Professional Documents
Culture Documents
FACULTAD DE INGENIERÍA
PROYECTO FINAL
SIMULACIÓN DE MONTECARLO
Bloque: FC-PREIEM07A1M
Integrantes Códigos
Lima - Perú
2018-I
ÍNDICE
I. Introducción ................................................................................................. 4
1.1 Antecedentes: .......................................................................................... 5
IV. Análisis...................................................................................................... 19
V. Conclusiones ............................................................................................. 20
VI. Bibliografía y Referencias: ....................................................................... 21
VII. Anexos ...................................................................................................... 22
Simulación de Monte-Carlo
RESUMEN
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.
3
Simulación de Monte-Carlo
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
Simulación de Monte-Carlo
1.1 Antecedentes:
1. Clientes
2. Pronóstico de demanda
3. Manejo de pedido
4. Relación de promesas de entrega
1.2 Objetivos:
Simular las ventas para este año a través del estudio de las muestras de los años anteriores.
5
Simulación de Monte-Carlo
2.1 Pronósticos
Administración de la demanda
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:
6
Simulación de Monte-Carlo
¿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
Simulación de Monte-Carlo
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.
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).
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
Simulación de Monte-Carlo
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
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
Simulación de Monte-Carlo
Simulacion de V. A. Discretas
Una primera aproximacion a la simulacion de una V.A. Discreta, X, que siga una
determinada.
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
Simulación de Monte-Carlo
y1 = p1
y2 = p1 + p2
...
yn = p1 + p2 + · · · + pn = 1
11
Simulación de Monte-Carlo
III. Resultados
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.
“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
Simulación de Monte-Carlo
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:
13
Simulación de Monte-Carlo
Organigrama:
Gerente General
Yaneth Salas
Administrador
Rodolfo Salas Salas
12
Simulación de Monte-Carlo
Sus ventas para los años 2016 y 2017 tuvieron estos registros.
13
Simulación de Monte-Carlo
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
Simulación de Monte-Carlo
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
15
Simulación de Monte-Carlo
16
Simulación de Monte-Carlo
Según el modelo en la serie del tiempo: Suavización exponencial con factor estacional.
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
Simulación de Monte-Carlo
18
Simulación de Monte-Carlo
IV. Análisis
Se hizo una comparación con la demanda real del presente año y obtuvimos lo siguiente:
Simulación de Monte-Carlo
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.
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
Simulación de Monte-Carlo
V. Conclusiones
20
Simulación de Monte-Carlo
21
Simulación de Monte-Carlo
VII. Anexos
Indicándonos el proceso de
despacho.
22
Simulación de Monte-Carlo
23