Professional Documents
Culture Documents
Simulacion Montecarlo para Maximizacion de Utilidades
Simulacion Montecarlo para Maximizacion de Utilidades
AUTORES
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
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
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
técnica se ve ligada al trabajo realizado por Stan Ulam a finales de los 40´s en laboratorio de
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
principio Montecarlo, para determinar la utilidad máxima que puede llegar a poseer un
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
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
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
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
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
quesos.
RESULTADOS
Teniendo en cuenta los datos históricos que posee el vendedor de quesos mostrados a
Tabla 1 ventas
VENTAS
uds vendidas nº de días
20 10
21 20
22 30
23 30
24 20
25 10
Fuente: Autor
PRECIO DE VENTA
Precios nº de días
10 20
12 30
14 40
16 30
18 10
Fuente: Autor
PRECIO DE COMPRA
Precios nº de días
5 15
7 25
9 35
11 25
17 10
Fuente: Autor
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
4, tabla 5 y tabla 6:
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
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
precio de venta y el precio de compra, función de la probabilidad que suceda cada uno de los
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
Fuente: Autor
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
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
Fuente: Autor
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
números aleatorios se generan de manera asociada a cada uno de los sucesos que se presentan
ensayos, ya que, este numero de iteraciones es suficiente para generar un numero de valores
representativos.
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
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
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
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
Fuente: Autor
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
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
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