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

Frecuencia Relativa - Suceso Cara

0.7

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

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:
+1

A = x 2 dx =
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

DEMANDA
36
48
60
72
84
96

Asignatura: Simulacin

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

Utilidad diaria promedio (Pesos)

6.917
7

6.435
6.102

6
5

4.653

4.347

4
3
2
1.273
1
0
36

48

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

Alta
Media
Baja

0.30
0.45
0.25

0.30
0.75
1.00

INTERVALO DE NMEROS
ALEATORIOS

0
30
75

29
74
99

Distribucin de demandas por tipo

DISTRIBUCION DE PROBABILIDAD DE DEMANDA

DISTRIBUCION ACUMULADA

INTERVALO DE NMEROS ALEATORIOS

DEMANDA

Alta

Media

Baja

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

Alta

0
5
15
40
70
90

Media

4
14
39
69
89
99

0
10
30
60
85
95

Baja

9
29
59
84
94
99

0
15
40
75
90
95

14
39
74
89
94
99

Simulacin de Montecarlo

Ing. G.H. Scarpin

POLITICA:

60

(panes/da)
K= 35

NUMEROS ALEATORIOS: tcnica del producto medio modificado

K= 65

DIA

NUM. ALEAT.
PARA EL TIPO
DE DEMANDA

TIPO DE
DEMANDA

NUM. ALEAT.
PARA LA
DEMANDA

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

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

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

Pgina 6

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

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

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

TC =

4 100 20 1000
+
= $400
2
100

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=

1000 2
40 unidades
52

Nivel del inventario

100

40
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

Asignatura: Simulacin

c. Simulacin de inventario Montecarlo

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

0
1
2
3
4
SUMA

PROBABILIDAD DISTRIBUCION
ACUMULADA

5
10
15
12
8
50

0.10
0.20
0.30
0.24
0.16
1

Tabla 3: Distribucin del Tiempo de Entrega

INTERVALO DE NMEROS
ALEATORIOS

0.10
0.30
0.60
0.84
1.00

0
10
30
60
84

T. DE
ENTREGA,
SEMANAS

9
29
59
83
99

FRECUENCIA PROBABILIDAD DISTRIBUCION

ACUMULADA

1
2
3
SUMA

4
4
2
10

0.40
0.40
0.20
1

0.40
0.80
1.00

INTERVALO DE NMEROS
ALEATORIOS

0
40
80

39
79
99

Tabla 4: SIMULACION DE MONTECARLO

POLITICA:

Q=6
R=3
Clculo de la demanda

NUMEROS ALEATORIOS: de tabla

Clculo del T. de Entrega

Actividad Simulada

Tiempo

NUM. ALEAT.

Demanda

NUM. ALEAT.

Tiempo de
Entrega

Pedido
Colocado

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

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

39

Ing. G.H. Scarpin

Pedido Recibido

6
6
19
69

1
2

6
6

34

91

42

25

6
6

47.88

1.63

6
6
6

Pgina 11

Balance

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

Costos Simulados
Articulos no
Vendidos

Conservacin
$2

Pedido
$30

Faltante
$20

Total

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

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

FIN
Si

Emitir un pedido

No
1

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