Modelos de Simulacin de Monte Carlo

La simulacin de Monte Carlo es una tcnica numrica que combina

los conceptos de muestreo estadstico con la facilidad de uso de las
hojas de clculo para replicar sistemas reales complejos y calcular
expresiones matemticas que, de otra forma, requeriran de un
mayor tiempo de cmputo.
Se basa en la realizacin de experimentos con muestreo de
distribuciones discretas o continuas, para replicar el comportamiento
de fenmenos del sistema que deseamos simular.
El procedimiento para efectuar una simulacin de Montecarlo se
compone de 5 fases:
Fase 1: Identificar las variables aleatorias del problema o sistema a
simular, y establecer para cada una de stas una distribucin de
probabilidad que la represente.
Tomemos de nuevo el problema del puesto de venta de caramelos
como ejemplo. A continuacin se describe este sistema y se
identifican sus variables aleatorias:
Diariamente, el puesto de venta de caramelos El Oso de Goma abre
sus puertas a los clientes que la visitan desde hace varios aos.
Algunos de estos clientes son asiduos, mientras que otros son
ocasionales. El tendero de este almacn ofrece todos sus caramelos a
un precio de venta de $1000/paquete. Las gomitas le cuestan al
tendero $900/paquete, pero si no se venden en el transcurso del da,
se endurecen y tienen que ser reprocesadas (el proveedor le compra
al tendero los paquetes sin vender al final del da a un precio de
$600/paquete). En ocasiones, cuando el proveedor de gomitas ofrece
un descuento, las gomitas le cuestan al tendero $800/paquete. Estos
1

descuentos se hacen sin previo aviso. Histricamente, se sabe que

entre 15 y 35 clientes llegan a la tienda por un paquete de gomitas, y
que en un 10% de las ocasiones, el tendero ha podido comprar los
paquetes de gomas a un precio con descuento. Si el cliente llega y no
hay paquetes, la venta se pierde. Actualmente, el tendero est
pidiendo a diario Q=24 paquetes de gomas para atender a su
clientela.
Con base en esta informacin, se identificaron las variables aleatorias
del problema:
Variable
aleatoria
Demanda diaria

Tipo de

Distribucin de

variable

probabilidad

X1

Discreta

Uniforme

X2

Discreta

Emprica

Representacin

de paquetes de
gomas
Costo de
adquisicin

Variables aleatorias del ejemplo de la tienda El Oso de Goma

Expliquemos ms a fondo la informacin consignada en la tabla
anterior:

Las

variables

aleatorias

son

aquellos

elementos

que

el

vendedor no controla, y cuyos posibles valores estn asociados

con una probabilidad de ocurrencia. Por ello, dado que el
vendedor no controla cuntos clientes llegarn, y que no sabe
de antemano a qu precio tendr que comprar los paquetes,

stas son variables aleatorias.

Para diferenciar a cada variable, las vamos enumerando con

subndices que acompaen a cada variable: X1, X2,

Cuando una variable slo puede tomar valores discretos (por
ejemplo, slo puede tomar valores enteros), esta variable es
2

discreta. En nuestro caso, el costo unitario y la demanda son

discretas.
Cmo determinar qu tipo de distribucin utilizar en cada caso?
En muchas ocasiones es difcil determinar qu tipo de distribucin
utilizar para representar a una variable. A continuacin describiremos las
principales distribuciones de tipo discreto que utilizaremos en los
modelos de simulacin:

Distribucin uniforme: Para empezar, si no tenemos informacin

alguna sobre el comportamiento de la variable, el supuesto bsico
que podemos hacer es que puede tomar cualquier valor con igual
probabilidad. Es como cuando lanzamos un dado: Cualquier resultado
entre 1 y 6 podra salir. Este tipo de variables se conocen como
variables uniformes.
El caso de la demanda diaria es un buen ejemplo de una distribucin
discreta uniforme: En un da pueden llegar cualquier nmero de
clientes entre 15 y 35.
Los parmetros de esta distribucin son el valor mnimo (a) y el valor
mximo (b) que puede tomar dicha variable.

Distribucin Poisson: Cuando la variable representa llegadas de

clientes o entidades independientes entre s, y pertenecientes a una
poblacin suficientemente grande, se suele utilizar una variable
aleatoria

Poisson

para

describir

su

comportamiento.

El

nico

parmetro requerido para modelar dicha variable es la tasa promedio

de entidades que llegan al sistema,

Distribucin emprica: Con frecuencia, se cuenta con informacin

histrica sobre el comportamiento de la variable. Con las frecuencias
histricas de ocurrencia de cada valor de la variable, podramos
3

construir una distribucin de frecuencias que se conoce como

distribucin

emprica,

por

provenir

de

datos

experimentales

recopilados previamente.
Un ejemplo de este tipo de distribucin lo encontramos en el costo
unitario de los paquetes de gomitas. La distribucin emprica de esta
variable X2 es:
Valor de la variable (x2)
$800/paquete
$900/paquete

Probabilidad asociada
0.10
0.90

Bien, despus de describir las variables de entrada, vamos a simular

su comportamiento.
Fase 2: Crear una distribucin de probabilidad acumulada para cada
variable del primer paso.
A

continuacin

se

muestran

las

distribuciones

de

probabilidad

acumulada para cada una de las variables:

X2

P(X2)

800
900

0.1
0.9

Probabilidad acumulada
0.1000
1.0000

Distribucin acumulada de la variable costo unitario

X1
15
16
17
18

P(X1)
0.04761
9
0.04761
9
0.04761
9
0.04761

Probabilidad
acumulada
0.0476
0.0952
0.1429
0.1905

19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35

9
0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9

0.2381
0.2857
0.3333
0.3810
0.4286
0.4762
0.5238
0.5714
0.6190
0.6667
0.7143
0.7619
0.8095
0.8571
0.9048
0.9524
1.0000

Distribucin acumulada de la variable demanda diaria

Note que cada posible valor de las variables aleatorias tiene asociada
una probabilidad acumulada, y que sin importar qu variable estemos
representando,

sus

probabilidades

acumuladas

siempre

tienen la

caracterstica de ser valores entre 0 y 1.

Ahora estamos preparados para simular cada variable, ya que las hojas
de clculo tienen funciones para simular o generar nmeros pseudo5

aleatorios (que se comportan como aleatorios) entre 0 y 1. Antes de

hacer esto, pasemos a la fase 3 del proceso de simulacin.

Fase 3: Fijar un intervalo de nmeros aleatorios para cada variable.

En este punto, queremos asociar a cada posible valor de nuestras
variables del problema de la tienda de caramelos, con un intervalo de
nmeros entre 0 y 1. Estos intervalos son sencillos de construir, a partir
de las probabilidades acumuladas de cada valor i:
Lmite superiori = Probabilidad acumuladai
Lmite inferiori = = Probabilidad acumuladai-1
X1
15
16
17
18
19
20
21
22
23
24
25
26
27

P(X1)
0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9

Probabilidad
acumulada

Intervalo de aleatorios
desde
0

hasta

0.0952

0.0476

0.0952

0.1429

0.0952

0.1429

0.1905

0.1429

0.1905

0.2381

0.1905

0.2381

0.2857

0.2381

0.2857

0.3333

0.2857

0.3333

0.3810

0.3333

0.3810

0.4286

0.3810

0.4286

0.4762

0.4286

0.4762

0.5238

0.4762

0.5238

0.5714

0.5238

0.5714

0.6190

0.5714

0.6190

0.0476

0.0476

28
29
30
31
32
33
34
35

0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9
0.04761
9

0.6667

0.6190

0.6667

0.7143

0.6667

0.7143

0.7619

0.7143

0.7619

0.8095

0.7619

0.8095

0.8571

0.8095

0.8571

0.9048

0.8571

0.9048

0.9524

0.9048

0.9524

1.0000

0.9524

1.0000

Note que ahora cada posible valor de la variable demanda diaria tiene
asociado un intervalo de nmeros entre 0 y 1. Si alguien eligiera al azar
un nmero entre 0 y 1, por ejemplo, el nmero 0.5, podramos buscar
este nmero entre los intervalos construidos y darnos cuenta que al
seleccionar aleatoriamente el nmero 0.5, estaramos simulando una
demanda diaria de 25 clientes, ya que 0.5 est entre 0.4762 y 0.5238.
La generacin de estas tablas de intervalos garantiza que los valores
generados para cada variable se comporten de forma similar (y
aparezcan con las mismas probabilidades), que como se espera que
ocurran en la prctica.

X2

P(X2)

800
900

0.1
0.9

Probabilidad
acumulada
0.1000
1.0000

Intervalo de aleatorios
desde

desde

0
0.1000

0.1000
1.0000

Para verificar cmo se han obtenido estos valores, puede

consultar la solucin a este ejemplo en la seccin de recursos
adicionales (Simulacin de Montecarlo El Oso de Goma).
7

Fase 4: Para cada ensayo, generar 1 nmero aleatorio entre 0 y 1, por

cada variable del problema, y con base en ellos, simular los valores de
entrada del problema.
Una rplica consiste en una simulacin del sistema
Esta fase busca obtener unos datos de partida para simular el
comportamiento de nuestro sistema real (la tienda de gomas), en cada
da (en cada punto esttico en el tiempo). Como tenemos 2 variables,
necesitamos 2 nmeros aleatorios por cada da: uno para simular la
demanda, y otro para simular el costo unitario.
La gran ventaja hoy en da reside en la gran capacidad de cmputo y la
sencillez para generar nmeros pseudo-aleatorios por computador.
Para nuestro ejemplo, se utiliz la funcin =aleatorio() que existe en
Microsoft Excel.
Si usted escribe esta funcin en una celda de Excel , este programa
simular un nmero aleatorio entre 0 y 1. Vamos a generar una pareja
de nmeros aleatorios (U1 y U2) de esta forma:
U1
0.1468

U2
0.1182

Es recomendable que siga el desarrollo de este ejemplo, con la ayuda de

Excel, y del archivo (Simulacin de Montecarlo El Oso de Goma)
que encuentra en los recursos adicionales.
Ahora, vamos a usar cada nmero aleatorio Ui para simular una variable
aleatoria del problema:

U1 est asociado con la variable X1 (demanda diaria): si buscamos

el valor de U1=0.1468 en la tabla de intervalos de la variable X 1,
encontraremos que este aleatorio cae en el intervalo [ 0.1429, 0.1905).

Este intervalo pertenece al valor de X1=18. Vea la tabla de intervalos

para identificar el intervalo en el que cae el valor de 0.1468.

U2 est asociado con la variable X2 (demanda diaria): si buscamos

el valor de U2=0.1182 en la tabla de intervalos de la variable X 2,
encontraremos que este aleatorio cae en el intervalo [ 0.1429, 0.1905).
Este intervalo pertenece al valor de X 2=900. Regrese a la tabla de
intervalos para identificar el intervalo en el que cae el valor de 0.1468.

Ya logramos simular el comportamiento de la tienda de gomitas durante

un da!
Llegaron 18 clientes, y se vendieron 18 paquetes de gomas (recuerde
que el tendero compra Q=24 paquetes a diario), y estos fueron
adquiridos a un precio de $900. Los 24-18 = 6 paquetes restantes
tuvieron que devolverse al proveedor, a un precio de remate de
$600/paquete.
Llegamos a la fase final del proceso de simulacin. No se preocupe si
an este proceso le parece complicado. Lo invitamos a repetirlo paso a
paso para comprenderlo en su totalidad, y a realizar los ejercicios
propuestos para afianzar el proceso.
Fase 5: Efectuar una serie de N ensayos para calcular el valor promedio
de las medidas de desempeo del sistema, y obtener conclusiones sobre
el modelo.
En esta fase es clave resaltar que el comportamiento de un sistema no
puede verse representada por el resultado obtenido en uno solo de los
ensayos de la simulacin. Por ejemplo, para el caso de la tienda de
gomas, hemos simulado un solo da de ventas.
Si usamos ese nico dato como representativo de todo el sistema, las
conclusiones que hagamos estarn sesgadas a los resultados de dicho
ensayo. Por ejemplo, si fue un mal da para las ventas en la tienda, y con
9

ese nico da concluimos que debe reducirse el inventario, podemos

cometer un grave error ya que un solo dato no es estadsticamente
significativo para representar a una poblacin.
Sera como encuestar a una sola persona para obtener informacin
sobre su intencin de voto, y con base en ese nico dato, asumir que
toda la poblacin votar igual que este nico individuo!
Por ello, en la ltima fase, y con ayuda de Excel, generamos un nmero
mayor de ensayos (N=10 ensayos) y con base en ellos vamos a
promediar los ingresos diarios del tendero.
Note que para calcular los ingresos del tendero cada da, debemos
calcular las siguientes expresiones:
Ventas diarias = mnimo (Demanda, Q)
Devoluciones = Q ventas diarias
Utilidad = (P.venta c.unitario)*Ventas + (P.devolucin
c.unitario)*Devoluciones

continuacin

se

muestran

los

resultados

de

los

10

ensayos

correspondientes a 10 das simulados para este problema:

Ensay

X1

o#

U1

U2

(Demanda)

0.6578

0.0794

28

0.3050

0.6120

0.3065

0.5291

0.3997

X2 (Costos)

Devolucione
Ventas

Utilidades

$ 800

24

$ 4,800

21

$ 900

21

$ 1,200

21

$ 900

21

$ 1,200

0.8657

23

$ 900

23

$ 2,000

0.5693

0.4314

26

$ 900

24

$ 2,400

0.5487

0.7347

26

$ 900

24

$ 2,400

0.5173

0.8372

25

$ 900

24

$ 2,400

0.4089

0.0201

23

$ 800

23

$ 4,400

0.2302

0.8719

19

$ 900

19

$ 400

10

0.7440

0.6809

30

$ 900

24

$ 2,400

Utilidad promedio

$ 2,360

10

Entre ms ensayos se efecten, el valor de la utilidad promedio ser

ms acertado.
Por ejemplo, con N = 10000 ensayos, obtenemos que la utilidad
promedio es de aproximadamente $1790/da.
Cul es la finalidad de este modelo? Que el tendero pueda determinar
si le conviene modificar la cantidad de pedido que hace a diario.
Para ello, simplemente cambiamos el valor de Q y comparamos los
modelos de simulacin para determinar qu alternativa le conviene ms
al tendero.
Utilizando 10000 ensayos,
Con Q= 30, obtuvimos una utilidad diaria = $1031/da,
Con Q=20, obtuvimos una utilidad diaria = $1900/da.
Con base en esta simulacin, piense por un instante en la siguiente
pregunta Qu le podramos recomendar al tendero sobre la cantidad de
pedido? (consulte la respuesta al final de este documento )
Aqu culmina el material de lectura asociado con los modelos de
simulacin. Es importante que practique construyendo otros modelos, y
que consulte el material audiovisual para ver cmo se construy este
modelo paso a paso.

Respuesta: El modelo de simulacin permite concluir que es mejor pedir

a diario solo 20 paquetes de gomitas, en lugar de los 24 paquetes que
se pedan antes, ya que se incrementa la utilidad.
11