SIMULACION MONTECARLO PARA MAXIMIZACION DE UTILIDADES

AUTORES

DANIEL FELIPE ARÉVALO VALBUENA

SERGIO ANDRÉS ACOSTA SÁNCHEZ

UNIVERSIDAD COOPERATIVA DE COLOMBIA

FACULTAD DE INGENIERIA

INGENIERIA INDUSTRIAL

BOGOTÁ D.C.

2020
 ABSTRACT

The Monte Carlo simulation method combines statistical concepts such as random

sampling based on the Excel application with the ability to generate pseudo-random numbers

and automate their calculation. Taking into account that this technique is linked to the work

carried out by Stan Ulam in the late 40's in the Alamos laboratory, when investigating the

random movement of neutrons.

As a result, over the years this method has been applied in different fields of the industry,

as an efficient alternative to exact mathematical models and / or has even been used as the

only means of estimating solutions to complex problems. In this way it is possible to find

models that currently use Monte Carlo simulation that allow solving these complex problems,

it is in this way that for this document a simulation is carried out based on the Monte Carlo

principle, to determine the maximum utility that can be reached to own a merchant from a

dairy company specialized in the manufacture of cheeses, taking into account the factors that

influence the profits of this product, in turn considering the variables that cannot be

controlled, such as the demand for cheeses generated by their customers.

Efficiently providing a solution for this company through said simulation, allowing the

profit factor for the sale of the product to be no less than the cost of transportation and other

factors that increase its cost, bearing in mind that they must be considered a uniform

distribution that allows the normalization of the data related to the maximization point to

which you want to arrive, evidencing how the Monte Carlo simulation is an effective method

to provide a solution and a logical decision that helps to determine the number of units that

will maximize the profits without generating a significant number of losses.

 INTRODUCCIÓN

El método de simulación Montecarlo combina conceptos estadísticos como lo son el

muestreo aleatorio fundamentados en el aplicativo Excel con la capacidad de generar números

de manera pseudoaleatoria y automatizar el cálculo de estos. Teniendo en cuenta, que esta

técnica se ve ligada al trabajo realizado por Stan Ulam a finales de los 40´s en laboratorio de

Álamos, al investigar el movimiento aleatorio que poseen los neutrones.

Por lo que este método con el transcurso de los años se ha ido aplicando en diferentes

campos de la industria, como una alternativa eficiente a los modelos matemáticos exactos y/o

incluso se ha visto empleado como único medio para estimar soluciones de problemas

complejos. De esta manera es posible encontrar actualmente modelos que hacen uso de

simulación Montecarlo que permiten dar solución a dichos problemas complejos, es de esta

manera que para el presente documento se realiza una simulación fundamentados en el

principio Montecarlo, para determinar la utilidad máxima que puede llegar a poseer un

comerciante de una empresa láctea especialista en la fabricación de quesos, teniendo en

cuenta los factores que influyen en las ganancias de este producto, a su vez contemplando las

variables que no se pueden controlar como lo son la demanda de quesos generada por sus

clientes.

Dando de forma eficiente una solución para esta empresa por medio de dicha simulación,

permitiendo que el factor de ganancia por la venta del producto no sea inferior al costo de

transporte y demás factores que elevan el coste de este, teniendo en cuenta que se deben

contemplar una distribución uniforme que permita la normalización de los datos relacionados

con el punto de maximización al que se quiere llegar, evidenciando como la simulación

Montecarlo es un método efectivo para dar solución y una decisión lógica que permita ayudar
a determinar la cantidad de unidades que maximizaran las ganancias sin generar un número

significativo de perdidas.

JUSTIFICACIÓN

El sector lácteo es una industria que presenta perdidas altas, ya que, sus productos en su

mayoría son de carácter perecedero lo que indica una vida útil no muy prolongada

dependiendo del producto, en el problema podemos avistar que dicha empresa de quesos no

cuenta con una disposición de tiempo significativa que permita generar un pedido excesivo

del producto por lo que de llegar a realizarse un pedido de menos unidades se puede no llegar

a cumplir con la demanda y las ganancias no serán justificables en relación al coste por

unidad y el costo de mantener dicho inventario, de igual manera si se genera un pedido por

mas unidades de las que se puedan llegar a vender, el costo por perdidas del producto al tener

que ser arrojados por desperdicio dejaría un mayor margen de perdidas.

Por lo que se determina generar un método de simulación que permita ampliar la visión de

como se comportaran las variables de interés, teniendo en cuenta las unidades que se venderán

en relación con la demanda y costos de transporte por cada una de las unidades que no se

logren vender hasta las 2 p.m. el tiempo que establece para la comercialización de este

producto que vende la empresa de quesos.

En el presente trabajo se desarrolla una propuesta de solución que cumpla con los

principales requerimientos del vendedor, de tal manera que al realizar un pedido de ciertas

unidades no se genere el riesgo de no cumplir con la demanda de los clientes en el mercado

y/o de tal manera que al realizar un pedido de mas unidades se genere desperdicios de este o

un costo de transporte por cada una de las unidades que no sean vendidas en ese periodo

determinado, buscando de esta manera un método que permita simular las cantidades
necesarias para dejar un margen de ganancias sin tener que necesariamente desplegar un costo

adicional ya sea por desperdicios o por transporte adicional, de esta manera efectuando la

simulación Montecarlo para determinar la cantidad que favorezca a la empresa vendedora de

quesos.

RESULTADOS

Teniendo en cuenta los datos históricos que posee el vendedor de quesos mostrados a

continuación en las tablas 1, tabla 2 y tabla 3:

Tabla 1 ventas

VENTAS
uds vendidas nº de días
20 10
21 20
22 30
23 30
24 20
25 10
Fuente: Autor

Tabla 2 Precio de ventas

PRECIO DE VENTA
Precios nº de días
10 20
12 30
14 40
16 30
18 10
Fuente: Autor

Tabla 3 Precio de compra

PRECIO DE COMPRA
Precios nº de días
 5 15
7 25
9 35
11 25
17 10
Fuente: Autor

De esta manera se tiene presente que el costo de exceso es equivalente al precio de

adquisición o de compra + 1 euro, ya que esto sería lo que tendría que pagar el vendedor de

no llegar a vender todas las unidades por el coste de transporte, a su vez, teniendo en cuenta

que la cantidad de unidades que adquiere son entre x = (18,19,20…25) por lo que se genera

una distribución de probabilidad de las variables no controlables, como se muestra en la tabla

4, tabla 5 y tabla 6:

Tabla 4 Probabilidad Demanda

Demanda      
Pr. Acumulada Demanda nº de días Pr. Suceso
0,00 19    
0,08 20 10 0,08
0,25 21 20 0,17
0,50 22 30 0,25
0,75 23 30 0,25
0,92 24 20 0,17
1,00 25 10 0,08
120 1,00
Fuente: Autor
 Tabla 5 Probabilidad precio de venta

Precio venta      
Pr. Acumulada P. Venta nº de días Pr. Suceso
0,00 9    
0,15 10 20 0,15
0,38 12 30 0,23
0,69 14 40 0,31
0,92 16 30 0,23
1,00 18 10 0,08
130 1,00
Fuente: Autor

Tabla 6 Probabilidad precio de compra

Precio compra    
Pr. Acumulada P. Compra nº de días Pr. Suceso
0,00 4    
0,14 5 15 0,14
0,36 7 25 0,23
0,68 9 35 0,32
0,91 11 25 0,23
1,00 17 10 0,09
110 1,00
Fuente: Autor

Teniendo en cuenta que los valores presentados con anterioridad, se genera graficas que

permitan entender el área de probabilidad en relación al comportamiento de la demanda, el

precio de venta y el precio de compra, función de la probabilidad que suceda cada uno de los

acontecimientos que se muestran con anterioridad, de esta manera se muestra en la grafica 1,

grafica 2, grafica 3:

Grafica 1: Demanda
 demanda

0.08

0.17

0.25

0.25

0.17

0.08
0.00 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 1.00

prob. Demanda 20 uds prob. Demanda 21 uds

prob. Demanda 22 uds prob. Demanda 23 uds
prob. Demanda 24 uds prob. Demanda 25 uds

Fuente: Autor

Grafica 2 Precio de venta

precio de venta
0.15

0.23

0.31

0.23

0.08
0.00 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 1.00

prob. precio vta. 10 prob. precio vta. 12 prob. precio vta. 14 prob. precio vta.16
prob. precio vta. 18

Fuente: Autor

Grafica 3 Precio de compra

 precio de compra

0.14

0.23

0.32

0.23

0.09
0.00 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 1.00

prob. precio compra 5 prob. precio compra 7 prob. precio compra 9 prob. precio compra 11

prob. precio compra 17

Fuente: Autor

Al tener este tipo de variables y de probabilidades determinadas, se entra a generar el

método de simulación Montecarlo, aplicando una distribución uniforme para cada uno de los

datos anteriormente obtenidos, por lo que se genera una serie de numero pseudoaleatorios

mediante Excel teniendo que la distribución uniforme se realiza entre 0 y 1, el intervalo de

números aleatorios se generan de manera asociada a cada uno de los sucesos que se presentan

en la simulación, partiendo de la columna de probabilidad acumulada. Se realizan 1000

ensayos, ya que, este numero de iteraciones es suficiente para generar un numero de valores

representativos.

Al comparar las 9 simulaciones realizadas con el método mencionado anteriormente, se

seleccionaron 3 por ser las más representativas (simulación 20,22 y 24) en cuanto a la

probabilidad que tienen de ser factibles para maximizar las ganancias, sin dejar un grado alto
 de perdidas al ser comercializadas este tipo de cantidad de unidades como se muestra a

continuación en el grafico 4:

DISTRIBUCIÓN DE BENEFICIOS
1
0.9
0.8
0.7
PROB. ACUMULADA

0.6
0.5 20
unid.
0.4
0.3
0.2
0.1
0
-114
-103

-81

-59
-48
-37
-26

-4

18
29
40
51
62
73
84
95
106
117
128
139
150
161
172
183
194
205
216
227
238
249
-92

-70

-15

BENEFICIO SIMULADO

Gráfico 4 Distribución de Beneficios

Fuente: Autor

Partiendo de los beneficios simulados para cada cantidad comprada se obtiene la variable

aleatoria de los beneficios esperados, por medio del calculo de la media de los sucesos (1000

sucesos/simulaciones) teniendo en cuenta que se hace referencia a un intervalo del 95% de

confianza lo que nos deja con un 0.05 de margen de error sobre el modelo. A su vez se

obtiene con los datos mencionados previamente los resultados que aparecen en la tabla 7:
 Tabla 7 Resultados

BENEFICIO, VARIANZA E INTERVALO GENERADO A PARTIR DE EL Nº DE

UNIDADES COMPRADAS
CANTIDADE

S 18 19 20 21 22 23 24 25 26
BENEFICIO 66,7 70,4 74,1 76,5 76,8 73,9 67,7 59,7 50,6

MEDIO 1 1 2 0 4 1 4 2 9
DESVIACIÓ 53,7 56,7 59,7 62,3 64,7 66,8 69,0 70,9 72,4

N TÍPICA 3 2 0 4 8 8 7 3 3
INTERVALO

CONFIANZA 4,71 4,97 5,23 5,46 5,68 5,86 6,05 6,22 6,35
71,4 75,3 79,3 81,9 82,5 79,7 73,7 65,9 57,0

MÁXIMO 2 9 5 6 2 7 9 4 4
62,0 65,4 68,8 71,0 71,1 68,0 61,6 53,5 44,3

MÍNIMO 0 4 9 3 6 5 8 0 4
Fuente: Autor

Además de ello se genera en el grafico 5, el beneficio que se espera obtener por cada una

de las unidades vendidas, con base a la simulación realizada con el método Montecarlo:
 BENEFICIO ESPERADO
90.00
80.00
BENEFICIO MEDIO EN 1000 ENSAY.

70.00
60.00
50.00 BENEFICIO
40.00 MEDIO
MÁXIMO
30.00 MÍNIMO
20.00
10.00
0.00
18 19 20 21 22 23 24 25 26
CANTIDADES COMPRADAS SIMULADAS

Gráfico 5 Beneficio esperado

Fuente: Autor

Teniendo en cuenta este panorama y lo presentado con anterioridad en los gráficos,

resultados de las simulaciones con 1000 sucesos, se infiere que la cantidad de unidades que

debe pedir el vendedor para no generar costo de transporte por no ser vendida en su totalidad

y no generar perdidas por desperdicios de la mercancía es de 22 unidades, las cuales, lograran

ser vendidas en el transcurso de la jornada de venta por lo que esta cantidad de unidades son

las que han de maximizar la ganancia y evitar el coste tanto de transporte como de

desperdicios.

BIBLIOGRAFÍA

Azofeifa, C. E. (s.f.). Aplicación de la Simulación Monte Carlo en el cálculo del riesgo usando Excel.
Tecnología en Marcha Vol. 17 N° 1. Obtenido de https://dialnet.unirioja.es/servlet/articulo?
codigo=4835801

Cruz Aranda , F. (junio de 2012). Procesos estocásticos en la valuación de proyectos de inversión,

opciones reales, árboles binomiales, simulación bootstrap y simulación Monte Carlo:
flexibilidad en la toma de decisiones. Obtenido de http://www.scielo.org.mx/scielo.php?
pid=S0186-10422012000200005&script=sci_arttext&tlng=en
Faulín, J., & Juan, Á. A. (s.f.). Simulación de Monte Carlo con Excel. Obtenido de
http://www.cyta.com.ar/biblioteca/bddoc/bdlibros/monte_carlo/monte_carlo.htm?
iframe=true&width=95%&height=95%

Rodríguez Nava, A., & Vanegas Martínez, F. (diciembre de 2010). Efectos del tipo de cambio sobre el
déficit público: modelos de simulación Monte Carlo. Obtenido de
http://www.scielo.org.mx/scielo.php?pid=S0186-
10422010000300002&script=sci_arttext&tlng=en