La simulacin en el proceso decisional - Ral Ercole

"La simulacin en el proceso decisional"

rea: Pedaggica

Autor:

Universidad Nacional de Crdoba

Facultad de Ciencias Econmicas
Ctedra: Sistemas de Informacin Contable IV
Direccin: 9 de Julio 776 - 7 "B" (5000) Crdoba
Telfono: 0351-425-4124
E-mail: rercole@arnet.com.ar

La simulacin en el proceso decisional - Ral Ercole

1. INTRODUCCIN
La problemtica de la toma de decisiones en cualquier Organizacin se caracteriza normalmente
por su complejidad. La clsica disyuntiva de tomar una u otra alternativa para alcanzar un objetivo
determinado tropieza generalmente con una serie de obstculos que son, en definitiva, los pasos
necesarios para completar el proceso decisional.
Podra ensayarse, por ejemplo, que tales etapas son:
a) Examen de la problemtica
Comprende las tareas de: Planteo preliminar - Identificacin de objetivos - Priorizacin de
problemas - Diagnstico.
b) Necesidad de informacin
La informacin debe ser lo suficientemente relevante (pertinente), completa y confiable.
c) Desarrollo de cursos de accin
Desarrollo de alternativas
d) Modelo de decisin
Evaluacin y eleccin de la alternativa ms conveniente
e) Implementacin
Comprende las tareas de puesta en marcha, comunicacin y bsqueda de apoyo para el cambio
propuesto.
f) Control
Seguimiento adecuado para la retroalimentacin.
Cualquier esquema para llevar adelante con xito un proceso decisional - como el propuesto u otro
que contemple caractersticas diferenciales para las etapas - tiene inmerso dificultades adicionales
si, como ocurre en numerosas oportunidades, la informacin no posee certeza absoluta.
En la mayora de los procesos de decisin los factores de incertidumbre - y su consecuente riesgo
- estn presentes.
En un trabajo anterior (La percepcin del riesgo y de la utilidad en una decisin - Trabajo
presentado al XXI Congreso IAPUCO - Crdoba 1998) se incursion en la temtica de la ptica
diferencial que puede tener cada decisor frente a esos problemas. Concretamente, ante la
presencia de informacin con incertidumbre, lo que conlleva factores de riesgo, puede operarse en
el modelo de decisin con el mejor valor monetario esperado (solucin cuantitativa) o introducir
visiones personalizadas de la utilidad que brinda un determinado valor monetario.
Esta ptica personalizada se denomina "funcin de utilidad" y puede construirse para cada decisor
en particular, observndose caractersticas diferenciales claramente visibles si se trata de
individuos con aversin o preferencia por el riesgo, respectivamente.
En el presente ensayo se tratar, en cambio, de observar cmo un proceso de simulacin puede
ayudar en el proceso decisional si la incertidumbre en la informacin es parte de dicho proceso.
Generalmente el procedimiento de simulacin no es usado en las decisiones operativas de las
Organizaciones, quizs por desconocimiento de su simplicidad, sobre todo en estos das de
desarrollo de planillas de clculo sumamente completas o programas especiales de simulacin de
facilsima comprensin y aplicacin. Es objetivo del presente trabajo difundir una
1 mayor aplicacin

La simulacin en el proceso decisional - Ral Ercole

del mtodo, por lo que se insertarn algunos conceptos de carcter didctico para una adecuada
comprensin y uso del mismo.
Toda decisin se toma con la informacin disponible en el momento de hacer la eleccin de la
mejor alternativa. Por ello nunca son sinnimos buenas decisiones y buenos resultados. Sin
embargo, una buena decisin es la mejor proteccin contra un mal resultado. En este sentido, la
simulacin es una tcnica que ayuda, entre otras, a tomar una buena decisin.
2. CONCEPTOS BSICOS.
Alguna conceptualizacin general es necesaria para describir el uso del mtodo de simulacin
como herramienta para la toma de decisiones. En este sentido, puede ser conveniente describir un
comentario acerca de los siguientes trminos:
DECISIN: es irrevocable, salvo que una nueva decisin pueda revertirla. Es una asignacin de
recursos hacia una meta u objetivo. Los elementos de una decisin son las alternativas, la
incertidumbre, el modelo de decisin y el resultado.
ALTERNATIVAS: distintos cursos de accin que el decisor podra tomar.
INCERTIDUMBRE: el proceso decisional sera ms simple si se pudiera predecir en forma
confiable cul sera el resultado de cada alternativa. Pero generalmente, ante la presencia de
incertidumbre que se produce porque pueden ocurrir eventos que no son determinados por el
decisor, es necesario efectuar pronsticos asignando distribuciones probabilsticas. De ese modo,
es posible detectar la incertidumbre asociada con el resultado de un proceso decisional.
MODELO DE DECISIN: es el criterio de eleccin para la toma de decisiones (funcin objetivo).
RESULTADO: las alternativas combinadas con la incertidumbre producirn el resultado de una
decisin. Por lo tanto, el resultado es una incertidumbre (hay una serie de resultados posibles).
DISTRIBUCIN DE PROBABILIDAD: es la funcin que relaciona los valores aleatorios de una
variable con su probablidad de ocurrencia. Generalmente se considera su valor esperado, que es
el promedio de los valores que se podra obtener desde una muestra lo suficientemente grande de
la distribucin, as como tambin los valores extremos que pudieran surgir. Un estudio adecuado
de la distribucin probabilstica indica una medida del riesgo en la decisin.
La forma y tamao de las distribuciones de probabilidad dependen del valor de sus parmetros.
As, el parmetro de forma indica la forma bsica de la distribucin, el de escala la unidad de
medida en el rango de la distribucin y el de ubicacin su relacin con el valor cero en el eje
horizontal.
RIESGO: es la posibilidad de un resultado no deseado. Puede considerarse la nocin de "neutral
al riesgo", que es aquel decisor que evaluar alternativas de acuerdo a su valor monetario
esperado con relacin a la distribucin probabilstica. Si, en cambio, evala las alternativas a
menos de su valor esperado se estar en presencia de "aversin al riesgo", o si es a ms en
presencia de "preferencia por el riesgo". Aqu est inmerso el concepto de "equivalente cierto" de
una alternativa, que es el monto en que el decisor es indiferente entre una suma cierta de dinero y
una alternativa con resultado incierto. La actitud hacia el riesgo se mide a travs de una funcin de

La simulacin en el proceso decisional - Ral Ercole

utilidad y se emplea en aquellos casos en que el decisor no est cmodo en basar sus decisiones
en el valor monetario esperado.
MUESTREO: un concepto estadstico ampliamente usado en simulacin es la ley de los grandes
nmeros. Esencialmente establece que si se toma una muestra lo suficientemente adecuada, la
media muestral estar relativamente cerca de la media poblacional.
VARIANZA: mide la dispersin de valores con relacin a la media.
DESVIACIN ESTNDAR: es otra medida de la dispersin y es igual a la raz cuadrada de la
varianza.
RANGO: es la diferencia entre los valores extremos (inferior y superior) de la variable.
SESGO: describe el grado en que una distribucin no es simtrica. Un sesgo negativo (inclinacin)
indica que su mayor densidad es hacia la derecha y viceversa. El coeficiente de sesgo positivo
indica inclinacin hacia la derecha. Un coeficiente mayor o menor a 1 indica un fuerte sesgo.
CURTOSIS: describe si una distribucin es o no aplanada. Una distribucin normal tiene un
coeficiente de curtosis de 3 y con un valor menor a ese nmero puede decirse que la distribucin
es relativamente chata o aplanada.
COEFICIENTE DE VARIACIN: es el cociente entre la desviacin estndar y la media. Mide el
grado de dispersin de los datos con relacin a la media. Sirve para comparar diversas variables,
aunque sus escalas difieran.
MEDIANA: es el valor central de un conjunto de datos. En la distribucin normal, la mediana
coincide con la media.
MODA: es el valor ms frecuente de una variable.
COEFICIENTE DE CORRELACIN: indica el grado de relacin lineal entre dos variables. Vara
entre menos 1 y 1. Un valor de cero indica que no existe relacin lineal.
INTERVALO DE CONFIANZA: son muy usados en simulacin y representan el rango de valores
que puede asumir una variable si se desea un porcentaje determinado de confiabilidad.
SIMULACIN: es el proceso de construir modelos matemticos o lgicos de un problema
decisional y experimentar con los mismos para determinar su comportamiento intrnseco, y las
caractersticas importantes en la toma de la decisin.
La simulacin es un modelo descriptivo: mide el comportamiento de un sistema con un conjunto
determinado de inputs. No es por lo tanto, un modelo prescriptivo, en el sentido que no determina
polticas ptimas.
La simulacin puede ser determinstica o probabilstica. Es probabilstico el modelo si alguna
variable debe ser descripta por una distribucin de probabilidad.
La simulacin puede ser discreta o continua. Ello referido a los tipos de variables del problema. En
la mayora de los sistemas, los eventos ocurren en puntos discretos del tiempo. En algunos
estudios ingenieriles, por otra parte, variables como temperatura y presin deben ser ingresadas
en el modelo a lo largo del tiempo y ello debe reflejarse en el modelo de simulacin.
SIMULACIN DE MONTECARLO: es un experimento muestral cuyo propsito es estimar la
distribucin de una variable de resultado que depende de varias variables de input con distribucin
probabilstica. Es el tipo de simulacin objeto del presente trabajo.

La simulacin en el proceso decisional - Ral Ercole

SIMULACIN DE SISTEMAS: explicita otro tipo de modelos, con una serie de hechos que ocurren
a travs del tiempo, como decisiones de inventario, teora de colas o problemas logsticos.
PROCESO DE SIMULACIN: comprende varias etapas:
a) desarrollo del modelo conceptual: identificacin del objetivo - variables de ingreso (inputs) medicin del resultado (output).
b) construir el modelo de simulacin, a travs del uso apropiado de relaciones matemticas,
distribucin probabilstica de variables con incertidumbre y clculo del resultado.
c) verificacin que el modelo est libre de errores.
d) validacin del modelo: asegurarse que es una razonable aproximacin a la realidad del
problema decisional.
e) correr la simulacin y obtener las conclusiones que ayuden en la toma de decisin.
NMEROS ALEATORIOS: constituyen la base para generar resultados desde las distribuciones
de probabilidad. En la terminologa de simulacin, un nmero aleatorio es aqul que est
uniformemente distribuido entre 0 y 1.
USO DE LA SIMULACIN: si bien la simulacin adolece de falta de respuestas precisas, indica un
comportamiento del modelo, identifica resultados extremos y brinda una aproximacin ms precisa
de los resultados ms probables. Ello no es ms que la ventaja de poseer otra herramienta previa
a la decisin y con el objetivo de lograr que sta sea la mejor alternativa que se puede escoger
con los datos disponibles.
3. LOS SUPUESTOS DE COMPORTAMIENTO DE LAS VARIABLES DE INGRESO.
La sencillez de aplicacin de un modelo de simulacin nos ha alcanzado a todos. Puede ahora
decirse que las ventajas de los sistemas de computacin masivos hacen posible que
procedimientos de tipo matemtico que antes parecan complejos, pueden instrumentarse para
cualquier problema decisional en una simple hoja de clculo (Excel, por ejemplo) o, mejor an, en
sencillos programas (software) especficos de simulacin que abundan en literatura especializada
o en la misma web.
Considrese un ejemplo sencillo: se desea introducir un nuevo producto en el mercado y para ello
existen las siguientes alternativas:
a) precio alto
b) precio bajo
Los eventos (incertidumbre) que pueden ocurrir estn en relacin al presupuesto de unidades a
vender de acuerdo a la reaccin de la competencia y al monto del costo variable que por lgica
determinar la magnitud de la contribucin marginal unitaria (CMu).
Como se observa en el problema planteado, existen incertidumbres como en la mayora de las
decisiones:
a) incertidumbre del costo variable y consecuente incertidumbre en la CMu.
b) incertidumbre en las unidades a vender.

La simulacin en el proceso decisional - Ral Ercole

Para el anlisis del problema, y la toma de decisin consecuente, se hace necesario asumir
posibles comportamientos de las variables de ingreso para obtener distintos resultados posibles de
la contribucin marginal total, que es la funcin objetivo del problema.
En ese sentido, se plantearn las caractersticas principales de las funciones de probabilidad ms
comnmente usadas en los softwares de simulacin.
Supuesto 1: la distribucin de probabilidad es discreta.
En tal caso se est en presencia de una funcin de masa de probabilidad. La variable aleatoria
puede slo tomar valores seleccionados y la suma de las probabilidades asociadas a cada valor
debe sumar 1. Ejemplo: las unidades a vender se pueden clasificar en determinados valores como
500 unidades, o 600, o 700, etc. Si se desea saber la probabilidad acumulada que el valor de la
variable est por debajo de determinado nmero, se usar la funcin de masa acumulada
construida a partir de la funcin original de probabilidad.
Ejemplo: supngase que las unidades a vender tienen una distribucin de probabilidad como la
indicada en el Cuadro 1, para el caso de un precio alto:
Cuadro 1 - Precio alto - Presupuesto de unidades a vender
UNIDADES
PROBABILIDAD
PROBAB.ACUMULADA
500
0.22
0.22
550
0.36
0.58
600
0.16
0.74
650
0.14
0.88
800
0.12
1.00
La tercera columna de la tabla indica la probabilidad de que las unidades a vender sean menores
o iguales al valor de la variable indicada en la primera columna.
Tambin puede obtenerse, por supuesto, la probabilidad que la variable sea mayor a determinado
nmero y ello se obtendra simplemente con la expresin:
(1 - prob.en columna 3)
Ej.: probabilidad que las unidades a vender sean mayores a 600 = 1 - 0.74 = 0.26 que es igual a la
suma de las probabilidades de 650 y 800 unidades.
Supuesto 2: la funcin de probabilidad es continua uniforme (o rectangular).
Las funciones continuas de probabilidad son funciones de densidad de probabilidad. En estos
casos el valor de la variable puede asumir cualquier valor posible (nmero real) dentro de un
intervalo establecido y no slo algunos especificados. Las funciones de densidad de probabilidad
tienen la propiedad que el total del rea bajo la funcin es igual a 1.
La funcin uniforme o rectangular establece que una variable U (Unidades a vender, por ejemplo)
puede asumir un valor entre los parmetros a y b y en tal caso:
f(U) = 1/ (b-a).
La funcin de distribucin acumulada para una funcin uniforme de probabilidad establece que:
F(U) = (U-a)/(b-a) si U est entre a y b
F(U) = 1 si U>b
Ejemplo: usando los datos del Cuadro 1 y suponiendo una distribucin uniforme en las unidades a
vender entre 500 y 800, se tiene:

La simulacin en el proceso decisional - Ral Ercole

- probabilidad de 500 unidades = 1/(800-500) = 0.003333, probabilidad que es la misma para
cualquier nmero entre 500 y 800 (distribucin uniforme).
- probabilidad que las unidades a vender sean menores a 600 = (600-500)/(800-500) = 0.3333
Obviamente en esta distribucin la probabilidad de vender menos de 800 u 800 es igual a 1 (para
el ejemplo planteado).
Supuesto 3: la funcin de probabilidad es continua normal
Tambin conocida como distribucin de Gauss, la distribucin normal es ampliamente usada para
describir fenmenos empresariales y es una buena aproximacin de otras distribuciones. Tiene
una funcin de densidad de probabilidad que es una curva suave, simtrica y en forma de
campana. La funcin se determina con su media y su desviacin estndar. Alcanza su punto
mximo en la media de la distribucin, con la mitad del rea a cada lado de la media.
En todas las distribuciones normales, aproximadamente 0,50 del rea est a 0.67 unidades de
desviacin estndar de la media (hacia ambos lados de la misma); un 0,68 del rea a 1 unidad de
desviacin estndar y un 0,95 del rea a 1,96 unidades de desviacin estndar.
Conociendo estas relaciones, es posible caracterizar la distribucin normal calculando su
desviacin estndar, conocidas la media y el porcentaje del rea entre dos extremos.
Ejemplo: si se conoce que el valor ms probable de una distribucin normal (la media) es 600
unidades y se supone que el 50% del rea est entre los valores 500 y 700 unidades, se calcula la
desviacin estndar usando la relacin comentada del modo siguiente:
2 * 0.67 DE = 700 - 500 = 200
DE = 200/1,3333 = 150
La distribucin normal queda caracterizada con una media de 600 y una DE de 150.
Siempre, en este tipo de funcin, debe considerarse la posibilidad de que el valor de la variable
aleatoria se encuentre dentro de un intervalo. Ejemplo: probabilidad que U sea mayor que 500, o
probabilidad de que est entre 600 y 800. Si se desea la probabilidad de que U sea menor que un
determinado valor, se estar en presencia de la cola izquierda de la distribucin (funcin
acumulada) y viceversa para un valor de U mayor que un nmero determinado.
La funcin de probabilidad normal es, quizs, la ms ampliamente usada para describir el
comportamiento de variables aleatorias.
Supuesto 4: la funcin de probabilidad es continua triangular.
Est definida por 3 parmetros: el mnimo (a), el mximo (b) y el ms probable (c). La funcin
triangular puede ser simtrica (si el valor c est equidistante de los valores a y b) o inclinada si el
valor (c) est ms cerca de uno de los extremos que respecto del otro. Como puede asumir varias
pendientes o inclinaciones (sesgo) y slo depende de 3 valores, es una distribucin ampliamente
usada para simulacin, o para estimar otro tipo de distribucin.
La funcin de densidad de probabilidad est dada por:
f(x) = 2(x-a) / (b-a)(c-a) si x est entre (a) y (c)
f(x) = 2(b-x) / (b-a)(b-c) si x est entre (c) y (b)
f(x) = 0 en otro caso
La funcin acumulada (funcin de distribucin) es igual a:

La simulacin en el proceso decisional - Ral Ercole

F(x) = 0 si x<(a)
2

F(x) = (x-a) / (b-a)(c-a) si x est entre (a) y (c)

F(x) = 1 - (b-x)2 / (b-a)(b-c) si x est entre (c) y (b)
F(x) = 1 si (b) < x
Como es una funcin acotada por los valores (a) y (b), elimina de hecho valores extremos que
pudieran ocurrir.
Su mayor utilidad, como se dijo, es la cantidad de supuestos que admite, por su factibilidad a
distintos sesgos.
Supuesto 5: la distribucin de probabilidad tiene otras caractersticas.
El resto de las funciones de probabilidad pueden ser tambin aptas para procesos de simulacin,
si se considera que pueden corresponder a las caractersticas de la variable aleatoria.
No sern desarrolladas en el presente ensayo que, como se expres, tiene propsitos claramente
didcticos referidos al uso de la simulacin en forma general para la toma de decisiones. Puede
ser s objeto de otro trabajo el caracterizar adecuadamente otras distribuciones para usarlas en un
proceso especfico de simulacin.
Simplemente a ttulo de ejemplo, otras tiles distribuciones de probabilidad son:
- Distribucin binomial: es discreta y la variable aleatoria representa el nmero de xitos en "n"
ensayos.
- Distribucin de Poisson: es una distribucin discreta usada para modelar el nmero de
ocurrencias en algn intervalo de tiempo.
- Distribucin Gamma: es una distribucin continua usada preferentemente para modelar el tiempo
necesario para completar determinada tarea.
- Distribucin de frecuencia relativa: se caracteriza por un lmite inferior y uno superior, un
incremento, un porcentaje de repeticin para valores y un ritmo de repeticin de la secuencia.
A pesar de la cantidad de distribuciones de probabilidad disponibles en programas de simulacin,
sin duda el problema complejo es determinar qu distribucin corresponde mejor a la variable
aleatoria que se est estudiando.
Si se dispone de datos histricos, se puede observar una primera idea del comportamiento de la
variable aleatoria. Esa muestra histrica, a travs de tests estadsticos, puede "probarse" como
corresponde a distintas distribuciones; esto es, verificar cul distribucin "ajusta" mejor a la
muestra seleccionada: si una distribucin triangular, o normal, o exponencial, etc.
Entre los tests estadsticos usados para probar hiptesis acerca de la naturaleza de la distribucin
cabe mencionar: Chi-cuadrado, Kolmogorov-Smirnov y Anderson-Darling, cuyos valores de ajuste
entre la distribucin terica y la variable aleatoria vienen dados en los softwares de simulacin.
Son, en definitiva, pruebas estadsticas para determinar si el mencionado ajuste hacia la
distribucin terica es factible o no.
Simplemente a modo de comentario, los softwares computan que un valor mayor a 0,5
generalmente indica un ajuste adecuado (Chi cuadrado), o menor que 0,03 (Kolmogorov Smirnof),
o menor que 1,5 (Anderson Darling). El test de Kolmogorov-Smirnov es ms adecuado para

La simulacin en el proceso decisional - Ral Ercole

pequeas muestras y el Anderson-Darling se usa habitualmente en los casos en que se necesite
un ajuste ms cercano en las extremidades de la distribucin.
Esa correspondencia entre distribuciones tericas y la muestra tomada la efectan en forma
automtica los softwares de simulacin. En todo caso, siempre es conveniente efectuar la corrida
de la simulacin con una distribucin de probabilidad terica - una vez determinado cul de ellas
ajusta mejor - y nunca con la muestra real que adolece de todos los errores muestrales.
De no existir datos empricos sobre el comportamiento de la variable aleatoria, es menester usar el
juicio crtico de quin conoce la problemtica de la toma de decisin especfica. All ser necesario
especificar un intervalo (a,b) en donde se cree que los datos pueden ocurrir. Luego se deber
pensar acerca de la probabilidad de los distintos valores posibles en el intervalo. Si es posible que
todos tengan igual probabilidad, la distribucin uniforme puede ser la adecuada. Si, en cambio,
hay valores mucho ms probables que otros, podr pensarse en distribucin normal, triangular u
otras. Es en esta importante tarea en que el conocedor de la toma de decisin especfica (el
analista de la decisin o el decisor) deber trabajar conjuntamente con quien tenga conocimientos
estadsticos para lograr una buena estimacin de la funcin de distribucin probabilstica de la
variable aleatoria en consideracin.
Este captulo debe concluir con dos observaciones adicionales.
La primera es que el nmero de repeticiones de la simulacin afecta la calidad de los resultados.
Una mayor cantidad de rplicas hace que los intervalos de confianza sean ms estrechos, por lo
que definir el tamao de pruebas o intentos de la simulacin es una cuestin estadstica de
importancia. De hecho, trabajar con planillas de clculo o mejor an con softwares especficos de
simulacin hacen que se pueda hacer numerosas pruebas sin prdida de tiempo.
La segunda es que los resultados de la simulacin deben ser analizados cuidadosamente, con una
serie de indicadores y construyendo una distribucin de frecuencias de los resultados, lo que
permitir evaluar riesgos asociados a la decisin. Al efecto, se suele expresar la distribucin de
resultados en trminos de percentiles, que es simplemente el porcentaje de resultados arriba (o
abajo) de determinado nmero.
Las cuestiones tericas de la simulacin son evidentemente mucho ms complicadas de entender
de lo que es su aplicacin prctica, como se ver enseguida, pero quizs la cuestin ms
importante es trabajar conjuntamente con conocedores de Estadstica en la definicin de
supuestos para los "inputs" del programa de simulacin.
4. UN EJEMPLO DE SIMULACIN EN HOJA DE CLCULO
La facilidad con que un proceso de simulacin puede generarse en una hoja de clculo es notable.
Con fines ilustrativos, se generar una simulacin en el programa Excel, con los siguientes
supuestos:

acciones: vender un producto a precio alto o a precio bajo ($ 22 $ 20)

evento n 1: magnitud del costo variable (incertidumbre)

La simulacin en el proceso decisional - Ral Ercole

evento n 2: tamao del mercado (incertidumbre en unidades a vender, tanto en precio alto
como en bajo)

modelo de decisin: maximizar la contribucin marginal total.

tamao de la muestra: 100 observaciones, que sern generadas por nmeros aleatorios.

comportamiento del costo variable: se supone una funcin de distribucin discreta, de acuerdo
al Cuadro 2.

comportamiento de la variable unidades a vender: se supondr un comportamiento de

distribucin continua normal, con diferentes media y desviacin estndar, por supuesto, segn
se trate de una u otra alternativa.

comportamiento de la variable unidades a vender con precio alto: se supone una distribucin
continua normal con media de 600 unidades y desviacin estndar de 150 (en pginas
anteriores se ejemplific el mtodo para obtener la desviacin estndar).

comportamiento de la variable unidades a vender con precio bajo: se supone una distribucin
continua normal con media de 850 unidades y desviacin estndar de 180.

Cuadro 2 - Funcin de distribucin del costo variable

COSTO VARIABLE
$ 13.50
$ 14.00
$ 14.50
$ 15.00
$ 15.50
$ 16.00

PROBABILIDAD
0.19
0.21
0.15
0.16
0.18
0.11

PROBAB. ACUMULADA
0.19
0.40
0.55
0.71
0.89
1.00

Definidas las caractersticas de la simulacin, corresponde ahora disear adecuadamente la hoja

de clculo para una posterior interpretacin de los resultados.
Un ejemplo del diseo para el caso de precio alto se inserta a continuacin:
Cuadro 3 - Hoja de clculo de simulacin - Precio alto

SIMUL.DE CMT
Precio alto
COSTO VARIABLE

UNID. A VENDER
Distribucin normal

COSTO
CMu
PROBAB.
$ 13,50 $
8,50
0,19
$ 14,00 $
8,00
0,21
$ 14,50 $
7,50
0,15
$ 15,00 $
7,00
0,16
$ 15,50 $
6,50
0,18
$ 16,00 $
6,00
0,11
MEDIA DESV.EST.
600
150

A partir de la fila siguiente (en un total de 100 filas) y en 2 columnas se generarn los nmeros
aleatorios correspondientes a la CMu y a las unidades a vender. La CMT se calcula como
multiplicacin de los dos valores anteriores.

La simulacin en el proceso decisional - Ral Ercole

Definida la planilla de clculo, se accede a la generacin de nmeros aleatorios desde Excel Herramientas - Anlisis de datos - Generacin de nmeros aleatorios.
All aparece un cuadro de dilogo en el que deber especificarse:
a) nmero de variables: 1
b) cantidad de nmeros aleatorios: 100
c) distribucin: discreta para CMu y normal para unidades a vender
d) parmetros: valores de CMu y probabilidades y la media y desviacin estndar en el caso de la
distribucin normal.
e) rango de salida: celda superior izquierda de la tabla de resultados. El programa
automticamente determina el tamao del rea.
Al generar los nmeros aleatorios, Excel coloca en 100 filas los resultados de dicha generacin.
Es decir, coloca los valores de CMu y, en la siguiente generacin, las cantidades de unidades a
vender. La CMT queda calculada en columna siguiente a lo largo de 100 filas (100 resultados
distintos). A ttulo ejemplificativo se insertan a continuacin las 10 primeras de las 100 filas:
Cuadro 4 - Clculo de la CMT a partir de los valores de la variable generados por nm.aleatorios

CMu
$ 8,00
$ 8,50
$ 7,00
$ 6,00
$ 6,50
$ 6,00
$ 8,50
$ 7,50
$ 6,50
$ 8,50

Unidades
698,44
549,67
578,24
509,87
576,82
264,97
579,97
400,62
623,49
675,45

CMT
$ 5.587,48
$ 4.672,16
$ 4.047,70
$ 3.059,22
$ 3.749,30
$ 1.589,82
$ 4.929,74
$ 3.004,65
$ 4.052,67
$ 5.741,35

Los resultados pueden analizarse y clasificarse en clases utilizando otra herramienta de Excel que
es el Histograma ubicada en el mismo lugar que la anterior herramienta de Generacin de
nmeros aleatorios.
Al llamar la herramienta de Histograma aparece otro sencillo cuadro de dilogo en el que deber
especificarse:
a) rango de entrada: celdas en las que se encuentran los resultados (100 celdas en este caso)
b) rango de clases: tramos en los que se desea clasificar los resultados. Ejemplo: en este caso se
especifica la clasificacin de resultados posibles de CMT en tramos de $ 1000 (CMT de $ 1000 a $
2000, de $ 2000 a $ 3000, etc.). Aqu deben especificarse las celdas que contengan las clases
deseadas, que pueden ser cualquier grupo de celdas de la hoja de clculo.
c) rango de salida: especificar la celda superior izquierda de la tabla de resultados y el programa
automticamente determina el tamao del rea.
d) otras opciones: histograma ordenado (en orden de frecuencia descendente), porcentajes
acumulados y la posibilidad de crear un grfico del resultado.
A continuacin se inserta la tabla de resultados para el caso del precio alto:

10

La simulacin en el proceso decisional - Ral Ercole

Cuadro 5 - Histograma de resultados - Alternativa de precio alto

Clase

Frecuencia
1000
2000
3000
4000
5000
6000
7000

0
3
11
24
34
19
5
4

y mayor...

lo que debe ser interpretado como que no existieron resultados (CMT) menores a $ 1000, hubo 3
resultados entre $ 1000 y $ 2000, etc.
Grficamente, el histograma qued de la siguiente manera:
Grfico 1 - Histograma de resultados - Alternativa de precio alto

Histograma
40
35
Frecuencia

30
25
20

Frecuencia

15
10

y mayor...

7000

6000

5000

4000

3000

2000

1000

Clase

A continuacin se generarn los mismos pasos anteriores pero ahora referidos a la alternativa
(accin) de precio bajo, por supuesto teniendo en cuenta el distinto valor de media y desviacin
estndar de la distribucin normal.
A continuacin se insertan los resultados de la simulacin para esta alternativa:

11

La simulacin en el proceso decisional - Ral Ercole

Cuadro 6 - Histograma de resultados - Alternativa de precio bajo

Clase

Frecuencia
1000
2000
3000
4000
5000
6000
7000

y mayor...

0
0
10
23
33
19
13
2

Corridas las dos simulaciones, queda por analizar los resultados. Como se observa claramente en
la tabla y en el grfico, los resultados han quedado distribuidos en una serie de valores posibles,
que inclusive es posible observar con detalle en la hoja de clculo.
Por ejemplo, en el rango de $ 3000 a $ 5000 hay 58 de los 100 resultados de la simulacin para la
alternativa de precio alto (24 entre $ 3000 y $ 4000 y 34 entre $ 4000 y $ 5000). En el caso de la
alternativa de precio bajo, ese rango de valores tiene 56 resultados (23 + 33).
Observando los valores altos, la alternativa de precio alto tiene 28 resultados mayores a $ 5000
(19 + 5 + 4) y la otra alternativa 34 (19 + 13 + 2).
Del mismo modo puede efectuarse un anlisis de resultados pobres en la CMT o cualquier otro
rango de clases.
A fines comparativos se inserta a continuacin el grfico del histograma correspondiente a la
alternativa de precio bajo.
Grfico 2 - Histograma de resultados - Alternativa de precio bajo

12

La simulacin en el proceso decisional - Ral Ercole

Histograma
35
30
Frecuencia

25
20

Frecuencia

15
10
5
y mayor...

7000

6000

5000

4000

3000

2000

1000

Clase

En este estado de cosas, puede afirmarse que la simulacin no brind una poltica ptima, pero
ayud a visualizar cules PODRAN ser los resultados si las variables de ingreso (input)
TUVIERAN un comportamiento como el supuesto.
De hecho, esto puede ser tan solo un escenario de los muchos que se podran preparar con
celeridad total por la enorme simplicidad que brindan las herramientas descriptas. Esto es, podran
efectuarse otros supuestos (otros escenarios) y correr numerosas simulaciones.
Un anlisis adecuado de los resultados (estadsticamente hablando) no brinda la solucin de la
toma de decisiones, pero protege al decisor de una manera ms amplia para evitar que se tome
una mala decisin. Contribuye a mejorar el proceso de toma de decisiones, entre todas otras
consideraciones que siempre deben hacerse para esta tan complicada gestin.
En planillas de clculo es simple correr la simulacin. En programas especiales de simulacin es
igual de simple, pero con una eficiencia mucho mayor, como se observar a continuacin con una
simple versin estudiantil de uno de los tantos softwares especficos que abundan en el mercado y
que puede ser interesante comenzar a aplicarlos en una forma ms general en el proceso
decisional.
5. SIMULACIN EN SOFTWARE ESPECFICO
Para tener idea de la potencialidad de un software especfico de simulacin, se efectuar una
prueba bsicamente con el mismo ejemplo anterior desarrollado en hoja de clculo Excel. A tal
efecto, se aplicar un software llamado CRYSTAL BALL, que se agrega como programa a la
misma hoja de clculo de Excel. Trabaja en un ambiente Windows y ofrece tcnicas avanzadas de
simulacin con notables grficos. Su simplicidad de uso es notable y su eficiencia se denota como
importante si se piensa en la full versin no disponible en la bibliografa consultada, dado que all
se encuentra la versin llamada estudiantil y es con la que se efectuar el presente ensayo.

13

La simulacin en el proceso decisional - Ral Ercole

Sin embargo, la "pobre" versin para estudiantes tiene limitaciones que casi no son tales para un
uso didctico o inclusive gerencial. En efecto, "slo" se puede:
a) definir seis variables de input
b) construir seis variables de pronsticos (resultados)
c) los tipos de distribucin de probabilidad deben ser normal, triangular, uniforme, custom, Poisson
o exponencial.
d) mximo de 1.000 pruebas (generacin de aleatoriedad)
e) mximo de 100 datos para cada distribucin
Como se observa, la amplitud de trabajo posible es notoria.
El software es de propiedad de Decisioneering Inc (www.decisioneering.com)
Los pasos para usar el software son:
a) desarrollar la hoja de clculo apropiada
b) definir el comportamiento de las variables de entrada
c) definir las celdas a pronosticar, o sea las variables de salida
d) definir el nmero de rplicas (pruebas)
e) correr la simulacin
f) interpretar los resultados
Una vez instalado el programa, se accede al mismo directamente desde Excel.
Aparecen dos nuevos menes: Cell y Run, adems de una nueva barra de botones para
comandos abreviados.
La tarea a efectuar es as de sencilla:
a) Colocar en una hoja de clculo el modelo de decisin. All basta con poner las variables, un
valor que pueden asumir y los clculos necesarios para obtener la funcin objetivo. Por ejemplo,
definiendo un valor de $ 15 para el costo variable, 600 las unidades a vender con precio alto y 850
las con precio bajo, se calculan dos celdas de funcin objetivo (CMT) y la hoja de clculo queda
dispuesta de la siguiente manera:
Cuadro 7 - Hoja de clculo para simulacin con software especfico

SIMULACIN - CRYSTAL BALL

Precio
Costo variable
Contribucin marginal
Unidades a vender
Contribucin marginal total

P.ALTO
P.BAJO
22,00 $
20,00
$

7,00 $

5,00

600
4.200,00 $

850
4.250,00

15,00

b) Definir los supuestos de las variables de ingreso: cada una de las variables aleatorias (costo
variable y unidades a vender, en el ejemplo) deben tener su comportamiento posible. Para ello
simplemente se debe elegir una de las distribuciones posibles para cada variable y confirmar sus
parmetros. En este ejemplo se prefiri una distribucin triangular para el costo variable y una
distribucin normal de las unidades a vender.

14

La simulacin en el proceso decisional - Ral Ercole

Existen tambin otras opciones. Por ejemplo, la de correlacin. Normalmente, cada supuesto es
independiente de los otros, pero en determinados modelos decisionales puede desearse que
exista una correlacin determinada entre dos mas variables de ingreso, y ello es posible
introducirlo en los supuestos con el cuidado necesario que determinadas correlaciones no entren
en conflicto con otras.
c) En el caso del costo variable (distribucin triangular) se sesg la distribucin hacia la derecha,
cosa que el software lo permite hacer simplemente corriendo una flecha al observar la distribucin.
Para que el lector tenga una idea de la facilidad con que opera el programa se inserta a
continuacin el esquema de funcionamiento para definir los supuestos de esta variable.

Grfico 3 - Supuesto de comportamiento costo variable

15

La simulacin en el proceso decisional - Ral Ercole

Como se observa en el grfico, es posible colocar los 3 parmetros que caracterizan a la

distribucin triangular y sesgarla del modo que uno desee, simplemente con mover los tringulos
negros que figuran al pie de la distribucin. Hay una serie mayor de posibilidades pero con lo
observado, ya puede concluir el lector en la potencia del software.
En el caso de la distribucin normal, se trunc la misma para que los valores queden dentro de un
rango especificado.
d) Definidos los supuestos de input, se caracterizan los pronsticos (celdas objetivo - CMT en el
ejemplo) con su nombre adecuado.
e) A continuacin se definen las caractersticas de la simulacin, como cantidad de rplicas (1000
en este ejemplo, lo mximo que permite la versin estudiantil del software).
f) Queda ahora simplemente correr la simulacin lo que el programa lo hace en segundos y genera
la distribucin de frecuencias de los resultados.
g) Por ltimo se da la instruccin de generar informe y automticamente se genera el report de
simulacin con todos los datos de comportamiento definido de los inputs, resultado de la
simulacin e indicadores estadsticos. Todo automticamente, por supuesto.
Un ejemplo de resultado (CMT -P.alto) es el siguiente:

16

La simulacin en el proceso decisional - Ral Ercole

Grfico 4 - Distribucin de frecuencias - Simulacin de CMT - Precio alto

No slo la calidad de grficos es notable. Fundamentalmente lo importante son las buenas

conclusiones que se pueden obtener analizando la distribucin. Por ejemplo, se puede truncar la
misma corriendo los tringulos negros del pie del grfico y observar cmo automticamente se
genera un nuevo intervalo de confianza desde la certeza del 100% a otro valor menor pero con un
rango de valores ms acotado. O se puede especificar un porcentaje deseado del intervalo de
confianza y el programa automticamente genera los valores del rango.
La simulacin se puede repetir tantas veces se quiera en apenas minutos.
Alguno de los aspectos ms salientes del report de simulacin generado, se ejemplifican para el
caso del resultado de la distribucin de CMT con precio alto:
Cuadro 8 - Aspectos salientes del report de simulacin - CMT con precio alto

Forecast: CMT - P.alto

Cell:
B7

Summary:
Display Range is from $2.500,00 to
$6.500,00 $
Entire Range is from $2.617,18 to
$6.503,04
After 1.000 Trials, the Std. Error of the Mean is $23,15

17

La simulacin en el proceso decisional - Ral Ercole

Statistics:
Trials
Mean
Median
Mode
Standard
Deviation
Variance
Skewness
Kurtosis
Coeff. of Variability
Range Minimum
Range Maximum
Range Width
Mean Std. Error
Forecast: CMT - P.alto (cont'd)

Value
1000
$4.195,72
$4.138,24
--$732,01
$535.839,00
0,31
2,58
0,17
$2.617,18
$6.503,04
$3.885,86
$23,15
Cell:
B7

Percentiles:
Percentile
0% CMT menor a
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
End of Forecast

$
$2.617,18
$3.268,79
$3.502,53
$3.769,17
$3.943,25
$4.138,24
$4.367,45
$4.565,77
$4.838,39
$5.227,92
$6.503,04

El software gener el mismo informe para el caso de CMT - precio bajo y puede compararse y
analizarse. En mrito a la brevedad, no se expone el mismo.

El informe (report) tambin detalla los supuestos efectuados en las variables aleatorias de ingreso
(inputs) del modo que se observa a continuacin:
Cuadro 9 - Supuestos de comportamiento variables aleatorias de ingreso: costo variable

Assumptions
Assumption: Costo
variable
Triangular distribution with
parameters:
Minimum
$13,50
Likeliest
$15,40
Maximum
$16,50

Cell:
D3

18

La simulacin en el proceso decisional - Ral Ercole

Selected range is from $13,50 to
$16,50
Mean value in simulation was
$15,15

Grfico 5 - Supuestos de comportamiento variables aleatorias de ingreso: costo variable

Crystal Ball Student Version

Not for Commercial Use

Costo v ariable

$13,50

$14,25

$15,00

$15,75

$16,50

Cuadro 10 - Supuestos de comportamiento var. aleatorias de ingreso: un.a vender - precio alto

Assumption: Unidades a vender P.alto

Normal distribution with
parameters:
Mean
600
Standard Dev.
150
Selected range is from 450 to 800
Mean value in simulation was 613

Cell:
B6

Grfico 6 - Supuestos de comportamiento var. aleatorias de ingreso: un. a vender - precio alto

Crystal Ball Student Version

Not for Commercial Use

150

Unidades a v ender - P.alto

375

600

825

1.050

Cuadro 11 - Supuestos de comportamiento var. aleatorias de ingreso: un.a vender - precio bajo

Assumption: Unidades a vender P.bajo

Normal distribution with

19

Cell:
C6

La simulacin en el proceso decisional - Ral Ercole

parameters:
Mean
850
Standard Dev.
180
Selected range is from 600 to 1.050
Mean value in simulation was 841

Grfico 7 - Supuestos de comportamiento var. aleatorias de ingreso: un. a vender - precio bajo

Crystal Ball Student Version

Not for Commercial Use

310

Unidades a v ender - P.baj o

580

850

1.120

1.390

6. CONCLUSIN
Cabe aqu repetir que no es objeto del presente trabajo el anlisis de una decisin determinada
(en el ejemplo planteado, ver si es conveniente colocar a un precio alto o bajo el producto). Por
ello, no se incursiona en todos los detalles brindados por el programa ni en la estricta comparacin
entre las dos distribuciones de resultados. El objetivo de este trabajo es mostrar que los
procedimientos de simulacin son sencillos de aplicar, son tiles como herramienta del proceso
decisional y que existen softwares especficos (o generales como la misma hoja de clculo) que
resuelven casi todo en pocos minutos.
Sin embargo, puede ser conveniente efectuar algunas consideraciones de tipo general sobre el
informe (report) brindado por el software de modo de interpretar adecuadamente su utilidad. En
este sentido puede destacarse:

Se observa el rango de la distribucin de resultados (Contribucin marginal total) que puede

variar de $ 2.617 a $ 6.503 para el ejemplo planteado.

Las estadsticas brindan la naturaleza de la distribucin de resultados. All se puede conocer la

media de $ 4.195,72, la mediana de $ 4.138,24, el coeficiente de sesgo (0,31) que indica
sesgo positivo de cuanta pequea (cercano a cero), el coeficiente de curtosis (2,58) menor al
de una distribucin normal (mayor aplanamiento de la distribucin respecto a una normal que
tiene un coeficiente de 3) que indica un grado de dispersin importante, y otros indicadores
estadsticos como coeficiente de variabilidad, desviacin estndar, etc. que adecuadamente

20

La simulacin en el proceso decisional - Ral Ercole

interpretados caracterizan la distribucin de resultados y por consiguiente, el grado de riesgo
asociado a ella.

Se observan los parmetros y grficos de los supuestos efectuados para las variables de
ingreso. Al respecto, es factible correr el programa nuevamente apenas en minutos con otros
supuestos de ingreso, lo que permite efectuar comparaciones entre resultados posibles con
uno u otro supuesto de input.

Un anlisis adicional de suma utilidad para todo proceso decisional es el relativo a la sensibilidad,
referido a cmo afecta a la incertidumbre de la distribucin de resultados cierta cantidad de
incertidumbre de un supuesto. En otras palabras, con este anlisis es posible determinar la
influencia que cada celda de ingreso tiene en la celda de pronstico.
EN DEFINITIVA, LA INCERTIDUMBRE Y EL RIESGO DEL RESULTADO SIEMPRE ES UN
EFECTO COMBINADO DE LA INCERTIDUMBRE Y RIESGO DE LAS VARIABLES DE INGRESO
Y DEL DISEO DEL MODELO (FRMULAS EMPLEADAS).
El anlisis de sensibilidad no est incluido en la versin estudiantil del software empleado, pero de
hecho es elemento integrante de cualquier programa comercial de simulacin.
La conclusin de este ensayo orientado al rea pedaggica es que EL ANALISTA DE GESTIN Y
COSTOS DEBE CONOCER EL FUNCIONAMIENTO GENERAL DE ESTAS HERRAMIENTAS Y
ANALIZAR SI ES O NO PERTINENTE O CONVENIENTE EN CADA CASO SU APLICACIN.
DESCONOCER TOTALMENTE SU APLICABILIDAD Y MS AN SU EXISTENCIA ES REDUCIR
LA VISIN EN LA PROBLEMTICA DE LA TOMA DE DECISONES E INCREMENTAR EL
RIESGO DE LAS ORGANIZACIONES.
El proceso decisional es de por s completo e incierto. Las herramientas que colaboren a clarificar
el mismo son, sin duda, beneficiosas para proteger al decisor contra un mal resultado.
El lector y especialmente quin tiene a su cargo la gestin de decisiones puede obtener
conclusiones de este trabajo en cuanto a la real aplicabilidad de un mtodo de simulacin.

21

La simulacin en el proceso decisional - Ral Ercole

APNDICE - BIBLIOGRAFA
-

"Anlisis cuantitativo para la toma de decisiones" - Bierman - Bonini - Hausman - IRWIN Octava Edicin - 1996

"Introduction to simulation and risk analysis" - Evans - Olson - PRENTICE HALL -1998

"Crystall Ball" - Software - DECISIONEERING INC

"Contabilidad de costos. Un enfoque gerencial" - Horngren - Foster - Datar - PRENTICE HALL

- Octava edicin - 1996

22