Investigación de Operaciones

Introducción a la Simulación

Modelar sistemas por medio de un enfoque matemático como los analizados en las clases
anteriores es una técnica muy útil para anticiparse a las operaciones en la vida real, y así planear
adecuadamente antes de consumir recursos.

Sin embargo mucha de la información y parámetros que se usan en los modelos cambian
continuamente, lo que provoca que la solución a un modelo pueda dejar de ser válida.

Cuando los cambios son muy drásticos y/o muy continuos lo que interesa es analizar el o los
posibles resultados para todos los diferentes escenarios y conocer la probabilidad de cada uno
de ellos, esto amplia el horizonte de análisis y toma de decisiones.

La primera aproximación a la experimentación con muestreos de números aleatorios con
computadora para modelos matemáticos fue utilizando la técnica que se conoce como Método de
Monte Carlo.

2

• El flujo de millones de neutrones siguiendo caminos aleatorios a través de una masa de moléculas de uranio. 3 . el término Monte Carlo fue un nombre en código usado en la Segunda Guerra Mundial (1944) para cálculos secretos que se realizaban con el fin de predecir el flujo de neutrones en una bomba atómica. se dio a los cálculos el nombre en código de Monte Carlo. • Como los caminos de los neutrones varían al azar y como la construcción de la bomba atómica era una gigantesca apuesta. por el hecho de que ésta es la capital del principado de Mónaco. sólo puede ser modelado en una computadora.. no es posible pronosticarlo de manera teórica.• Históricamente. el centro mundial de las apuestas.

• Analizar. estudiar y mejorar el comportamiento de un sistema.• Técnica que permite imitar el comportamiento de un sistema real o hipotético según las condiciones particulares de operación. • Herramienta para evaluar distintos escenarios (del tipo ¿qué pasa si …?) 4 .

Sistema • La simulación es uno de los métodos cuantitativos más ampliamente utilizados para tomar decisiones. Sistema real Modelo del sistema Modelo físico Simulación Modelo cuantitativo Solución analítica 5 . • Es un método de aprender acerca de un método real experimentando con un modelo que representa el sistema. • El modelo de simulación contiene las expresiones matemáticas y relaciones lógicas que describen cómo calcular el valor de los datos de salida dados los valores de los datos de entrada.

Contar con números grandes de resultados amplía el horizonte de toma de decisiones.• Los sistemas de simulación se componen de los siguientes elementos: • Parámetros controlables • Parámetros probabilísticos • El Modelo • Los Resultados Sistema de Simulación Una simulación se “corre” o ejecuta de preferencia un gran número de veces. generando un conjunto de muchos resultados. 6 .

estos parámetros resultan ser clave para influenciar el comportamiento del sistema. • Modelo de inversión: Capital de inversión. como su nombre lo dice. son todos aquellos valores que podemos influenciar y controlar con un grado alto de certeza. etc. etc. 7 . ya que al ajustarlos se pueden alcanzar resultados esperados. cambian muy poco y sus cambios son en intervalos de tiempo muy largos. horarios de servicio. • Ejemplo: • Modelo de producción: Cantidad de mano de obra y materia prima.• Los parámetros controlables. etc. • También se caracterizan por ser generalmente constantes. riesgo aceptable. • Modelo de colas: Cantidad de servidores. • Al analizar los resultados de un modelo de simulación.

dicho valor es aleatorio e influenciado por un comportamiento ajustado a una distribución probabilística. • Dependiendo de la naturaleza de dicho parámetro y la distribución de posibles valores podemos elegir una. pero no limitada a.• Los parámetros probabilísticos reciben este nombre debido a que no se conoce con certeza su valor. • Analizaremos las distribuciones anteriores únicamente 8 . alguna de las siguientes distribuciones probabilísticas: • • • • • • Distribución Binomial Distribución Normal Distribución Uniforme Distribución Exponencial Distribución Triangular Etc.

• La estructura de un modelo de simulación puede llegar a ser muy compleja y llegar a estar compuesta de múltiples condiciones. Iteración 1 Iteración 2 Iteración 3 Iteración 4 Iteración 5 Por medio de la simulación el modelo es capaz de ejecutar miles de pruebas. actividades y eventos. generando así diferentes resultados . cada ejecución puede ser diferente. Iteración N 9 . • Las condiciones pueden estar influenciadas por los parámetros y en base a eso generar múltiples y diferentes resultados o afectar otros parámetros creando así una dependencia matemática entre ellos.

Generar Demanda (D) ¿Es D>1000? si no Ingresos = D * (P/1. • Se puede también agregar bifurcaciones a través de condiciones que ocasionen que el modelo produzca un resultado diferente dependiendo del resultado de dicha condición • Ejemplo: • Si la demanda aumenta en más de 1000 unidades puedo disminuir el precio de venta en 10%.Parámetros: Precio (P) Demanda (D) • Es recomendado crear una representación gráfica del modelo.10) Ingresos = D * P Generar Resultados 10 . usando un Diagrama de Flujo por ejemplo se puede visualizar más fácilmente las entradas. procesos y salidas del modelo.

• Interpretar los resultados requiere de un análisis detallado de lo siguiente: • Distribuciones probabilísticas • Pronóstico de Resultados • Análisis de Sensibilidad • Optimización • A continuación se describen dichos elementos usando Crystal Ball de Oracle. 11 . • Cada iteración o ejecución provee un resultado en base a los valores aleatorios generados de los parámetros y la validación de las fórmulas asociadas.• Las herramientas de software permiten que hoy en día se puedan generar miles y millones de ejecuciones (trials en inglés) generando así millones de datos al azar para los parámetros probabilísticos que forman parte de sistemas de simulación.

por ejemplo el más probable alcanza alrededor de 16. Es importante notar que entre mayor sea el número de ejecuciones mejor será el ajuste a la distribución. De manera predeterminada usando el método de Monte Carlo.000 valores generados.• Para parámetros asociados a una distribución probabilística los valores de los datos de entrada probabilísticos se generan al azar. • Al concluir una simulación en Crystal Ball se pueden visualizar dichos valores generados y como se ajustan a la distribución probabilística elegida: En este ejemplo la distribución triangular muestra como los valores generados al azar fluctúan entre los rangos de 180 a 220. 12 . también se puede ver la frecuencia para cada valor.

Nótese que un rango especifico de valores. Crystal Ball provee de un gráfico de resultados que se puede analizar para visualizar la probabilidad y niveles de confianza para los pronósticos especificados.• Los parámetros generados al azar deben de producir un resultado por cada ejecución o corrida de la simulación. En este ejemplo se pronostican ganancias que se calculan en base a una mezcla de parámetros con diferentes probabilidades. hasta llegar a producir miles o millones de ellos para poder analizar como los mismos fluctúan dependiendo de la aleatoriedad de los parámetros. • Para poder pronosticar los resultados del modelo. como en este caso de 68 a 72 tienen una probabilidad del 50% 13 .

esto quiere decir que esta sujeto a cambios estadísticos para optimizar su resultado. 14 . En este ejemplo el valor óptimo promedio de la función objetivo es 67.• Por último. Al usar OptQuest. • Esto permite que un modelo matemático deje de ser determinístico y se convierta en un modelo estocástico.74. Crystal Ball provee de un módulo llamado “OptQuest” que permite optimizar modelos matemáticos de Programación Lineal cuyos parametros puedan tener un comportamiento probabilístico asociado a una distribución estadística. Crystal Ball no solo genera una simulación de los parametros y el pronóstico en base a los resultados de dicha simulación. sino también permite optimizar el valor medio o promedio de una función objetivo.

Aquí las celdas K5 (con el 56.• Luego de interpretar las probabiliades asociadas a los pronósticos de los resultados es importante también analizar que parametros al cambiar producirían un mayor impacto en el resultado final.3%) y L5 (con el 43.5%) son las que producen la mayor cantidad de cambios en los resultados. • Crystal Ball provee de el gráfico de Análisis de Sensibilidad. de modo que el analista de este modelo debe de enfocarse en estos valores para buscar producir cambios en los resultados. 15 . En este ejemplo podemos apreciar que celdas son las que tienen un mayor impacto en los resultados.

• A continuación se presentan ejemplos de sistemas de simulación en los cuales se utiliza Crystal Ball para pronosticar los resultados de dichos sistemas. 16 . cada uno busca diferentes objetivos: • Ejemplo de simulación básico – Pronóstico de consumo telefónico • Ejemplo de modelo de producción – Modelo matemático de programación lineal • Ejemplo de líneas de espera – Análisis de tiempos de esperas y modelo de colas • Puede descargar del portal del curso el documento de “Sistemas de Simulación con Crystal Ball” en Excel para realizar los ejemplos en su computadora. • Los siguientes ejemplos utilizan parámetros probabilísticos con diferentes distribuciones.

00 Usted estima que su consumo promedio en minutos al mes será de 400 minutos. Al evaluar tiene a dos posibles proveedores. sin cargos extras a llamadas de larga distancia Con: Cada minuto extra despues de los 400 minutos del plan base cuestan $0. con planes de diferentes beneficios: Super Tel Pro: 400 minutos cada mes.99 ComuniK Pro: Cantidad de minutos Ilimitada Con: Las llamadas a larga distancia cuestan $0. 30% de estos serán llamadas a larga distancia ¿Qué plan es el que le conviene contratar? 17 .08 el minuto Costo base del plan: $35. SuperTel y ComuniK.• Usted se enfrenta a la siguiente decisión: A que plan de consumo telefónico debe sucribirse.40 Costo base del plan: $39.

Parametros: Minutos Consumidos % Larga Distancia Costo Base Costo / Minuto ad. Cost / Minuto LD • Resultados con Crystal Ball • Note que el ahorro es más probable a ocurrir siempre con Super Tel: Generar valores aleatorios para: Minutos consumidos % Larga Distancia ES MC > 400 no si CTST = (MCMI)*CMA + CBST CTC = CBK + (%LD * MC)*CMLD CTST = CBST CTC = CBK + (%LD * MC)*CMLD Generar Resultados Ahorro C=CTC-CTST Ahorro ST=CTSTCTC 18 .

estos son las refrigeradoras.• Great Electronics es una tienda que fabrica electrodomésticos y los vende por catalogo bajo pedidos que realizan sus clientes. • La tienda identifico que 3 productos son los más rentables. 19 . • Debe de elaborar un plan de producción considerando que los siguientes parámetros son de carácter aleatorio: • El costo directo • La cantidad de Mano de obra • La demanda de las estufas • La demanda de las refrigeradoras • Cual debería de ser su plan de producción que maximice el promedio de las utilidades. estufas y microondas.

Demanda Refrigeradora Demanda Estufa Precio Venta Coeficientes Restricciones Generar valores aleatorios para: Costo Directo Cantidad M. Costo Directo Cantidad M.O. tomando en cuenta también su fluctuación haciendo de este un modelo estocástico.O. en promedio. en un valor cercano a $386.Parametros: • Los resultados de Crystal Ball muestran que las utilidades se maximizan.A Rest M. Demanda Refrigeradora Demanda Estufa Generar Resultados Z MAX = X1*(PV1CD1)+X2*(PV2CD2)+X3*(PV3-CD3) S. • Este promedio incluye y contempla la variabilidad de los parámetros aleatorios ajustados a las diferentes distribuciones.O Rest Demanda X2 Rest Demanda X3 20 .

con una desviación estándar de 30 segundos. pero se ha determinado que dura en promedio 3 minutos y 20 segundos. los últimos días ha alcanzado un promedio de 5 llamadas cada veinte minutos y cada vez se reciben mas llamadas en intervalos de tiempos más cortos. • El tiempo de servicio cambia dependiendo del tipo de incidente.• 1800 Soporte. así que necesita saber si el sistema actualmente es capaz de atender a los clientes en menos de ese tiempo. • Cuenta de momento con únicamente un solo técnico. ya que sabe que un cliente rara vez espera más de 5 minutos en línea para ser atendido. • El gerente quiere evaluar la probabilidades de los tiempos de espera de los clientes. es un nuevo call center que provee servicios de soporte técnico de computadoras y sistemas operativos por medio del teléfono. El horario de atención es de 9:00am hasta 4:00pm. sin embargo la afluencia de llamadas ha venido en aumento. 21 .

Parametros: Tiempos entre llegadas Tiempos de servicio Hora de inicio y fin Generar valores aleatorios para: • Al ejecutar Crystal Ball los resultados son los siguientes: Tiempos entre llegadas Tiempos de servicio • Abajo podemos apreciar que la probabilidad de que el servicio demore 5 minutos o más des del 84% ¿ ES TLL>TS(ulti mo cliente)? no si Tiempo Inicio de servicio = Tiempo de Llegada Tiempo Inicio Servicio = Tiempo de Salida del último cliente Generar Resultados Promedio Tiempo Espera 22 .

00? 2. Para el ejercicio de Líneas de espera realice una simulación agregando lo siguiente: • Se desea agregar una condición para que los clientes que lleguen al sistema entre 1pm y 2pm reciban un mensaje de que el operador se encuentra en hora de almuerzo.1.99. de modo que si un cliente llama entre estas horas automáticamente después del mensaje termina la llamada (no se contempla espera ni servicio) • ¿Cuántos clientes en promedio son rechazados? Actualice los Diagramas de Flujo con los cambios descritos en cada ejercicio 23 . Para el ejercicio de Modelo Matemático de Producción realice una simulación agregando lo siguiente: • El precio de venta de las estufas y refrigeradoras disminuye en 10% si su demanda disminuye también en 10% • ¿Cuánto es el promedio de las ganancias? ¿Qué probabilidad hay de que las ganancias sean mayores a Q400. 2. Para el ejercicio de Consumo Telefónico realice una simulación agregando lo siguiente: • Un tercer proveedor llamado “Connect” tiene un plan que ofrece llamadas ilimitadas locales y al extranjero a un costo de $49.

com. México: CENGAGE Learning.eldia. (Cuarta ed.ANDERSON y cols. (2008).). Imágenes: www. WAYNE. (2011). aplicaciones y algoritmos.bo www.freeimages. Métodos cuantitativos para los negocios. Investigación de operaciones. México: Thompson.com .). W. (Undécima ed.