Introduccion A Los Modelos Estocasticos

"Año del Diálogo y Reconciliación Nacional"
FACULTAD DE INGENIERÍA
PROYECTO FINAL
SIMULACIÓN DE MONTECARLO
INTRODUCCION A LOS MODELOS ESTOCASTICOS
Bloque: FC-PREIEM07A1M
Profesor: Lopez Guevara, Ricardo
Integrantes Códigos
1. Capcha Isidro, Geraldine Fatima 1320374

2. Juarez Arcos, Nathaly Ana 1711524
3. Ramirez Falcon, Joel Harold 1710954
4. Yauri Marcelo, Jhans 1521942
Lima - Perú
2018-I
ÍNDICE
I. Introducción ................................................................................................. 4
1.1 Antecedentes: .......................................................................................... 5
1.2 Objetivos: ................................................................................................. 5
II. Marco Teórico .............................................................................................. 6

2.1 Pronósticos ............................................................................................... 6
2.2 Simulación de Montecarlo .................................................................. 9
III. Resultados ................................................................................................. 12

3.1 Situación actual de la empresa ............................................................. 12
3.2 Métodos aplicados ................................................................................. 14
IV. Análisis...................................................................................................... 19
V. Conclusiones ............................................................................................. 20
VI. Bibliografía y Referencias: ....................................................................... 21
VII. Anexos ...................................................................................................... 22
Simulación de Monte-Carlo
RESUMEN
El presente trabajo, consiste en la descripción y análisis de la Empresa “Grupo Salas” en

cuanto a la ejecución de dos métodos para analizar la cantidad demandada del presente año,
basado en las competencias del mercado y en sus ventas pasadas. Y elegir el mejor método
para la empresa.
El problema de investigación fue en saber la cantidad demandada que se requiere para el año
2018 en base al análisis de sus ventas para los años 2016 y 2017. Dicho análisis beneficiara
a la empresa en cuanto a saber y calcular como serán sus ventas y su incremento durante el
año. El problema, por otro lado, surge en elegir cual método de los dos métodos evaluados
en este trabajo le convendría a la empresa utilizar para saber mejor su demanda.
La investigación se realizó en base a la evaluación de cuán preciso puede llegar a ser el

Método Monte-Carlo en comparación con el Método de Modelo en la serie del tiempo
(Suavización exponencial con factor estacional) para así pronosticar la demanda que se
tendrá en un tiempo real y por lo tanto minimizar los gastos excesivos que se da en el
presupuesto anual. Con estos métodos lograremos analizar y comprar, cual herramienta es
mejor trabajar en cuanto a obtener un mínimo de error en cuanto al resultado final.
Lo anterior favoreció en la formulación de diferentes conclusiones que favorecerá a la

empresa para tener una mejor visión en cuanto a su cantidad demandada con la herramienta
que mejor le favorezca y le otorgue un mínimo de error a equivocarse de manera que así se
tomará mejores decisiones para el beneficio de la empresa “Grupo Salas”.
3
I. Introducción
La simulación tiene una gran importancia en nuestro mundo actual, ya sea modelos a escala,
túneles de viento, canales de agua, emergencias o catástrofes, simuladores de vuelo, que
recrean condiciones virtuales.
La Realidad Virtual se ha presentado como una nueva herramienta que favorece las técnicas
de simulación. En la empresa se utiliza la simulación para predecir las consecuencias que
tendrá la toma de una decisión determinada. La simulación permite resolver problemas
complejos, aunque lo que obtendremos será una aproximación de la solución.
Tenemos que saber, ante todo, que el método de Montecarlo permite resolver problemas
matemáticos mediante la simulación de variables aleatorias. El origen de esta técnica se
remonta a la década de 1940 y hace referencia al Casino de Monte Carlo, considerada
tradicionalmente la capital “del azar”. La ruleta, juego estrella de los casinos, es uno de los
aparatos mecánicos más sencillos que nos permiten obtener números aleatorios para simular
variables aleatorias.
Es por ello que en el presente trabajo se tiene como base de datos la lista de cajas vendidas
mensualmente en cada tienda del Grupo Salas. Por ello, se busca examinar el pronóstico de
las ventas de cada mes para todo este año 2018, teniendo como referencia las ventas de los
años 2016 y 2017 (muestras).
4
1.1 Antecedentes:
Según George Plossl, en su libro El Control de la producción y los stocks, 1987, la

administración de la demanda es el término moderno que cubre todas las actividades
comprendidas en la planeación y manejo de todos los tipos de demanda en una instalación de
producto en venta. Esto incluiría las actividades de lo que se enumera:
1. Clientes
2. Pronóstico de demanda
3. Manejo de pedido
4. Relación de promesas de entrega
En su sentido más amplio, la administración de la demanda comprende la planeación del

manejo de los productos en venta y su operación (Plossl 1987).
1.2 Objetivos:
Analizar si el método de simulación de Montecarlo es más efectivo y conveniente que otro

método de pronostico a utilizar para resultados a futuro, a través de escenarios aleatorios.
Simular las ventas para este año a través del estudio de las muestras de los años anteriores.
5
II. Marco Teórico
2.1 Pronósticos
El pronóstico es un elemento necesario del proceso de planeación de una empresa, pero no

es la planeación en sí.
Según Herbert Moskowitz, en su libro Investigación de Operaciones, 1982, menciona que el

pronóstico predice lo que pasará si las tendencias de la data históricas no varia, si esto no
sucede, cada pronóstico deberá ajustarse, de otra manera resultará con un error significativo.
Administración de la demanda
Definición del problema de pronóstico
Centraremos la discusión en técnicas de pronósticos a tipos respectivos de problemas de

decisión, en donde existe una base histórica de datos, tal como la administración de
inventarios. En la administración de pronósticos se tratará el pronóstico de demanda de un
producto.
En forma más general, para definir el problema de pronóstico, se debe de empezar con el
problema de decisión. La información del proceso de pronóstico se utilizará como entrada
para mejorar el proceso de decisión. Por consiguiente, la naturaleza de las decisiones que se
tomen determinará las características deseadas del pronóstico. Un estudio del problema de
decisión ayudará a responder preguntas tales como:
1. ¿Qué estamos pronosticando?

2. ¿Qué forma debería tomar el pronóstico?
3. ¿Cuáles son los elementos del tiempo?
4. ¿Cuál es la exactitud deseada del pronóstico?
6
¿Qué se está pronosticando? Aquí estamos definiendo las variables o parámetros que deben
predecirse. El nivel de detalle requerido es una consideración importante. Un sistema de
planeación de ventas puede requerir un pronóstico de demanda en unidades de cada uno de
los productos terminados, para programar la venta y programar y controlar los inventarios.
El nivel de detalle del pronóstico está influenciado por muchos factores, tales como
disponibilidad de datos, costos, preferencias administrativas y exactitud que se pueda
obtener.
Forma de pronóstico. Las variables que estamos pronosticando pueden mirarse como una
variable aleatoria. Esto implica que nuestro pronóstico de esta variable debería ser una
distribución de probabilidad. La práctica común, sin embargo, es expresar un sólo valor para
el pronóstico, que represente algunas características de su distribución de probabilidad
(usualmente una medida de tendencia central) tal como su media, mediana o moda. Para
capturar la incertidumbre de un pronóstico, uno debe estimar la desviación estándar, un
intervalo de confianza o la distribución completa de probabilidad. Si podemos suponer que
la distribución tiene una forma estándar, tal como la distribución normal, entonces el
estimado de sus dos parámetros, su media y su varianza, serán suficientes para caracterizar
la distribución. Al incorporar incertidumbre en el pronóstico, la atención se centra en el hecho
de que el pronóstico no es perfecto y que las decisiones deben tener en cuenta este hecho,
estableciendo por ejemplo, existencias de seguridad.
Elementos del tiempo involucrado. Los siguientes elementos de tiempo deben considerarse
en el desarrollo de un pronóstico:
1. El período de pronóstico
2. El horizonte de pronóstico
3. El intervalo del pronóstico
4. La metodología empleada
7
El período de pronóstico: Es la unidad básica de tiempo para el cual se hace el pronóstico.

Por ejemplo, podríamos desear un pronóstico de demanda por mes, en cuyo caso el período
es de un mes.
El horizonte de pronóstico: Es el número de períodos en el futuro cubiertos por el

pronóstico.
El intervalo del pronóstico: Es la frecuencia del pronóstico (es decir, que tan frecuente se
deben preparar nuevos pronósticos). En ocasiones el intervalo de pronóstico es el mismo que
el período de pronóstico.
El período de pronóstico y el horizonte son usualmente determinados por el proceso de

decisión o por el modelo que requiera el pronóstico como información de entrada. Para que
un pronóstico tenga valor no debe ser menor que el tiempo de anticipación para implementar
la decisión.
La metodología empleada: Los pronósticos para grupos de productos tienden a ser más
seguros que aquellos para un sólo producto, y los pronósticos a corto plazo son más seguros
que los pronósticos a largo plazo (mayor de cinco años).
La importancia de los pronósticos.
El propósito de pronosticar es usar la mejor información disponible para guiar las actividades
futuras tendientes al cumplimiento de las metas de la organización. El interés radica
principalmente en los pronósticos de demanda, pero las empresas también pronostican los
precios de las materias primas, los costos de la mano de obra, las tasas de interés y los
ingresos. Los buenos pronósticos capacitan a los administradores para planear niveles
apropiados de personal, materias primas, capital, inventarios, etc.
8
2.2 Simulación de Montecarlo
Simulacion en la Industria
En la empresa se utiliza la simulacion para predecir las consecuencias que tendria la toma
de una decision determinada. Control de Inventarios, Planes de Mantenimiento, Localizacion
de Recursos, Prediccion de Ventas o Demanda, etc. La simulacion permite resolver
problemas complejos, aunque lo que obtendremos sera una aproximacion de la solucion.
“No todos los problemas son abordables mediante simulacion”. Licesio J. Rodrıguez-Aragon
Método de Montecarlo
El método de Montecarlo permite resolver problemas matemáticos mediante la simulación

de variables aleatorias.
John Von Neumann, en los años 40 y con los primeros ordenadores, aplica la simulacion para
resolver problemas complejos que no podian ser resueltos de forma analitica
Ventajas:
 Es un metodo directo y flexible.
 Existe un amplio abanico de programas y lenguajes destinados a simular.
 Cuando el modelo matem´atico es demasiado complicado la simulacion
permite obtener una aproximacion.
 La simulacion nos permite formular condiciones extremas con riesgos nulos.
 La simulacion no interfiere con el mundo real. Permite experimentar.
 Permite estudiar la interaccion entre las diferentes variables del problema.
 Mediante la simulacion podemos “influir en el tiempo” de los procesos.
 La simulacion permite resolver problemas que no tienen solucion anlitica.
9
Fuentes de Numeros Aleatorios
El fundamento del metodo de Montecarlo y de la simulacion son los numeros aleatorios.

Un número aleatorio, constituye el corazón de la simulación. Son números que están entre 0
y 1.
Ejemplo:
u1=0.01 ,u2=0.99 ,u3=0.45
Los números aleatorios, imitan la aleatoriedad de los procesos de un sistema de la vida real.
Se usan para Simular con el Método Montecarlo.
Simulacion de V. A. Discretas
Una primera aproximacion a la simulacion de una V.A. Discreta, X, que siga una
determinada.
Distribucion de probabilidad dada por su funcion de probabilidad:
P(X = x1) = 0.5

P(X = x2) = 0.25
P(X = x3) = 0.125
P(X = x4) = 0.125
Seria construir una ruleta en la que el arco de los sectores asignados a cada posible valor de
la V.A. fuese proporcional a la probabilidad de ocurrencia de dicho valor.Para poder utilizar
las tecnicas de obtencion de numeros pseudo aleatorios que hemos visto hemos derealizar
ciertas transformaciones.Supongamos que deseamos simular una V.A.D., X, con una
distribucion de probabilidad dada por:
P(X = x1) = p1
P(X = x2) = p2
P(X = xn) = pn
10
Por ser probabilidades tendremos que Pi pi = 1, y consideremos entonces el intervalo (0, 1)

que lo dividiremos en n subintervalos de amplitudes p1, p2, . . . , pn. Las coordenadas de los
puntos de division del intervalo (0, 1) ser´an:
y1 = p1
y2 = p1 + p2
...
yn = p1 + p2 + · · · + pn = 1
11
III. Resultados
3.1 Situación actual de la empresa
Grupo Salas es una empresa importadora y distribuidora de regalos en general por

mayor y menor, que trabaja con la razón social: Ximeny Import E.I.R.L. y su RUC
es: 20549288317.
Está empresa surgió con la señora Yaneth Salas de origen Arequipeño, con mucho
esfuerzo logró abrir su primera tienda en la Galería Central Puno, ubicado en el
Cercado de Lima, con el nombre de Adisney comenzó su pequeño negocio de ventas
de adornos para el hogar. Con el pasar de los años su único hijo el señor Rodolfo
Salas quien es un ex alumno de Administración de la Universidad Mayor de San
Marcos, tomó las riendas del negocio y junto a su madre entraron al mundo de la
importación en el año 2007. Hoy en día su empresa ha ido creciendo y es un claro
ejemplo de emprendimiento.
Grupo Salas importa regalos desde China, y los distribuye en el mercado a

mayoristas y minoristas.
El señor Rodolfo Salas viaja a el país de China durante un mes y es él quien se

encarga de escoger los productos que van a ser vendidos en sus tiendas.
“Con el pasar de los años he aprendido cuáles son los gustos de los clientes”.
Los productos que vende esta empresa son artículos para regalo como: portarretratos
de vidrio, madera y acrílico, lámparas, álbumes para foto, reloj de pared, peluches,
agendas, block de notas, diarios, adornos de cerámica, carteras, juguetes, etc.
12
Sus ventas tienen un gran incremento cuando se realizan en las campañas de día de
la madre y campaña navideña, siendo estas fechas las más importantes para la
empresa.
Misión:
“Ser una importadora que vele por la satisfacción de sus clientes a través de la
provisión de una gran variedad de productos importados, brindando atención
personalizada y de excelencia que los clientes merecen.”
Visión:
“Ser reconocida como líder en nuestro rubro, abarcar la mayor parte de los
distribuidores del país creando nuevas sucursales, además de estar siempre en la
mente de nuestros clientes.”
Valores:
Nos regimos por nuestros valores:
● Lealtad: Poseemos acciones respetuosas hacia las normas y hacia la empresa.
● Honestidad: Nos expresamos con coherencia y sinceridad.
● Respeto y gratitud: Tenemos la capacidad de aceptar diferentes criterios.
● Compromiso con el cliente: Creemos en el trabajo y en el valor de cada uno.
● Deseo de mejora continua: Apuntamos a un proceso de desarrollo con nuevas

ideas.
13
Organigrama:
Gerente General
Yaneth Salas
Administrador
Rodolfo Salas Salas
Departamento de Departamento de Departamento de

Ventas Logística Contabilidad
Jefe de Almacén 1 Jefe de Almacén 2

Elmer Rivera Darwin Acuña
12
Sus ventas para los años 2016 y 2017 tuvieron estos registros.
Tienda S- Tienda Demanda

Periodo Año Tienda 2117 Tienda 337
125 S-6 Total
Enero 2016 243 226 154 151 774
Febrero 2016 236 221 185 149 792
Marzo 2016 228 225 178 136 767
Abril 2016 233 218 193 124 769
Mayo 2016 222 103 90 70 485
Junio 2016 223 97 85 62 467
Julio 2016 221 96 76 55 448
Agosto 2016 212 89 73 50 423
Setiembre 2016 220 127 119 62 528
Octubre 2016 282 249 202 84 817
Noviembre 2016 383 383 253 120 1139
Diciembre 2016 495 458 300 211 1463
Enero 2017 236 223 198 149 806
Febrero 2017 230 223 196 147 795
Marzo 2017 221 221 184 124 749
Abril 2017 232 211 177 99 720
Mayo 2017 225 98 89 64 476
Junio 2017 219 95 83 59 456
Julio 2017 199 94 77 50 420
Agosto 2017 197 88 77 50 411
Setiembre 2017 212 125 119 70 526
Octubre 2017 248 245 198 83 774
Noviembre 2017 371 371 247 112 1102
Diciembre 2017 467 433 297 200 1398
*Las cantidades son unidades de cajas vendidas durante el mes correspondiente.
13
El comportamiento de la demanda de forma gráfica:
3.2 Métodos aplicados
Actualmente se desea saber la cantidad demandada para el año 2018, ya que por lo general
el gerente y el administrador calculan las ventas en base a la experiencia que tienen en el
mercado, sin tener alguna herramienta que minimice el error a equivocarse en cuanto a la
demanda que se tendrá.
Por nuestra parte, propondremos dos métodos para tener el mejor pronóstico de la demanda
para este año.
1. Simulación de Monte-Carlo
2. Modelo en la serie del tiempo: Suavización exponencial con factor estacional.
14
Según las Simulación de Monte-Carlo obtuvimos los siguientes datos.
Promedios de ventas 2016 y 2017
Frecuencia Frecuencia
Frecuencia Intervalo
Relativa (hi) Absoluta (Hi)
Enero 790 0.09 0.09 [ 0 - 0.09 >
Febrero 794 0.09 0.18 [ 0.09 - 0.18 >
Marzo 758 0.09 0.27 [ 0.18 - 0.27 >
Abril 745 0.09 0.35 [ 0.27 - 0.35 >
Mayo 481 0.05 0.41 [ 0.35 - 0.41 >
Junio 462 0.05 0.46 [ 0.41 - 0.46 >
Julio 434 0.05 0.51 [ 0.46 - 0.51 >
Agosto 417 0.05 0.56 [ 0.51 - 0.56 >
Setiembre 527 0.06 0.62 [ 0.56 - 0.62 >
Octubre 796 0.09 0.71 [ 0.62 - 0.71 >
Noviembre 1121 0.13 0.84 [ 0.71 - 0.84 >
Diciembre 1431 0.16 1.00 [ 0.84 - 1 ]
8753 1.00
Numero Simulación de
Periodo 2018
aleatorios Demanda
Enero 0.7279 1121

Febrero 0.0364 790
Marzo 0.5748 527
Abril 0.2307 745
Mayo 0.1864 758
Junio 0.4053 481
Julio 0.3700 481
Agosto 0.6033 527
Setiembre 0.3878 481
Octubre 0.4066 481
Noviembre 0.7244 1121
Diciembre 0.7127 1121
Mediante una gráfica podemos observar lo siguiente:
15
16
Según el modelo en la serie del tiempo: Suavización exponencial con factor estacional.
Pronostico de la Demanda Alfa 0.37

Beta -
L 729.38
Promedio 729.38 T 0
Demanda
Promedio por Pronóstico sin Pronóstico con
Año Mes Demanda Fe desestacion Lt Tt k
periodo estacionalidad estacionalidad
alizada
2016 Ene 774 790 1.08 714.60 729.38 0
2016 Feb 791 794 1.09 727.08 728.53 - 729.38
2016 Mar 767 759 1.04 737.55 731.85 - 728.53 757.62
2016 Abr 768 744 1.02 753.41 739.79 - 731.85 746.02
2016 May 485 481 0.66 736.21 738.47 - 739.79 487.36
2016 Jun 467 462 0.63 738.07 738.32 - 738.47 467.25
2016 Jul 448 434 0.60 752.90 743.69 - 738.32 439.32
2016 Ago 424 418 0.57 739.84 742.27 - 743.69 426.20
2016 Set 528 527 0.72 730.76 738.03 - 742.27 536.32
2016 Oct 817 796 1.09 749.09 742.10 - 738.03 804.94
2016 Nov 1,139 1,120 1.54 741.75 741.97 - 742.10 1,139.55
2016 Dic 1,464 1,431 1.96 746.46 743.62 - 741.97 1,455.21
2017 Ene 806 790 1.08 744.15 743.82 - 743.62 805.43
2017 Feb 796 794 1.09 731.67 739.34 - 743.82 809.21
2017 Mar 750 759 1.04 721.20 732.66 - 739.34 768.87
2017 Abr 719 744 1.02 705.34 722.60 - 732.66 746.85
2017 May 476 481 0.66 722.54 722.58 - 722.60 476.04
2017 Jun 456 462 0.63 720.68 721.88 - 722.58 457.20
2017 Jul 420 434 0.60 705.85 715.98 - 721.88 429.54
2017 Ago 412 418 0.57 718.91 717.06 - 715.98 410.32
2017 Set 526 527 0.72 727.99 721.08 - 717.06 518.10
2017 Oct 774 796 1.09 709.66 716.88 - 721.08 786.46
2017 Nov 1,101 1,120 1.54 717.00 716.92 - 716.88 1,100.81
2017 Dic 1,397 1,431 1.96 712.29 715.22 - 716.92 1,406.08
2018 Ene 1.08 715.22 1 774.67
2018 Feb 1.09 715.22 2 778.10
2018 Mar 1.04 715.22 3 743.78
2018 Abr 1.02 715.22 4 729.07
2018 May 0.66 715.22 5 471.17
2018 Jun 0.63 715.22 6 452.54
2018 Jul 0.60 715.22 7 425.58
2018 Ago 0.57 715.22 8 409.89
2018 Set 0.72 715.22 9 516.77
2018 Oct 1.09 715.22 10 780.06
2018 Nov 1.54 715.22 11 1,098.26
2018 Dic 1.96 715.22 12 1,402.74
17
Mediante una gráfica podemos observar lo siguiente:
18
IV. Análisis
Se hizo una comparación con la demanda real del presente año y obtuvimos lo siguiente:
Con la simulación de Montecarlo:
Real Pronostico EA EPA
Enero 790 1121 331 43%
Febrero 794 790 4 0%
Marzo 758 527 231 30%
Abril 745 745 1 0%
Mayo 481 758 278 57%
Junio 462 481 20 4%
EPMA
22%
Como resultado comparativo con respecto a lo real, se tiene un error del 22%, que quiere decir que la
precisión del pronóstico no es muy fiable debido a que en los meses de enero marzo y mayo la
cantidad pronosticada con lo real es muy variable.
Con el modelo en la serie del tiempo:
Modelo en la serie del tiempo

Real Pronostico EA EPA
Enero 790 775 15 2%
Febrero 794 778 15 2%
Marzo 758 744 14 2%
Abril 745 729 15 2%
Mayo 481 471 9 2%
Junio 462 453 9 2%
EPMA
2%
Con este modelo, se presenta un menor error, que nos diría que las cantidades pronosticadas de
demanda son más exactas y tendríamos un modelo que minimice los gastos o costos en exceso.
19
V. Conclusiones
 El método de muestreo estadístico de Montecarlo nos permite seleccionar

números aleatorios mediante una distribución de probabilidad para aplicarlo en
simulación.
 Los resultados evidencian que con la simulación de Montecarlo se puede realizar

el pronóstico sin embargo la presión para la certeza de este no es tan fiable.
 De la misma manera, se encontraron que hay más métodos especializados que

toman en cuenta la variación de la demanda, su tendencia y estacionalidad para
que el resultado del pronóstico sea más certero.
 Por último, se encontró que el modelo de Montecarlo, si bien es cierto, utiliza

numero aleatorios, estos pueden ser escogidos para no tener una variación muy
lejana, y que tampoco exista un mal cálculo en ello.
20
VI. Bibliografía y Referencias:
 Eyzaguirre, L & Palomino, D (2015). Métodos Matemáticos Lima: S.E.

 Stewart, J; Redlin, L & Watson, S (2001) Pre Calculo (3ra ed.) Mexico D.F.:
Thomson Learning
 Hillier, F. (2002). Investigación de operaciones (7a ed.). Mexico, D.F.: McGraw -
Hill.
 Winston, W. (2005). Investigación de operaciones: aplicaciones y algoritmos (4a ed.).
Mexico, D.F.: Thomson.
 Chase, R. (2001). Administración de producción y operaciones: manufactura y
servicios (8a ed.). Bogotá: McGraw-Hill.
 Render, B. (2015). Dirección de la producción y de operaciones: decisiones
estratégicas Madrid: Pearson Educación.
 Domínguez, J. (1995). Dirección de operaciones: aspectos tácticos y operativos en la
producción y los servicios Madrid: McGraw-Hill
 Render, B. (2014). Principios de administración de operaciones (9a ed.). México,
D.F.: Pearson Educación.
 Nahmias, S. (2014). Análisis de la producción y las operaciones (6a ed.). México,
D.F.: McGraw-Hill.
 Noori, H. (1997). Administración de operaciones y producción México: McGraw -
Hill.
21
VII. Anexos
Entrevista con el encargado

logístico.
Indicándonos el proceso de
despacho.
Registro de los almacenes de la

empresa.
22
23

Introduccion A Los Modelos Estocasticos

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Introduccion A Los Modelos Estocasticos

Uploaded by

Copyright:

Available Formats

"Año del Diálogo y Reconciliación Nacional"

INTRODUCCION A LOS MODELOS ESTOCASTICOS

Profesor: Lopez Guevara, Ricardo

1. Capcha Isidro, Geraldine Fatima 1320374

1.2 Objetivos: ................................................................................................. 5

II. Marco Teórico .............................................................................................. 6

2.2 Simulación de Montecarlo .................................................................. 9

III. Resultados ................................................................................................. 12

3.2 Métodos aplicados ................................................................................. 14

El presente trabajo, consiste en la descripción y análisis de la Empresa “Grupo Salas” en

La investigación se realizó en base a la evaluación de cuán preciso puede llegar a ser el

Lo anterior favoreció en la formulación de diferentes conclusiones que favorecerá a la

Según George Plossl, en su libro El Control de la producción y los stocks, 1987, la

En su sentido más amplio, la administración de la demanda comprende la planeación del

Analizar si el método de simulación de Montecarlo es más efectivo y conveniente que otro

II. Marco Teórico

El pronóstico es un elemento necesario del proceso de planeación de una empresa, pero no

Según Herbert Moskowitz, en su libro Investigación de Operaciones, 1982, menciona que el

Definición del problema de pronóstico

Centraremos la discusión en técnicas de pronósticos a tipos respectivos de problemas de

1. ¿Qué estamos pronosticando?

El período de pronóstico: Es la unidad básica de tiempo para el cual se hace el pronóstico.

El horizonte de pronóstico: Es el número de períodos en el futuro cubiertos por el

El período de pronóstico y el horizonte son usualmente determinados por el proceso de

La importancia de los pronósticos.

2.2 Simulación de Montecarlo

El método de Montecarlo permite resolver problemas matemáticos mediante la simulación

Fuentes de Numeros Aleatorios

El fundamento del metodo de Montecarlo y de la simulacion son los numeros aleatorios.

Distribucion de probabilidad dada por su funcion de probabilidad:

P(X = x1) = 0.5

Por ser probabilidades tendremos que Pi pi = 1, y consideremos entonces el intervalo (0, 1)

3.1 Situación actual de la empresa

Grupo Salas es una empresa importadora y distribuidora de regalos en general por

Grupo Salas importa regalos desde China, y los distribuye en el mercado a

El señor Rodolfo Salas viaja a el país de China durante un mes y es él quien se

Nos regimos por nuestros valores:

● Lealtad: Poseemos acciones respetuosas hacia las normas y hacia la empresa.

● Honestidad: Nos expresamos con coherencia y sinceridad.

● Respeto y gratitud: Tenemos la capacidad de aceptar diferentes criterios.

● Compromiso con el cliente: Creemos en el trabajo y en el valor de cada uno.

● Deseo de mejora continua: Apuntamos a un proceso de desarrollo con nuevas

Departamento de Departamento de Departamento de

Jefe de Almacén 1 Jefe de Almacén 2

Tienda S- Tienda Demanda

*Las cantidades son unidades de cajas vendidas durante el mes correspondiente.

El comportamiento de la demanda de forma gráfica:

3.2 Métodos aplicados

Según las Simulación de Monte-Carlo obtuvimos los siguientes datos.

Promedios de ventas 2016 y 2017

Enero 0.7279 1121

Mediante una gráfica podemos observar lo siguiente:

Pronostico de la Demanda Alfa 0.37

Mediante una gráfica podemos observar lo siguiente:

Con la simulación de Montecarlo:

Con el modelo en la serie del tiempo:

Modelo en la serie del tiempo

 El método de muestreo estadístico de Montecarlo nos permite seleccionar

 Los resultados evidencian que con la simulación de Montecarlo se puede realizar

 De la misma manera, se encontraron que hay más métodos especializados que

 Por último, se encontró que el modelo de Montecarlo, si bien es cierto, utiliza

VI. Bibliografía y Referencias: