sería la probabilidad?
¿Para qué son importantes los
modelos de Simulación?
Aplicaciones

▪ Tácticas militares
▪ Inventarios
▪ Manejo de colas
▪ Simuladores de vuelo
▪ Transporte urbano
▪ Finanzas
▪ Entretenimiento
▪ Staffing/Takt Time
 “Your life is not
a simulation;
it's the real
game. Play
Richelle E. Goodrich wisely.”
¿Qué aprendimos
hoy?
Conclusiones finales:
1. La Simulación de Montecarlo
genera valores en base a los Ri,
por lo tanto, todo depende del
generador de aleatorios y la
correcta selección de los
modelos de probabilidad.
2. Hay que generar IC para corridas
“largas” para encontrar el estado
estacionario markoviano.
Pendientes para la siguiente sesión
1. Leer Lecturas de la siguiente
sesión y estar siempre
preparados para un control
sorpresivo.

2. Desarrollar en Excel (y colgarlo en

la Intranet) el “caso a resolver 2 –
Campo de Golf de Harbor
Dunes” (Anderson), pág. 740 y
elaborar un resumen ejecutivo
respondiendo a las preguntas del
caso.
 ¡Gracias!
Ing. Miguel Ángel
Patiño Antonioli, MBA
mpatino@pucp.pe
+(51) 993495101
mpatino23 (Skype)

85
Toma de Decisiones
en Operaciones
Ing. MBA Miguel Ángel Patiño Antonioli
E-mail: mpatino@pucp.pe
E-mail2: miguel.patino@6sconsultores.com
WhatsApp: (+51) 993495101
Skype: mpatino23
Diplomatura de Estudio en
Gestión de Operaciones
Módulo I