Apunte de contenido:

Optimización II
Unidad 3

UGM
Escuela de Ingeniería
Santiago, Chile
2022
 1. Simulación

1.1 Introducción
En nuestro mundo, hasta cierto punto estamos conscientes de la
importancia de los modelos de simulación. Boeing Corporation y Airbus
Industries, por ejemplo, suelen construir modelos de simulación de sus
aviones jet propuestos y, luego, probar sus propiedades aerodinámicas. Su
organización de defensa civil local puede realizar prácticas de rescate y
evacuación, cuando simula las condiciones de desastre natural que dejan un
huracán o un tornado. El ejército de Estados Unidos simula ataques enemigos
y estrategias de defensa con juegos de guerra en la computadora. Los
estudiantes de negocios toman cursos que usan juegos administrativos para
simular situaciones de negocios competitivas reales, en los cursos de juegos
de negocios. Miles de empresas, gobiernos y organizaciones de servicio
desarrollan modelos de simulación para ayudar en la toma de decisiones
respecto a control de inventarios, programas de mantenimiento, distribución
de planta, inversiones
y pronósticos de ventas.
De hecho, la simulación es una de las herramientas de análisis
cuantitativo que más se utiliza. Varias encuestas de las corporaciones
estadounidenses más grandes revelan que más de la mitad usan simulación
en la planeación corporativa.
La simulación suena como la solución a todos los problemas
administrativos. Por desgracia, esto no es cierto de manera alguna. No
obstante, al estudiarla pensamos que es una de las técnicas más flexibles y
fascinantes del análisis cuantitativo. Comenzaremos el estudio de la
simulación con una definición sencilla.
Simular es tratar de duplicar las funciones, apariencia y características
de un sistema real. En este apunte, mostraremos cómo simular un negocio o
sistema administrativo construyendo un modelo matemático, que se acerque
lo más posible a la representación real del sistema. No construiremos
modelos físicos, como aquellos que se pueden usar en un túnel de viento
para hacer pruebas de simulación en un avión; pero al igual que los modelos
físicos de aviones se prueban y modifican en condiciones experimentales,
nuestros modelos matemáticos sirven para experimentar y estimar los

pág. 2
efectos de las diferentes acciones. La idea detrás de la simulación es imitar
matemáticamente una situación del mundo real y, luego, estudiar sus
propiedades y características operativas, para, por último, obtener
conclusiones y tomar decisiones de acción con base en los resultados de la
simulación.
De esta manera, el sistema real no se toca sino hasta que se miden en
el modelo del sistema las ventajas y desventajas de lo que puede ser una
decisión de política importante.

1.2 Ventajas y desventajas de la simulación

La simulación es una herramienta de amplia aceptación por parte de
los gerentes por varias razones:
1. Es relativamente directa y flexible, y se puede utilizar para comparar
muchos escenarios diferentes.
2. Los avances recientes en software hacen que sea muy sencillo
desarrollar algunos modelos de simulación.
3. Sirve para analizar situaciones reales grandes y complejas, que los
modelos convencionales de análisis cuantitativo no pueden resolver.
Por ejemplo, no es posible construir un modelo matemático de un
sistema gubernamental de una ciudad que incorpore factores
económicos, sociales, ambientales y políticos importantes. La
simulación se ha empleado con éxito para modelar sistemas urbanos,
hospitales, sistemas educativos, economías nacionales y estatales, e
incluso sistemas de alimentación mundial.
4. La simulación permite preguntas del tipo ¿qué sucedería si? A los
gerentes les gustaría saber de antemano qué opciones son atractivas.
Con una computadora, el gerente puede intentar varias decisiones
políticas en unos cuantos minutos.
5. Las simulaciones no interfieren con el sistema real. Por ejemplo,
quizá sería demasiado perturbador experimentar nuevas políticas o
ideas en un hospital, escuela o planta de manufactura. Con simulación,
los experimentos se hacen en el modelo no el sistema real.
6. La simulación nos permite estudiar el efecto interactivo de los
componentes o variables individuales para determinar cuáles son
importantes.
7. El “tiempo de compresión” es posible con simulación. El efecto de
ordenar, publicar o aplicar otras políticas durante muchos meses o

pág. 3
 años se puede obtener con la simulación por computadora en un
tiempo muy corto.
8. La simulación acepta la inclusión de complicaciones del mundo real
que la mayoría de los modelos de análisis cuantitativo no acepta. Por
ejemplo, algunos modelos de líneas de espera requieren una
distribución exponencial o de Poisson; en tanto que algunos modelos
de inventarios y de redes requieren una distribución normal. Pero la
simulación puede usar cualquier distribución de probabilidad que
defina el usuario; no necesitan una distribución en particular.

Las principales desventajas de la simulación son:

1. Los buenos modelos de simulación para situaciones complejas
suelen ser muy costosos. Con frecuencia el desarrollo del modelo es un
proceso tardado y complicado. Por ejemplo, un modelo de planeación
corporativa tomaría meses o años para desarrollarse.
2. La simulación no genera soluciones óptimas para los problemas
como lo hacen otras técnicas de análisis cuantitativo, por ejemplo, la
cantidad óptima a ordenar (lote económico), programación lineal o
PERT. Es un enfoque de ensayo y error que puede generar diferentes
soluciones de una corrida a otra.
3. El gerente debe generar todas las condiciones y restricciones para la
solución que desea examinar. El modelo de simulación no produce
respuestas por sí mismo.
4. Cada modelo de simulación es único. Sus soluciones e inferencias no
suelen transferirse a otros problemas.

2. Generación de números aleatorios

GENERAR números aleatorios de una cierta distribución de

probabilidad significa obtener VALORES DE LA DISTRIBUCIÓN que se puedan
considerar INDEPENDIENTES.
En un proceso en tres fases:
1. Obtención de los valores
2. Comprobación de que pertenecen a la distribución elegida (test de
hipótesis).

pág. 4
 3. Comprobación de que pueden considerarse independientes (test de
hipótesis)

La obtención de los valores se hace en dos pasos:

1. Obtención de valores de una distribución U(0,1)
2. Transformación de los valores anteriores en valores de la
distribución elegida.

2.1 Generación números aleatorios u(0,1)

-Método cuadrado medio (1940) Von Newmann:

Se elige un entero de cuatro cifras, Z0.
Cada valor Zi+1 se obtiene a partir de Zi tomando los cuatro dígitos
centrales de 𝑧𝑖2 .
Si 𝑧𝑖2 no tiene ocho dígitos se completa con ceros a su izquierda hasta
que sí los tenga.
Se pone un punto decimal delante obteniéndose el valor Ui , número
aleatorio de una U(0,1)

-Métodos congruenciales lineales (Lehmer, 1951)

Se eligen cuatro enteros iniciales: Z0 (semilla), m (módulo), a
(multiplicador) y c (incremento); 0 < Z0, a, c < m.
Se usa la siguiente fórmula recursiva:
𝑍𝑖+1 = (𝑎 𝑍 + 𝑐)𝑚𝑜𝑑 𝑚
𝑍𝑖
Se define 𝑈𝑖 =
𝑚

pág. 5
Características de buen generador:
1. Los números generados deben de parecer independientes y venir de
U(0,1) (pasar los test). Deben de ser rápidos y necesitar poca memoria
(almacenamiento).
2. Deben de poder producir secuencias largas (periodo máximo m)
para asegurar que en una secuencia de m números aleatorios, cada
uno sólo se repite una vez.
3. Deben de poder reproducir la misma secuencia de números
aleatorios.
4. Debe de poder producir secuencias independientes para poder
modelizar las distintas fuentes de aleatoriedad del sistema.

-Métodos congruenciales lineales con periodo completo teorema: (Hull-

Dobell, 1962)
Un método congruencial lineal tiene periodo completo m si y solo si:
1. El único entero positivo que divide de manera exacta a m y c es 1
(m.c.d.{m,c}=1).
2. Si q es un número primo que divide a m, entonces q tiene que
dividir a (a-1).
3. Si 4 divide a m, entonces 4 divide a (a-1)
La condición 1 del teorema hace que sea diferente el trato de los
métodos en los que c = 0 o c ≠ 0.
i) Si c ≠ 0: Métodos mixtos: se puede verificar la condición 1 del
teorema y obtener periodo completo.
ii) Si c = 0: Métodos multiplicativos: no se puede obtener periodo
completo, pero son más sencillos de implementar.

pág. 6
Elección de m:
– dividir por m para obtener el resto es una operación relativamente lenta. Es
deseable no tener que hacer la división en forma explícita.
– Si b = longitud de palabra del ordenador, eligiendo 𝑚 = 2𝑏 se puede evitar
la división utilizando el overflow de enteros.

-Métodos congruenciales lineales multiplicativos

No se puede obtener periodo completo m, pero con una elección
adecuada de m y a se puede obtener periodo m-1 (casi completo).
La elección de 𝑚 = 2𝑏 parece adecuada pero solo se obtiene un
periodo máximo de 𝑚 = 2𝑏−2 = 2𝑏/4 como mucho (sólo se obtiene la
cuarta parte de los valores que podrían obtenerse en (0,1)).
Consecuencia: no se obtienen valores de una U(0,1), se observó que, si
se elige m primo, se obtienen mejores resultados. Esto llevó a los métodos
congruenciales lineales multiplicativos módulos primos.

-Métodos congruenciales lineales multiplicativos módulo primo teorema

(Hutchinson-Lehmer, 1966):
Si m es primo 2. elegimos a de manera que el menor entero, k, para el
cual 𝑎𝑘 = 1 es divisible por m es k = m-1 3. Z0 < m-1, entero, entonces, el
método congruencial multiplicativo resultante tiene periodo (m-1).
El caso de longitud de palabra b = 32 bits ha sido muy estudiado
porque muchos ordenadores y compiladores en uso funcionan con esta
longitud de palabra.
Para este caso, tomando m = 231 –1 hay 534 millones de números que
cumplen la condición para a. Funcionan bien a =75 o a = 630.360.016.
Todos los lenguajes de simulación tienen implementados métodos
congruenciales lineales multiplicativos módulos primos.

3. Simulación Montecarlo
Cuando un sistema contiene elementos que exhiben azar en su
comportamiento, se puede aplicar el método Montecarlo de simulación.
La idea básica en la simulación Montecarlo es generar valores de las
variables que forman el modelo que se estudia. En los sistemas reales hay
muchas variables que tienen naturaleza probabilística y que podemos querer
simular. Unos cuantos ejemplos de estas variables son:

pág. 7
1. La demanda de un inventario diaria o semanal.
2. El tiempo de entrega para las órdenes del inventario.
3. Los tiempos entre descomposturas de las máquinas.
4. Los tiempos entre llegadas a las instalaciones de servicio.
5. Los tiempos de servicio.
6. Los tiempos para terminar las actividades de un proyecto.
7. El número de empleados ausentes en el trabajo cada día.
Algunas de estas variables, como la demanda diaria y el número de
empleados ausentes, son discretas y deben tener valores enteros. Por
ejemplo, la demanda diaria puede ser 0, 1, 2, 3, etc., pero no puede ser
4.7362 u otro valor no entero. Otras variables, como las relacionadas con el
tiempo, son continuas y no se necesita que sean enteras porque el tiempo
puede tomar cualquier valor. Al seleccionar un método para generar valores
de una variable aleatoria, esta característica debería tomarse en cuenta. Se
darán ejemplos de ambos tipos en la siguiente sección.
La base de la simulación Montecarlo es la experimentación sobre los
elementos posibles (o probabilísticos) mediante el muestreo aleatorio.

Cinco pasos para la simulación Montecarlo

1. Establecer las distribuciones de probabilidad para las variables
importantes de entrada.
2. Elaborar una distribución de probabilidad acumulada para cada
variable del paso 1.
3. Establecer un intervalo de números aleatorios para cada variable.
4. Generar números aleatorios.
5. Simular una serie de pruebas.

Un ejemplo prototipo de aplicación simulación de Montecarlo: una gran

parte de las ventas generales de Harry. Al reconocer que los costos de
inventario pueden ser significativos con este producto, Harry quiere
determinar una política para administrar dicho inventario.
Para ver cómo estaría la demanda durante un periodo, desea simular la
demanda diaria para cierto número de días.

Paso 1: Establecer distribuciones de probabilidad. Una forma común

de establecer una distribución de probabilidad es examinar los eventos
históricos.

pág. 8
 La probabilidad o frecuencia relativa para cada resultado posible de
una variable se encuentra dividiendo la frecuencia observada entre el
número total de observaciones. La demanda diaria para las llantas radiales en
Auto Tire de Harry durante 200 días se muestra en la tabla 1. Podemos
convertir estos datos en una distribución de probabilidad, si suponemos que
las tasas de demanda del pasado se mantendrán en el futuro, dividiendo
cada frecuencia de demanda entre la demanda total, 200.
Deberíamos observar que no es necesario que la distribución de
probabilidad esté basada tan solo en observaciones históricas. A menudo, las
estimaciones de la administración basadas en el juicio y la experiencia se
usan para crear una distribución. Algunas veces, una muestra de ventas, las
descomposturas de una máquina o las tasas de servicio se usan para crear
probabilidades para tales variables. Las distribuciones en sí pueden ser
empíricas, como en la tabla o basarse en lo que se conoce como patrón
normal, binomial, de Poisson o exponencial.

TABLA 1: Demanda diaria histórica para llantas radiales en Auto Tire de

Harry y la distribución de probabilidad

Paso 2: Elaborar una distribución de probabilidad acumulada para cada

variable. La conversión de una distribución de probabilidad regular, como en
la columna de la derecha de la tabla 1, en una distribución acumulada es una
tarea sencilla. Una probabilidad acumulada es la probabilidad de que una
variable (demanda) sea menor o igual que un valor específico. Una
distribución acumulada lista todos los valores posibles y las probabilidades.
En la tabla 2 vemos que la probabilidad acumulada para cada nivel de
demanda es la suma del número en la columna de probabilidad (columna
central) sumada a la probabilidad acumulada anterior (columna de la

pág. 9
derecha). La probabilidad acumulada graficada en la figura 1 se utiliza en el
paso 3 para ayudar a asignar números aleatorios.
TABLA 2: Probabilidades acumuladas para las llantas radiales

Figura 1: Representación gráfica de la distribución de probabilidad

acumulada para las llantas radiales

pág. 10
 Paso 3: Establecer intervalos de números aleatorios. Después de
establecer una distribución de probabilidad acumulada para cada variable
incluida en la simulación, queremos asignar un conjunto de números para
representar cada valor o resultado posible. Estos se conocen como intervalos
de números aleatorios. Los números aleatorios se estudian con detalle en el
paso 4.
Básicamente, un número aleatorio es una serie de dígitos (digamos,
dos dígitos de 01, 02…, 98, 99, 00) que se seleccionan mediante un proceso
totalmente aleatorio. Si existe 5% de posibilidades de que la demanda de un
producto (como la llanta radial de Harry) sea de 0 unidades por día,
queremos que 5% de los números aleatorios disponibles correspondan a una
demanda de 0 unidades. Si en la simulación se tiene un total de 100 números
de dos dígitos (piense en ellos como en fichas numeradas en un recipiente),
podemos asignar la demanda de 0 unidades a los primeros cinco números
aleatorios: 01, 02, 03, 04 y 05. Entonces, una demanda simulada de 0
unidades se crea cada vez que se obtiene uno de los números 01 a 05. Si
también existe 10% de posibilidades de que esa demanda del mismo
producto sea 1 unidad por día, podemos hacer que los siguientes 10 números
aleatorios (06, 07, 08, 09, 10, 11, 12, 13, 14 y 15) representen esa demanda, y
así sucesivamente para otros niveles de demanda.
En general, si se utiliza la distribución de probabilidad acumulada que
se calculó y graficó en el paso 2, se puede establecer el intervalo de números
aleatorios para cada nivel de demanda de una manera muy sencilla. Nota en
la tabla 3 que el intervalo seleccionado para representar cada demanda
diaria posible tiene una relación estrecha con la probabilidad acumulada a su
izquierda. El límite superior de cada intervalo es siempre igual al porcentaje
de la probabilidad acumulada.
De manera similar, vemos en la figura 1 y la tabla 3 que la longitud de
cada intervalo a la derecha corresponde a la probabilidad de cada una de las
posibilidades de la demanda diaria. Por lo tanto, al asignar números
aleatorios a la demanda diaria de 3 llantas radiales, el intervalo de números
aleatorios (36 a 65) corresponde exactamente a la probabilidad (o
proporción) de ese resultado. Una demanda diaria de tres llantas radiales
ocurre 30% de las veces. Cualesquiera de los 30 números aleatorios mayores
que 35 y hasta 65 inclusive, se asignan a ese evento.

pág. 11
TABLA 3: Asignación de intervalos de números aleatorios para Auto Tire de
Harry

Paso 4: Generar números aleatorios. Los números aleatorios se

pueden generar de varias maneras en los problemas de simulación. Si el
problema es muy grande y el proceso que se estudia incluye miles de
pruebas de simulación, se dispone de programas de software para generar
los números aleatorios necesarios.
Si la simulación se hace a mano, como en este libro, los números se
pueden seleccionar dando vuelta a una ruleta que tenga 100 ranuras,
tomando a ciegas fichas numeradas en un sombrero o con cualquier método
que permita hacer una selección aleatoria. Lo que más se usa es elegir los
números de una tabla de dígitos aleatorios como la tabla 4.
La tabla 4, en sí, se generó con un programa por computadora. Tiene la
característica de que cada dígito o número ahí tiene la misma posibilidad de
ocurrir. En una tabla de números aleatorios muy grande, 10% de los dígitos
serán 1, 10% serán 2, 10% serán 3, etc. Como todo es aleatorio, podemos
seleccionar números de cualquier punto en la tabla para utilizarlo en los
procedimientos de simulación en el paso 5.
Existen varias maneras de elegir números aleatorios: los generadores
de números aleatorios (que están integrados en las hojas de cálculo y en
muchos lenguajes de computación), tablas (como la tabla 4), una ruleta, etc.

pág. 12
 Tabla 4: Tabla de números aleatorios

5. Simular una serie de pruebas. Podemos simular los resultados de un

experimento simplemente seleccionando números aleatorios de la tabla 4.
Comenzamos en cualquier lado de la tabla y observamos el intervalo
donde cae cada número en la tabla 4 o en la figura 1. Por ejemplo, si el
número aleatorio elegido es 81, y el intervalo de 66 a 85 representa una
demanda diaria de cuatro llantas, seleccionamos una demanda de cuatro
llantas.
Ahora ilustramos el concepto simulando otros 10 días de demanda de
llantas radiales en Auto Tire de Harry (véase la tabla 5). Elegimos los números
aleatorios necesarios en la tabla 4, comenzando en la esquina superior
izquierda y continuando hacia abajo en la primera columna.
Es interesante observar que la demanda promedio de 3.9 llantas en
esta simulación de 10 días diferencia significativamente de la demanda diaria
esperada, que podemos calcular a partir de los datos de la tabla 2:

pág. 13
𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑎 𝑑𝑖𝑎𝑟𝑖𝑎 =
∑50(𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑖 𝑙𝑙𝑎𝑛𝑡𝑎𝑠)𝑥 (𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑖 𝑑𝑒 𝑙𝑙𝑎𝑛𝑡𝑎𝑠)

= (0.05)(0) + (0.10)(1) + (0.20)(2)+(0.30)

(3)+(0.40)(4)+(0.50)(5)
= (2.95)𝑙𝑙𝑎𝑛𝑡𝑎𝑠

Si esta simulación se repite cientos o miles de veces, es más probable

que la demanda simulada promedio sea casi la misma que la demanda
esperada.
Naturalmente, sería riesgoso sacar conclusiones apresuradas respecto
a la operación de una empresa con tan solo una simulación corta. No
obstante, esta simulación a mano demuestra los principios importantes que
intervienen. Ayuda a entender el proceso de simulación Montecarlo que se
usa en los modelos de simulación computarizados. La simulación para Auto
Tire de Harry contiene solamente una variable. El verdadero poder de
simulación se ve cuando se trata de varias variables aleatorias y la situación
es más compleja. Como es de esperarse, la computadora es una
herramienta muy útil para llevar a cabo el tedioso trabajo cuando se
emprenden simulaciones más grandes.

TABLA 5: Simulación de 10 días de demanda de la llanta radial

pág. 14
Referencias bibliográficas

Ackoff R.L. y Sasieni, M.W. (1982). Fundamentos de investigación de

operaciones. México: Editorial LIMUSA.
Hillier F.S. y Lieberman G.J. (2002). Introducción a la investigación de
operaciones. 7ª edición. México: Mc Graw Hill.
Winston W. L (2005). Investigación de operaciones aplicaciones y algoritmos.
4ª edición. México: Thomson

pág. 15