CURSO DE SIMULACIÓN 1

FACULTAD DE INGENIERÍA

INGENIERÍA DE SISTEMAS
Bogotá, 21 de marzo de 2018

Docente: JORGE IVÁN MARÍN

jmaringuzm2@uniminuto.edu.co
 2

VARIABLE ALEATORIA
DISCRETA*

* Tomado de www.dmae.upm.es/WebpersonalBartolo/Probabilidad/4_VaribleAleatoriaDiscreta.pptx
 VARIABLE ALEATORIA
Una variable aleatoria X es una función que asocia a cada
suceso del espacio muestral E de un experimento aleatorio un
3
valor numérico real:

X :E 
w  X ( w)
Llamar variable a una función resulta algo confuso, por ello
hay que insistir en que es una función.

La variable aleatoria puede ser discreta o continua.

Veremos en este capítulo el caso discreto.
 Ejemplo de variable aleatoria discreta:
Número de caras al lanzar
3 monedas.
4
Elementos del
+++ ++C +C+ C++ CC+ C+C +CC CCC
espacio muestral

Ley de
correspondencia

Nº reales
(# de caras) 0 1 2 3 caras

Establecer una variable aleatoria para

un experimento aleatorio no es más
X :E 
que una manera de asignar de
"manera natural" números a los w  X ( w)
eventos.
 FUNCIÓN DE PROBABILIDAD
Voy a pensar un número entero del 1 al 100.
“¿Qué numero será?”
5

Intentaremos representar el estado de incertidumbre

mediante una función matemática: la función de
probabilidad.
DISTRIBUCIÓN UNIFORME DISCRETA
En muchos casos asumimos que todos los resultados de un
experimento aleatorio son igualmente posibles.
6
Si X es una variable aleatoria que representa los resultados
posibles del experimento, decimos que X se distribuye
uniformemente.

Si el espacio muestral consta de n sucesos simples,

0 < n < ∞ , entonces la función de probabilidad discreta se
define como p(x) = 1/n para todo x del espacio muestral.

En un ordenador podemos generar una distribución de

valores con esta probabilidad con:
1 + int [n (rnd)]
 Supongamos que me preguntan si es par.
Y respondo que no. ¿Cómo modifica la función?

Les pido una pregunta de modo que mi respuesta genere

una función de incertidumbre, de probabilidad, tal que los
valores del espacio muestral posibles (con probabilidad
distinta de cero) no tengan todos la misma probabilidad.
¿Son válidas: “¿Tiene dos cifras el número?” o “¿Es un
número primo?” ?
 FUNCIÓN DE PROBABILIDAD
O DISTRIBUCIÓN
Una vez definida una variable aleatoria X, podemos
8
definir una función de probabilidad o distribución
de probabilidad asociada a X, de la siguiente forma:

p :   [0,1]
x  p( x)  P( X  x)
La función de probabilidad debe cumplir:

(i ) 0  p( x)  1 x  
(ii )  p( x)  1 (Suma sobre todos los posibles valores
x que puede tomar la variable aleatoria).
FUNCIÓN DE PROBABILIDAD DISCRETA

9
 REQUERIMIENTOS DE UNA
DISTRIBUCIÓN DE PROBABILIDAD
X P(X) X P(X) X P(X)
10
-1 .1 -1 -.1 -1 .1
0 .2 0 .3 0 .3
1 .4 1 .4 1 .4
2 .2 2 .3 2 .3
3 .1 3 .1 3 .1
1.0 1.0 1.2

0  p( x)  1 para todo x

 p ( x)  1
x
Observa que aun si el espacio muestral es infinito
numerable, también podemos definir una variable
aleatoria discreta y una función de probabilidad.
11
Ejemplo: Sea X = Número de lanzamientos de una
moneda antes de que aparezca una cara.

Entonces:

P(X = 1) = P(C) = 1/2

P(X = 2) = P(+C) = 1/2 ∙ 1/2 = 1/4
P(X = 3) = P(++C) = 1/2 ∙ 1/2 ∙ 1/2 = 1/8
...
y en general P(X = n) = (1/2)n, n = 1, 2,…

Demuestra que está normalizada.

Sea el experimento “lanzar dos dados”. Definamos
el espacio muestral E como:
E = {(1,1),(1,2),...(1,6),...,(5,6),(6,6)}

Definamos la variable aleatoria discreta X como: 12

con S = {2,3,...,12} la suma de puntos.

Una posible función de probabilidad es:
f :   [0,1]
f (2)  P(X  2 )  P( (1,1) )  1/ 36
f (3)  P(X  3 )  P( (1,2)  (2 ,1) )  2 / 36
f (4)  P(X  4 )  P( (1,3)  (3,1)  (2,2) )  3 / 36
...
 FUNCIÓN DE PROBABILIDAD DE LA
VARIABLE ALEATORIA X

13

Observa que cumple las dos condiciones: es siempre

positiva (y menor o igual a 1) y está normalizada.
 FUNCIÓN DE DISTRIBUCIÓN
(ACUMULADA)
Dada una variable aleatoria discreta X se llama
14
función de distribución a la función F definida
como:
F :   [0,1]
x  F ( x)  P( X  x)
En nuestro ejemplo de los dos dados:

F(5) = P(X  5) = P(x = 2 o x = 3 o x = 4 o x = 5)

F(5) = 1/36 + 2/36 +3/36 + 4/36 = 10/36

Función de distribución de la variable aleatoria X

15
Ejemplo: Dibuja la función de probabilidad f(x) y la
función de distribución F(x) de una variable discreta
definida como:
X = Número en la cara de un dado.
16
X tiene como posibles valores x = 1, 2, 3, 4, 5, 6 cada
uno con probabilidad 1/6

1 1
6
F(x)

f(x)
0.5

0 1 6 x 0 1 6 x

Función de probabilidad f(x) Función de distribución F(x)

 Algunos problemas de probabilidad están relacionados con
la probabilidad P(a <X  b) de que X asuma algún valor en
un intervalo (a, b]. Observa que:

P(a < X  b) = F(b) - F(a) 17

Para demostrarlo observa que, como los sucesos

X  a y a < X  b son mutuamente excluyentes, entonces:

F(b) = P(X  b) = P(X  a) + P(a < X  b)

= F(a) + P(a < X  b)

En el ejemplo de los dos dados, calcula la probabilidad de

que los dos dados sumen al menos 4 pero no más de 8:

P(3 < X  8) = F(8) - F(3) = 26/36 - 3/36 = 23/36

 ALGUNAS PROPIEDADES DE
LA FUNCIÓN DE DISTRIBUCIÓN
F ()  lim F ( x)  lim P( X  x)  P( E )  1
x  x  18

F ()  lim F ( x)  lim P( X  x)  P()  0

x  x 

P( x1  X  x2 )  F ( x2 )  F ( x1 )
F es monótona creciente.

F es continua por la derecha: la probabilidad de

que la variable aleatoria discreta X tome un valor
concreto es igual al salto de la función de distribución
en ese punto.
 MONTE CARLO
Por método de Monte Carlo en general entendemos la simulación de los
resultados de un experimento utilizando una computadora y un generador de
números aleatorios. Se utiliza cuando un cálculo es difícil de realizar por otros
métodos numéricos o algebraicos, o cuando somos demasiado vagos o
ignorantes como para solucionarlo por métodos más elegantes. 19

Ejemplo clásico: área debajo de una curva. Dada un

área A fácil de medir, que contiene una curva f(x)
difícil de integrar, se puede calcular el área debajo de
la curva mediante la generación de N pares de
números aleatorios (x,y) que representan
coordenadas. Se cuentan los puntos que caen por
debajo de la curva y entonces:

# de puntos bajo la curva

 f ( x)dx  A  # de puntos
 20

Aleatoriedad
Deborah J. Bennett
Alianza Editorial, 2000.
 MÉTODO DE MONTE CARLO
Realicemos ahora el siguiente experimento aleatorio: girar la ruleta de la
imagen y apuntar el número del sector que coincide con la flecha.
21

La variable aleatoria X de este experimento asocia cada sector a un número

entero, como podemos observar en la imagen. Es una variable aleatoria
discreta. Los resultados posibles son:
{0, 1, 2, 3, 4, 5, 6, 7}. Por simetría podemos establecer una función de
probabilidad: la probabilidad de cada resultado es 1/8.
Repitamos un experimento aleatorio semejante, pero ahora con esta nueva ruleta:

Ahora el espacio muestral está 22

compuesto por 4 eventos.
Establecemos una nueva variable
aleatoria discreta X' que asocia
cada sector (evento) a los
números: {0, 1, 2, 3}.

Ahora teniendo en cuenta el tamaño relativo de los sectores podemos establecer

una función de probabilidad, que asocia a cada uno de los valores de la variable
aleatoria
{0, 1, 2, 3} las probabilidades {1/4, 1/2, 1/8, 1/8}, respectivamente
(proporcionales al ángulo del sector).
La variable aleatoria X en el primer ejemplo de la ruleta
está uniformemente distribuida, ya que todos los
resultados tienen la misma probabilidad. Sin embargo, en el 23
segundo ejemplo, la variable aleatoria X, no está
uniformemente distribuida.

El problema crucial de la aplicación de los métodos de

Monte Carlo es hallar los valores de una variable aleatoria
(discreta o continua) con una distribución de probabilidad
dada por la función p(x) a partir de los valores de una
variable aleatoria uniformemente distribuida en el
intervalo [0, 1], proporcionada por el ordenador.
 P. acumulada
Función de
Resultado (Función de
probabilidad
distribución)
¿Cómo simular con el
ordenador la distribución 0 0.25 0.25
de probabilidad de las 1 0.5 0.75
ruletas? 24
2 0.125 0.875
3 0.125 1

Condición Resultado

0 ≤ g < 0.25 0
0.25 ≤ g < 0.75 1
0.75 ≤ g < 0.875 2
0.875 ≤ g < 1 3
Una vez visto un caso particular, el problema general puede
formularse del siguiente modo:

Si X es una variable aleatoria discreta cuyos posible resultados 25

son {x0, x1, x2 , ... xn} y sean {p0, p1, p2, ... pn} sus respectivas
probabilidades. Al sortear un número aleatorio g,
uniformemente distribuido en el intervalo [0, 1), se obtiene el
resultado xi, si se verifica la siguiente condición:

i 1 i

p
j 0
j  g  p j
j 0
 Esperanza matemática o media
de una función de probabilidad discreta

  E  X    xi P( X  xi )   xi p( xi ) 26

i i

X P(X) X P(X)
-1 .1 -.1 Siempre que no genere
ambigüedad pasaremos
0 .2 .0 de arrastrar la variable
1 .4 .4 aleatoria: en vez de
poner X = xi ponemos
2 .2 .4 directamente xi.
3 .1 .3
1.0
Calcular la esperanza de la variable aleatoria X en
el ejemplo de los dos dados:
27

12
  E ( X )   P (i )  i 
i2

1 2 6 1
 2   3  ...   7  ...   12  7
36 36 36 36
 Sean a, b y c constantes. Demuestra que:

(1) E (c)  c
28
(2) E ( P1 ( x)  P2 ( x))  E ( P1 ( x))  E ( P2 ( x))
(3) E(aX  b)  aE( X )  b

(1)   E c   1 c  c
(2) E P1 ( x)  P2 ( x)   xi P1 ( X  xi )  P2 ( X  xi ) 
i

 x P ( X  x )   x P ( X  x )  E P ( x )   E P ( x ) 
i
i 1 i
i
i 2 i 1 2
Supongamos que tenemos que hacer unos análisis clínicos de
sangre. Queremos detectar una enfermedad que afecta a 1
de cada 1000 personas. Los pacientes acuden en grupos de
50. ¿Qué nos sale económicamente más a cuenta: analizar
paciente a paciente o mezclar la sangre de los 50 y analizar 29
la mezcla?
50
999  999 
P(1 persona sana)  ; P(50 personas sanas)   
1000  1000 
50
 999 
P(Al menos una persona de 50 enferma)  1 -  
 1000 

 999 
50
  999 
50

# esperado de análisis  1     51  1 -     21
 1000    1000  

Tomando la mezcla, en promedio tendremos que hacer unos

21 análisis en vez de 50 por grupo.
 Decía Albert Einstein (1879 – 1955: ¨La mejo forma
JUEGOS de ganar dinero en un casino es asaltándolo¨

A un juego de azar podemos asignarle una variable aleatoria X,

cuyos valores son las ganancias correspondientes a los
posibles resultados. La esperanza matemática de la variable 30
aleatoria X representa el beneficio medio o ganancia media que
se obtiene en cada jugada cuando se juega un número elevado de
veces.

Si la esperanza matemática es 0 se dice que el juego es justo.

Si es mayor que 0 se dice que el juego es favorable al jugador.
Si es menor que 0 se dice que perjudica al jugador y no es
favorable.

Sea el juego que consiste en sacar una bola de una urna que
contiene 7 bolas rojas y 3 bolas negras. Ganamos 50 euros si la bola
extraída es roja y pagamos 150 euros en el caso de que sea negra.
¿Qué podemos esperar si jugamos muchas veces?
Espacio muestral E = {R, N}. Consideramos las ganancias
como positivas y las pérdidas negativas:

Variable aleatoria X Función de probabilidad 31

R 50 0,7

N -150 0,3

  50  0,7  (150)  0,3  10

Ganancia media
Una compañía de seguros domésticos tiene que determinar
el gasto medio por póliza suscrita, sabiendo que cada año 1
de cada 10.000 pólizas termina en una reclamación de 20
millones, 1 de cada 1.000 en 5 millones, 1 de cada 50 en
200.000 y el resto en 0. 32

 1   1 
   2 10 
7
   5 10 
6

 10000   1000 
 1   9789 
  2 10     0 
5
  11000
 50   10000 
33
Mark Kac, en Enigmas of Chance (1985), explica cómo aplicar el
concepto de esperanza a la vida real:

"Una semana, apareció un anuncio del Imperial College of Science

and Technology ofreciendo un puesto de profesor de Matemáticas con 34
un salario de 150 libras anuales; ser ciudadano británico no era
requisito necesario. El salario era tan escaso que supuse que ningún
ciudadano británico respetable estaría interesado en ese trabajo. Fui a
preguntar a Steinhaus si debía o no optar al puesto. Por entonces
no sabía ni una palabra de inglés, pero estaba dispuesto a jurar que
mis conocimientos eran los suficientes.

"Déjame pensar", me dijo Steinhaus. "Estimaría que la probabilidad

de que consigas el trabajo es de una entre mil. Si multiplicas esto por
ciento cincuenta libras, tienes tres chelines. Eso es mucho más de lo
que cuesta enviar la carta, así que deberías hacerlo". Lo hice, pero el
trabajo fue al final para un ciudadano británico (después de todo, sí
que había alguno interesado)”.
MOMENTO DE ORDEN K DE UNA VARIABLE
ALEATORIA DISCRETA
De forma más general podemos definir la esperanza
matemática o media no solo para una variable aleatoria X, sino 35
para cualquier función T(X) como:

  E T ( X )    T ( xi ) p( xi )
i

Tomando como casos particulares a las funciones:

T ( X )  X ; k  1, 2, 3, ...
k

obtenemos los momentos de orden k centrados en el origen:

mk  E ( X )   x p( xi )
k k
i
i
Y tomando como casos particulares a las funciones:

T ( X )  ( X   ) ; k  1, 2, 3, ...
k

36
obtenemos los momentos de orden k centrados en la
media de X:

M k  E (( X   ) )   ( x   ) p( xi )
k k

Observa que:
m1  E ( X )  
M1  E( X   )  E( X )    0
VARIANZA Y DESVIACIÓN ESTÁNDAR O TÍPICA
DE UNA FUNCIÓN DE PROBABILIDAD DISCRETA
Varianza
37
  Var ( X )  M 2  E (( X   ) ) 
2 2

 (x  )
i
i
2
P( X  xi )

Desviación estándar
o típica   Var ( X )
Ambas miden la “dispersión de los datos”. Observa que la desviación
típica lo hace con las mismas unidades que los propios datos.
Ejemplo

X  ( X   ) ( X   )  P( X )
2 2
X P(X)
38
-1 .1 -2 4 .4
0 .2 -1 1 .2
1 .4 0 0 .0
2 .2 1 1 .2
3 .1 2 4 .4
1.2

   ( xi   ) P( xi )  1,2
2 2

  Var ( X )  1.10
Calcula la varianza y desviación típica de la
variable aleatoria X en el ejemplo de los dos
dados:
39
12
Var ( X )   P (i )  (i  7 ) 
2

i2

1 2 1
 ( 2  7 )   (3  7 )  ...   (12  7 ) 2  5,83
2 2

36 36 36

  Var ( X )  5,83  2,41

ALGUNAS PROPIEDADES DE LA VARIANZA
Var ( X )     ( xi   ) p ( xi ) 
2 2

i 40

 (x    2xi ) p( xi ) 
2 2
i
i

x p ( xi )    2   xi p ( xi ) 
2 2
i
i i

E ( X )    2  E ( X )  ( E ( X ))
2 2 2 2 2

  E( X )  ( E( X ))
2 2 2
 La apuesta de Pascal
Usted tiene dos cosas que perder: la verdad y el bien, y dos cosas que comprometer: su razón
y su voluntad, su conocimiento y su bienaventuranza; y su naturaleza posee dos cosas de las
que debe huir: el error y la miseria. Su razón no está más dañada, eligiendo la una o la otra,
puesto que es necesario elegir. He aquí un punto vacío. ¿Pero su bienaventuranza? Vamos a
pesar la ganancia y la pérdida, eligiendo cruz (de cara o cruz) para el hecho de que Dios 41
existe. Estimemos estos dos casos: si usted gana, usted gana todo; si usted pierde, usted no
pierde nada. Apueste usted que Él existe, sin titubear.

Pensamientos, Blaise Pascal (1670)

Dios existe Dios no existe

Creer en Dios +∞ (CIELO) NADA
No creer en
− ∞ (INFIERNO) NADA
Dios

«Deberías vivir tu vida e intentar hacer del mundo un lugar mejor

estando en él, tanto si crees en dios como si no. Si no hay dios, no
habrás perdido nada y serás recordado al morir por todos los que
dejaste atrás. Si existe un dios benevolente, te juzgará a ti y a tus
méritos y no por el hecho de si has creído o no en él».
Michael Martin
La paradoja de Parrondo
(perder + perder = ganar)

42
 Juego A
Sea X(t), el capital en el instante t. Diremos
Prob. Prob. que un juego es ganador (perdedor) si el
de de promedio <X(t)> es una función monótona
43
creciente (decreciente) de t. Y será un
ganar perder juego justo si <X(t)> es constante.
1/2 - e 1/2 + e

Es fácil probar que el juego A es un juego

perdedor si e positivo:

<X(t+1)>-<X(t)> = <X(t+1)-X(t)> =

(1/2 - e  (1/2 + e  2e

44
LA PARADOJA DE SAN PETERSBURGO

«Se comienza con un “bote” de dos euros.

Se lanza una moneda al aire: si sale cruz,
yo doblo la cantidad que hay en el bote; si
sale cara, usted se lleva el bote disponible 45
en ese momento. Es decir, si la primera
tirada es cara, usted gana 2 euros, si la
primera tirada es cruz y la segunda cara,
Daniel Bernoulli 1738
gana 4 euros, si la primera cara sale en la
San Petersburgo.
tercera tirada gana 8 euros, y si la primera
cara sale en la tirada n-ésima gana 2n
euros. Obviamente, lo que a usted más le «La pregunta que se hizo
conviene es que salga cara lo más tarde Bernouilli, y que en cierto
posible. En cualquier caso, usted gana modo sigue sin resolverse,
siempre algo de dinero, por lo que es justo es: ¿cuál es la cuota de
que yo le cobre alguna cantidad o cuota entrada que se debería
para permitirle participar en el juego». cobrar para que el
juego fuera justo?»
J. M. Parrondo
INVESTIGACIÓN Y CIENCIA, febrero, 2007
 LA PARADOJA DE SAN PETERSBURGO
Sea X la ganancia. Su valor esperado o ganancia media, es:

E  X    n 2  
1 n
46
n 1 2

(La probabilidad de que salga cara por primera vez en la n-ésima

tirada es: 1/2n )

¡El jugador debería pagar una cantidad infinita para que el juego fuera justo!

«En otras palabras, si yo le ofrezco entrar en el juego con una cuota de,
digamos, un millón de euros, usted debería aceptar, porque la ganancia
media en el juego, que es infinita, supera esa y cualquier otra cantidad.
Sin embargo, nadie en su sano juicio aceptaría semejante trato. Esta es
la paradoja de San Petersburgo: el sentido común nos dice que el valor
medio de la ganancia no determina la cuota de entrada aceptable.
¿Cómo determinamos entonces dicha cuota?»
El problema fundamental del juego de San Petersburgo es que proporciona premios
muy cuantiosos con probabilidad extremadamente pequeña. Por ejemplo, si la
primera cara aparece en la tirada décima, la ganancia es de 1024 euros, y esto
ocurre con una probabilidad de 1 entre 1024. Las ganancias crecen
exponencialmente mientras que las probabilidades decrecen también
exponencialmente, siendo siempre el valor medio de cada posible premio igual a un
euro. 47
La paradoja del vaticinio
(paradoja de William A. Newcomb 1969)

Vas a jugar contra el supercomputador HAL 9000, capaz de vaticinar la

elección de su contrincante. HAL es un oráculo moderno. Te presenta dos 48
cajas cerradas: la caja 1 que puede contener 0 o 1.000 euros y la caja 2
que puede contener 0 o 1.000.000 euros.

Piensa que HAL vaticina con total seguridad lo que vas a escoger:

(a) Si HAL vaticina que optarás por las dos cajas, pondrá 1.000 euros en la caja 1 y
nada en la caja 2.
(b) Si HAL vaticina que optarás por la caja 2, pondrá 1.000 euros en la caja 1 y
1.000.000 de euros en la caja 2.
(c) Si HAL vaticina que elegirás las dos cajas, y sin embargo, optas por la caja 2, no
ganas nada.

(d) Si HAL vaticina que optarás por la caja 2, y sin embargo, optas por las dos cajas,
ganas las sumas contenidas en las cajas 1 y 2, es decir: 1.001.000 euros.
Matriz de pagos (Teoría de juegos):

HAL
Vaticina que
Vaticina que
elegirás las dos 49
elegirás caja 2
cajas

Eliges la 1.000.000 0
caja 2

Tú Elige las
dos cajas 1.001.000 1.000

¿Qué eliges: recibir el contenido de ambas cajas o sólo el de la caja 2?

 Todo está ya listo: ¿Qué opción eliges?
La gente (incluidos los matemáticos y filósofos profesionales) suele dividirse
en dos bandos:

Los que optan por la caja 2:

Si optas por las dos cajas: HAL lo habrá vaticinado y habrá colocado 1.000 euros 50
en la caja 1 y nada en la 2. Premio: 1.000 euros.

Pero si optas por la caja 2: HAL lo habrá vaticinado y habrá colocado 1.000 euros
en la caja 1 y 1.000.000 de euros en la caja 2. Premio: 1.000.000 euros.
Es preferible tener la casi plena certeza de ganar 1.000.000 de euros que ganar
1.000 euros.

Los que optan por las dos cajas:

HAL ya ha efectuado su vaticinio, de modo que el contenido de la caja 2 ya está
determinado: así que la caja 2 contiene 1.000.000 euros o nada.

Si HAL puso 1.000.000 de euros en la caja 2, al optar por las dos cajas, ganaré
1.001.000 euros. Si HAL solo puso 1.000 euros en la caja 1, me conviene
también optar por las dos, puesto que mejor 1.000 euros que nada.