Curso Simulación de Sistemas

27 – 03 - 23

FACULTAD DE CIENCIAS MATEMÁTICAS

ESCUELA PROFESIONAL DE INVESTIGACIÓN OPERATIVA
SEMESTRE 23 – I

1. Variables aleatorias
Antes de realizar un experimento aleatorio, no se puede predecir con
exactitud qué resultados se van a observar, sino que como mucho, puede
describirse cuáles van a ser los resultados posibles y con qué probabilidad
puede ocurrir cada uno de ellos. En muchas ocasiones, es de interés; más
que el resultado completo del experimento, una función real de los
resultados. Tales funciones cuyos valores dependen de los posibles
resultados de un experimento aleatorio, se nombran como variables
aleatorias. En todo proceso de observación o experimento aleatorio se puede
definir una variable aleatoria asignando a cada resultado del experimento un
número:
i. Si el resultado del experimento es numérico porque contamos o medimos,
los posibles valores de la variable coincidentes con los resultados del
experimento.
ii. Si el resultado del experimento es cualitativo, hacemos corresponder a
cada resultado un número siguiendo algún criterio. Una variable aleatoria X
es una función definida sobre el espacio muestral Ω (conjunto de los
resultados de un experimento aleatorio) que toma valores en el cuerpo de los
números reales IR, es decir X: Ω → IR Una variable aleatoria puede ser
discreta o continua según sea el rango de esta aplicación.
iii. Una variable aleatoria es discreta si toma un número de valores finito o
infinito numerable. Estas variables corresponden a experimentos en los que
se cuenta el número de veces que ha ocurrido un evento.

Docente: Carlos Rubén Guerrero Moncada Página 1

Unidad 01 Presentación del curso

iv. Una variable aleatoria es continua cuando puede tomar cualquier valor
de un intervalo real de la forma (a, b),(a,∞),(−∞, b),(−∞, +∞) o uniones de ellos.
Por ejemplo, el peso de una persona, el tiempo de duración de un suceso, etc
La función de distribución acumulativa, o simplemente F de la variable aleatoria X ,
se define para cualquier real x , como
F(x) = P  X  x 
Para una variable discreta X , se define la función de masa de probabilidad p(x) ,
como:
p(x) = P  X = x 
Se dice que una variable aleatoria X es continua; si existe una función no negativa
f(x) , definida para todo número real x , con la propiedad que para cualquier
conjunto C de números reales:

P  X  C =  C f(x)dx
La función f es la función de densidad de probabilidad ( fdp. ) de la variable aleatoria

X
La relación entre la distribución acumulativa F(.) y la densidad de probabilidad
f(.) , se expresa mediante la relación:
a
F(a) = P  X  ( −,a  =  f(x)dx
−

d
Al derivar ambos miembros se obtiene F(a) = f( a )
da
Ejemplo - 1
Supóngase que X puede tomar los valores: 1, 2, 3 y 4

Si P  X = 1 = 1 4 , P  X = 2 = 1 8 y P  X = 3 = 1 5

Luego como P  X = 1 + P  X = 2 + P  X = 3 + P  X = 4 = 1

Se tendrá que P  X = 4 = 17 40

Hállese

i. P  X  1.5 = ii. P  X  2.5 =

Ejemplo - 2
Sea la función de densidad de probabilidad de X , dada por

Correo [email protected] Página 2

Curso Simulación de Sistemas

3x 2 si 0 < x < 1

f(x) = 
0 en otro lugar

Verificar que es una fdp.

x x

 f(a)da =  3a da = x
2 3
F(x) =
− 0

1.1 Esperanza y Varianza de una variable aleatoria

i. En el caso discreto

Si X es una variable aleatoria discreta, con valores posibles x 1 , x 2 , . . .

Entonces la esperanza o valor esperado de X ; llamada también media de X y que

se denota por E(X) , se define de la siguiente manera:

E(X) =  x i P  X = xi  V(X) = E(X – E(X))2 = E  X 2  −  2

i

ii. En el caso Continuo


V(X) = E(X – E(X))2 = E  X 2  −  2
E(X) =  x f(x))dx =
-

Ejemplo - 3
Hállese para el ejemplo - 1
E(X) = V(X) =

Ejemplo - 4
Hállese para el ejemplo – 2
1 V(X) =
 3x dx =
3
E(X) = Entonces E(X) =
0

Observación
Si se tienen las variables aleatorias X e Y

Docente: Carlos Rubén Guerrero Moncada Página 3

Unidad 01 Presentación del curso

i. El valor esperado de X + Y, que se escriba E(X+ Y) = E(X) + E(Y)

ii. La varianza de X + Y, que se escriba Var (X + Y) = Var(X) + Var(Y), en el caso que
sean independientes
iii. La varianza de X + Y, Var(X+ Y) = Var(X) + Var(Y) + Cov(X,Y), en el caso que no
sean independientes
Covarianza
Definición
La covarianza de dos variables aleatorias X e Y, se denota por Cov(X,Y) y se halla
mediante la siguiente relación
Cov(X,Y) = E(X −  x )E(Y −  y ) (1.1)

1.2 Algunas variables discretas importantes

1. Bernoulli

P(x) = px (1- p)1-x x = 0 ,1

P(x) = px (1- p)1-x x = 0 ,1 1 probabilidad p

p(x) = 
0 probabilidad 1- p

E(X) = V(X) =

Ejemplo - 5
Si es I una variable aleatoria indicadora del evento A; esto es si:

1 Si A ocurre
IA = 
0 En otro caso
Luego E(IA) =
Resultando que la esperanza de esta variable es simplemente P(A)

2. Binomial
Supóngase que se realizan n ensayos independientes, con sólo dos resultados en
cada ensayo: “ éxito ”, con probabilidad p o “ fracaso ” con probabilidad 1− p . Si

X es la variable aleatoria que representa el número de éxitos que ocurren en los

n ensayos. Entonces X es una variable aleatoria binomial , de parámetros ( n , p )
Su función de masa de probabilidad, está dada por la relación

Correo [email protected] Página 4

Curso Simulación de Sistemas

n n!
PX = k =   = , k = 0, 1, 2, . . . , n
 k  k!(n - k)!
n
Donde el coeficiente binomial   , indica el número de subconjuntos distintos de k
k 
elementos, que se pueden elegir de un conjunto de n elementos
Una variable aleatoria ( 1 , p ) es una variable aleatoria Bernoulli

Como X binomial de parámetros ( n , p ) representa el número de éxitos que ocurren

en n ensayos independientes, en los que cada éxito ocurre con probabilidad p , se
puede representarla como sigue:
n
X= Xk
k =1

E(X ) = Var ( X ) =

Ejemplo - 6
3. Geométrica
Consideremos varios ensayos independientes, en los que cada uno es un éxito con
probabilidad p . Si X representa el número del primer ensayo exitoso. Entonces

P  X = n = p ( 1− p )n – 1 con n  1

E(X ) = Var ( X ) =

4. Poisson

(t)k − 
P Xt = k  = e , con k = 0, 1, 2, . . ,
k!
E(X ) = Var ( X ) =

1.3 Algunas variables Continuas importantes

1. Uniforme

 1
 para a  x  b
f(x) =  b − a
0 en otro

Docente: Carlos Rubén Guerrero Moncada Página 5

Unidad 01 Presentación del curso

Su gráfica es

E(X ) = Var ( X ) =

F(x) =

2. Exponencial
f(t) =  e− t
si t  0

Su gráfica es
E (T ) = Var ( T ) =

FT (t) = 1 − e− t

3. Normal
Si X es una variable aleatoria, con función de distribución de probabilidad normal
de media E(X) = µ y desviación estándar σ. Entonces se cumplen las
propiedades

1.3.1 Propiedades

Correo [email protected] Página 6

Curso Simulación de Sistemas

i. P  X  µ  = P  X  µ  = 0.50 ii. P µ - σ  X  µ - σ = 0.6826

iii. P µ - 2σ  X  µ - 2σ  = 0.9544
iv. P µ - 3σ  X  µ - 3σ = 0.9974  1

EJERCICIOS.
1. Si X es una variable aleatoria con media µ = 100 y σ 2 = 81: X  N (µ = 100, σ =
9)
I. Sin utilizar la tabla obtenga las siguientes probabilidades
a. P  X  100  = b. P  X  91  =
c. P  X  73  = d. P  91  X  109 
e. P  X  118  = f. P  82  X  109 

II. Sin utilizar la tabla obtenga en cada caso el valor de la constante “c”
a. P  X  c  = 0.50 c= b. P  X  c = 0.8413 c=
c. P  X  c  = 0.1587 c= e. P  X  c  = 0.1587 c=
e. P  X  c  = 0.1587 c= c. P  c - 9  X  c+9  = 0.6826 c=
x-μ
III. En cada uno de los siguientes casos, utilice la transformación Z = , para
σ
obtener el valor de la constante “c”
a. P  X  c  = 0.975 c= b. P  X  c  = 0.9505 c=
c. P  X  c  = 0.1587 c= d. P  X  c  = 0.8413 c=
e. P  X  c  = 0.1587 c= f. P  X  c  = 0.9948 c=

2. Sea Z la variable aleatoria con media µ = 0 y σ 2 = 1, conocida, como la

“Normal Típica”
A continuación, se tiene una serie de proposiciones. Analícelas y marque con
aspa la respuesta correcta.
a. P  Z  c  = 0.9772 Entonces i. c > 0 ii. c < 0
b. P  Z  c  = 0.2946. Entonces i. c > 0 ii. c < 0
c. P  Z  c  = 0.2946. Entonces i. c > 0 ii. c < 0
d. P  Z  c  = 0.8531. Entonces i. c > 0 ii. c < 0
e. P  Z  c  = 0.3632. Entonces i. c > 0 ii. c < 0

Docente: Carlos Rubén Guerrero Moncada Página 7

Unidad 01 Presentación del curso

3. Sea X N (, 2), luego

X −  x −   x −  x−
F(x) = P(X  x) = P  =  = P Z   = 
         

El valor de (x), se puede hallar en una tabla.

Para  en el intervalo (0, 1), sea z tal que
P (Z > z) = 1 - (x) = 
Es decir, una normal típica excederá el valor a z con probabilidad 
Los valores de z se pueden hallar en una tabla. Por ejemplo:
(1.64) = 0.95 (1.96) = 0.975, (2.33) = 0.99,

También
z0.05 =1.64 z 0.025 =1.96 z 0.01 = 2.33

Si se quisiera hallar el valor esperado; no de la v.a. X, sino de la v.a. g(X).

Como g(X), toma g(x), cuando X toma el valor x, resulta que E(g(X)], debe ser el
promedio ponderado de los valores de g(x), donde para una x dada, el peso dado a
g(x), (densidad de probabilidad en caso continuo), de que toma tome el valor x, por lo
que se tiene el siguiente resultado

E(g(X)] =  g(x)p(x) (1.2)

x


E(g(X)] =  g(x)f(x)dx (1.3)
−

La esperanza de una v.a. X, no proporciona información alguna sobre la variabilidad

de X. Una forma de medir esta variación; es considerando el valor promedio del
cuadrado de las diferencias entre X y E(X), lo que conduce a la siguiente definición:
Definición. Si X es una v.a. con media , entonces la varianza de X, se denota por
Var(X) o 2 y se halla mediante la siguiente relación

Var(X) = E ( X −  ) 
2
(1.4)
 
La que es equivalente a Var(X) = E(X2) - 2

Correo [email protected] Página 8

Curso Simulación de Sistemas

i. Desigualdad de Markov
Si X es una v.a. que toma valores no negativos, luego para cualquier constante a > 0,
se verifica que
E(X)
PX  a = (1.5)
a
ii. Desigualdad de Chebyshev
Si X es una v.a. de media  y varianza 2 , luego para cualquier k > 0, se verifica que
1
P  X −   k  (1.6)
k2
iii. Teorema. Ley débil de los grandes números
Si X1, X2, X3,. . .es una colección de variables aleatorias I2d, con media . Entonces
existe  > 0, tal que

 X + X2 + X3 + Xn 
P 1 −    → 0 (1.7)
 n 
iv. Ley fuerte de los grandes números
Si X1, X2, X3,. . .es una colección de variables aleatorias I2d, con media . Entonces se
verifica lo siguiente
X1 + X2 + X3 + Xn
lim = (1.8)
n→ n

Docente: Carlos Rubén Guerrero Moncada Página 9

Unidad 01 Presentación del curso

1.5 Veamos algunos casos

Caso n°1

En el año 1615, practicantes de juegos de azar

italianos, le llevaron al gran Galileo Galilei(1564 –
1642), el siguiente problema:
Resulta que los teóricos de la época, consideraban en
el
Experimento: Lanzar tres dados insesgados 1,2 y 3. El evento “La suma de los valores
observados es 10”; ocurría con la misma probabilidad que el evento “La suma de los
valores observados es 10”.
Tal convicción se debía a que el número de formas, para obtener esos resultados:
Para obtener 9: 1-2-6, 1-3-5, 1-4-4, 2-3-4,2-2-5, 3-3-3
Para obtener 10: 1-3-6, 1-4-5, 5-2-3,2-2-6, 2-4-4, 3-3-4
Sin embargo, en la práctica cotidiana del juego, habían encontrado que la suma 10,
era más frecuenta que la suma 9
Después que Galileo analizara el problema (lo que pasó por el hecho de inventar el
artificio del espacio muestral), determinó que efectivamente los jugadores tenían
razón:
Los matemáticos erróneamente habían empleado las combinaciones; en lugar de las
permutaciones, que era lo correcto.
En este experimento los valores observados suman 9, de 25 formas; mientras que
suman 10, sólo de 23 formas

Caso n°2
Sobre un tablero hay seis cuadrados, marcados con los números: 1, 2, 3, 4, 5, y 6

El juego consiste en colocar tanto dinero sobre uno de los cuadrados; como se desee
apostar.
Se lanzan luego tres dados: Blanco, negro y rojo. Siendo las reglas del juego, las que
se enumeran a continuación:
i. Si el número elegido aparece en un solo dado; Sólo te devuelven el dinero apostado.
ii. Si el número elegido aparece en dos dados; ganas el doble de lo apostado.
iii. Si el número elegido aparece en tres dados; ganas el triple de lo apostado.

Correo [email protected] Página 10

Curso Simulación de Sistemas

iv. En cualquier otro caso, pierdes lo apostado.

¿Resulta ventajoso, participar en el juego?

Caso n°3

Supóngase que se tiene un satélite, que para su funcionamiento depende

que al menos 2 paneles solares de los 5 que tiene disponibles funcionen y se
quiere estimar su tiempo de vida útil esperada (el tiempo promedio de
funcionamiento hasta que falle).
En la literatura como MTTF - Mean Time To Failure).
Supóngase que cada panel solar tiene una vida útil (horas) que es aleatoria y
está uniformemente distribuida en [1 000, 5 000] (
Para conseguir esta estimación por Monte Carlo el valor de _, haremos n
experimentos, cada uno de los cuales consistirá en sortear el tiempo de falla
de cada uno de los paneles solares del satélite, y observar cuál es el
momento en el cuál han fallado 4 de los mismos, esta es la variable aleatoria
cuya esperanza es el tiempo promedio de funcionamiento del satélite.
El valor promedio de las n observaciones proporciona una estimación 

Tiempo hasta que falle el satélite

Hora –
Exper n° Panel 1 Panel 2 Panel 3 Panel 4 Panel 5 falla i
1 2549 4030 3368 3175 2009 3368
2 3516 2091 1156 1306 2950 2950
3 2737 1823 1351 2474 1280 2474
4 3821 2168 2771 3426 1519 3426
5 1610 4730 1385 2927 3773 3773
=/n
Esta tabla detalla la simulación con n = 5 experimentos
De esta simulación, tenemos un valor estimado para la vida útil esperada del
satélite de 3683. Un indicador del error que podemos estar cometiendo es la
varianza o equivalentemente la desviación estándar de Sn, que en este caso
es (haciendo los cálculos) 297.

Caso n°4

Docente: Carlos Rubén Guerrero Moncada Página 11

Unidad 01 Presentación del curso

Una línea de aviación, opera con 15 vuelos diarios, los que salen de un lugar
determinado, cada uno lo hace con una aeromoza.
La empresa tiene la política de mantener tres aeromozas de reserva, a
quienes se puede convocar, para reemplazar a cualquiera de las que están
programadas para volar; pero que se enferman.
La distribución de probabilidad del número diario de aeromozas enfermas, es
como sigue
nº de enfermas 0 1 2 3 4 5
Probabilidad 0,2 0,25 0,2 0,15 0,1 0,1
Se quiere estimar la utilización de las aeromozas de reserva y también la
probabilidad que al menos un vuelo se cancele, porque falta aeromoza

Caso n°5
La empresa “Uqbar”, da servicios de certificación internacional en los temas de
“Matemática Actuarial”; los alumnos matriculados pueden convenir con la
institución; el día y la fecha para rendir su examen de forma virtual; los que no
tienen se pueden dar en un tiempo máximo de 2 horas. La empresa periódicamente
emite entre otras informaciones; estadísticas sobre el tiempo que demando el último
lote de evaluados que fueron 100 y son los que se muestran a continuación
Duración 0.25  t < 0.50 0.50 t < 1.00 1.00 t < 1.50 1.5t < 2.00

Número de evaluados 31 10 25 34

Se quisiera obtener mediante simulación; el tiempo que demandará cada uno de los
n = 100 examinado, así como también:
i. La media de estos tiempos
ii. La desviación estándar de estos tiempos

Caso n°6
a. Se quiere generar valores de la variable aleatoria X, cuya fdp. Es la siguiente
J 0 1 2 3 4 5

PX = j  0.12 0.12 0.12 0.12 0.20

Utilice el método de Composición), (ver libro Sheldon Ross pág. 56), el que utiliza la
relación

P  X = j = p1j + ( 1 −  ) p2j , con 0    1

Correo [email protected] Página 12

Curso Simulación de Sistemas

Resolución

Caso n°7

Generar valores para la variable aleatoria X, con fdp.

2x para 0  x  1
f(x) = 
0 en otro lugar

Caso n°8
Al inspeccionar paquetes de n = 5 tuercas, la probabilidad que una de las tuercas sea
defectuosa es p = 0.05
Simule el proceso de inspección de 50 paquetes; para estimar el número promedio de
paquetes defectuosos

Caso n°9
Para verificar si cierto dado estaba sesgado; se registraron los resultados de n = 100
lanzamientos; siendo ellos:
Cara 1 2 3 4 5 6
Frecuencia observada 158 172 164 181 160 165
Utilice al menos dos procedimientos que le permitan establecer si el dado está
cargado o no.

Docente: Carlos Rubén Guerrero Moncada Página 13