SIMULACIN.

FUNDAMENTOS

8.5 LA METODOLOGA MONTE CARLO.

Los sistemas de gestin de decisiones con riesgo exhiben elementos probabilsticos en su comportamiento. Estos pueden simularse con la ayuda de una tcnica denominada Monte Carlo (llamada as despus del famoso juego del reino "gambling kingdom"). La tcnica implica el muestreo aleatorio desde las distribuciones de probabilidad que representan los procesos de la realidad. Debe recordarse que en el caso del Centro de Informacin Turstica, se cronometran las llegadas y duraciones del servicio. Estas dos variables son normalmente aleatorias (el tiempo de servicio algunas veces es constante). Lo que el mtodo de Monte Carlo hace es generar tiempos de llegada y tiempos de servicio simulados a partir de la distribucin dada utilizando el muestreo aleatorio. As pues, el mecanismo de Monte Carlo no es un modelo de simulacin per se, sino ms bien viene a ser sinnimo con simulacin probabilstica. Es un mecanismo que se utiliza en el proceso de la simulacin aleatoria. Se vern antes algunos trminos bsicos. Distribucin uniforme. Una distribucin uniforme es aquella en la que cada valor de la variables tiene exactamente la misma probabilidad de ocurrencia (tabla 8.3.).

Demanda 6 7 8 9

Probabilidad 0,25 0,25 0,25 0,25

Tabla 8. 3

Esta distribucin se puede ver grficamente en la Figura 8.2.

407

MTODOS CUANTITATIVOS I

0,3

PROBABILIDAD

0,25 0,2

0,1

9 ...

DEMANDA
Figura 8. 2

Nmero aleatorio (NA). Un nmero aleatorio es un nmero elegido, de forma aleatoria, de entre una poblacin de nmeros uniformemente distribuida. Es decir que cada nmero de la poblacin tiene la misma probabilidad de ser seleccionado. Los nmeros aleatorios pueden ser ordenados de varias formas, dependiendo de la poblacin:

Poblacin 0a1 0 a 10 000 a 999

N.A. Decimal 0,62 0,7318 Dgito nico 6, 8, 0, 3 Tres dgitos 123, 306
Tabla 8. 4

408

SIMULACIN. FUNDAMENTOS

8.5.1 PROCESO. El proceso de Monte Carlo implica los cuatro pasos de la Figura 8.3

CONSTRUIR UNA DISTRIBUCIN ACUMULADA

PASO 1

ASIGNAR UN RANGO DE NMEROS ALEATORIOS PARA DESCRIBIR LA DISTRIBUCIN ACUMULADA

PASO 2

SELECCIONAR UN NMERO ALEATORIO (RN)

PASO 3

PROYECTAR UNA OBSERVACIN ALEATORIA DE LA VARIABLE

Figura 8. 3

PASO 4

409

MTODOS CUANTITATIVOS I

8.5.2 EJEMPLO Volviendo al problema de Sunny, se supone que por medio de ms datos histricos, un estudio de tiempos, o por estimacin es posible expresar el tiempo de servicio en el centro de informacin turstica por la distribucin de probabilidad de la Tabla 8.5

Duracin del servicio (min.) 3 4 5 6

Tabla 8. 5

Probabilidad 0,156 0,287 0,362 0,195

Paso 1. Construccin de la distribucin de probabilidades acumulada. Se da en la Tabla 8.6. La distribucin acumulada se obtiene sumando las probabilidades de la tabla 8.5 con la probabilidad acumulada anterior de la tabla 8.6. Se puede ver en la Figura 8.4.

Duracin del servicio 3 4 5 6

Probabilidad acumulada 0,156 0,443 0,805 1,00

Tabla 8. 6

410

SIMULACIN. FUNDAMENTOS

1,0 0,9

A
0,8 0,7 0,6 RN = 0,782

PROBABILIDAD ACUMULADA

0,5 0,4

C
0,3 0,2 0,1

DURACIN DEL SERVICIO

Figura 8. 4

En este momento el proceso puede continuar bien grficamente (pasos 3 y 4; el paso 2 se ha eliminado puesto que el grfico proporciona los rangos de asignacin de los nmeros aleatorios.), o utilizando un mtodo tabular (pasos 2, 3 y 4).

411

MTODOS CUANTITATIVOS I

8.5.3 MTODO GRFICO. Paso 3. Generacin de un nmero aleatorio. Un nmero aleatorio puede elegirse de varias formas. Una manera conveniente es la de utilizar una tabla de nmeros aleatorios, como la que se incluye. El primer nmero es 7823. Si se est trabajando con una exactitud de tres decimales slo se necesita un NA de 3 dgitos (782) y puesto que se tiene una poblacin entre 0 y 1, debe representarse como 0,782. Paso 4. Proyectar un tiempo de servicio. Esto se hace con ayuda de la distribucin acumulada, Figura 8.4. a. Localizar el NA = 0,782 sobre el eje de la probabilidad acumulada. b. Moverse horizontalmente hasta el punto K. c. Moverse verticalmente, hacia abajo, hasta que se encuentra el eje "tiempo de servicio". d. Leer el valor del tiempo de servicio: 5 en este caso.
Tiempo servicio (min) 3 4 5 6 0,156 0,287 0,362 0,195
Tabla 8. 7

Probabilidad

Probabilidad acumulada 0,156 0,443 0,805 1,000

Rango de NA 000 - 155 156 - 442 443 - 804 805 - 999

8.5.4 MTODO TABULAR. Este mtodo comienza con el paso 2. Paso 2. Asignar un rango a los NA. Utilizando la probabilidad acumulada como gua (tabla 8.5), se asigna un rango representativo (o intervalo) a todos los 412

SIMULACIN. FUNDAMENTOS

valores de la variable "tiempo de servicio". Esto se hace a partir de la informacin de la tabla 8.7. Puesto que en este caso se utilizan nmeros de tres dgitos, se elegirn los nmeros 000 al 999. La asignacin de nmeros representativos debe ser tal que la proporcin de los diferentes estados de la naturaleza se mantenga (nmero de minutos de servicio, en este caso). Por ejemplo, la asignacin de 3 minutos de tiempo de servicio requiere 156 nmeros de tres dgitos. Esto es porque la proporcin de 3 minutos es 0,156 y como existen 1.000 nmeros de tres dgitos, 0,156 se transforma en 156 (1.000*0.156). Los nmeros que se asignan a cada categora son algo arbitrarios. Podran utilizarse cualesquiera 156 nmeros de tres dgitos al azar. Para dar uniformidad se puede comenzar con 000. Empezando con 000 y contando 156 nmeros, se finaliza con el 155. Como no habra diferencia si se utilizasen otros nmeros, podran haberse usado desde el 001 al 156. En la asignacin de nmeros representativos es frecuente usar como un instrumento auxiliar, la distribucin de probabilidad acumulada. Obsrvese que cuando el lmite inferior de los nmeros representativos (es decir 156 en el caso de 4 minutos) corresponde con la probabilidad acumulada de 3 minutos (ver las flechas en la tabla 8.7). Paso 3. Generar NA. Se hace del mismo modo que en el mtodo grfico. Paso 4. Predecir un valor especfico de la variable que se busca (hacer una observacin aleatoria). Tomar el NA generado (782 en este caso, omitiendo el dgito innecesario) y buscando el rango en el que se encuentra dicho nmero. en la tabla 8.7, el rango es 443-804. As pues, al NA 782 le corresponden 5 minutos de tiempo de servicio. De una manera similar, el mtodo de Monte Carlo generar una secuencia de tiempos de servicios aleatorios desde la correspondiente secuencia de NA's (ver tabla 8.8). Estos valores son los que se utilizarn en el proceso de simulacin.
NA(de la tabla anexa) Tiempo de servicio 782 5
Tabla 8. 8

430 4

922 6

871 6

477 5

413

MTODOS CUANTITATIVOS I

8.5.5 EXPERIMENTOS DE SIMULACIN. Los experimentos de simulacin implican situaciones con riesgo y, consecuentemente, se utiliza constantemente el mecanismo de Monte Carlo. Cuando la simulacin es determinista el mtodo de Monte Carlo se omite. Vease a continuacin una lista de los ocho pasos que implican los experimentos de simulacin (incluyendo Monte Carlo): 1. Describir el sistema y obtener las distribuciones de probabilidad de los elementos aleatorios relevantes del sistema. este es un paso crucial que requiere una ntima familiarizacin con el sistema. Es bastante frecuente que se hagan presunciones incorrectas en este punto, lo cual invalida el resto de la simulacin. 2. Definir la medida (s) apropiada de actuacin del sistema. Si es necesario, escribirla en forma de una ecuacin (es). 3. Construir las distribuciones de probabilidad acumulada para cada uno de los elementos estocsticos. 4. Asignar los nmeros representativos en correspondencia con las distribuciones de probabilidad acumulada. 5. Para cada elemento probabilstico, tomar una muestra aleatoria (generar un nmero o coger uno de una tabla de NA). 6. Obtener las medidas de actuacin del sistema. 7. Repetir los pasos 5 y 6 hasta que las medidas de actuacin se "estabilicen" (se ver posteriormente). 8. Repetir los pasos 5 - 7 para diferentes politicas de gestin. Decidir cual es la poltica de gestin adecuada. Este procedimiento se ver a continuacin con un ejemplo de control de inventarios.

414

SIMULACIN. FUNDAMENTOS

8.6 SIMULACION DISCRETA, INDEPENDIENTE DEL TIEMPO.

La estacin de servicio de Marn vende gasolina a todo tipo de botes. La demanda de gasolina depende del tiempo que haga y flucta de acuerdo con la siguiente distribucin.

Demanda semanal (Gal.) 2.000 3.000 4.000 5.000

Tabla 8. 9

Probabilidad 0,12 0,23 0,48 0,17

Los aprovisionamientos llegan una vez por semana. Puesto que la estacin de servicio de Marn se encuentra en un lugar remoto, es necesario pedir y aceptar una cantidad fija de gasolina para todas las semanas. Andrs, el dueo, se encuentra con el siguiente problema: si los pedidos son de cantidades muy pequeas, perder, en trminos de prdida de clientela e imagen, 12 cntimos por galn pedido y no servido. Si pide cantidades muy grandes, tendr que pagar 5 cntimos por galn que se le quede debido al almacenamiento. Por cada galn vendido obtiene un beneficio de 10 cntimos. En la actualidad, Andrs recibe 3.500 galones al principio de cada semana antes de abrir sus dependencias. Andrs cree que podra recibir ms, quizs 4.000 4.500 galones. El problema es encontrar la mejor cantidad a pedir. Este problema puede resolverse por prueba-y-error. Es decir, la estacin de servicio puede pasar pedidos por cada una de las cantidades, por ejemplo durante 10 semanas, y comparar los resultados. Ahora bien, la simulacin puede dar la respuesta en pocos minutos y una perdida simulada es slo una prdida en el papel.

415

MTODOS CUANTITATIVOS I

8.6.1 SOLUCIN POR SIMULACIN. Para encontrar la mejor cantidad a pedir es necesario calcular el beneficio (prdida) para la cantidad actual (3.500 gal.) y para otras cantidades posibles. Por ejemplo, 4.000 4.500 (sugeridas por Andrs), o cualquier otra que se desee (v.g., 3.600 3.750). Cada cantidad es una solucin propuesta, y los primeros siete pasos de los ocho, deben aplicarse a cada una de ellas; el octavo se hace cuando concluye el anlisis. Supongase que hoy es el primer da de la semana, que un reaprovisionamiento ha llegado, y que hay ahora almacenados 3.800 galones. La capacidad del tanque es de 5.500 galones. Las ecuaciones que describen se discutirn despus. En este momento, se debera chequear que el sistema funciona tal y como se ha descrito antes. 8.6.1.1 Paso 1. Describir el sistema y determinar la distribucin de probabilidad Slo hay una distribucin de probabilidad en este caso y describe la demanda. En simulaciones ms complicadas de Monte Carlo suelen haber implicadas varias. 8.6.1.2 Paso 2. Decidir sobre las medidas de eficacia La primera medida de la eficacia es el beneficio diario promedio el cual se puede calcular como:
10 x (ventas) - 12 x (demanda insatisfecha) - 5 x (cantidad no desembarcada)

Otras medidas menos importantes como la escasez promedio se discuten al final del ejemplo. 8.6.1.3 Paso 3. Calcular las probabilidades acumuladas Son las que figuran en la tabla 8.10. La columna de probabilidad acumulada indica la probabilidad de que ocurra una demanda especfica o menos. Por ejemplo, 0,35 es la probabilidad de que la demanda sea menor o igual de 3.000. 416

SIMULACIN. FUNDAMENTOS

Demanda Semanal 2.000 3.000 4.000 5.000

Probabilidad 0,12 0,23 0,48 0,17

Probabilidad Acumulada 0,12 0,35 0,83 1,00

Rango de NA 01 - 12 13 - 35 36 - 83 84 - 00

Tabla 8. 10

8.6.1.4 Paso 4. Asignacin de rangos representativos de nmeros Para cada demanda se asigna un rango de nmeros representativos en proporcin a la distribucin de probabilidad. Por ejemplo, hay una probabilidad de 0,12 de que ocurra una demanda 2.000. Consecuentemente, de 100 nmeros (todos los nmeros de dos dgitos), 12 se asignarn a la representacin de dicha demanda. Una forma fcil de hacerlo es asignar los nmeros 01, 02, 03 ..., 12. (se observa en la tabla). A continuacin, la demanda de 3.000 se representa por 23 nmeros, de tal forma que tiene una probabilidad de 0,23 de ocurrir. Puesto que los nmeros 01-12 ya han sido asignados, lo lgico es asignar los siguientes 23 nmeros de dos dgitos, es decir 13-35. 8.6.1.5 Paso 5. Generacin de nmeros aleatorios y clculo de la medida de realizacin del sistema El primer sistema de inventario que se considerar es la poltica actual de reaprovisionamiento de 3.500 gal. por semana. A propsito de demostracin, este paso se repetir aqu slo 10 veces para simular 10 semanas. En la realidad se continuara hasta que la medida de realizacin (beneficio medio semanal) consiga la estabilidad, lo que se explicar despus. Los clculos detallados se muestran en la tabla 8.11, y se realizan como sigue: La columna 1 designa la semana simulada. En el ejemplo slo se simulan 10 semanas. 417

MTODOS CUANTITATIVOS I

La columna 2 es una lista de nmeros aleatorios (NA), tomada de la parte derecha de la tabla del final. Como interesan slo nmeros de dos dgitos slo se utilizan el primero y segundo dgitos de los cuatro disponibles, se comienza con el 32, sigue el 08, y as sucesivamente. La columna 3 representa el inventario al principio de cada semana (I1). La columna se calcula como la suma de los 3.500 galones del reaprovisionamiento con el inventario al final de la semana anterior (I2). El inventario mximo es de 5.500 gal., debido a limitaciones de capacidad. Entonces I1 = I2 + 3.500 (hasta 5.500 como lmite superior).
1 N de semana 2 3 Inventario al comienzo de semana N.A. 1 2 3 4 5 6 7 8 9 10 Total Prom.Semanal 32 08 46 92 69 71 29 46 80 14 I1=I2 + 3.500 3.800 4.300 5.500 5.000 3.500 3.500 3.500 4.000 3.500 3.500 40.100 4.010 4 Demanda simulada 5 Ventas 6 Inventario final semana I2=I1S 800 2300 1500 0 0 0 500 0 0 500 5.600 560 7 Demanda insatisfecha 8 Reembarque 9 Beneficio semanal 10 Beneficio semanal Promedio Bsp 300,00 250,00 295,00 346,25 335,00 327,50 323,57 333,12 328,33 325,50

(D) 3.000 2.000 4.000 5.000 4.000 4.000 3.000 4.000 4.000 3.000 36.000 3.600

(S) 3.000 2.000 4.000 5.000 3.500 3.500 3.000 4.000 3.500 3.000 34.500 3.450

U=D-I1 0 0 0 0 500 500 0 0 500 0 1.500 150

(B) 0 0 300 0 0 0 0 0 0 0 300 30

Bs 300,00 200,00 385,00 500,00 290,00 290,00 300,00 400,00 290,00 300,00 3.255,00 325,50

325,50

Tabla 8. 11

La columna 4 representa la demanda prevista D basndose en el NA de la columna 2 y el rango de NA de la tabla 8.10. Por ejemplo, el primer NA es 32, cae en el rango 13 -35, lo cual es equivalente a una demanda semanal de 3.000. Una vez 418

SIMULACIN. FUNDAMENTOS

que la segunda columna (NA) se ha generado, las cuatro columnas pueden calcularse rpidamente. La columna 5 representa la cantidad vendida. Pueden ocurrir dos casos: 1. La demanda D es menor o igual que el inventario existente, I1. En este caso las ventas son iguales a la demanda D (p.e., S = D en las semanas 1, 2, 3 y 4). 2. La demanda es mayor que el inventario existente. En este caso, las ventas se limitan al inventario existente. D - I1 es la demanda insatisfecha, U (columna 7). Por ejemplo, en la semana 5 hay una demanda de 4.000 pero un inventario de 3.500. As pues las ventas son de 3.500 y hay una demanda insatisfecha de 500. En la columna 6 se lista el inventario al final de cada semana, I2 Se calcula restando la cantidad vendida (columna 5) del inventario al principio de semana (columna 3), I2 = I1 - S La columna 7 designa la demanda insatisfecha, U. Esta columna muestra la diferencia entre demanda y el inventario inicial, cuando la demanda es mayor (p.e., en la semana 5). As, U = D - I. La columna 8 designa la cantidad reembarcada. Tal situacin ocurre cuando "en inventario al final de semana" ms el pedido (3.500 gal. en este caso) excede de los 5.500 gal. de capacidad del tanque. En este caso el exceso de suministro no se descarga y al comienzo de la semana el inventario es de 5.500. Por ejemplo en la semana 3 el pedido de 3.500 llega cuando el inventario final de la semana 2 es de 2.300, lo cual da un total de 5.800 gal. As pues 5.800 - 5.500 = 300 son los galones que se reembarcan. Columna 9. La medida de realizacin en este problema es el beneficio. El beneficio se calcula cada semana de acuerdo con la frmula: $ Beneficio = 0,10 S - 0,12 U - 0,05 B Por ejemplo: En la semana l: En la semana 3: S=3.000, U = 0, B = 0; Beneficio = $ 300

S = 4.000, U = 0, B = 300;

419

MTODOS CUANTITATIVOS I

Beneficio = 0,1 (4.000) - 0,05 (300) = $ 385 Columna 10. El beneficio promedio semanal se calcula totalizando los beneficios semanales (beneficio acumulado) y dividindolos entre el nmero de semanas. Por ejemplo, en la semana 3: Beneficio acumulado = $ 300 + $ 200 + $ 385 = $ 885 Promedio semanal = $ 885 / 3 = $ 295. 8.6.1.6 Paso 6. Clculo de las medidas de realizacin o eficacia Cada simulacin se compone de mltiples pruebas. La pregunta de cuantas pruebas hay que hacer en cada simulacin (o encontrar la longitud de la simulacin) implica anlisis estadstico. Cuanto ms grande sea la longitud de la simulacin, ms exactos son los resultados, pero mayor es el coste. Este paso implica cuales sern las reglas de parada. Estas reglas se definen usualmente en el programa de simulacin. Por ejemplo, la simulacin podra detenerse cuando se obtuviera un error estndar deseado en las medidas de eficacia. Estas medidas se calculan continuamente durante la simulacin hasta que alcancen estabilidad y el tiempo de parada. La simulacin realizada de esta manera nos indica un beneficio promedio semanal de $325,50. Adems pueden calcularse otras medidas de eficacia. a. Probabilidad de ruptura y escasez promedio. En 3 de 10 semanas la demanda no se satisfizo. As pues, hay una probabilidad de 3/10 = 30 % de ruptura de stock. La escasez promedio, por semana, es de 1.500 / 10 = 150 gal. b. Probabilidad de reembarque y cantidad promedio reembarcada. En una de 10 semanas algo de gasolina no se pudo descargar. En promedio hay un 1/10 = 10% de probabilidad de reembarcar una cantidad de 300/10 = 30 gal. por semana. c. La demanda promedio. La demanda promedio semanal calculada es de 3.600 la cual difiere del valor esperado de la demanda (de la tabla 8.10) que es de 3.700 (En un proceso estabilizado estas cantidades no se diferenciaran).

420

SIMULACIN. FUNDAMENTOS

d. El inventario inicial promedio calculado es de 4.010 gal. e. Las ventas promedio semanales son de 3.450 gal. f. El inventario final promedio es de 560 gal. 8.6.1.7 Paso 7. Estabilizacin del proceso de simulacin En todos los ejemplos que se vern y en problemas tipo casero, se utilizarn todos los datos generados por la simulacin, incluso si no se han estabilizado las medidas de eficacia. En la realidad, se debe saber que la simulacin comienza a representar al sistema slo cuando se ha conseguido la estabilizacin. As pues se distinguir un periodo de puesta en marcha, en el cual los resultados no son vlidos. La longitud de la simulacin debe ser suficiente para que el sistema alcance la estabilidad. El examen de la columna 10 de la tabla 8.10 indica que el proceso se est estabilizando, pero an no lo ha hecho (ver Figura 8.5). Es decir, el beneficio promedio semanal est fluctuando todava. Obsrvese que despus de siete semanas las diferencias comienzan a ser pequeas. Cuando la diferencia entre dos beneficios promedio semanales llega a ser insignificante, se dice que el proceso se ha estabilizado. El nivel de significacin (p. e., 0,2 por ciento) debe ser impuesto por la direccin. Si hay varias medidas de eficacia, el anlisis de la estabilizacin debe realizarse para cada medida. Slo cuando se ha conseguido la estabilizacin en todas las medidas (o al menos en todas las ms importantes) se parara la simulacin. 8.6.1.8 Paso 8. Encontrar la mejor poltica de lanzamiento Los pasos 5, 6 y 7 se deben repetir para otras polticas en vista a encontrar la mejor. En el ejemplo que se ha presentado la cantidad pedida Q ha sido de 3.500; deberan considerarse ahora otros valores de Q (p.e. 3.300, 3.700, 4.000). Cada Q constituye un sistema independiente para el cual se calculan las diferentes medidas de efectividad como son el beneficio promedio, las ventas promedio, y la demanda

421

MTODOS CUANTITATIVOS I

insatisfecha promedio. Cada experimento de este tipo es lo que se denomina una Simulacin.
350 300

Beneficio / Promedio semanal

250 200 150 100 50 0 1 2 3 4 5 6 7 8 9 10

Semana

Figura 8. 5

En este caso, la medida ms importante se ha supuesto que es el beneficio promedio y, en consecuencia, se elegir el sistema que tenga el beneficio promedio mayor. En otros sistemas, con dos o ms medidas de eficacia, se tendra que comparar utilizando mtodos multiobjetivo como se puede ver en libros especializados .

8.7 SIMULACION TIEMPO.

DISCRETA,

DEPENDIENTE

DEL

8.7.1 EJEMPLO DE LINEA DE ESPERA Sunny ha recogido hasta ahora la siguiente informacin. El Centro de Informacin Turstica est atendido por un empleado que abre desde las 9:00 AM. 422

SIMULACIN. FUNDAMENTOS

hasta las 5:00 P.M. La duracin del servicio requerido por los turistas vara de acuerdo con la siguiente distribucin de probabilidad:
Duracin servicio (min.) Probabilidad (%) 3 4 5 6
Tabla 8. 12

15,6 28,7 36,2 19,5

Los turistas llegan al centro de acuerdo con la siguiente distribucin de probabilidad:

Tiempo entre dos llegadas consecutivas (min.) 3 4 5 6 7
Tabla 8. 13

Probabilidad (%) 20,2 23,6 31,2 18,4 6,6

Sunny desea encontrar lo siguiente: Tiempo de espera promedio por turista, en minutos. Porcentaje de tiempo que el empleado est ocupado (utilizacin) Nmero promedio de turistas en el centro. Probabilidad de encontrar dos turistas en el centro.

423

MTODOS CUANTITATIVOS I

8.7.1.1 Anlisis. Hay un problema de lnea de espera, pero no puede resolverse por los modelos de Gestin de Colas porque las suposiciones de llegadas de tipo Poisson y servicio exponencial no son vlidas. Como ejemplo ilustrativo se simular la llegada de 10 turistas (incluyendo la primera llegada, que se supone a las 9:00) utilizando los siguientes nmeros aleatorios para las llegadas 826, 058, 489, 643, 781, 321, 590, 187,y 962, y los siguientes para los tiempos de servicio, 242, 318, 876, 408, 630, 027, 716, 203, 130, 297. 8.7.1.2 La simulacin. Paso 1. Asignacin de nmeros representativos para las dos distribuciones (se omiten las distribuciones acumuladas).
Llegadas

Tiempo entre dos llegadas consecutivas (min.) 3 4 5 6 7

Probabilidad (%) 20,2 23,6 31,2 18,4 6,6

Tabla 8. 14

Nmeros Representativos 000 - 201 202 - 437 438 - 749 750 - 933 934 - 999

Servicios

Duracin servicio (min.) 3 4 5

6

Probabilidad (%) 15,6 28,7 36,2

19,5

Nmeros representativos 000 - 155 156 - 442 443 - 804

805 - 999

Tabla 8. 15

424

SIMULACIN. FUNDAMENTOS

Paso 2. Generacin de llegadas y tiempos de servicio. Se observa en la tabla 8.16.

Llegadas
Nmero de Turista NA Tiempo Instante NA

Servicios
Duracin Comienzo Fin

Medidas realizacin
Espera Vacio Turistas

1 2 3 4 5 6 7 8 9 10

826 058 489 643 781 321 590 187 962

6 3 5 5 6 4 5 3 7

9:00 9:06 9:09 9:14 9:19 9:25 9:29 9:34 9:37 9:44

242 318 876 408 630 027 716 203 130 297 Totales

4 4 6 4 5 3 5 4 3 4

9:00 9:06 9:10 9:16 9:20 9:25 9:29 9:34 9:38 9:44

9:04 9:10 9:16 9:20 9:25 9:28 9:34 9:38 9:41 9:48

1 2 1 1 5

2 1 3 6 5/10

1 1 2 2 2 1 1 1 2 1

Promedio por turista Tabla 8. 16

8.7.1.3 Explicacin. La tabla 8.16 se divide en 11 columnas: las cuatro primeras estn relacionadas con las llegadas, las cuatro siguientes con los servicios, y las tres ltimas con las medidas de realizacin. La primera llegada se hace a las 9:00. A continuacin se elige un N.A. para predecir la duracin del servicio (242 est entre 156 y 422, lo cual significan cuatro minutos de servicio). Para el segundo turista su llegada est prevista seis minutos despus del primero puesto que el NA 826 est entre 750 y 933, que corresponde con seis minutos de tiempo entre llegadas. De una manera similar se calculan todas las llegadas y todos los tiempos de servicio. A continuacin se calculan las horas de comienzo de los servicios. Si el empleado est ocupado con el diente anterior, el turista tendr que esperar, que es lo

425

MTODOS CUANTITATIVOS I

que le pasa al turista 3 que espera desde las 9:09 hasta las 9:10. Si no hay ninguno en el centro, el empleado est parado, como es la situacin entre las 9:04 y las 9:06. 8.7.1.4 Anlisis de las medidas de realizacin. Tiempo promedio de espera. En las llegadas de los 10 turistas slo ha habido 5 minutos de espera. Entonces, el tiempo espera promedio por turista es de 0,5 ruin. Utilizacin del puesto de servicio. El centro se ha simulado durante 48 min. (desde las 9:00 hasta las 9:48). Durante este perodo han habido 6 min. de tiempo perdido; entonces, la utilizacin ha sido de 48 - 6 = 42 min., es decir un 87,5 %. Nmero promedio de turistas en el centro. Durante seis minutos no han habido turistas en el centro, mientras que durante cinco minutos han habido dos (durante los tiempos de espera). Durante los 37 minutos restantes slo ha habido un turista. En promedio habrn: 0 6 + 1 137 + 2 5 48 = 0,98 turistas

Este valor promedio ponderado corresponde con el valor de L (nmero de individuos en el sistema) que se maneja en Teora de Colas. Probabilidad de encontrar dos turistas en el centro. Est situacin sucede en 5 de los 48 minutos, es decir en el 10,4 %. De manera simular es posible encontrar cualquier otra medida de realizacin en este sistema de servicio. Simulacin con distribuciones continuas, dependiente del tiempo. En el caso anterior, tanto los tiempos entre llegadas como los tiempos de servicio han seguido distribuciones discretas. Si uno de ambos hubiera sido una funcin continua, deberamos utilizar un procedimiento para generar los tiempos de llegada y las duraciones de los servicios. El resto de pasos son idnticos.

426

SIMULACIN. FUNDAMENTOS

8.8 LA FUNCION DE LOS ORDENADORES Y LOS DIAGRAMAS DE FLUJO EN SIMULACION.

Puesto que los modelos de simulacin implican las menos posibles simplificaciones de la realidad, son muy complejas las funciones que representan las iterrelaciones entre los elementos del sistema. Adems, cada simulacin implica un gran nmero de pruebas, las requeridas para su estabilizacin, y, debe realizarse una simulacin cuando exista un cambio en alguno de los datos de entrada. Por otro lado, en una herramienta descriptiva, como la simulacin, frecuentemente es necesario probar decenas de diferentes configuraciones. El resultado de todo esto es que se necesita un gran esfuerzo de clculo. As pues, los ordenadores se hacen necesarios y frecuentemente imprescindibles para llevar a cabo los estudios de simulacin. Los problemas de simulacin pueden programarse en los ordenadores con relativa facilidad, ya que no necesitan desarrollar algoritmos o funciones a optimizar. En vistas a facilitar la tarea de programacin se desarrollan los diagramas de flujo de un problema de simulacin. Un diagrama de flujo es una representacin esquemtica de todas las actividades informticas utilizadas en la simulacin, pero escritas en lenguaje simblico. Su objetivo fundamental no es ms que ayudar al programador del ordenador a escribir el programa. La Figura 8.6, muestra un diagrama para el problema de inventarios simulado antes. LENGUAJES DE SIMULACIN Cuando se ha formulado un problema de simulacin, normalmente se sigue con un diagrama de flujo como base para una programacin en ordenador. el programa puede desarrollarse en un lenguaje de propsito general, tal como el Basic o el Pascal, pero este proceso puede ser muy largo y caro en grandes problemas de simulacin. Es por esto que hay varios leguajes de simulacin o de propsito especifico. Los ms conocidos de los generalmente disponibles son DYNAMO, GASP, GPSS, SIMSCRIPT y SIMULA:

427

MTODOS CUANTITATIVOS I

Start

Given I 1 = 3.800 for 1st Week

Generate RN

Find D

I1

I1 D NO U = D - I1 S = I1 I2 = 0 B=0

YES

U=0 S=D I2 = I1 - S

I1 = 5.500

I2 + 3.500 5.500? NO YES

I1 = I2 + 5.500

B = I 2 + 3.500 - 5.500 I1 = 5.500

Compute Profit 0,10 S - 0,12 U - 0,05 B

YES

More Runs Required for Stabilization ?

NO

Stop

Figura 8. 6

428

SIMULACIN. FUNDAMENTOS

DYNAMO. Desarrollado en el M.I.T., est especialmente destinado a modelos de sistemas dinmicos a gran escala, corporaciones, economas nacionales y similares. GASP. Desarrollado por U.S. Steel, es un conjunto de subrutinas escritas en Fortran. Estn disponibles diversas versiones. Su principal ventaja es la flexibilidad resultante de su estructura de subrutinas. GPSS. Desarrollado por IBM, es principalmente una tcnica de simulacin orientada a los diagramas de flujo. Su utilizacin es tan simple que no requiere conocimiento alguno de programacin. SIMSCRIPT. Es un lenguaje de programacin y simulacin generalizado. Fue desarrollado por RAND CORP. Existe en varias versiones (p.e. SIMSCRIPT II.5) y es uno de los lenguajes ms potentes, eficientes y flexibles. Tambin ayuda al usuario en la conceptualizacin y diseo del modelo de simulacin. SIMULA. Se desarroll en Noruega como un lenguaje de simulacin generalizado. Es similar a las primeras versiones del Simscript.

8.9 ACCIONES EN LA SIMULACION.

Para comprender mejor la simulacin es de mucha ayuda elaborar algunas de las principales acciones implicadas. a. Validacin del modelo. La validacin de los modelos de simulacin implica tanto cuestiones prcticas como tericas referentes al uso de las tcnicas de simulacin. Cmo reconocer que un modelo representa al proceso en estudio? Cmo saber que est funcionando un modelo de un sistema complejo? Cmo utilizar los resultados para ayudar a las predicciones con una exactitud emprica?. Se trazan frecuente analogas entre modelos de tnel de viento y modelos de simulacin, pero tales analogas desaparecen cuando se considera la compleja estructura subyacente. Las mismas leyes fundamentales de la naturaleza gobiernan el funcionamiento de un modelo de avin en un tunel de viento o un avin a escala normal. Pero un modelo de simulacin normalmente es una representacin numrica 429

MTODOS CUANTITATIVOS I

de un sistema y no se gobierna por leyes fsicas lo que hace que se comporte de manera similar a el sistema que se est modelizando. Un modelo de simulacin vlido se comportara de manera similar que el fenmeno subyacente. Esta es la condicin necesaria para la validacin, pero por si misma puede no ser suficiente para valorar realmente sus posibilidades predictivas. Los conocimientos tericos sobre el fenmeno subyacente que gobierna el comportamiento de los negocios, de la economa, o del sistema social que se simula son crticos en la construccin de un modelo vlido. Hay, pues, un pequeo consenso sobre el mtodo apropiado para validar un modelo de simulacin. Puesto que se ha construido un modelo, la validacin puede verse como un proceso de dos etapas. La primera es determinar hasta cuando el modelo es correcto internamente en los sentidos de lgica de actuacin y de programacin. La segunda es determinar hasta cuando representa el fenmeno del que se supone es modelo. Cuando un modelo lo que intenta es simular un nuevo o propuesto sistema, para el cual no hay datos disponibles, no hay una buena forma de verificar que el modelo, de hecho, represente al sistema. En estas circunstancias, hay poca eleccin pero hay que testear el modelo a travs de los errores lgicos de programacin y estar alerta a cualquier discrepancia o caracterstica inusual en los resultados obtenidos con el modelo. b. Diseo experimental. Algunos modelos de simulacin son muy complejos de disear ya que el nmero de ejecuciones que se requieren para probar todas las alternativas factibles es muy grande. Por ejemplo, si se consideran los problemas de inversiones (ver el ejemplo de anlisis de riesgo), con 10 alternativas posibles (Stocks, ...), cada una de las cuales puede tomar slo 5 valores. Conjuntamente hay 510 posibilidades diferentes. Para simular ms de 10 millones de ejecuciones se consume mucho tiempo y mucho dinero. El diseo de los experimentos de simulacin es similar al diseo de experimentos usual. Algunas de las acciones implicadas son el diseo de la estructura, tamao de la muestra, coste, calidad y el uso de herramientas estadsticas para analizar los resultados. Otras tareas a considerar son: Qu constituye una diferencia significati-

430

SIMULACIN. FUNDAMENTOS

va entre alternativas? Cul es la importancia relativa de las diferentes variables independientes? c. Longitud de la ejecucin. Alargar la ejecucin da mayor exactitud en los datos, pero incrementa el coste. Tienen que haberse definido "reglas de parada" (utilizando teora estadstica) para determinar el tamao ms apropiado de la ejecucin. Con el coste mnimo actual del tiempo de ordenador vale la pena Trabajar sobre seguro" y realizar grandes ejecuciones. d. Reduccin de la varianza. En vistas a ahorrar tiempo es posible disear la simulacin de tal manera que se consiga la mayor precisin para un tamao de muestra, o lo que es equivalente, reducir al mnimo el tamao de muestra para conseguir un nivel deseado de exactitud. Diversas tcnicas estn disponibles para disminuir la varianza de la distribucin de las medidas de ejecucin. Un ejemplo es el muestreo estratificado, en donde los datos se dividen en porciones (llamados estratos) y cada uno se muestrea individualmente. e. Generacin de nmeros aleatorios. Con propsitos didcticos estamos utilizando las tablas de nmeros aleatorios para llevar a cabo la simulacin. Estas tablas se generan originalmente por dispositivos fsicos. En simulaciones reales, adems de poder tener una tabla de nmeros aleatorios en el ordenador, ste puede generar nmeros aleatorios por si mismo. Hay varios mtodos para hacerlo. Los nmeros generados por ordenador no se llaman nmeros aleatorios (en sentido estricto) puesto que son predecibles y reproducibles. As pues, los llamaremos nmeros pseudoaleatorios. Ahora bien, para nuestros propsitos de simulacin son tan buenos como los nmeros aleatorios normales. f. Condiciones de partida. En algunos casos es necesario esperar hasta que el modelo se estabiliza en algn grado para despus llevar a cabo la sirnulacin. En este caso los datos de partida no hara falta considerarlos. Si el periodo de arranque es corto y la ejecucin de la simulacin es larga, el impacto del arranque ser mnimo.

431

MTODOS CUANTITATIVOS I

8.10 SITUACIONES COMPLEJAS DE COLAS.

Una de las funciones ms usuales de la simulacin Monte Carlo es la resolucin de problemas de lneas de espera. Las soluciones analticas, como se puede ver en algunas publicaciones de Teora de Colas, son extremamente difciles, o incluso imposibles, cuando el sistema de cola incrementa su complejidad ligeramente; por ejemplo, cuando las llegadas o la tasa de servicio no siguen una distribucin estndar (como la de Poisson), o cuando se consideran diferentes prioridades. 8.10.1 EL PROBLEMA DEL ALMACN DE HERRAMIENTAS. Las empresas manufactureras utilizan un almacn central de herramientas donde se prestan las diferentes herramientas que utilizan. Consideremos una situacin tpica con un dependiente en el almacn. Atiende a dos tipos diferentes de empleados: de produccin y de mantenimiento. Cada uno tiene un ratio de llegadas diferente, como se observa en la tabla 8.17. Obsrvese que las llegadas no siguen una distribucin estndar. La tabla muestra tambin los nmeros asignados que se requieren para la simulacin. El nmero de empleados de los dos grupos es lo suficientemente grande para que pueda suponerse que la fuente es infinita. Operarios produccin Tiempo entre Probabilidad llegadas (hor.) 0,2 0,3 0,5 0,8 1,0 0,1 0,1 0,4 0,3 0,1 Rango de NA Operarios mantenimiento Tiempo entre Probabilidad Rango de llegadas NA (hor.) 0,4 0,6 1,0 0,25 0,60 0,15 01-25 26-85 86-00

0 1 2-5 6-8 9
Tabla 8. 17

432

SIMULACIN. FUNDAMENTOS

Actualmente los operarios de produccin tienen prioridad sobre los de mantenimiento; es decir, un empleado de produccin siempre se colocar al principio de la cola. As pues, si a un operario de mantenimiento se le est atendiendo, el servicio continuar sin interrumpirse (o sea, el operario de produccin tiene una prioridad regular y no una prioridad "suspensatoria" sobre el de mantenimiento). La tabla 8.18 da la distribucin de los tiempos de servicio, suponiendo que el servicio slo puede tomar tres valores de tiempo: 0,1, 0,2 y 0,3 horas. La tabla tambin incluye los nmeros asignados para la simulacin. Se observa que una duplicacin exacta de las proporciones 1/3, 1/3, 1/3 slo se obtiene asignando 999 nmeros de los 1.000 de tres dgitos. La asignacin de tres dgitos es arbitraria en este caso, con un nico dgito sobra.

Duracin servicio (hor.) 0,1 0,2 0,3

Probabilidad 1/3 1/3 1/3

Tabla 8. 18

Nmeros representativos 001-333 334-666 667-999

El dependiente del almacn cuesta 4 $ por hora. Los empleados de produccin cuestan 5 $ por hora, y el de mantenimiento 6 $ por hora. El problema es encontrar el nmero ptimo de dependientes en el almacn. La direccin tambin est interesada en saber si el sistema de prioridad existente debe mantenerse. Solucin. Simulacin de las llegadas. Con vista a presentar como se realizara, se ha simulado el tiempo entre las llegadas de 15 operarios de cada tipo, utilizando los nmeros aleatorios de la Tabla adjunta. Los resultados se muestran en la tabla 8.19. En ella se indica tambin la hora de llegada.

433

MTODOS CUANTITATIVOS I

Operarios produccin Nmero llegada N.A. Tiempo entre llegadas (hor.) 0,5 0,5 0,2 0,5 0,8 0,5 0,5 0,8 0,2 0,8 0,3 0,5 1,0 0,5 Instante

Operarios mantenimiento N.A. Tiempo entre llegadas Instante

2 3 4 5 6 7 8 9 10 11 12 13 14 15

5 2 0 2 7 3 4 8 0 6 1 5 9 4

7:30 8:00 8:12 8:42 9:30 10:00 10:30 11:18 11:30 12:18 12:36 1:06 2:06 2:36
Tabla 8. 19

52 02 73 48 06 15 94 12 95 87 04 99 40 98

0,6 0,4 0,6 0,6 0,4 0,4 1,0 0,4 1,0 1,0 0,4 1,0 0,6 1,0

7:36 8:00 8:36 9:12 9:36 10:00 11:00 11:24 12:24 1:24 1:48 2:48 3:24 4:24

(La llegada 1 se hace en el instante 0) Por ejemplo, suponiendo que el operario 1 llega a las 7:00 AM Para la 2 llegada se extrae un NA de un dgito de la tabla de NA, y se obtiene el 5. De acuerdo con la tabla 8.17, le corresponden 0,5 horas entre llegadas. Puesto que el proceso 434

SIMULACIN. FUNDAMENTOS

comienza a las 7:00, el instante de llegada ser 7:30 horas. Y as sucesivamente para los operarios de produccin y para los de mantenimiento. Nmero servicio
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

N.A.
782 309 194 308 421 392 283 682 871 744 244 773 264 283 879 978 477 752 016 579 260 241 643 056 861 565 029 970 958 713

Duracin servicio (hor.)

0,3 0,1 0,1 0,1 0,2 0,2 0,1 0,3 0,3 0,3 0,1 0,3 0,1 0,1 0,3 0,3 0,2 0,3 0,1 0,2 0,1 0,1 0,2 0,1 0,3 0,2 0,1 0,3 0,3 0,3

Tabla 8. 20

435

MTODOS CUANTITATIVOS I

Simulacin de la duracin del servicio. La duracin del servicio se genera utilizando nmeros de tres dgitos y la tabla 8.18. el proceso es similar a la generacin de llegadas. Los resultados se muestran en la tabla 8.20., en la cual se han generado 30 servicios. Se utiliza un conjunto de NA diferente esta vez. Simulacin del proceso. La Figura 8.17 presenta que pasa durante las seis primeras horas, suponiendo que a las 7:00 estn esperando en el almacn un operario de produccin y uno de mantenimiento. Se sirve primero el de produccin, puesto que tiene prioridad. La tabla 8.20 indica (basndose en el NA 782) que el servicio es de 0,3 horas, desde las 7:00 a las 7:18. durante este tiempo el operario de mantenimiento espera. El segundo operario de produccin llega a las 7:30, de acuerdo con la tabla 8.19. El primer operario de mantenimiento comenzar a recibir servicio a las 7:18. Este finalizar a las 7:24 ( de la tabla 8.20, el NA 309 para un tiempo de servicio de 0,1 horas = 6 min.). El segundo operario de produccin llega a las 7:30 y se le atiende desde las 7:30 a las 7:36. El segundo empleado de mantenimiento llega a las 7,36 (de la tabla 9.3, el NA 52 nos indica que llega 6 horas despus del primero). Puesto que el almacn est libre se le servir inmediatamente (la duracin es de 0,1 horas segn la tabla 8.20). E1 tercer empleado de produccin y el de mantenimiento llegan a las 8:00. Debido a la prioridad se sirve primero al de produccin. El de produccin utiliza en su servicio 0,2 horas, desde las 8:00 a las 8:12. E1 empleado 4 de produccin llega y segn la prioridad se le atiende primero que al de mantenimiento. Este proceso se podra mostrar tambin en forma tabular. 8.10.2 CLCULO DE LAS CARACTERSTICAS Y MEDIDAS DE EFICACIA DEL SISTEMA. E1 proceso del que se han simulado seis horas se continuara hasta conseguir su estabilizacin. As pues, como ejemplo, se consideran los resultados de estas seis horas. Llegadas. Llegan 10 operarios de mantenimiento 10/6 = 1,67 por hora, en promedio. Llegan 12 operarios de produccin, es decir, 2 por hora. 436

SIMULACIN. FUNDAMENTOS

Servicios. Se han servido las 22 llegadas, el total de tiempo de servicio ha sido de 4.2 horas. Esto significa que el empleado del almacn est ocupado 4,2/6 = 70 % de su tiempo. el tiempo promedio de servicio fue de 4,2/22 = 0,19 horas. Probabilidad de espera. 5 de los 10 trabajadores de mantenimiento han tenido que esperar. As pues, la probabilidad de que espere un operario de este tipo es del 50 %. Slo hay un operario de produccin que tenga que esperar de los 12, es decir un 8,34 %. Duracin de la espera. El tiempo total de espera ha sido de 1,5 horas. As pues, en promedio, un empleado espera 1,5/22 = 0,07 horas (sobre cuatro minutos). Adems, el tiempo de espera de un operario de mantenimiento promedio es de 1,3/10 = 0,13 horas y el de uno de produccin 0,2/12 = 0,02 horas. Coste total de la espera. Empleados de produccin = 0,2 h. x 5 $ = 1,0 $ (periodo de 6 h.)

Empleados de mantenimiento. = 1,3 h. x 6 $ = 7,8 $ Total Coste de espera por hora = 8,8 / 6 = 1,47 $ Prioridades. En cuatro casos (el 40 % de los empleados de mantenimiento) se han utilizado las prioridades por los de produccin. Conclusin. En este caso el sistema parece ser eficiente. El coste de espera es slo de 1,47 $ por hora. No tiene sentido aadir un segundo dependiente en el almacn a un coste de 4 $ por hora puesto que el ahorro mximo posible es de 1,47. La prioridad de los empleados de produccin si que es cuestionable. Una segunda simulacin basndose en una regla FIFO servira para comparar los resultados. Tambin una tercera dando prioridad a los de mantenimiento podra realizarse y, posteriormente, comparar los resultados. En estos resultados es posible que la cola fuese ms larga, y que el coste de espera fuese superior. En este caso podran realizarse simulaciones con 2 o 3 dependientes. Tambin si hubiesen varios dependientes, stos podran operar en diferentes configuraciones. Por ejemplo, cada uno podra servir a un tipo de operarios, etc. 437 8,8 $