Documentos de Académico
Documentos de Profesional
Documentos de Cultura
MÉTODOS PROBABILÍSTICOS
UNIDAD I: MODELAJE DE LA ALEATORIEDAD DE VARIABLES
ALEATORIAS DISCRETAS Y CONTINUAS
Temas
1.1 Definiciones básicas de los experimentos aleatorios
1.2 Generación de números Pseudo-aleatorios
OBJETIVO DE LA UNIDAD
Modelar la aleatoriedad de variables aleatorias discretas y continuas y
programarla usando una herramienta computacional.
INTRODUCCIÓN
La aleatoriedad es un fenómeno que ocurre en la naturaleza por diferentes causas.
Es aquella situación que está presente en los experimentos y aún cuando éstos se realicen
en condiciones controladas, los resultados no son siempre los mismos, bajo las mismas
condiciones. Algunos se atreven a decir que influyen factores como la velocidad, la
temperatura, la presión atmosférica, las condiciones del tiempo, incluso la rotación de la
tierra sobre su eje y la traslación alrededor del sol, incluso la fuerza gravitacional que
ejerce la luna sobre la tierra, etc… Lo cierto es, que los resultados, no son siempre los
mismos. Esto es lo que queremos modelar y controlar por medio de un programa de
computadora, para ellos estudiaremos una serie de temas que nos ayudarán a realizarlo.
Los ejemplos clásicos son el lanzamiento de una moneda sobre una superficie
plana y observar el resultado en la cara superior, y el lanzamiento de un dado sobre una
superficie plana y observar el resultado obtenido en la cara superior.
Suponiendo que la moneda no está arreglada (es decir es “sin sesgo”, lo que
significa que solo tiene dos resultados posibles y cada lado es igualmente probable de
ocurrir). Digamos de ahora en adelante que serán “cara” y “sello”, simbolizados por “C”
para “cara” y “S” para “sello”. Dado que cada uno tiene la misma oportunidad de ocurrir
las probabilidades de ocurrencia de “C” es ½, al igual que la probabilidad de “S”. Aquí se
ha usado el concepto frecuentista de probabilidad. Solo hay una “C” entre los dos
resultados posibles, al igual que solo hay una ”S” en los dos resultados posibles, por ello
la probabilidad se calcula como “casos favorables” entre “casos posibles”.
En el caso del dado, los resultados posibles son los números {1, 2, 3, 4, 5, 6}. Aquí
se asocia cada número al número de puntos obtenidos en la cara superior del dado. Y de
nuevo aplicando la definición frecuentista de probabilidad afirmamos que dado que solo
hay un número 1 entre los seis resultados posibles, que la probabilidad de que caiga un 1
es 1/6. Y así ocurre con los demás resultados del 2 al 6, cada uno tiene probabilidad de
ocurrencia de 1/6.
Existen otros experimentos aleatorios, en los que los resultados posibles son un
tanto diferentes. Por ejemplo al observar el estado de un artículo producido en una línea
de producción, el cual por simplicidad se puede clasificar como “bueno” o “malo”. Salvo
que las probabilidades en estos casos ya no serán ½, como en el caso de la moneda. Ya
que hay que tomar en consideración todos los artículos observados y contar aquellos que
se clasifican como buenos y los que se clasifican como malos. Por ejemplo, suponga que
la línea de producción produce 100 artículos. De los cuales 95 están buenos y 5 están
Este material ha sido proporcionado al estudiante en el marco de su formación a través de una carrera en
línea en la Universidad de El Salvador. Se han respetado los derechos de autor para su elaboración. El debido uso del
mismo es responsabilidad del estudiante.
UNIVERSIDAD DE EL SALVADOR EN LÍNEA
FACULTAD DE INGENIERÍA Y ARQUITECTURA
MÉTODOS PROBABILÍSTICOS
Página 3 de 13
malos. Entonces la probabilidad de que al elegir un artículo al azar de entre los artículos
producidos por esta línea de producción este esté bueno es de 95/100. Y que esté malo
es de 5/100. Siempre se ha calculado la probabilidad como el cociente entre casos
favorables entre casos posibles.
Para el caso del lanzamiento de la moneda S = {“C”, “S”} = {C, S} = Ω. En el caso del
lanzamiento del dado S = {1, 2, 3, 4, 5, 6} y S = {bueno, malo} en el caso del estado del
artículo de la línea de producción.
La siguiente figura ilustra este concepto. Donde S denota el espacio muestral que
contiene todos los resultados posibles desde r1 hasta rn del experimento. El conjunto de
los números reales se ha simbolizado por la letra ℝ, los números reales particularmente
usados se han simbolizado por v1, v2, …, vn. La letra X, simboliza el nombre de la función,
generalmente los nombres dados a las variables aleatorias son las últimas letras del
alfabeto en mayúsculas.
S X
ℝ
r1 v1
r2 v2
rn vn
Figura 1. Función “Variable Aleatoria”.
Las funciones “Variable Aleatoria”, confunden un poco, debido a que cuando uno
dice “variable” ya está condicionado a suponer que son valores que pertenecen a un
conjunto dado. Pero no está condicionado a suponer a que “variable”, se refiera a una
“función”, con una regla de definición asociada a ella.
Ahora suponga que a cada valor del dado se le asocia como imagen su respectiva
probabilidad. En cuyo caso estaremos hablando de la distribución de probabilidades de la
variable aleatoria X. La siguiente figura lo ilustra:
Este material ha sido proporcionado al estudiante en el marco de su formación a través de una carrera en
línea en la Universidad de El Salvador. Se han respetado los derechos de autor para su elaboración. El debido uso del
mismo es responsabilidad del estudiante.
UNIVERSIDAD DE EL SALVADOR EN LÍNEA
FACULTAD DE INGENIERÍA Y ARQUITECTURA
MÉTODOS PROBABILÍSTICOS
Página 6 de 13
Este material ha sido proporcionado al estudiante en el marco de su formación a través de una carrera en
línea en la Universidad de El Salvador. Se han respetado los derechos de autor para su elaboración. El debido uso del
mismo es responsabilidad del estudiante.
UNIVERSIDAD DE EL SALVADOR EN LÍNEA
FACULTAD DE INGENIERÍA Y ARQUITECTURA
MÉTODOS PROBABILÍSTICOS
Página 7 de 13
No pueden ser mayores que Norm porque eso indicaría que aún se puede seguir
dividiendo. Si fuera igual que Norm, en ese caso el residuo de la división entera sería 0.
Por tanto, Seed = ((Seed * Mult) + Addr) mod (Norm) siempre dará como resultado un
valor menor que Norm. Entonces al hacer el cociente Seed / Norm, se obtendrá un valor
que oscila en el intervalo [0, 1). De aquí que la forma para obtener aleatorios que oscilan
en el intervalo [0, 1) es:
Para verificar estos pasos generar la mayor secuencia posible de valores Seed para
los siguientes casos, analice las situaciones que se logran con los valores originales dados
a las variables Seed, Mult, Addr y Norm.
Mult – 1, es un múltiplo de 4.
Verifique que los valores de la siguiente tabla cumplen alguna de las condiciones
anteriores del teorema:
//Se dan valores para Norm, Mult y Addr. Se toma un valor inicial de Seed = 0.
TRUE = 1;
FALSE = 0;
Norm=32768;
Mult=8485;
Addr=22073;
Seed=0;
OK=FALSE;
while OK == FALSE
if N <= 0
else
OK = TRUE;
end
end
if OK == TRUE
printf('1. Pantalla\n');
if FLAG == 2
OUP = file('open',NAME,'unknown');
else
OUP = 1;
end
if FLAG == 2
Este material ha sido proporcionado al estudiante en el marco de su formación a través de una carrera en
línea en la Universidad de El Salvador. Se han respetado los derechos de autor para su elaboración. El debido uso del
mismo es responsabilidad del estudiante.
UNIVERSIDAD DE EL SALVADOR EN LÍNEA
FACULTAD DE INGENIERÍA Y ARQUITECTURA
MÉTODOS PROBABILÍSTICOS
Página 10 de 13
text1='NÚMEROS PSEUDO-ALEATORIOS\n'
write (OUP,text1);
else
end
% STEP 1
I = 1;
% STEP 2
while I <= N
% STEP 3
% Calcula el ALEATORIO(I)
SEM=pmodulo(SEM*MULT + SUMR,NORM);
ALEAT=SEM/NORM;
if FLAG == 2
write(OUP,ALEAT);
else
end
I = I+1;
end
if OUP ~= 1
file(‘close’,OUP);
end
Este material ha sido proporcionado al estudiante en el marco de su formación a través de una carrera en
línea en la Universidad de El Salvador. Se han respetado los derechos de autor para su elaboración. El debido uso del
mismo es responsabilidad del estudiante.
UNIVERSIDAD DE EL SALVADOR EN LÍNEA
FACULTAD DE INGENIERÍA Y ARQUITECTURA
MÉTODOS PROBABILÍSTICOS
Página 11 de 13
Este material ha sido proporcionado al estudiante en el marco de su formación a través de una carrera en
línea en la Universidad de El Salvador. Se han respetado los derechos de autor para su elaboración. El debido uso del
mismo es responsabilidad del estudiante.
UNIVERSIDAD DE EL SALVADOR EN LÍNEA
FACULTAD DE INGENIERÍA Y ARQUITECTURA
MÉTODOS PROBABILÍSTICOS
Página 12 de 13
1.5. BIBLIOGRAFÍA
1. Solomon. F. (1987) Probability and Stochastic Processes. New Jersey, USA. Prentice Hall
Inc.
2. Bhat, U.N. & Miller, G. K. (2002) Elements of applied Stochastic Processes. New York, USA.
Wiley-Interscience, John Wiley & Sons, Inc.
3. Bailey, N. T. J. (1964) The Elements of Stochastic Processes, with applications to the
natural sciences. New York, USA. John Wiley & Sons, Inc.
4. Baudin, M., (2010) Introduction to Scilab, France, The Scilab Consortium – Digiteo.
5. Canavos, G., (1998), Probabilidad y estadística: Aplicaciones y métodos, Mexico, D.F.,
McGraw-Hill/Interamericana de Mexico S.A. de C.V.
6. Devore, J., (2008). Probabilidad y estadística: Para ingeniería y ciencias (7ª. ed.) Mexico,
D.F., Cengage Learning Editores S.A de C.V.
7. Diccionario Merrian-Webster Retomado de: http://www.merriam-webster.com (2017).
8. Dodge, Y. (2006) Diccionario Oxford de términos estadísticos.
9. Everitt, B., Skrondal, A., (2010) The Cambridge dictionary of statistics (4ª. ed.) New York,
U.S.A. Cambridge University Press.
10. Hines, W., Montgomery, D. (1993). Probabilidad y estadística: Para ingeniería y
administración (3er ed.) Mexico, D.F., CECSA.
11. Johnson, R., (1998) Probabilidad y estadística: Para ingenieros de Miller y Freund (5ª ed.)
Mexico, D.F., Prentice-Hall Hispanoamericana.
12. Mendenhall, W., Beaver, R., Beaver, B., (2010). Introducción a la probabilidad y estadística
(13ª ed.) Mexico, D.F., Cengage Learning Editores S.A de C.V.
13. Žitkcović, G. (2010) Introduction to Stochastic Processes – Lecture Notes. Austin, Texas,
USA. Department of Mathematics. The University of Texas.
14. Taylor, H.M. & Karlin, S. (1998) An Introduction to Stochastic Modeling. New York, USA.
Academic Press.
15. Knill, O. (2009) Probability and Stochastic Processes with Applications. New Delhi, India.
Overseas Press India Private Limited.
16. Ross S. M. (1996) Stochastic Processes. New York, USA, John Wiley and Sons, Inc.
17. Feller, W. (1968) An introduction to Probability Theory and its Applications, vol. 1. New
York, USA, John Wiley and Sons, Inc.
18. Wolf, R. W. (1989) Stochastic Modeling and the Theory of Queues. New Jersey, USA.
Prentice Hall Inc.
19. Yates, R. D. & Goodman, D. J. (1983) Probability and Stochastics Processes. New York,
USA. John Wiley and Sons, Inc.
Este material ha sido proporcionado al estudiante en el marco de su formación a través de una carrera en
línea en la Universidad de El Salvador. Se han respetado los derechos de autor para su elaboración. El debido uso del
mismo es responsabilidad del estudiante.
UNIVERSIDAD DE EL SALVADOR EN LÍNEA
FACULTAD DE INGENIERÍA Y ARQUITECTURA
MÉTODOS PROBABILÍSTICOS
Página 13 de 13
GLOSARIO
Experimento Aleatorio: Aquel en el que se conocen todos los resultados posibles del
mismo, pero que no podemos predecir con certeza cuál de ellos ocurrirá, antes de realizar
el experimento.
Espacio Muestral: Conjunto formado por todos los resultados posibles de un experimento.
Variable aleatoria: Es una función que va desde el espacio muestral hacia el conjunto de
los números reales, en la que a cada resultado posible le asigna como imagen un número
real.
Este material ha sido proporcionado al estudiante en el marco de su formación a través de una carrera en
línea en la Universidad de El Salvador. Se han respetado los derechos de autor para su elaboración. El debido uso del
mismo es responsabilidad del estudiante.