Universidad Tecnolgica Nacional Facultad Regional Crdoba Ing.

en Sistemas de Informacin

Asignatura: Simulacin

SIMULACION DE MONTECARLO

Concepto de Montecarlo
Ciertos problemas complicados en su solucin prctica y analtica son frecuentemente resueltos utilizando varias tcnicas de probabilidad y muestreo. Estas han sido agrupadas bajo el nombre de Montecarlo, que no es ms que una nueva utilizacin de un antiguo procedimiento: el empleo de muestreo al azar, que permite simular experiencias. El doctor A. S. Householder intenta definirlo as: "El mtodo Montecarlo constituye el estudio de modelos estocsticos artificiales de procesos matemticos o fsicos". El mtodo no constituye en general novedad para los estadsticos. Por aos, cuando stos tenan dificultades en los problemas de distribucin terica, utilizaban modelos de muestreo para buscar soluciones. Existe discrepancia entre diferentes autores para definir los tipos de simulacin que abarca Montecarlo. En general, llamaremos simulacin de Montecarlo a los mtodos de simulacin usados para conocer el comportamiento de los Modelos de Simulacin Estticos que se basen en resolver ensayos independientes, en los que los resultados que ocurren en un ensayo no afecten lo que ocurre en ensayos subsecuentes.

Ancdota
Durante la segunda guerra mundial, los fsicos del laboratorio cientfico de Los Alamos se enfrentaron con un complejo problema relacionado con el comportamiento de los neutrones. Queran conocer qu distancia media recorran los neutrones en su viaje a travs de diferentes materiales. El problema pareca estar ms all del alcance del clculo terico. Los fsicos tenan la informacin bsica: probabilidad de que el neutrn rebotara en lugar de ser absorbido por un ncleo, energa perdida despus de cada colisin, etctera. Los matemticos Von Neumann y Ulam sugirieron una solucin que equivala a proponer el uso del juego de la ruleta. Paso a paso las Probabilidades de los eventos seran traducidos a un esquema de juego compuesto que servira para dar al problema una respuesta suficientemente aceptable. Von Neumann le dio el nombre clave de Montecarlo. Intentaron conocer qu porcentaje de neutrones de un total determinado pasaran a travs de un tanque de agua de cierto tamao, sin ser absorbidos y sin perder la mayor parte de la velocidad. Ninguna frmula podra describir con precisin el destino de todos los neutrones. El ataque al problema consisti en pretender trazar la trayectoria de una gran muestra de neutrones elegidos al azar. Imaginaron los neutrones deslizndose por el agua y chocando ocasionalmente con un ncleo de hidrgeno u oxgeno. Siguieron a los neutrones uno por uno en sus aventuras. Conocan en promedio la distancia recorrida antes de encontrar un ncleo, la probabilidad de que este encuentro fuera con oxgeno o con hidrgeno, la probabilidad de que el neutrn fuera o no absorbido por un ncleo y toda otra informacin complementaria necesaria. Tomaron un determinado neutrn y su primer incidente fue una comisin con un ncleo de hidrgeno. Saban que, la probabilidad de que en tal choque el neutrn rebotara estaba determinada. Para decidir qu es lo que hara en esta circunstancia hicieron girar en forma figurada una rueda de ruleta pintada en dos colores con los sectores proporcionales a los valores de las probabilidades de ser rechazado o de ser absorbido. Si la ruleta indicaba que el neutrn era absorbido por el ncleo, se era el fin de la historia del neutrn. Si en cambio resultaba rechazado, haba que girar una nueva rueda marcada convenientemente, para decidir la nueva trayectoria del mismo y adems determinar la energa que haba perdido. Otra rueda permitira, por medio del azar, saber hasta dnde viajara en la nueva direccin hasta tener una nueva colisin con un ncleo, que podra ser de oxgeno o de hidrgeno. De esa forma segua su carrera hasta que resultaba absorbido, perda casi toda su energa o se escapaba fuera del tanque. Acumulando un gran nmero de tales historias obtuvieron un dato bastante preciso del promedio de distancia recorrido por los neutrones en el agua. El grado de precisin del resultado dependa del nmero de pruebas. En la prctica, por supuesto, no se usaron ruletas sino calculadoras electrnicas. En este problema, la computadora trabaj tres horas, para trazar la historia de 10.000 neutrones, con un milln y medio de colisiones.

Justificacin del mtodo Montecarlo

Con una probabilidad matemtica que se aproxima a 1, es decir a la certeza, tanto como lo deseamos, podemos esperar que la frecuencia relativa de un acontecimiento en una serie, de ensayos independientes, con probabilidad constante p, difiera de esa probabilidad en un valor menor que cualquier nmero dado x
Ing. G.H. Scarpin Pgina 1 04/04/00

Universidad Tecnolgica Nacional Facultad Regional Crdoba Ing. en Sistemas de Informacin

Asignatura: Simulacin

mayor que 0, siempre que el nmero de ensayos sea suficientemente grande. Esto es lo que nos dice el Teorema de Bernoulli y que nos permite encarar dos problemas: a. Cuando se conoce la probabilidad de un fenmeno, tenemos un valor gua de la frecuencia relativa que debemos esperar, al aumentar la experiencia. b. Cuando no conocemos la probabilidad, que es el caso que ms nos interesa en la realidad y la experiencia es grande, podemos tomar la frecuencia relativa del acontecimiento como un valor aproximado de la probabilidad. La precisin dada la podemos aumentar acrecentando el nmero de experiencias. Supongamos que jugamos a cara o cruz con una moneda. Si a medida que vamos aumentando el nmero de experiencias hallamos los valores de la frecuencia relativa (cociente entre el nmero de veces que sale cara y el nmero total de lanzamientos) referente al suceso cara, nos puede suceder que al llegar a los 200 casos, tengamos un valor de 0,465. Al pasar a 1200 casos podemos encontramos con un valor de 0,5017 y as sucesivamente. Al ir acrecentando el nmero de lanzamientos de la moneda observamos que las oscilaciones de la frecuencia relativa irn pasando a una segunda, tercera, y as siguiendo, cifra decimal. Podemos aceptar la hiptesis de que continuando este juego durante, un tiempo suficientemente grande, sin que cambien las condiciones iniciales, llegaremos a valores constantes para la segunda, tercera y cuarta cifra. Si representamos grficamente en la abscisa el nmero de observaciones y en las ordenadas la frecuencia relativa del resultado, suceso cara, la curva obtenida mostrar al principio grandes oscilaciones que irn disminuyendo gradualmente hasta acercarse a una lnea horizontal.

Teorema de Bernoulli para el lanzamiento de una moneda

0.8

0.7

Frecuencia Relativa - Suceso Cara

0.6

0.5

0.4

0.3

0.2

0.1

0.0 1 10 100 1000 10000

N de lanzamientos

Aplicaciones
Seguidamente presentamos algunos problemas sencillos que nos hagan ver distintas aplicaciones de Monte Carlo en diferentes mbitos.

Montecarlo en la matemtica y en la estadstica

a. Valor de una integral definida Tenemos la funcin : y = x
2

Si representamos grficamente la funcin, tenemos la siguiente curva:

Ing. G.H. Scarpin

Pgina 2

04/04/00

Universidad Tecnolgica Nacional Facultad Regional Crdoba Ing. en Sistemas de Informacin

Asignatura: Simulacin

El rea comprendida entre el eje x y la funcin dada para el intervalo x=1 y x=-1, rea rayada, corresponde al valor:

A = x 2 dx =
1

+1

1 3 x 3

+1

=
1

2 3

Siendo el rea del rectngulo igual a 2, efectuando el cociente entre el rea de la integral y este valor 2, obtenemos un valor relativo de un tercio. Vamos a suponer que no conociramos el valor del rea rayada y la quisiramos obtener mediante el mtodo Monte Carlo. Tal como lo vemos en la figura siguiente, dibujamos una doble escala vertical y horizontal.

Entramos en la tabla de nmeros aleatorios, sacando parejas de dos dgitos, lo que nos determina un valor de la ordenada y otro de la abscisa. Tenemos as las coordenadas de un punto en la superficie, el cual es dibujado en la figura. De esta forma comenzamos a trabajar y vamos llenando de puntos la superficie. Aquellos que caen exactamente sobre la curva de la funcin no los colocamos. Supongamos que al obtener 200 puntos, sumamos 69 sobre la superficie rayada. Efectuamos el cociente:

69 = 0.345 200
El valor esperado terico era de 0,333. El modelo fsico utilizado nos dio 0,345. Quiere decir que la diferencia entre lo esperado y lo obtenido en la primera muestra del modelo Montecarlo es de 0,012. Repetimos el clculo de este modelo fsico, con diferentes nmeros al azar, la cantidad que sea necesaria en relacin con la precisin deseada. El promedio de los valores nos dar aproximadamente el rea buscada.

b. Medir por Montecarlo una superficie irregular Se ha desbordado un ro por lluvias intensas. La superficie rayada, de forma totalmente irregular, est cubierta de agua. Deseamos conocer la dimensin de la superficie cubierta. La fotografa area nos da una imagen real de la dimensin de esa superficie que indicamos con A. Lo resolveremos por Montecarlo. Trazamos el rectngulo ABCD, cuyos vrtices geogrficos conocemos, lo que nos permite conocer su superficie, que indicaremos con S.

Ing. G.H. Scarpin

Pgina 3

04/04/00

Universidad Tecnolgica Nacional Facultad Regional Crdoba Ing. en Sistemas de Informacin

Asignatura: Simulacin

Tal como lo vemos en la figura, dibujamos una doble escala vertical y horizontal. Entramos en la tabla de nmeros aleatorios, sacando parejas de dos dgitos, lo que nos determina un valor de la ordenada y otra de la abscisa. Tenemos as las coordenadas de un punto del rectngulo, al que marcaremos en la figura. Todos los puntos del rectngulo tienen la misma probabilidad de aparecer. De esta forma trabajamos y vamos dibujando puntos, los que caern o no dentro de la superficie del agua. La relacin entre la cantidad de puntos que caen a la superficie y la cantidad de puntos dibujados nos representa la proporcin de la superficie de agua respecto a la del rectngulo que conocemos. Multiplicando esta proporcin por el rea S, nos dar el valor fijado en forma aproximada. Los resultados obtenidos a medida que aumentamos el tamao de n, de la cantidad de puntos, los encontramos en el cuadro siguiente:

n 200 500 1000 2000

Puntos Proporcin Superficie en A de A 156 0.780 156 383 0.766 153 749 0.749 149 1506 0.753 150

En la primera columna encontramos el nmero de puntos dibujados. En la segunda, la cantidad que entr en la superficie A; en la tercera, el cociente de los valores de la columna A, por el total de puntos. En la ltima columna estimamos la superficie de agua, multiplicando los valores de la tercera columna por la superficie del cuadrado, que alcanza a 200 Km. cuadrados.

Montecarlo en el mbito militar

Histricamente fue una de las reas de mayor desarrollo de la simulacin de Montecarlo. Por ejemplo, en lo que respecta al bombardeo estratgico o tctico realizado por aviones, la aplicacin de Montecarlo es utilizada, sobre todo, en los siguientes tipos de problemas: a. Nmero de aviones que no cumplen la misin. b. Nmero de aviones derribados por la defensa enemiga en el camino al blanco. c. Nmero de aviones que se extravan por errores de navegacin. d. Nmero de aviones derribados por la defensa local del blanco. e. Lugar donde las bombas hacen impacto. f. Daos esperados. Para ms informacin con respecto a este tema se puede consultar en el libro INVESTIGACION OPERATIVA MONTECARLO de Gerardo A. Sylvester, Editorial Cid, 1974.

Montecarlo en el anlisis de riesgo

Anlisis de riesgo es el proceso de predecir el resultado de una decisin ante una incertidumbre. Seguidamente describimos un problema que involucra una gran incertidumbre: la cantidad a producir ante una demanda cambiante.

La panadera de Pierre La panadera de Pierre hace y vende pan francs. Cada maana, la panadera satisface la demanda del da con pan recin horneado. Pierre puede hacer el pan nicamente en lotes de una docena de panes. Cada pan tiene un costo de fabricacin de 25c de peso. Supondremos, por simplicidad, que la demanda diaria total de pan tambin se presenta en mltiplos de 12. Los datos demuestran que esta demanda vara de 36 a 96 panes diarios. Un pan se vende a 40c de peso y si sobra al final del da se vende a una cocina de beneficencia a un precio de recuperacin de 10c de peso por pan. Si la demanda es mayor que la oferta, suponemos que hay un costo de ganancia perdida de 15c de peso/pan, debido a la prdida de clientes que van con los competidores, etc. Los registros de la panadera muestran que la demanda diaria se puede clasificar en tres tipos: alta, media y baja. Estas demandas se presentan con probabilidades de .30, .45 y .25, respectivamente. La distribucin de la demanda por categoras aparece en la Tabla. Pierre quisiera determinar el nmero ptimo de panes que debe hacer cada da para maximizar la ganancia (ingresos + ingresos de recuperacin costo de fabricacin costo de ingresos perdidos).

Ing. G.H. Scarpin

Pgina 4

04/04/00

Universidad Tecnolgica Nacional Facultad Regional Crdoba Ing. en Sistemas de Informacin

Asignatura: Simulacin

DEMANDA 36 48 60 72 84 96

DISTRIBUCION DE PROBABILIDAD DE DEMANDA Alta Media Baja .05 .10 .15 .10 .20 .25 .25 .30 .35 .30 .25 .15 .20 .10 .05 .10 .05 .05

Solucin exacta: Este problema en particular es posible resolverlo en forma exacta. La solucin es la siguiente:

Poltica

Nmeros de panes hechos diariamente

Utilidad diaria promedio (Pesos)

A B C D E F

36 48 60 72 84 96

1.273 4.347 6.435 6.917 6.102 4.653

Panadera de Pierre
Solucin exacta
8 6.917

Utilidad diaria promedio (Pesos)

7 6 5 4 3 2 1.273 1 0 36 48 4.347

6.435 6.102

4.653

60

72

84

96

Nmero de panes fabricados por da

Ing. G.H. Scarpin

Pgina 5

04/04/00

Universidad Tecnolgica Nacional Facultad Regional Crdoba Ing. en Sistemas de Informacin

Asignatura: Simulacin

Distribucin del tipo de demanda

TIPO DE DEMANDA PROBABILIDAD DISTRIBUCION ACUMULADA INTERVALO DE NMEROS ALEATORIOS

Alta Media Baja

0.30 0.45 0.25

0.30 0.75 1.00

0 30 75

29 74 99

Distribucin de demandas por tipo

DISTRIBUCION DE PROBABILIDAD DE DEMANDA DEMANDA Alta Media Baja DISTRIBUCION ACUMULADA Alta Media Baja INTERVALO DE NMEROS ALEATORIOS Alta Media Baja

36 48 60 72 84 96

0.05 0.10 0.25 0.30 0.20 0.10

0.10 0.20 0.30 0.25 0.10 0.05

0.15 0.25 0.35 0.15 0.05 0.05

0.05 0.15 0.40 0.70 0.90 1.00

0.10 0.30 0.60 0.85 0.95 1.00

0.15 0.40 0.75 0.90 0.95 1.00

0 5 15 40 70 90

4 14 39 69 89 99

0 10 30 60 85 95

9 29 59 84 94 99

0 15 40 75 90 95

14 39 74 89 94 99

Simulacin de Montecarlo
POLITICA:
DIA

60
NUM. ALEAT. PARA EL TIPO DE DEMANDA

(panes/da) K= 35
TIPO DE DEMANDA NUM. ALEAT. PARA LA DEMANDA

NUMEROS ALEATORIOS: tcnica del producto medio modificado K= 65

DEMANDA INFRESOS (PESOS) GANANCIA PERDIDA (PESOS) VALOR DE RECUPERACION (PESOS) GANANCIA (PESOS)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Promedio
Ing. G.H. Scarpin

69 41 43 50 75 62 17 59 6 21 73 55 92 22 77 50.80

Media Media Media Media Baja Media Alta Media Alta Alta Media Media Baja Alta Baja

56 64 16 4 26 69 48 12 78 7 45 92 98 37 40 46.13

60 72 48 36 48 72 72 48 84 48 60 84 96 60 60 63.20
Pgina 6

24.00 24.00 19.20 14.40 19.20 24.00 24.00 19.20 24.00 19.20 24.00 24.00 24.00 24.00 24.00 22.08

0.00 1.80 0.00 0.00 0.00 1.80 1.80 0.00 3.60 0.00 0.00 3.60 5.40 0.00 0.00 1.20

0.00 0.00 1.20 2.40 1.20 0.00 0.00 1.20 0.00 1.20 0.00 0.00 0.00 0.00 0.00 0.48

9.00 7.20 5.40 1.80 5.40 7.20 7.20 5.40 5.40 5.40 9.00 5.40 3.60 9.00 9.00 6.36
04/04/00

Universidad Tecnolgica Nacional Facultad Regional Crdoba Ing. en Sistemas de Informacin

Asignatura: Simulacin

Montecarlo en optimizacin de inventarios

a. Conceptos Bsicos de Inventarios Un inventario es una la lista de bienes que son almacenados por una organizacin para ser usados en el futuro. Casi todas las empresas mantienen inventarios de uno u otro tipo. Los comercios minoristas llevan en el inventario artculos que ellos planean vender a los consumidores. Las firmas fabricantes tienen inventarios de las existencias de materias primas que son componentes de los bienes producidos. La mayora de las organizaciones poseen una gran proporcin de sus capitales estancados en inventarios, lo cual hace del control de inventario una necesidad bsica de la administracin. Debido a que el control de inventario es una inquietud comn para una gran variedad de organizaciones, ha sido estudiada por muchos aos. De hecho, los modelos de control de inventario fueron desarrollados ya en 1915 por F. W. Harris. El problema del control de inventario es un problema bien estructurado. Esto es, los objetivos son bien conocidos y los medios para la realizacin de los objetivos estn razonablemente bien definidos. Especficamente, el objetivo es minimizar los costos de mantenimiento de un artculo del inventario. En la prctica, los costos de inventario son agrupados en una de las siguientes categoras: 1. 2. 3. 4. Costo de conservacin. Costo de pedido o costo de organizacin. Costo de faltante. Costo de adquisicin.

Los costos de conservacin o mantenimiento son los costos asociados con la tenencia fsica del artculo en el depsito. Son incluidos en esta categora los costos de almacenamiento, seguros, vencimiento, robo, obsolescencia y costo de capital parado. Es usual que el rango de los costos anuales de conservacin sea de 15% a 40% de la inversin en inventario. Los costos de pedido incluyen los costos de oficina asociados con el proceso de ordenar una compra, costos de envo y costos de manipulacin una vez que el pedido es recibido. Cuando el artculo es producido por la organizacin en lugar de ser pedido a un proveedor, se incurre en costos de organizacin de la produccin en lugar de los costos de pedido. Los costos de pedido u organizacin son muy parecidos en su comportamiento, y por simplicidad, nos referiremos slo como costos de pedido. El costo de faltante ocurre cuando un artculo no est disponible para la demanda. Si el artculo es para venta final al consumidor, el costo faltante incluye la ganancia perdida sobre la venta particular (a menos que el cliente est dispuesto a ordenar la compra nuevamente, en otras palabras, a esperar), ms las potenciales ventas futuras perdidas cuando el cliente decide realizar sus compras a un competidor. Cuando el artculo del inventario es usado en un proceso de produccin en lugar de venta final, el artculo faltante rompe la cadena de produccin y, por lo tanto, incrementa los costos debido a la disminucin de la eficiencia de la produccin. De todos los costos, el costo de faltante es el ms difcil de estimar. Los costos de adquisicin son los costos de compra del artculo y son, por supuesto, muy importantes para la organizacin. En muchos casos, sin embargo, ellos pueden ser omitidos del anlisis, debido a que no se incrementa con las decisiones alternativas. Esto es, ellos no varan con los posibles cursos de accin. Unicamente cuando son discutidas las cantidades los costos de adquisicin deben ser incluidos en el anlisis. Lo que hace dificultoso el problema del inventario es que el costo de conservacin y los costos de pedido se mueven en direcciones opuestas cuando se cambia la cantidad pedida. Grandes cantidades pedidas disminuyen el nmero de pedidos colocados por perodos de tiempo, de esta manera se reducen los costos de pedido; pero grandes rdenes de compra tambin incrementan el balance del inventario promedio y, de ser as, aumentan los costos de conservacin. Los costos de faltante tienden a disminuir cuando los pedidos son grandes, pero generalmente estn ms asociadas al punto de realizar un nuevo pedido que a la decisin de la cantidad a pedir. Cmo hacer para minimizar los costos de inventario involucra responder las siguientes dos preguntas fundamentales: 1. Cuntos artculos deberan ser pedidos? 2. Cundo los artculos deberan ser pedidos?

Para artculos con demanda dependiente, muchas organizaciones usan sistemas de planificacin de requerimiento de materiales (MRP). Demanda dependiente se refiere a la situacin donde la demanda de un artculo depende de la demanda de un artculo de nivel superior. Por ejemplo, la demanda de cinturones de seguridad en un nuevo automvil depende del nmero de autos producidos. Una vez realizadas las estimaciones para el artculo de mayor nivel y es conocida la estructura de producto (qu componentes van en el producto a fabricar), la determinacin de la demanda de las partes componentes es relativamente confiable. Por supuesto, en organizaciones que fabrican mltiples productos con varias partes componentes que a su vez se producen en diferentes cantidades y variables a lo largo del tiempo, calcular las cantidades y el momento en
Ing. G.H. Scarpin Pgina 7 04/04/00

Universidad Tecnolgica Nacional Facultad Regional Crdoba Ing. en Sistemas de Informacin

Asignatura: Simulacin

el cual se debe hacer el pedido por inventario es un problema complejo. Consecuentemente, las computadoras juegan un papel crtico en esta rea, y cuando se habla de un sistema MRP, se est haciendo referencia a un sistema computarizado. Para los artculos que tienen demanda independiente los procedimientos de control de inventario estn basados en un enfoque diferente, debido a que los requerimientos de inventarios no estn calculados directamente basados en la demanda del artculo de mayor nivel. Dos diferentes mtodos son usados comnmente: 1. Mtodos de la cantidad pedida fija. 2. Mtodos del perodo de pedido fijo. Con los mtodos de la cantidad pedida fija, basado en anlisis anteriores, el nmero de artculos a pedir a la vez es fijo (por ej. 100 unidades), pero el momento de colocar la orden de compra vara con la demanda. Slo cuando el nmero de unidades remanentes en el inventario cae por debajo del punto de repedido o gatillo, se realiza un pedido. Con los mtodos del perodo de pedido fijo, basado en anlisis anteriores, el lapso para colocar una orden de compra es fijo (por ej. cada 2 semanas), pero el tamao del pedido colocado depende del nmero de artculos remanentes en el inventario. Ambos de estos mtodos intentan responder las preguntas en las que se basa el control de inventario: Cunto y Cundo. Para cada mtodo una gran cantidad de modelos han sido desarrollados, los cuales varan en sus suposiciones. Algunos modelos son determinsticos y otros son probabilsticos; algunos asumen pedidos anteriores y otros no; algunos son para situaciones en donde el artculo es producido para el inventario y en otras situaciones ste es pedido.

b. Un modelo de cantidad pedida fija Como una ilustracin de los modelos de inventario, consideraremos el desarrollo y uso de un modelo simple de cantidad pedida fija. El objetivo ser determinar una cantidad a pedir ptima, Qopt, y el punto de repedido, R. El modelo resultante ser un tpico modelo de los varios existentes de este tipo determinstico. En estos modelos se hacen varias suposiciones acerca de los sistemas del mundo real y han sido desarrollados usando tcnicas de matemtica tradicional (lgebra simple y clculo diferencial). Considere una situacin en donde podemos asumir que la demanda para el artculo es conocida con certeza (conocimiento perfecto) y es constante a travs del tiempo (sin factores de demanda estacional). Adems, el tiempo de entrega o aprovisionamiento es tambin conocido con certeza. An cuando estas hiptesis sean bastantes exigentes y en muchos casos son suposiciones irreales, ellas son tpicas de muchos modelos de control de inventario. Admitamos estas suposiciones al menos por el momento, note que en la siguiente figura se describe el comportamiento y luego el repedido de los artculos del inventario. En el tiempo=0 arriba un pedido por Q artculos, resultando en un balance de inventario de Q. Este inventario es consumido a un ritmo constante conocido a lo largo del tiempo. Eventualmente, el punto de repedido R, es alcanzado y un pedido es colocado para Q unidades ms. A partir de ah, como el tiempo de entrega L es conocido con certeza, el punto de repedido puede ser fijado de manera tal que el ltimo artculo remanente en el inventario sea usado justo cuando el nuevo pedido es recibido. El arribo de los artculos ordenados incrementa el balance del inventario a Q unidades y el proceso se repite en s mismo. Nivel del inventario Q

R L L Tiempo

Figura : Cantidad en inventario en funcin del tiempo

Asumiendo una demanda conocida D, por unidad de tiempo, un costo de conservacin KC, por artculo por unidad de tiempo, y un costo de pedido KO, por pedido, uno puede encontrar el valor Q que minimice el costo total de inventario TC. No hay necesidad de considerar los costos de faltante ya que debido a la suposicin de certeza sobre la demanda y tiempo de entrega no existe posibilidad de escasez del producto. Debido a que no hay descuentos por cantidad, los costos de adquisicin pueden ser ignorados debido a que no son relevantes respecto de las decisiones alternativas. Primero consideraremos el costo de conservacin total. El mayor nmero de artculos en el inventario es Q y el menor en 0. Debido a que la demanda es constante, el nivel de inventario promedio es (Q + 0)/2, o Q/2. Si KC es el costo de conservacin por artculo, el costo de conservacin total para un promedio de Q/2 artculos debe ser:

KC
Ing. G.H. Scarpin Pgina 8

Q 2
04/04/00

Universidad Tecnolgica Nacional Facultad Regional Crdoba Ing. en Sistemas de Informacin

Asignatura: Simulacin

Si D es la demanda por unidad de tiempo y Q unidades son pedidas al mismo tiempo, D/Q es el nmero de pedidos colocados por unidad de tiempo. Cuando el costo por orden es KO, el costo de pedido total es:

KO

D Q

El costo de inventario total, TC, es la suma de los costos de conservacin y pedido.

TC = K C

Q D + KO 2 Q

Para encontrar el valor de Q que minimiza TC, se debe primero derivar TC con respecto a Q:

TC K C K O D = 2 Q 2 Q
Esta expresin es entonces igualada a cero y se despeja Q para encontrar el valor que minimiza TC.

KC KO D 2 =0 2 Q Qopt = 2K O D KC

Esta frmula puede ser usada para determinar el nmero ptimo de artculos a pedir por inventario cuando la demanda, costos de conservacin, y costos de pedido son conocidos y las hiptesis subyacentes al modelo son satisfechas. El siguiente ejemplo ilustra el uso del modelo. Si D = 1000 unidades por ao KC = $4 por artculo por ao KO = $20 por pedido

Qopt =

2 20 1000 = 100 unidades por pedido 4 4 100 20 1000 + = $400 2 100

Con esta cantidad pedida resulta el siguiente costo anual promedio (excluyendo, por supuesto, los costos de adquisicin).

TC =

Para poder determinar el punto de repedido, se debe encontrar slo el promedio de salida del artculo por semana, d, y entonces multiplicar este factor por el tiempo de entrega, L, expresado en semanas. R=dL Si el tiempo de entrega es de dos semanas (L=2), la demanda es todava de 1000 unidades por ao y si la firma opera 52 semanas por ao, el punto de repedido sera:

R=
Nivel del inventario 100

1000 2 40 unidades 52

40 2 2 Tiempo

Los modelos de inventario de cantidad pedida fija y perodo de pedido fijo, de rpida construccin, son usados comnmente en la industria para artculos con demanda independiente y generalmente produce resultados satisfactorios. Una aproximacin completamente diferente, no obstante, es desarrollar un modelo adaptado al consumidor que capture la mayor complejidad del mundo real asociado con el mantenimiento de un artculo del inventario en particular. La nica dificultad al sumar ms realismo y complejidad al modelo, es que los mtodos analticos tradicionales de anlisis pueden rpidamente transformarse en prohibitivamente dificultosos de aplicar, an para profesionales de las matemticas y estadsticas. Consecuentemente, si la mayor complejidad es requerida y justificada, el anlisis debe a menudo cambiar de un modo de anlisis analtico a uno numrico. La simulacin de inventario Montecarlo, el cual es presentado a continuacin, es un ejemplo de una aproximacin numrica al problema del inventario.

Ing. G.H. Scarpin

Pgina 9

04/04/00

Universidad Tecnolgica Nacional Facultad Regional Crdoba Ing. en Sistemas de Informacin c. Simulacin de inventario Montecarlo

Asignatura: Simulacin

En la simulacin de inventario Montecarlo, la demanda y el tiempo de entrega son tratados probabilsticamente, requiriendo que las distribuciones de probabilidad sean especificada para cada variable. Las distribuciones de probabilidades pueden ser determinadas por varios caminos. Un camino es analizar los datos histricos del pasado; para varios artculos del inventario, cuando exista una gran cantidad de datos confiables. Por ejemplo, asumamos que los datos de la Tabla 1 son relevantes Estas distribuciones de frecuencia muestra la frecuencia con la cual varios niveles de demanda y tiempos de entrega han sido experimentados por la organizacin.

Tabla 1: Datos de demanda y tiempos de entrega Demanda por semana 0 1 2 3 4 Frecuencia 5 10 15 12 8 50 Tiempo de entrega, semanas 1 2 3 Frecuencia 4 4 2 10

Al hacer esto esperamos que el futuro sea como el pasado. Los datos histricos pueden ser usados directamente en la formulacin de las probabilidades. La frecuencia relativa para cada variable debe ser calculada y entonces tratadas como una probabilidad. Esta transformacin es obtenida dividiendo la frecuencia en cada categora por el nmero total de observaciones, como se ilustra en la Tabla 2 y 3. Como se dijo, esta aproximacin asume para las distribuciones de probabilidad especfica que el futuro ser como el pasado. Cuando la gerencia de la organizacin sabe que este no es el caso, las probabilidades deben ser ajustadas para reflejar el presentimiento subjetivo de la gerencia a cerca de cmo el futuro diferir del pasado. Desgraciadamente, prcticamente no existe una gua de cmo hacer estos ajustes. En algunos casos este puede ser el nico mtodo posible ya que el artculo del inventario bajo consideracin es uno nuevo en la lista de artculos inventariados mantenidos por la organizacin, y todas las estimaciones probabilsticas sern altamente subjetivas. A pesar de que la mayora de las personas se sienten disconformes con las probabilidades subjetivas, se deben tomar decisiones; ya que estimaciones subjetivas razonadas cuidadosamente son mejores que no tener ninguna estimacin.

d. La simulacin Cuando se realiza una simulacin de inventario por Montecarlo, se debera preparar una planilla de clculo como se muestra en la Tabla 4. Este tipo de simulacin puede ser usado para investigar las consecuencias de varias combinaciones de cantidades a pedir Q y punto de repedido R. En nuestro ejemplo Q=6 y R=3. Posteriormente discutiremos los resultados de simular otras combinaciones de Q y R. Antes de iniciar el anlisis, necesitamos estimar los costos de conservacin, pedido y faltante. Asumiremos que los costos de conservacin son de $4 por artculo por semana cuando se calcula en base al balance de fin de semana. Consecuentemente, si una semana finaliza con tres artculos remanentes en el inventario, los costos de conservacin para esa semana son de 3 x $2 = $6. Los costos de pedido son estrictamente una funcin del nmero de pedidos colocados, y son de $30 por pedido. Estos costos son registrados en la semana en la cual el pedido es colocado. Asumiremos que los pedidos arriban al inicio de la semana y estn disponibles para la venta durante la semana. Los costos de faltante son de $20 por cada artculo no disponible cuando es demandado, y en este caso asumiremos que el consumidor no desea esperar para realizar un nuevo pedido. Al final de este captulo consideraremos el caso de repeticin del pedido en la simulacin. Nuestra simulacin se inicia con un balance de inventario asumido de seis unidades disponibles en la semana 0. Esta condicin inicial de seis unidades refleja la cantidad pedida que ser simulada y es similar a lo que vimos al simular con el modelo de cantidad pedida fija donde se asumi que en el tiempo = 0 arriba un pedido de Q unidades. Esta condicin inicial, es decir iniciar con el arribo de un pedido, es la ms usada en este tipo de simulacin. Nuestra simulacin usar un incremento de tiempo fijo de avance. La conducta del sistema es observada en forma semanal, es decir el modelo se mueve de semana en semana. Estos modelos se denominan modelos de simulacin estticos. Esta aproximacin contrasta con el tiempo de avance denominado prximo evento, donde el modelo se mueve de evento a evento independientemente de cuan cerca o lejos los eventos estn en el tiempo como lo veremos al estudiar los modelos de lnea de espera o cola. Este segundo tipo de modelos se denominan modelos de simulacin dinmicos .

Ing. G.H. Scarpin

Pgina 10

04/04/00

Universidad Tecnolgica Nacional Facultad Regional Crdoba Ing. en Sistemas de Informacin

Asignatura: Simulacin

Tabla 2: Distribucin de la Demanda

DEMANDA POR SEMANA FRECUENCIA PROBABILIDAD DISTRIBUCION ACUMULADA INTERVALO DE NMEROS ALEATORIOS T. DE ENTREGA, SEMANAS

Tabla 3: Distribucin del Tiempo de Entrega

FRECUENCIA PROBABILIDAD DISTRIBUCION ACUMULADA INTERVALO DE NMEROS ALEATORIOS

0 1 2 3 4 SUMA

5 10 15 12 8 50

0.10 0.20 0.30 0.24 0.16 1

0.10 0.30 0.60 0.84 1.00

0 10 30 60 84

9 29 59 83 99

1 2 3 SUMA

4 4 2 10

0.40 0.40 0.20 1

0.40 0.80 1.00

0 40 80

39 79 99

Tabla 4: SIMULACION DE MONTECARLO

POLITICA: Q=6 R=3 Clculo de la demanda
NUM. ALEAT. Demanda

NUMEROS ALEATORIOS: de tabla

Clculo del T. de Entrega

NUM. ALEAT. Tiempo de Entrega Pedido Colocado

Actividad Simulada
Pedido Recibido Balance Articulos no Vendidos Conservacin $2

Costos Simulados
Pedido $30 Faltante $20 Total

Tiempo

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Promedio
Ing. G.H. Scarpin

69 73 16 65 1 71 91 99 18 33 65 86 94 39 38 84 45 91 3 81 58.10

3 3 1 3 0 3 4 4 1 2 3 4 4 2 2 4 2 4 0 3 2.60

64

6 6

39

6 6

19 69

1 2

6 6

6 6

34 91

1 3

6 6 6

42 25

2 1

6 6

6 6 6 6
Pgina 11

47.88

1.63

6 3 0 5 2 8 5 1 3 2 6 3 5 1 0 0 2 0 2 8 5 3.05

0 0 0 0 0 0 0 0 0 0 0 0 0 1 2 0 0 0 0 0 0.15

6 0 10 4 16 10 2 6 4 12 6 10 2 0 0 4 0 4 16 10 6.10

30 0 0 30 0 0 30 30 0 0 30 0 30 0 0 30 0 30 0 0 12.00

0 0 0 0 0 0 0 0 0 0 0 0 0 20 40 0 0 0 0 0 3.00

36 0 10 34 16 10 32 36 4 12 36 10 32 20 40 34 0 34 16 10 21.10
04/04/00

Universidad Tecnolgica Nacional Facultad Regional Crdoba Ing. en Sistemas de Informacin

Asignatura: Simulacin

En la hoja de clculo de la Tabla 4 la simulacin se extiende a travs de 20 semanas. Basados en las 20 semanas de actividad simulada, es posible estimar el costo semanal medio asociado con la poltica de pedir seis unidades cuando el nivel de inventario cae a tres o menos. Esto lo obtenemos sumando el total de costos y dividiendo por el total de semanas. Para nuestra simulacin, el costo medio ser:

X=

422 = $21.10 20

e. Anlisis para optimizacin Normalmente se asocia que el propsito de la simulacin de modelos es la de describir el sistema que est siendo analizado; no obstante, mediante una manipulacin inteligente del modelo, es algunas veces posible determinar los puntos ptimos. La simulacin de inventario de Montecarlo provee un buen ejemplo. La simulacin presentada en la Tabla 4 fue para una combinacin Q=6 y R=3. Mediante la simulacin, uno puede analizar el comportamiento del costo del sistema cuando se sigue una poltica de inventario de pedir seis unidades cuando el balance del inventario cae a tres unidades. A pesar de esta til informacin, la simulacin no nos revela que combinacin de Q y R minimiza los costos de inventario. Solamente simulando alternativamente varias combinaciones de Q y R puede ser obtenida este tipo de informacin. Es til visualizar el costo semanal medio resultante de varias combinaciones de Q y R, en trminos de un grfico de superficie, tal como se muestra en la Figura 5.

Figura 5: Costo en funcin de Q y R

Nuestro objetivo es encontrar el punto ms profundo del valle sobre la superficie. Aunque es posible simular una combinacin de Q y R a mano, un anlisis computarizado se transforma en mandatorio cuando son analizados mltiplos Q y R. El diagrama de flujo de la Figura 6 es apropiado para desarrollar un modelo computarizado. Luego de correr nuestro ejemplo, se presenta en la siguiente tabla una matriz de resultados de diferentes combinaciones de Q y R analizadas. Las filas de la matriz son los Q, y las columnas los R, y los elementos de la matriz los costos semanales medios.

6 7 8 9 10 11 12

1 22.185 21.415 20.750 20.145 19.560 20.125 20.430

2 20.760 19.465 19.185 19.315 18.950 18.545 19.140

R 3 20.180 18.895 18.935 19.010 18.360 19.570 19.015

4 20.975 19.560 19.190 19.665 19.635 19.595 20.655

5 21.465 21.090 19.955 20.270 21.190 21.070 21.010

De la matriz se puede ver que para nuestro ejemplo, una combinacin de Q=10 y R=3 aparece como ptima.

Ing. G.H. Scarpin

Pgina 12

04/04/00

Universidad Tecnolgica Nacional Facultad Regional Crdoba Ing. en Sistemas de Informacin

Asignatura: Simulacin

En el desarrollo del grfico de costos para propsitos de comparacin, debera utilizarse los mismos juegos de nmeros aleatorios para la obtencin de la demanda y tiempos de entrega. Esto significa que las diferentes combinaciones alternativas de Q y R son todas expuestas a los mismos valores para las variables de entrada. Este procedimiento de usar los mismos nmeros aleatorios para las variables de entrada cuando se comparan diferentes configuraciones de un sistema o diferentes polticas de decisin se denomina duplicacin de condiciones experimentales. Este procedimiento permite detectar diferencias entre alternativas con corridas de pequeas dimensiones.

Figura 6: Diagrama de flujo para una simulacin de inventario Montecarlo INICIO

Ingresar: Demanda, tiempo de entrega, costos, cantidades pedidas, puntos de repedidos, nmero de semanas simuladas

Acumular datos de costos Lazo para las cantidades pedidas y puntos de repedidos
2 3 No

Fin del nmero de semanas simuladas

Si

Lazo para el nmero de semanas simuladas

Salida: Resumen estadstico

2

Actualizar balance de inventario por pedidos recibidos, simular demanda, actualizar balance de inventario por demanda simulada

No

Fin de las cantidades pedidas y puntos de repedidos

Si

Balance de inventario por debajo del punto de repedido

No 1

FIN
Si

Emitir un pedido

f.

Sumando mayor realismo

En nuestra simulacin de inventario por Montecarlo la demanda y el tiempo de entrega fueron tratadas como variables aleatorias, crendose, por lo tanto, unas condiciones ms aproximadas a lo que ocurre en el mundo real. Si bien se requiri de un gran nmero de clculos, todos ellos fueron relativamente simples de realizar. Si aceptamos sumar ms clculos simples a nuestro sistema, se puede realizar todava una mejor representacin del mundo real.
Ing. G.H. Scarpin Pgina 13 04/04/00

Universidad Tecnolgica Nacional Facultad Regional Crdoba Ing. en Sistemas de Informacin

Asignatura: Simulacin

La simulacin de inventario de Montecarlo, no incluy ninguna consideracin respecto de la demanda estacional; todos los niveles de demanda fueron tomados de la misma distribucin de demanda. Obviamente, existen muchas situaciones en donde la demanda de un artculo del inventario es estacional. Por ejemplo, la mayora de los comercios minoristas experimentan una fuerte demanda antes y durante las fiestas de fin de ao. No existen razones para que la misma distribucin de demanda (o tiempos de entrega) deban ser usados para todas las semanas de la simulacin. Si los datos empricos o evaluaciones subjetivas sugieren que son necesarias diferentes distribuciones para ciertos perodos del ao, el esquema de simulacin provee esta flexibilidad sin afectar apreciablemente la complejidad del anlisis. Otra posibilidad del mundo real es que en algunos de los pedidos ingresen artculos defectuosos y, por lo tanto, no estarn disponibles para la venta o el uso. En este caso es posible preparar una distribucin de probabilidad para el nmero de artculos defectuosos en un envo y entonces se toma una muestra de esta distribucin cuando un pedido arriba. La simulacin reflejar el nmero de artculos que estn realmente disponibles para el uso. Por supuesto, si sumamos realismo se incrementar el nmero de clculos requeridos, pero no demandar ninguna tecnologa ms sofisticada de la que ya hemos aprendido. Como ejemplo final de cmo hacer nuestra simulacin ms realista, considere la posibilidad de que un cliente repita un pedido o, en otras palabras, espere que arribe un pedido luego de que existiera un faltante del artculo. En algunos casos un cliente acepta repetir el pedido, dependiendo de factores tales como la rapidez con la que necesita el artculo, la disponibilidad de proveedores alternativos, y cosas como esas. Si puede ser desarrollada una distribucin de probabilidad de disponibilidad del consumidor a repetir un pedido, siempre que ocurra un faltante de inventario, se puede simular e incluir en el anlisis la pregunta de que si el consumidor est dispuesto o no a repetir la orden de compra. De estos ejemplos se puede ver que prcticamente cualquier grado de realismo puede ser incluido en un modelo de simulacin. El grado en el cual un modelo debera capturar las riquezas de las situaciones del mundo real depende, de cualquier modo, de muchos factores, incluyendo la intensidad de uso del modelo, los recursos disponibles para desarrollar el modelo, el costo de desarrollo, ensayo e implementacin del modelo, y cosas de ese tipo.

El punto principal de todo esto, es que la simulacin frecuentemente provee una metodologa para modelar sistemas complejos que pueden ser prohibitivamente dificultosos o imposible de analizar con otros mtodos alternativos.
Referencia: COMPUTER SIMULATION; Hugh J. Watson John H. Blackstone, Jr.; University of Georgia; 1989.

Ing. G.H. Scarpin

Pgina 14

04/04/00