Modelo de Simulación Montecarlo.

Miriam Alejandra Regalado Anguiano

Profesor. Juan Miguel Martínez Corona.
Abril 2020

Instituto Tecnológico Superior de San Luis Potosí, Capital.

Ingeniería Industrial
Simulación
INDICE
1
Contenido pagina
Objetivo general 3
Metodología 4-6
Desarrollo 7-11
Resultados 11-15
Conclusiones 15
Anexos
Referencias

Tabla de contenido
Tabla 1 7
Tabla 2 8
Tabla 3 8
Tabla 4 8-11
Tabla 5 11
Tabla 6 11
Tabla 7 15
Grafica 1 12
Imagen 1 13
Imagen 2 14
Imagen 3 14
Imagen 4 15

1. Objetivo general

2
El objetivo de la simulación de Montecarlo es imitar el comportamiento de
variables reales para, en la medida de lo posible, analizar o predecir cómo van
a evolucionar.

2. Metodología

3
Simulación: es el proceso de diseñar y desarrollar un modelo computarizado de
un sistema o proceso y conducir experimentos con este modelo con el propósito
de entender el comportamiento del sistema o evaluar varias estrategias con las
cuales se puede operar el sistema.

Modelo de simulación: conjunto de hipótesis acerca del funcionamiento del

sistema expresado como relaciones matemáticas y/o lógicas entre los elementos
del sistema.

Proceso de simulación: ejecución del modelo a través del tiempo en un

ordenador para generar muestras representativas del comportamiento.

Métodos de simulación

Simulación estadística o Monte Carlo: Está basada en el muestreo sistemático

de variables aleatorias.

Simulación continua: Los estados del sistema cambian continuamente su valor.

Estas simulaciones se modelan generalmente con ecuaciones diferenciales.

Simulación por eventos discretos: Se define el modelo cuyo comportamiento

varía en instantes del tiempo dados. Los momentos en los que se producen los
cambios son los que se identifican como los eventos del sistema o simulación.

Simulación por autómatas celulares: Se aplica a casos complejos, en los que

se divide al comportamiento del sistema en subsistemas más pequeños
denominadas células. El resultado de la simulación está dado por la interacción de
las diversas células.

Etapas del proceso de simulación

Formulación del modelo

Una vez definidos con exactitud los resultados que se esperan obtener del estudio
se definen y construye el modelo con el cual se obtendrán los resultados
deseados. En la formulación del modelo es necesario definir todas las variables

4
que forman parte de él, sus relaciones lógicas y los diagramas de flujo que
describan en forma completa el modelo.

Colección de datos

Es importante que se definan con claridad y exactitud los datos que el modelo va a
requerir para producir los resultados deseados.

Implementación del modelo en la computadora:

Con el modelo definido, el siguiente paso es decidir si se utiliza algún lenguaje

como el fortran, algol, lisp, etc., o se utiliza algún paquete como Vensim, Stella y
iThink, GPSS, simula, simscript, Rockwell Arena etc., para procesarlo en la
computadora y obtener los resultados deseados.

Validación

A través de esta etapa es posible detallar deficiencias en la formulación del

modelo o en los datos alimentados al modelo. Las formas más comunes de validar
un modelo son:

1. La opinión de expertos sobre los resultados de la simulación.

2. La exactitud con que se predicen datos históricos.
3. La exactitud en la predicción del futuro.
4. La comprobación de falla del modelo de simulación al utilizar datos que
hacen fallar al sistema real.
5. La aceptación y confianza en el modelo de la persona que hará uso de los
resultados que arroje el experimento de simulación.

Experimentación

La experimentación con el modelo se realiza después que éste haya sido validado.
La experimentación consiste en generar los datos deseados y en realizar un
análisis de sensibilidad de los índices requeridos.

Interpretación

5
En esta etapa del estudio, se interpretan los resultados que arroja la simulación y
con base a esto se toma una decisión. Los resultados que se obtienen de un
estudio de simulación ayudan a soportar decisiones del tipo semi-estructurado.

Documentación

Dos tipos de documentación son requeridos para hacer un mejor uso del modelo
de simulación. La primera se refiere a la documentación del tipo técnico y la
segunda se refiere al manual del usuario, con el cual se facilita la interacción y el
uso del modelo desarrollado.

Método Montecarlo

El método de Montecarlo es un método de simulación que permite calcular

estadísticamente el valor final de una secuencia de sucesos no deterministas
(sujetos a variabilidad), como es el caso del plazo o el coste de un proyecto. Por la
complejidad de esta tarea, esta simulación se realiza por computador con alguno
de los programas que se detallan al final de este artículo.

En la práctica este análisis consiste en ejecutar varias veces los diferentes

sucesos variando aleatoriamente su valor en función de la función estadística que
los define, dando como resultado un conjunto de valores finales. Este conjunto de
valores permite calcular el valor medio y la variabilidad para el conjunto. [ CITATION
Pat07 \l 2058 ]

Simulación de Monte Carlo con Excel

La potencia de las hojas de cálculo 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 análisis de escenarios (“what-if anaylisis”).

6
 3. Desarrollo
Una pizzería produce pizzas todos los días para su venta, una cantidad de costo
de producción fija Q a $60/unidad. Para su posterior venta en la pizzería de
$85/unidad.

Las pizzas que no se venden el mismo día se venden como pan duro a un valor de
salvamento de $35/unidad

De acuerdo con las anotaciones históricas de la pizzería la demanda diaria se

muestra en la tabla de distribución de la demanda.

El vendedor de la tienda pretende saber la probabilidad de esta en los próximos

tres meses que son mayo, junio y julio.

Distribución de la demanda
Demanda de unidades P(X)
15 0.13
28 0.11
34 0.13
60 0.23
73 0.18
85 0.17
100 0.05

Tabla 1. Datos históricos en el ultimo semestre con porcentaje (se establecen los
porcentajes de probabilidad de cada día de demanda.

Se establecen los limites para cada grupo de unidades de demanda al día.

7
 Distribución de probabilidad acumulada demanda
Demanda de unidades LI LS
15 0 0.13
28 0.13 0.24
34 0.24 0.37
60 0.37 0.6
73 0.6 0.78
85 0.78 0.95
100 0.95 1
Tabla 2.
Se adquieren más datos.
Tabla de valores a Compra/Venta
$ compra/unidad $60
$ venta regular/unidad $85
$ salvamento/unidad $35
Tabla 3.

Se registrarán la cantidad de días que se pondrá a la venta y por el tiempo que se

necesita predecir día con día por tres meses.

Números aleatorios que se producirán día con día, que estos números aleatorios
representan la probabilidad de la demanda que podría ocurrir ese día utilizando la
formula =aleatorio() después se arrastra para que se produzca la probabilidad de
cada día y por último en esta columna se copia y pega en la misma columna y
posición y en pegar se asigna solo valores.

Cantidad Cantidad Costo Ingresos

Ingresos por
Dí Aleatori Demand Q de de pizzas total por Utilidad
ventas
a o a compra pizzas no compr salvament del día
regulares
vendidas vendidas a o
1 0.32981 34 100 34 66 $6,000 $2,890 $2,310 -$800

8
 2 0.32981 34 100 34 66 $6,000 $2,890 $2,310 -$800
3 0.29126 34 100 34 66 $6,000 $2,890 $2,310 -$800
4 0.17705 28 100 28 72 $6,000 $2,380 $2,520 -$1,100
5 0.84321 85 100 85 15 $6,000 $7,225 $525 $1,750
6 0.37102 60 100 60 40 $6,000 $5,100 $1,400 $500
7 0.94565 85 100 85 15 $6,000 $7,225 $525 $1,750
8 0.77113 73 100 73 27 $6,000 $6,205 $945 $1,150
9 0.72570 73 100 73 27 $6,000 $6,205 $945 $1,150
10 0.47457 60 100 60 40 $6,000 $5,100 $1,400 $500
11 0.13866 28 100 28 72 $6,000 $2,380 $2,520 -$1,100
12 0.45319 60 100 60 40 $6,000 $5,100 $1,400 $500
13 0.85413 85 100 85 15 $6,000 $7,225 $525 $1,750
14 0.37686 60 100 60 40 $6,000 $5,100 $1,400 $500
15 0.86925 85 100 85 15 $6,000 $7,225 $525 $1,750
16 0.55460 60 100 60 40 $6,000 $5,100 $1,400 $500
17 0.70081 73 100 73 27 $6,000 $6,205 $945 $1,150
18 0.44425 60 100 60 40 $6,000 $5,100 $1,400 $500
19 0.52243 60 100 60 40 $6,000 $5,100 $1,400 $500
20 0.64734 73 100 73 27 $6,000 $6,205 $945 $1,150
21 0.87147 85 100 85 15 $6,000 $7,225 $525 $1,750
22 0.38883 60 100 60 40 $6,000 $5,100 $1,400 $500
23 0.11544 15 100 15 85 $6,000 $1,275 $2,975 -$1,750
24 0.06740 15 100 15 85 $6,000 $1,275 $2,975 -$1,750
25 0.32777 34 100 34 66 $6,000 $2,890 $2,310 -$800
26 0.75130 73 100 73 27 $6,000 $6,205 $945 $1,150
27 0.02621 15 100 15 85 $6,000 $1,275 $2,975 -$1,750
28 0.27655 34 100 34 66 $6,000 $2,890 $2,310 -$800
29 0.13472 28 100 28 72 $6,000 $2,380 $2,520 -$1,100
30 0.03342 15 100 15 85 $6,000 $1,275 $2,975 -$1,750
31 0.03490 15 100 15 85 $6,000 $1,275 $2,975 -$1,750
32 0.68043 73 100 73 27 $6,000 $6,205 $945 $1,150
33 0.54999 60 100 60 40 $6,000 $5,100 $1,400 $500
34 0.37381 60 100 60 40 $6,000 $5,100 $1,400 $500
35 0.00745 15 100 15 85 $6,000 $1,275 $2,975 -$1,750
36 0.08215 15 100 15 85 $6,000 $1,275 $2,975 -$1,750
37 0.01654 15 100 15 85 $6,000 $1,275 $2,975 -$1,750
38 0.76678 73 100 73 27 $6,000 $6,205 $945 $1,150
39 0.91240 85 100 85 15 $6,000 $7,225 $525 $1,750
40 0.20144 28 100 28 72 $6,000 $2,380 $2,520 -$1,100
41 0.71548 73 100 73 27 $6,000 $6,205 $945 $1,150
42 0.80117 85 100 85 15 $6,000 $7,225 $525 $1,750
43 0.32316 34 100 34 66 $6,000 $2,890 $2,310 -$800
44 0.96056 100 100 100 0 $6,000 $8,500 $0 $2,500
45 0.39873 60 100 60 40 $6,000 $5,100 $1,400 $500
46 0.46613 60 100 60 40 $6,000 $5,100 $1,400 $500

9
47 0.83638 85 100 85 15 $6,000 $7,225 $525 $1,750
48 0.64580 73 100 73 27 $6,000 $6,205 $945 $1,150
49 0.37202 60 100 60 40 $6,000 $5,100 $1,400 $500
50 0.94155 85 100 85 15 $6,000 $7,225 $525 $1,750
51 0.68858 73 100 73 27 $6,000 $6,205 $945 $1,150
52 0.90962 85 100 85 15 $6,000 $7,225 $525 $1,750
53 0.20725 28 100 28 72 $6,000 $2,380 $2,520 -$1,100
54 0.99129 100 100 100 0 $6,000 $8,500 $0 $2,500
55 0.75275 73 100 73 27 $6,000 $6,205 $945 $1,150
56 0.67064 73 100 73 27 $6,000 $6,205 $945 $1,150
57 0.92777 85 100 85 15 $6,000 $7,225 $525 $1,750
58 0.13730 28 100 28 72 $6,000 $2,380 $2,520 -$1,100
59 0.42108 60 100 60 40 $6,000 $5,100 $1,400 $500
60 0.26441 34 100 34 66 $6,000 $2,890 $2,310 -$800
61 0.83540 85 100 85 15 $6,000 $7,225 $525 $1,750
62 0.85472 85 100 85 15 $6,000 $7,225 $525 $1,750
63 0.78163 85 100 85 15 $6,000 $7,225 $525 $1,750
64 0.38187 60 100 60 40 $6,000 $5,100 $1,400 $500
65 0.44229 60 100 60 40 $6,000 $5,100 $1,400 $500
66 0.19755 28 100 28 72 $6,000 $2,380 $2,520 -$1,100
67 0.71261 73 100 73 27 $6,000 $6,205 $945 $1,150
68 0.64060 73 100 73 27 $6,000 $6,205 $945 $1,150
69 0.07292 15 100 15 85 $6,000 $1,275 $2,975 -$1,750
70 0.21458 28 100 28 72 $6,000 $2,380 $2,520 -$1,100
71 0.20536 28 100 28 72 $6,000 $2,380 $2,520 -$1,100
72 0.72690 73 100 73 27 $6,000 $6,205 $945 $1,150
73 0.48887 60 100 60 40 $6,000 $5,100 $1,400 $500
74 0.08420 15 100 15 85 $6,000 $1,275 $2,975 -$1,750
75 0.93894 85 100 85 15 $6,000 $7,225 $525 $1,750
76 0.77049 73 100 73 27 $6,000 $6,205 $945 $1,150
77 0.72449 73 100 73 27 $6,000 $6,205 $945 $1,150
78 0.09671 15 100 15 85 $6,000 $1,275 $2,975 -$1,750
79 0.38976 60 100 60 40 $6,000 $5,100 $1,400 $500
80 0.26885 34 100 34 66 $6,000 $2,890 $2,310 -$800
81 0.16159 28 100 28 72 $6,000 $2,380 $2,520 -$1,100
82 0.12845 15 100 15 85 $6,000 $1,275 $2,975 -$1,750
83 0.67066 73 100 73 27 $6,000 $6,205 $945 $1,150
84 0.43714 60 100 60 40 $6,000 $5,100 $1,400 $500
85 0.02966 15 100 15 85 $6,000 $1,275 $2,975 -$1,750
86 0.51719 60 100 60 40 $6,000 $5,100 $1,400 $500
87 0.72091 73 100 73 27 $6,000 $6,205 $945 $1,150
88 0.40100 60 100 60 40 $6,000 $5,100 $1,400 $500
89 0.05871 15 100 15 85 $6,000 $1,275 $2,975 -$1,750
90 0.55754 60 100 60 40 $6,000 $5,100 $1,400 $500
91 0.78947 85 100 85 15 $6,000 $7,225 $525 $1,750

10
 92 0.42220 60 100 60 40 $6,000 $5,100 $1,400 $500
Tabla 4

Lo siguiente es seleccionar dos casillas con Q de compra y utilidad de demanda

($)

Q compra 100
Utilidad promedio ($) $266
Tabla 5
La cual el valor de Q es un estimado no es el valor de resultado porque aún no se
hace una verificación

4. Resultados

UTILIDAD
Q R PROM
15 1 $375
30 2 $625
50 3 $795
75 4 $777
100 5 $266
Tabla 6
Después de la comparación con 5 cantidades diferentes se toma una pequeña
predicción que se deberían de producir diariamente 50 pizzas o una cantidad
aproximada debido a que en 50 pizzas producidas se toma una mayor utilidad
promedio diaria.

11
 Chart Title
R UTILIDAD PROM
900
$795 $777
800

700
$625
600

500
$375
400

300 $266

200

100
1 2 3 4 5
0
10 20 30 40 50 60 70 80 90 100 110

Grafica 1
En la gráfica se muestra más claramente que el valor óptimo para la producción de
pizzas se encuentra entre las cantidades de 50 y 75 pizzas producidas
diariamente.

Para lo siguiente se dará una confirmación del resultado óptimo utilizando solver.

12
Imagen 1

[Se selecciona como objetivo la celda que está encargada de dar la utilidad
promedio ($)]

13
Imagen 2

[Se selecciona la celda que está encargada de las variables en este caso Q de
compra que incluye compra de insumos y producción de la pizza]

Imagen 3

[Se incluyen en este apartado todas las restricciones que en este caso es que Q
compra>=10, Q compra<=100 y que Q compra sea entero]

14
Imagen 4

[Debido a esto no se puede utilizar simplex en soler ya que no cumple las

condiciones de linealidad así que se usara GRG nonlinear]

Q compra 60
Utilidad promedio ($) $871
Tabla 7
El resultado óptimo es una producción de 60 ya que tiene una utilidad promedio
mucho mayor a si se producen 50 o 75 y es tal y como se muestra en la gráfica 1
una cantidad entre 50 y 75

5. Conclusiones

6. Anexos
7. Referencias

15
16