INGENIERÍA INDUSTRIAL

SIMULACIÓN DE SISTEMAS

SIMULACIÓN DE MONTECARLO
MODELOS DE SIMULACIÓN DE MONTECARLO:
RANGOS

Docente: Dr. Carlos Ortega Muñoz

 DR. CARLOS ORTEGA MUÑOZ

 Licenciado en Investigación Operativa

 Magister en Administración
Mención en Gestión Empresarial
 Doctor en Educación
 Maestría en Investigación de Operaciones y Sistemas
Mención en optimización de Sistemas de Gerencia Empresarial
 Maestría en estadística

Experiencia profesional:
 Gerente Administrativo en MediCenter Le Femennie
 Jefe de Operaciones en RONIDIAZ SAC (Empresa cafetera)
 Jefe de Logística en CEMASA S.A.
 Asesor en Millenium International Group
Experiencia académica:
 Coordinador Administrativo del Postgrado de Administración UNMSM
 Asesor de Tesis: UNMSM – PUCP-UWIENER 2
 MOTIVACIÓN

El gerente siempre
buscará un esquema de
producción que
incremente las ganancias
de su compañía
SABERES PREVIOS

Experiencias personales.
LOGRO DE
SESIÓN
Al término de la unidad, el
estudiante formula, resuelve y
evalúa problemas empresariales,
usando modelos de simulación de
Montecarlo, estableciendo un
criterio técnico basado en la
simulación de sistemas.
IMPORTANCIA DE LA SIMULACIÓN

En la actualidad, la modelización y la simulación es una actividad indispensable cuando

nos enfrentamos con el análisis y diseño de sistemas multidisciplinares de cierta
complejidad. El objetivo es ayudar o dar el soporte necesario al diseñador durante el
proceso de diseño, análisis y diagnosis de sistemas ingenieriles. El software debe
complementar el talento del diseñador para que éste pueda modelar y simular de forma
lo mas eficientemente posible. El software hace posible establecer una valoración final
antes de que los sistemas sean construidos, y pueden aliviar la necesidad de
experimentos caros y dar soporte a todas las etapas de un proyecto desde el diseño
conceptual, pasando por el montaje hasta llegar a su funcionamiento
 Es una totalidad articulada en la que los elementos o
subsistemas se interrelacionan constantemente y se
encuentran distribuidos en ella según una organización
funcional de conjunto. Es ésta organización, la que
determina la función de cada elemento dentro de la totalidad.
Por lo tanto, un elemento o subsistema separado de la
estructura (contexto) en la que se encontraba previamente,
deja de tener el papel específico que desempeñaba en ella, es
decir, no cumple el propósito para el cual fue creado.

Entiéndase como totalidad no a la suma de las partes, ya

que la suma de las partes no hace el todo.

Escuela de Investigación Operativa Profesor

Luis Durand
 Transporte Almacén

Medio
Fábrica
Ambiente

Escuela de Investigación Operativa Profesor

Luis Durand
 Es un sistema que recibe y emite variables a su entorno o
medio ambiente. Los sistemas abiertos, sujetos a cambio
constante debido a su propio funcionamiento y al medio
ambiente al cual pertenecen, tienen la capacidad de
adaptarse a estos cambios. Por lo tanto, todo sistema abierto
tiene un ciclo de: nacimiento-desarrollo-muerte.

Los ejemplos anteriores son sistemas abiertos.

Variables de Sistema Variables de

entrada Variables internas salida
originadas por su
funcionamiento.

Figura:: Sistema y diferentes tipos de variables.

Escuela de Investigación Operativa Profesor

Luis Durand
 Es una abstracción de un determinado sistema (organización) de
la vida real mediante diferentes técnicas, que nos permiten analizar,
experimentar y sacar conclusiones del mismo. Un modelo puede ser:
matemático, una maqueta, un prototipo, etc.

Realidad Modelo

Escuela de Investigación Operativa Profesor

Luis Durand
 La simulación, es una técnica de la investigación operativa que
consiste en imitar los procesos o actividades relevantes de un
sistema de la vida real mediante modelos o prototipos matemáticos.
Mediante este modelo, podemos experimentar, analizar y sacar
conclusiones del sistema en estudio y hacer las recomendaciones
pertinentes que permitan optimizar el funcionamiento del mismo.

Aja.. Lo
tengo

Escuela de Investigación Operativa Profesor

Luis Durand
• 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.
 Existen algunos simuladores que podemos usar:
• Promodel
• Arena
Para construir un modelo de simulación grafico animado.

IO

Modelo
Grafico
Dinámico

Escuela de Investigación Operativa Profesor

Luis Durand
 Arena Promodel

Análisis y Conclusiones

Escuela de Investigación Operativa Profesor

Luis Durand
 ¿QUE ES LA SIMULACIÓN
MONTECARLO?

• Método computacional usado para estudiar el comportamiento de sistemas matemáticos,

físicos o de cualquier índole, a partir del uso de muestreo estadístico y números
aleatorios.
• Es iterativo -> requiere cálculos por computador.
• Las técnicas de Montecarlo pueden ser usadas para encontrar soluciones aproximadas a
problemas cuantitativos con o si incertidumbre.
Bajo el nombre de Método Monte Carlo o Simulación Monte Carlo se agrupan una serie
de procedimientos que analizan distribuciones de variables aleatorias usando simulación
de números aleatorios. El Método de Monte Carlo da solución a una gran variedad de
problemas matemáticos haciendo experimentos con muestreos estadísticos en una
computadora. El método es aplicable a cualquier tipo de problema, ya sea estocástico o
determinístico. Generalmente en estadística los modelos aleatorios se usan para simular
fenómenos que poseen algún componente aleatorio. Pero en el método Monte Carlo, por
otro lado, el objeto de la investigación es el objeto en sí mismo, un suceso aleatorio o
pseudo-aleatorio se usa para estudiar el modelo
A veces la aplicación del método Monte Carlo se usa para analizar problemas que no
tienen un componente aleatorio explícito; en estos casos un parámetro determinista del
problema se expresa como una distribución aleatoria y se simula dicha distribución. Un
ejemplo sería el famoso problema de las Agujas de Bufón. La simulación de Monte
Carlo también fue creada para resolver integrales que no se pueden resolver por
métodos analíticos, para solucionar estas integrales se usaron números aleatorios.
Posteriormente se utilizó para cualquier esquema que emplee números aleatorios,
usando variables aleatorias con distribuciones de probabilidad conocidas, el cual es
usado para resolver ciertos problemas estocásticos y determinísticos, donde el tiempo
no juega un papel importante.
HISTORIA

El método fue llamado así por el principado de Mónaco por ser ``la capital del juego de
azar'', al tomar una ruleta como un generador simple de números aleatorios. El nombre y
el desarrollo sistemático de los métodos de Monte Carlo datan aproximadamente de
1944 con el desarrollo de la computadora. Sin embargo hay varias instancias (aisladas y
no desarrolladas) en muchas ocasiones anteriores a 1944. El uso real de los métodos de
Monte Carlo como una herramienta de investigación, proviene del trabajo de la bomba
atómica durante la Segunda Guerra Mundial. Este trabajo involucraba la simulación
directa de problemas probabilísticos de hidrodinámica concernientes a la difusión de
neutrones aleatorios en material de fusión.
Aún en la primera etapa de estas investigaciones, John von Neumann y Stanislao Ulam
refinaron esta curiosa ``Ruleta rusa'' y los métodos ``de división''. Sin embargo, el
desarrollo sistemático de estas ideas tuvo que esperar el trabajo de Harris y Herman
Kahn en 1948. Aproximadamente en el mismo año, Fermi, Metropolos y Ulam obtuvieron
estimadores para los valores característicos de la ecuación de Schrödinger para la
captura de neutrones a nivel nuclear. Alrededor de 1970, los desarrollos teóricos en
complejidad computacional comienzan a proveer mayor precisión y relación para el
empleo del método Monte Carlo. La teoría identifica una clase de problemas para los
cuales el tiempo necesario para evaluar la solución exacta al problema crece con la
clase, al menos exponencialmente con M.
La cuestión a ser resuelta era si MC pudiese o no estimar la solución al problema de tipo
intratable con una adecuación estadística acotada a una complejidad temporal polinomial
en M. Karp(1985) muestra esta propiedad para estimar en una red plana multiterminal
con arcos fallidos aleatorios. Dyer(1989) utiliza MC para estimar el volumen de un
convex body en el espacio Euclidiano M-dimensional. Broder(1986), Jerrum y Sinclair
(1988) establecen la propiedad para estimar la persistencia de una matriz o en forma
equivalente, el número de matching perfectos en un grafo bipartito.
 PASOS PARA LA SIMULACIÓN DE MONTECARLO

1. Diseñar el modelo matemático que representa el problema con

incertidumbre.
2. Especificar distribuciones de probabilidad para las variables
aleatorias relevantes.
3. Incluir posibles dependencias entre variables.
4. Muestrear valores de las variables aleatorias.
5. Calcular el resultado del modelo según los valores del muestreo y
registrar el resultado.
6. Repetir el proceso hasta tener una muestra estadísticamente
representativa.
7. Obtener la distribución de frecuencias del resultado de las
iteraciones.
8. Calcular la media, desviación y otros indicadores.
¿POR QUÉ SIMULACIÓN EN INGENIERÍA INDUSTRIAL?

• Los responsables de la toma de decisiones necesitan información cuantificable,

sobre diferentes hechos que puedan ocurrir.
• La simulación constituye una técnica económica que nos permite ofrecer varios
escenarios posibles de un modelo del negocio, nos permite equivocarnos sin
provocar efectos sobre el mundo real.
• Podemos afirmar entonces, que la simulación es una rama experimental dentro de
la Investigación Operativa y la ingeniería industrial.
Investigación de Operaciones 24
Investigue usando
las tecnologías de
la información y
comunicación
Responda las preguntas planteadas en la tarea de
investigación

25
 Tarea de investigación

¿Qué otras aplicaciones en su especialidad tiene la Simulación de Montecarlo

26
Administración de Operaciones 27