SIMULACIN, ANLISIS Y

DISEO

Ing. Lily Villar Tiravantti

 Administracin del Riesgo

Teora presentada por McConnell (1997)

indica:
La Administracin del riesgo es una
parte integral de las buenas prcticas
gerenciales, administracin de riesgos es
un mtodo lgico y sistemtico de
establecer el contexto, identificar,
analizar, evaluar, tratar, monitorear y
comunicar los riesgos asociados con una
actividad, funcin o proceso de una
forma que permita a las organizaciones
minimizar prdidas y maximizar
oportunidades.

2
 Los cuatro procesos que involucra la
Administracin son:

Identificacin del Riesgo

Cuantificacin del Riesgo

Desarrollo de Respuesta al Riesgo

Control de Respuesta al Riesgo

3
 Importancia de la Administracin de Riesgo

Una manera de mejorar la productividad y reducir los costos del

proyecto es mediante una identificacin y eliminacin temprana
de riesgos.
La correccin de problemas de software implica un alto costo,
que se puede evitar realizando correcciones en la fase de
planeacin del proyecto.

4
Simulacin Monte Carlo
Antecedentes
Fue llamado as por el principado de Mnaco por ser La
Capital del Juego de Azar

Fue inventado en la dcada de

1940 por Stanislaw Ulaw mientras
estaba trabajando en proyectos de
armas nucleares en el Laboratorio
5
Nacional de Los lamos
 Simulacin Monte Carlo
Se le ocurri la idea mientras jugaba un solitario
durante una enfermedad en 1946.
Resultado general de solitario haciendo
pruebas mltiples con las cartas.
Para tener todas las posibilidades de
combinacin.

Stanislaw Ulam le mencion el mtodo a

Jhon von Neumann comprendi su
importancia y programar la computadora
ENIAC para realizar clculos de Monte Carlo.
6
Qu es?

Es un mtodo estadstico usado para aproximar

expresiones matemticas complejas y costosas de
evaluar con exactitud

Es una tcnica de seleccin de nmeros aleatorios a travs de

una o ms distribuciones de probabilidad, para utilizarlas en una
simulacin.

JHON VON NEUMANN

7
Usos

Estimar el retorno de la inversin y el riesgo de productos

Pronosticar costos e ingresos

Pronosticar la capacidad ptima de produccin de plantas

Estimar cantidades ptimas para pedidos y ventas

Estimar las opciones reales de un proyecto

Definir estrategias de inversin

8
 Ventajas
Es un mtodo directo y flexible.
Existe un amplio abanico de programas y lenguajes destinados a
simular.
Cuando el modelo matemtico es demasiado complicado la
simulacin nos permite formular condiciones extremas con
riesgos nulos.
La simulacin no interfiere con el mundo real. Permite
experimentar.
Permite estudiar la interaccin entre las diferentes variables del
problema.
Mediante la simulacin podemos influir en el tiempo de los
procesos.
La Simulacin permite resolver problemas que no tienen
solucin analtica. 9
 Desventaja

Una buena simulacin puede resultar muy complicada, gran

nmero de variables.

La simulacin no genera soluciones ptimas globales.

No proporciona la decisin a tomar, sino que resuelve el

problema mediante aproximacin para unas condiciones
iniciales.

Cada simulacin es nica, interviene el azar.

10
 Simulacin Monte Carlo

Es una tcnica cuantitativa: usa la estadstica y repite los

procesos en los ordenadores, mediante modelos matemticos.
La simulacin de Monte Carlo se ha venido aplicando a una
infinidad de mbitos como alternativa a los modelos
matemticos exactos o incluso como nico medio de estimar
soluciones para problemas complejos.

11
 Simulacin Monte Carlo

La simulacin de Monte Carlo es una tcnica que combina

conceptos estadsticos (muestreo aleatorio) con la capacidad
que tienen los ordenadores para generar nmeros pseudo-
aleatorios y automatizar clculos.

12
 Simulacin Monte Carlo - Introduccin

La simulacin de Monte Carlo est presente en todos aquellos

mbitos en los que el comportamiento aleatorio o
probabilstico desempea un papel fundamental.
Precisamente, el nombre de Monte Carlo proviene de la
famosa ciudad de Mnaco, donde abundan los casinos de
juego y donde el azar, la probabilidad y el comportamiento
aleatorio conforman todo un estilo de vida.
La ruleta, juego estrella de los casinos, es uno de los aparatos
mecnicos ms sencillos que permiten obtener nmeros
aleatorios para simular variables aleatorias.

13
 Simulacin Monte Carlo: Qu es?

Es una tcnica cuantitativa que hace uso de la estadstica y los

ordenadores para imitar, mediante modelos matemticos, el
comportamiento aleatorio de sistemas reales no dinmicos
(por lo general, cuando se trata de sistemas cuyo estado va
cambiando con el paso del tiempo, se recurre bien a la
simulacin de eventos discretos o bien a la simulacin de
sistemas continuos).

14
 Aplicacin del Modelo Monte Carlo
Clave del
Crear un modelo matemtico del
Mtodo sistema que se quiere analizar
Monte
Carlo
Tras repetir N veces este
experimento, dispondremos
de N observaciones sobre el
comportamiento del sistema
Nuestro anlisis ser tanto ms
preciso cuando mayor sea el
nmero N de experimentos que
15
llevemos a cabo
Identificar las variables cuyo
comportamiento aleatorio
determina el comportamiento
global del sistema
Una vez identificados dichos inputs o
variables aleatorias, se lleva a cabo un
experimento consistente en:
generar con ayuda del ordenador-
muestras aleatorias (valores
concretos) para dichos inputs, y
analizar el comportamiento del
sistema ante los valores generados.
Simulacin Monte Carlo: Ejemplos
Un juego de Azar

Un amigo le propone el siguiente juego:

Usted lanzar dos dados (sin alterar)

Si el resultado de los dos dados es igual (por ejemplo, caen
dos unos o dos seis) usted gana
Su amigo le pagar S/. 100 multiplicados por el producto de
puntos (por ejemplo, si caen dos unos le pagar S/ 100; si
caen dos seis le pagar S/ 3600)
Si el resultado de los dos dados es diferente usted le paga a su
amigo S/ 200

16
 Dado 1 Dado 2 Probabilidad Ganancia
1 1 0.027777778 100
2 2 0.027777778 400
3 3 0.027777778 900
4 4 0.027777778 1600
5 5 0.027777778 2500
6 6 0.027777778 3600
otro caso 0.833333333 -200

17
Simulacin Monte Carlo: Ejemplos
En la imagen inferior se muestra un anlisis histrico de 200 das
sobre el nmero de consultas diarias realizadas a un sistema de
informacin empresarial (SIE) instalado en un servidor central. La
tabla incluye el nmero de consultas diarias (0 a 5) junto con las
frecuencias absolutas (nmero de das que se producen 0, 1, ...,
5 consultas), las frecuencias relativas (10/200 = 0,05, ...), y las
frecuencias relativas acumuladas.
Consultas Frecuencia Frecuencia Frecuencia
SIE Abs (das) Relativa Relat. Acum.
0 10 0.05 0.05
1 20 0.10 0.15
2 40 0.20 0.35
3 60 0.30 0.65
4 40 0.20 0.85
5 30 0.15 1.00
Total 200
18
1
Simulacin Monte Carlo: Ejemplos

19
Simulacin Monte Carlo: Ejemplos
Para generar un primer experimento con los datos de la
tabla anterior, utilizaremos la funcin ALEATORIO()
En Excel, es posible obtener un nmero pseudo-aleatorio -
proveniente de una distribucin uniforme entre el 0 y el 1-
usando la funcin ALEATORIO.

20
Simulacin Monte Carlo: Ejemplos
Los nmeros generados mediante la funcin ALEATORIO tienen
dos propiedades que los hacen equiparables a nmeros
completamente aleatorios:
1. Cada vez que se usa la funcin ALEATORIO, cualquier nmero
real entre 0 y 1 tiene la misma probabilidad de ser generado
(de ah el nombre de distribucin uniforme).
2. Los diferentes nmeros generados son estadsticamente
independientes unos de otros (es decir, el valor del nmero
generado en un momento dado no depende de los generados
con anterioridad).

21
Simulacin Monte Carlo: Ejemplos
Vamos a generar un nmero aleatorio en la celda F1.
Despus de esto arrastramos la celda para generar 100 datos.

22
Simulacin Monte Carlo: Ejemplos
Utilizando la instruccin SI, asignaremos los valores generados al
nmero de consultas que corresponden

23
Simulacin Monte Carlo: Ejemplos
Al igual que con la instruccin aleatorio, hacemos el arrastre para
cubrir los 100 datos.

24
Simulacin Monte Carlo: Ejemplos
Finalmente, calcularemos la media de la columna H con la funcin
PROMEDIO

debido al componente aleatorio del modelo, normalmente

obtendremos valores cercanos al valor real, siendo dichos valores
diferentes unos de otros (cada simulacin proporcionar sus propios
resultados).
Se puede comprobar este hecho pulsando repetidamente sobre la
funcin F9 (cada vez que se pulsa dicha tecla, Excel genera nuevos
valores aleatorios y, por tanto, nuevos
25 valores para la columna F y la
Simulacin Monte Carlo: Ejemplos
Finalmente, realizamos las 30 observaciones y
calcularemos la media de la columna k con la
funcin PROMEDIO

26
Actividad
Con las 30 observaciones prepare un grfico e interprete la
tendencia.

27
Actividad
Se hace un estudio para simular el nmero de entregas fallidas
(delivery despus de los 40 minutos) en una pizzera. A continuacin
se muestra los datos histricos de las entregas del ltimo mes.
Entregas Frecuencia Frecuencia
fallidas Absoluta Frecuencia Relativa
(entregas) (das) Relativa Acumulada
0 12 0.40 0.40
1 7 0.23 0.63
2 5 0.17 0.80
3 3 0.10 0.90
4 2 0.07 0.97
5 1 0.03 1.00
Total 30 1

Simule con una muestra de 300 datos

28
Actividad
Prepare cuatro ejemplos prcticos en el que pueda aplicar los
conceptos revisados en la sesin.

29
Montecarlo con Variables Discretas
Funcin BUSCARV o CONSULTAV : usada para buscar la
primera columna de un rango (rango: dos o ms celdas de
una hoja. Las celdas de un rango pueden ser adyacentes o
no adyacentes.) de celdas y devolver un valor de cualquier
celda de la misma fila del rango.

30
Montecarlo con Variables Discretas
Variables:
Son condiciones cuyos valores se crean y modifican por
medio de ecuaciones matemticas y relaciones lgicas.
Pueden ser continuas (por ejemplo, el costo promedio de
operacin de un sistema) o discretas (por ejemplo, el
nmero de unidades que deber empacarse en un
contenedor). Las variables son muy tiles para realizar
conteos de piezas y ciclos de operacin, as como para
determinar caractersticas de operacin del sistema.

31
Montecarlo con Variables Discretas
Variables:
Son condiciones cuyos valores se crean y modifican por
medio de ecuaciones matemticas y relaciones lgicas.
Pueden ser continuas (por ejemplo, el costo promedio de
operacin de un sistema) o discretas (por ejemplo, el
nmero de unidades que deber empacarse en un
contenedor). Las variables son muy tiles para realizar
conteos de piezas y ciclos de operacin, as como para
determinar caractersticas de operacin del sistema.

32
Montecarlo con Variables Discretas
Ejemplo:
Una distribuidora de ropa, quiere decidir sobre el nmero
de unidades de un determinado abrigo que conviene
adquirir. Este abrigo es estacionario por lo que finalizada la
temporada de invierno se retirar completamente de los
estantes de venta. Cada abrigo le cuesta a la distribuidora
un total de 75 Nuevos Soles, mientras que el precio al que
lo vende es de 100 Nuevos soles. Cuando se retire de los
estantes de venta, la distribuidora podr devolver al
mayorista los abrigos en stock, obteniendo a cambio un
total del 25 Nuevos Soles por cada uno.

33
Montecarlo con Variables Discretas
Ejemplo:
Basados en la informacin histrica de los ltimos meses,
se prepar la siguiente informacin

Inputs del
modelo
34
Montecarlo con Variables Discretas
Ejemplo:
Se construye el modelo con una observacin

Realizaremos 100 muestras

35
Montecarlo con Variables Discretas
Ejemplo:
Resultado del modelo con una muestra de 100 datos.

36
Montecarlo con Variables Discretas
Ejemplo:
Resultado del modelo con una muestra de 100 datos.

37
Actividad
Realizar la siguiente variacin al ejemplo con una muestra de
100 nmeros

38
Actividad
Graficar su resultado
Determinar cul es el Nmero ptimo de unidades a
comprar
Determinar cul es la peor opcin de compra

39
Actividad
En la imagen inferior se muestra un anlisis histrico de 200
das sobre el nmero de consultas diarias realizadas a un
sistema de informacin empresarial (SIE) instalado en un
servidor central. La tabla incluye el nmero de consultas
diarias (0 a 5) junto con las frecuencias absolutas (nmero de
das que se producen 0, 1, ..., 5 consultas), las frecuencias
relativas (10/200 = 0,05, ...), y las frecuencias relativas
acumuladas. El costo por cada acceso es de 5 nuevos soles.

40
Actividad
Simule por 365 das las consultas al SIE
Determinar cul es el costo anual por los accesos.
Registre 30 veces los valores del costo anual obtenido e
Interprete la tendencia.

41