Consejos para elaborar diagramas causales de forma efectiva

Ayudas para la elaboración de diagramas causales
Sebastián Jaén
Resumen
En este texto se suministrarán algunos consejos prácticos para la elaboración de

diagramas causales, teniendo en cuenta los tipos de errores más cometidos cuando se
está aprendiendo.
1. Introducción
Los diagramas causales son una herramienta útil en dinámica de sistemas. Ellos ilustran la
estructura de realimentación del sistema. Al ser una concepción conceptual, también sirven
para identificar los mapas mentales de las personas u organizaciones. Los diagramas causales
son fundamentales para la dinámica de sistemas, pues además de lo anterior, sirven de guı́as
para la elaboración y comprensión de los modelos. Al diagrama causal tambı́en se le suele
llamar hipótesis dinámica.
Este texto tiene como propósito advertir sobre ciertos errores en que se incure cuando se
está aprendiendo a realizar los diagramas causales, y no pretende remplazar la guı́a básica
de elaboración de diagramas causales presentada por Sterman[2] en el capı́tulo 5, bajo el
tı́tulo Causal Loop Diagrams.
2. Errores comunes en la realización de diagramas causales
En la práctica, se ha identificado varios tipos de errores que son comunes en la elaboración

de los diagramas causales. Inicialmente se describirán y posteriormente se mostrarán con
ejemplos. Ellos son a continuación:
Uso de variables no cuantificables: se suelen bautizar las variables con nombres que no
sugieren cantidad.
Variables que incorporan la polaridad : se da cuando el nombre de la variable tiene un
verbo que sugiere su incremento o decremento.
Relación de variables vs. Hipótesis dinámica: surge cuando se relacionan variables, y
hasta se logra plantear ciclos, pero en realidad esta relación no está explicando nada
del fenómeno en cuestión.
1
Causalidades redundantes : se presenta cuando se plantean causalidades para lograr efec-
tos que otras causalidades ya lograron.
Nivel de agregación: por exceso o por defecto. Se hacen diagramas muy grandes y de-
tallados para situaciones muy simples, o diagramas muy pequeños para situaciones
complejas.
Diagramas causales sin dinámica: cuando se hace un diagrama causal en el cual los ciclo
carecen de relaciones que permitan la realimentación.
2.1. Uso de variables no cuantificables
Este es el caso de variables que se bautizan con nombres que no admiten cuantificación.
El siguiente diagrama causal presentado en la figura 1, representa la hipótesis dinámica
de un problema real que sucede en el poblado de Haryana en la India[1]. Allı́, las mujeres se
venden de niñas, pues culturalmente se prefieren hijos varones. El problema resulta después,
cuando estos varones quieren casarse en el futuro, y no hay mujeres disponibles. Por esta
razón las novias deben ser compradas a traficantes de personas.
El diagrama causal de la figura 1, plantea varios errores: el primero es el referido en
esta sección tiene varias variables que no son cuantificables o que fueron inadecuadamente
definidas. El segundo, es que es más una relación de variables que una hipótesis dinámica.
Figura 1: Diagrama causal de la venta de esposas en Haryana (versión 1)
2
Las variables Respeto hacia la mujer y Presión para casarse, son variables que no se
asocian a una cantidad en forma inmediata. Medir el grado de respeto o de presión en un
asunto, es algo que puede suscitar debates innecesarios. Estas variables deberı́an rebautizarse
en equivalentes más cuantificables, como se muestra a continuación:
Respeto hacia las mujeres→ Mujeres maltratadas y Presión para casarse→ Adolescentes
casadas
Las variables Rescate de mujeres, Educación de la población, Mujer soltera de la India,
Reventa de mujeres, Tráfico de mujeres y Venta de mujeres, no son variables que no se
pueden contar, sino, que han sido expresadas de una manera inadecuada. Una posible forma
de nombrar correctamente estas variables podrı́a ser ası́:
Rescate de mujeres→ Mujeres rescatadas, Educación de la población→ Personas con nivel
secundario, Mujer soltera de la India→ Solteras, Reventa de mujeres→ Mujeres vendidas,
Tráfico de mujeres→ Mujeres vendidas y Venta de mujeres→ Mujeres vendidas
El hecho de que las tres últimas variables puedan ser identificadas de la misma forma,
sugiere que el diagrama causal estuvo mal hecho, pues este presenta tres variables distintas
para algo que es lo mismo.
En la siguiente figura (2), se presenta otro diagrama causal que presenta los mismos
problemas que el causal anterior: definición de variables no cuantificables, y relación de
variables en vez de una hipótesis dinámica.
Figura 2: Diagrama causal de la venta de esposas en Haryana (versión 2)
Las variables Mercado sexual, Recursos polı́ticos, Maltrato, Respeto y Pobreza, tienen
nombres cuya cuantificación no está clara. ¿Cómo se mide un Mercado sexual ?, ¿Recursos
polı́ticos? o ¿Respeto? Se tienen que rebautizar las variables. Un ejemplo de ello podrı́a ser:
Mercado sexual → Mujeres vendidas, Recursos polı́ticos→ Presupuesto público, Maltra-
3
to→ Mujeres maltratadas, Respeto→ Mujeres sin maltrato y Pobreza→ Pobres
Finalmente, la variable Niveles de educación, se podrı́a reexpresar en una forma más clara
que señale lo que se está midiendo: Niveles de educación → Bachilleres.
Sin embargo, aunque se redefinan estas variables, el diagrama causal todavı́a no es útil
pues subyace el problema de que es más una relación de variables que una hipótesis dinámica.
Más adelante se ilustrará cómo debe ser un diagrama causal que plantee una verdadera
hipótesis dinámica.
2.2. Variables que incorporan la polaridad
En este caso, la variable se define con un verbo que denota si esta se está incrementado
o decrementando. La figura 3 ilustra bien este error. Aquı́ se pedı́a realizar una hipótesis
dinámica para explicar por qué la polı́tica de bajar costos en una empresa se habı́a traducido
en menores ventas.
Figura 3: Diagrama causal de las pérdidas en la empresa como consecuencia de una polı́tica
de rebaja de costos (versión 1).
Las variables Rebaja de costos, Rebaja de calidad de materia prima, Rebaja de calidad
de producto y Recorte de presupuesto, tienen incorporado un elemento sobrante, pues la
‘rebaja’o el ‘incremento’ (que en este diagrama no está) es un elemento que lo da el signo
de la flecha que le llega, y no el nombre de la variable.
En ese sentido, la figura 4, muestra como es posible eliminar todas estas ‘rebajas’ man-
teniendo el sentido del diagrama.
Puede resultar ‘extraño’ que un diagrama causal donde todas las relaciones causales son
positivas explique la caı́da en las ventas a causa de la rebaja en el costo. Sin embargo, si se
comprende el sentido del signo (+ ó -) en la flecha, se puede entender esta situación.
La figura 4 presenta un ciclo donde todas las relaciones son directas o positivas, es decir,
a más de A, más de B, luego cuando A rebaja, B también lo hace. En ese sentido, si los
costos bajan, como todas las relaciones son directas, las variables del diagrama, incluyendo
las ventas, bajarán también. Este es el sentido de un bucle reforzado.
4
Figura 4: Diagrama causal de las pérdidas en la empresa como consecuencia de una polı́tica
de rebaja de costos (versión 2).
2.3. Relación de variables vs. Hipótesis dinámica:
Como se afirmó en la sección 2.1, las figuras 1 y 2, corresponden una relación de variables,
más que a la formulación de una verdadera hipótesis dinámica. Un diagrama causal debe
‘contar’ una historia, y ayudar a que tanto el modelador como los espectadores la entiendan.
Cuando claramente no se entiende qué explica el diagrama, es una seña de que este se ha
efectuado en una forma inadecuada. El diagrama causal debe ser muy transparente.
En la figura 5 se presenta un diagrama causal de lo que podrı́a considerarse la hipótesis
dinámica del por qué faltan esposas en Haryana. El papel que juega cada ciclo se describe a
continuación:
R1: presenta el ciclo de los hombres dentro del sistema.
R2: presenta el ciclo de las mujeres dentro del sistema. Tiene un elemento adicional, la
presencia de la variable Mujeres faltantes reduce la posibilidad de que se consoliden
Parejas, y ası́, el nacimiento de futuros hijos.
B1: presenta como el sistema controla o balancea el número de niñas. Culturalmente las
niñas son rechazadas, este ciclo muestra la reacción del sistema contra las niñas, ven-
diéndolas.
B2: presenta como el sistema balancea las Mujeres faltantes comprando mujeres a través
de la variable Mujeres compradas.
En sı́ntesis, este simple diagrama muestra que la ausencia de mujeres en el presente se

debe a la venta de niñas en el pasado.
5
Figura 5: Diagrama causal de la venta de esposas en Haryana (versión 3).
2.4. Causalidades redundantes
Las causalidades redundantes puede ser un error común, incluso para gente con experi-
encia. Surge cuando se agrega una causalidad que pretende lograr lo que el sistema con las
causalidades iniciales logra. La dificultad por identificarlas es dada porque causalmente estas
relaciones son causalmente correctas, sin embargo, sobran en el sistema y generan errores de
cálculo.
Figura 6: Diagrama causal del efecto de la reducción de la pena sobre el hacinamiento.
La figura 6, presenta el diagrama causal del efecto que tiene el Hacinamiento sobre los
Delincuentes. El diagrama supone que a más Hacinamiento, menos Duración de la sentencia,
6
lo que genera un incentivo para que aparezcan más Delincuentes. En sı́ntesis, B1 pretende
controlar o balancear el Hacinamiento y lo logra, pero además, activa R1 y R2, atrayendo
y liberando delincuentes.
Pese a que el diagrama es una hipótesis correcta, tiene una relación causal que es redun-
dante y que ocasiona errores de sobreestimación de la variable Capturas. La flecha de color
azul, presenta la relación: a más Liberados, más Capturas. Es una relación que causalmente
es correcta, sin embargo, Liberados ya ha influenciado a Delincuentes, y a partir de Delin-
cuentes se determina las Capturas. Cuando en Capturas se permite la inclusión de Liberados,
Liberados estarı́a siendo contabilizada dos veces.
Figura 7: Diagrama causal del impacto del control policial sobre el software libre.
En la 7, se puede apreciar otro ejemplo de una causalidad redundante. La variable Control

estatal incide positivamente sobre Software libre, el cual a su vez incide negativamente en
las Ventas de microsoft. Esto tiene sentido, ya que al tener un software libre, no se necesita
comprar uno con licencia. La redundancia se da cuando se agrega la causalidad a más Soft-
ware libre, menos Control estatal, pues la misma estructura causal del sistema puede hacer
que al incrementar Software libre el Control estatal baje. Se deben seguir las causalidades:
-
Software libre →Ventas de microsoft
+
Ventas de microsoft →Empresas con software
+
Empresas con software →Piraterı́a
+
Piraterı́a →Control estatal
Si Ventas de microsoft cae, todas las variables de ahı́ en adelante caen, dada la relación
directa o positiva de las variables . En una forma indirecta aumentar Software libre, es
disminuir el Control estatal.
7
2.5. Nivel de agregación
El diagrama causal debe servir para explicar el fenómeno que se estudia. Realizar dia-
gramas causales muy agregados o muy detallados puede resultar completamente inútil para
el propósito en cuestión.
En la figura 8, se muestran dos diagramas causales sobre agregados. El primer diagrama
causal a la izquierda, pretendı́a explicar por qué las personas que depredan el recurso leña
tienen que recorer más kilómetros para encontrar nueva. La figura muestra que, además
de que la variable Ansiedad por encontrar leña es una variable expresada en una forma
inadecuada, el nivel de agregación es tal que no se entiende por el por qué del fenómeno.
Figura 8: Diagramas causales con un nivel de agregación exagerada.
Una situación igual presenta el diagrama causal de la derecha. Se pretendı́a explicar cómo
se puede superar las Pérdidas en una empresa. Nuevamente, el nivel de agregación es tal
que el causal no explica nada. En la figura 9 se puede observar un ejemplo de un nivel de
agregación adecuado para las dos situaciones descritas con anterioridad.
Figura 9: Diagramas causales con un nivel de agregación adecuado.
8
2.6. Diagramas causales sin dinámica
Algunos diagramas causales tienen forma de ‘bicicleta’. En la figura 10, muestra un

diagrama causal que trata de explicar por qué el Estado se endeuda cada vez más.
Figura 10: Diagrama causal sin dinámica.
Sin entrar en los detalles del nombre de las variables, ni la bondad del diagrama anterior.
El error que se señala aquı́ es que un ciclo afecta a otro de manera exógena, y no hay
realimentación con el primer ciclo. Si se está buscando una explicación endógena, no tendrı́a
sentido que ambos ciclos estén conectados por una sola relación.
Referencias
[1] Agal, Renu. India’s ‘bride buying’ country. http://news.bbc.co.uk/2/hi/south asia/4862434.stm,
2006.
[2] Sterman, John D. Business Dynamics: System Thinking and Modeling for a Complex
World, McGraw Hill, 2000.
9
SIMULACIÓN DE PROCESOS
PRODUCTIVOS
Fernando Moreno Arrieta

Docente
¿Que es un Sistema ?
Conjunto de objetos o ideas que están interrelacionados entre sí
como una unidad para la consecución de un fin (Shannon, 1988).
También se puede definir como la porción del Universo que será
objeto de la simulación. Relación
Parte del sistema
Límite del sistema
¿Que es un Sistema ?
Un sistema es un conjunto de funciones que operan en armonía o con
un mismo propósito, y que puede ser ideal o real.
Por su propia naturaleza, un sistema posee reglas o normas que
regulan su funcionamiento y, como tal, puede ser entendido,
aprendido y enseñado. Por consiguiente, si hablamos de sistemas,
podemos referirnos a cuestiones tan distintas como el
funcionamiento de una nave espacial o la lógica de una lengua, o el
crecimiento de un árbol.
Tipos de sistemas
Sistemas conceptuales o abstractos

Un sistema conceptual son todas las ideas, conceptos, signos,
hipótesis, teorías o símbolos que se utilizan para crear un
constructo, es decir, una entidad hipotética.
Un ejemplo de sistema conceptual es la matemática, que a su vez
está formada por varios componentes abstractos (álgebra, cálculo,
etc.).
Tipos de sistemas
Sistemas reales o materiales

Son estructuras compuestas por elementos tangibles, sean de
origen natural o artificial.
Ejemplos de sistemas reales son el cuerpo humano o el hardware
de una computadora.
Sistema nervioso
El sistema nervioso coordina y
dirige todas las funciones y
actividades del organismo como la
digestión, respiración, circulación de
la sangre, entre otras.
Los componentes de este sistema
son el cerebro, el cerebelo, el bulbo
raquídeo, la médula espinal y las
terminaciones nerviosas.
¿Que es un modelo ?
Modelo puede ser entendido como una representación, bien sea

abstracta, análoga, fenomenológica o idealizada, de un objeto que
puede ser real o ficticio.
Un MODELO es una representación simplificada de un sistema
elaborada para comprender, predecir y controlar el
comportamiento de dicho sistema
Modelo
• Es una abstracción de la realidad.
• Es una representación de la realidad que ayuda a entender su
composición y/o funcionamiento.
• Es una construcción intelectual y descriptiva de una entidad en la
que un observador tiene interés.
• Se construye para transmitirse.
• Se emplean supuestos simples para restringirse a lo que se
considera relevante y evitar lo que no.
Un modelo es un sistema desarrollado para entender la realidad y, en consecuencia, para
modificarla.
No es posible modificar la realidad, en cierta dirección, si no se dispone de un modelo que la
interprete.
MODELOS
Es la representación de un sistema, situación o problema de

acuerdo del estudio que sobre el sistema se desea
Tipos:
Discretos
• Son aquellos en los que las variables de estado cambian
instantáneamente en instantes separados de tiempo – Ejemplo:
número de clientes en el banco
Continuos
• Son aquellos en los que las variables de estado cambian de forma
continua con el paso del tiempo – Ejemplo: avión en vuelo
(posición, velocidad, etc.)
Determinísticos o estocásticos
• Estáticos o dinámicos
• Analítico o numérico
Formas de estudio
Modelo y simulación
Modelo Físico
continuo
Modelo Analógico continuo
S
M Tipos de
I Modelo de Simulación Tipos de Simulación
O Modelos
S discreto
D
T eventos
E
E Modelo Matemático
L Utilidad
M
O
A
¿Qué es una simulación?
Simulación es el proceso de diseñar un modelo de un sistema real y
llevar a cabo experiencias con él, con la finalidad de aprender el
comportamiento del sistema o de evaluar diversas estrategias para el
funcionamiento del sistema (Shannon, 1988).
SIMULACION
La simulación es la imitación del funcionamiento de un sistema real durante
un intervalo de tiempo
Después de que el modelo es desarrollado y validado puede ser usado para
investigar una gran variedad de preguntas del tipo ¿Qué pasa si . . .? acerca
del sistema real.
Cambios en un sistema real pueden ser simulados con el fin de predecir el
impacto en el mismo
La simulación también puede ser usada como una estrategia en la etapa de
diseño, antes de que el sistema sea construido, o puede ser usado en ambos
casos a la vez, predecir el efecto de un cambio y diseñar variantes de un
sistema actual.
Aplicaciones de la simulación
La simulación es conveniente cuando:

• No existe una formulación matemática resoluble. Muchos sistemas
reales no pueden ser modelados matemáticamente con las
herramientas actuales disponibles, por ejemplo la conducta de un
cliente en un banco.
• Existe una formulación matemática, pero es difícil obtener un solución
analítica. Los modelos matemáticos para utilizados para modelar un
reactor nuclear o un a planta química, son imposibles de resolver de
forma analítica sin realizar serias simplificaciones.
• No existe un modelo real. Es problema de ingeniero que tiene que diseñar

un sistema nuevo.
• Los experimentos son imposibles debido a impedimentos económicos, de
seguridad, de calidad o éticos. En este caso el sistema real esta disponible
para realizar experimentos, pero la dificultad de los mismos hace que se
descarte esta opción. Un ejemplo de esto es la imposibilidad de provocar
fallas en un avión real para evaluar la conducta del piloto
El sistema evoluciona muy lentamente o muy rápidamente. Un ejemplo de

dinámica lenta es el problema de los científicos que estudian la evolución del
clima. Ellos deben predecir la conducta futura del clima dadas las condiciones
actuales, no pueden esperar a que un tornado arrase una ciudad para luego dar
el mensaje de alerta. Por el contrario, existen fenómenos muy rápidos que deben
ser simulados para poder observarlos en detalles, por ejemplo una explosión.
Simulación probabilística
• En ocasiones se necesitan variables aleatorias en procesos de simulación:

– Algoritmos de placement & routing, de mapping. . .
• Entre otras técnicas, en Electrónica las más empleadas son:
– Simulación de Montecarlo
– Simulated annealing
– Algoritmos genéticos
Método de Montecarlo
• Es un método muy general

• Emplea secuencias de números aleatorios como valores de variables
– Generador de números aleatorios
– Función de distribución de probabilidad
– Regla de muestreo
– Estimación de error
– Técnicas de reducción de varianza
• Produce soluciones aproximadas
• Se puede aplicar tanto en problemas con contenido de naturaleza probabilística
como en otros que no lo tiene
Posibles desventajas de la simulación
• El desarrollo de un modelo puede ser costoso, laborioso y lento.

• Existe la posibilidad de cometer errores. No se debe olvidar que la
experimentación se lleva a cabo con un modelo y no con el sistema real;
entonces, si el modelo está mal o se cometen errores en su manejo, los
resultados también serán incorrectos.
• No se puede conocer el grado de imprecisión de los resultados. Por lo
general el modelo se utiliza para experimentar situaciones nunca
planteadas en el sistema real, por lo tanto no existe información previa
para estimar el grado de correspondencia entre la respuesta del modelo y
la del sistema real.
FASES DE UN ESTUDIO DE SIMULACIÓN
Definición de
objetivos y del
sistema validación
Modelo conceptual Verificación
Modelo comunicativo validación
Modelo informático
credibilidad
Explotación diseño
Documentación experimental
Implementación
Credibilidad
Maneras de estudiar un sistema
• Según Law y Kelton
Sistema
Experimentar Experimentar
con el con un modelo
sistema del sistema
Modelo Modelo
físico matemático
Solución
SIMULACIÓN
analítica
Ejemplo
Un granjero posee 100 Has. de terreno en las que sólo puede

plantar cereales o caña de azúcar. El problema es determinar cuál
debe ser su política de explotación óptima, es decir, qué plantar y
cuánto plantar teniendo en cuenta los recursos disponibles
• Fines
– maximizar el beneficio
• Características
– Variables que describen los costes de producción, personal, maquinaria, precios de
materias primas y de venta de productos
– Procesos que tienen lugar en el proceso de cosecha
• Hipótesis
– “El coste del gasóleo se mantendrá K en el periodo”
– “Los trabajadores no harán huelgas”,
• Puntos fuertes y débiles del modelo
–Fuertes: modelo matemático
– Débiles: experiencia, semillas, etc.
• Posibles mejoras
– Función de medida del beneficio
Áreas en las que esta presente la simulación
• Procesos de manufacturas: Ayuda a detectar cuellos de botellas, a

distribuir personal, determinar la política de producción.
• Plantas industriales: Brinda información para establecer las condiciones
óptimas de operación, y para la elaboración de procedimientos de
operación y de emergencias.
• Sistemas públicos: Predice la demanda de energía durante las diferentes
épocas del año, anticipa el comportamiento del clima, predice la forma de
propagación de enfermedades.
• Entre otros
Áreas en las que esta presente la simulación
• Sistemas de transportes: Detecta zonas de posible congestionamiento, zonas

con mayor riesgo de accidentes, predice la demanda para cada hora del día.
• Construcción: Predice el efecto de los vientos y temblores sobre la estabilidad
de los edificios, provee información sobre las condiciones de iluminación y
condiciones ambientales en el interior de los mismos, detecta las partes de
las estructuras que deben ser reforzadas.
• Diseño: Permite la selección adecuada de materiales y formas. Posibilita
estudiar la sensibilidad del diseño con respecto a parámetros no
controlables.
Tipos de modelos de simulación
Estocástico
Determinístico Tempo-continuo
Tiempo-discreto
estático dinámico
• Estocástico. Contienen uno o más parámetros (variables endógenas) aleatorios. Las mismas entradas pueden
ocasionar salidas diferentes.
• Determinístico. Ante entradas fijas se producen las mismas salidas.
• Estático. No se contempla el tiempo como determinante para la evolución del sistema
• Dinámico. El tiempo interviene en la variación de las variables del sistema.
• Tiempo-continuo. El modelo permite que los estados del sistema cambien en cualquier momento.
• Tiempo-discreto. Los cambios de estado del sistema se dan en momentos discretos del tiempo.
Estocástico - Determinístico
Estocástico (*) Determinístico

Si el estado de la variable en el siguiente instante de Si el estado de la variable en el siguiente instante de
tiempo no se puede determinar con los datos del tiempo se puede determinar con los datos del estado
momento actual actual
yj = fm(xi, lk)
xi
(Existen
yj xi yj = fm(xi) yj
variables internas
–como lk–
aleatorias)
Método analítico: usa probabilidades para determinar Método numérico: algún método de resolución
la curva de distribución de frecuencias analítica
Continuo - Discreto
Continuo Discreto (*)
El estado de las variables cambia de forma continua a lo El estado del sistema cambia en tiempos discretos del
largo del tiempo tiempo
e = f (t)
e = f(nT)
Método analítico: emplea razonamiento de matemáticas

deductivas para definir y resolver el sistema Método numérico: utiliza procedimientos
computacionales para resolver el modelo matemático.
Estático - Dinámico
Estático Dinámico (*)
Si el estado de las variables puede cambiar
mientras se realiza algún cálculo
Entre las variables no se encuentra la variable
tiempo.
f [ nT ] ≠ f [ n(T+1) ]
Método analítico: algún método de resolución

analítica.
Método numérico: usa procedimientos
computacionales para resolver el modelo
matemático.
Bibliográfica
https://www.definicionabc.com/general/sistema.php
https://es.slideshare.net/iupsmpzo/diseo-de-redes-usando-simuladores
Formando líderes para la
construcción de un nuevo país en
paz
Paradigmas de Simulación
Docente: Fernando J Moreno A

Simulación
La simulación se refiere a un gran conjunto de métodos y aplicaciones

que buscan imitar el comportamiento de sistemas reales, generalmente
por medio de una computadora con un software apropiado.
Simulación de eventos discretos.
Como el conjunto de relaciones lógicas, matemáticas y probabilísticas que

integran el comportamiento de un sistema bajo estudio cuando se
presenta un evento determinado.
El objetivo del modelo de simulación consiste, precisamente, en

comprender, analizar y mejorar las condiciones de operación relevantes
del sistema
Sistema.
Se trata de un conjunto de elementos que se interrelacionan para

funcionar como un todo; desde el punto de vista de simulación debemos
de tener claros las fronteras
ejemplo el sistema de atención al cliente de un banco, el sistema de
inventario de una empresa, cada uno de ellos puede dividirse elementos
que son relevantes para la construcción de lo que será su modelo
Entidad
La representación de los flujos de entradas a un sistema:

Este es el elemento responsable de que el estado del sistema cambie.
Ejemplo:
Las entidades pueden ser los clientes que llegan a la caja de un banco, las
piezas que llegan aun proceso o el embarque de piezas que llegan a un
inventario
Estado del sistema
Es la condición que guarda el sistema bajo estudio en un momento de

tiempo determinado; es como una fotografía de lo que está pasando en el
sistema en cierto instante. El estado del sistema se compone de variables
o características de operación puntuales (digamos el número de piezas
que hay en el sistema en ese momento), y de variables o características de
operación acumuladas, o promedio (como podría ser el tiempo promedio
de permanencia de una entidad en el sistema, en una fila, almacén o
equipo).
Un evento
Es un cambio en el estado actual del sistema; por ejemplo, la entrada o

salida de una entidad, la finalización de un proceso en un equipo, la
interrupción o reactivación de una operación (digamos por un descanso
del operario), o la descompostura de una máquina.
Eventos actuales, aquellos
que están sucediendo en el sistema en un momento dado,
Eventos futuros, cambios que

se presentarán en el sistema después del tiempo de simulación, de
acuerdo con una programación específica.
localizaciones
Son todos aquellos lugares en los que la pieza puede detenerse para
ser transformada o esperar a serlo. Dentro de estas localizaciones
tenemos almacenes, bandas transportadoras, máquinas, estaciones de
inspección, etc.
Los recursos
Son aquellos dispositivos diferentes a las localizaciones necesarios

para llevara cabo una operación.
Por ejemplo, un montacargas que transporta una pieza
de un lugar a otro: una persona que realiza la inspección en una estación y
toma turnos para descansar;
Un atributo
Es una característica de una entidad. Por ejemplo, si la entidad es un

motor, los atributos serían su color, peso, tamaño o cilindraje. Los
atributos son m uy útiles para diferenciar entidades sin necesidad de
generar una nueva, y pueden adjudicarse almomento de la creación de la
entidad, o asignarse y/o cambiarse durante el proceso.
Paradigma
Un paradigma se puede definir como un conjunto de conocimientos y

creencias que forman una visión del mundo y que es compartida por un
grupo de personas. Es decir, es una perspectiva general de interpretar el
mundo.
Paradigma de Simulación
Cada paradigma de simulación es caracterizado por un conjunto de

supuestos básicos y algunos conceptos subyacentes para describir el
mundo. Estos supuestos, en realidad, limitan el desarrollo conceptual del
modelo usado para describir el sistema de estudio. En consecuencia, la
elección del paradigma apropiado es un paso importante en el proceso de
desarrollo de un modelo de simulación (Behdani, 2012).
La literatura menciona tres importantes paradigmas de simulación: (1)

dinámica de sistemas, (2) simulación de eventos discretos y (3) simulación
basada en agentes (Borshchev, 2013; Behdani, 2012).
Dinámica de sistemas
Jay Forrester (1958) introdujo la Dinámica de Sistemas (en inglés "System

Dynamics" y que denotaremos "SD") a finales de los años 50 como una
metodología de modelamiento y simulación para el análisis y toma de
decisiones en el largo plazo de problemas empresariales industriales.
SD tiene su origen en la administración y la ingeniería de control; el
método usa una perspectiva basada en la realimentación y en los retrasos
de la información para entender el comportamiento dinámico de
complejos sistemas físicos, biológicos y sociales (Angerhofer y Angelides,
2000).
La idea esencial en SD es que todos los elementos en un sistema
interactúan a través de relaciones causales. Estas relaciones son
representadas por bucles de realimentación, los cuales controlan las
interacciones entre los elementos del sistema y son la causa de su
comportamiento (Rabelo et al., 2003).
El modelamiento en SD se puede dividir en dos fases: una fase cualitativa

y otra fase cuantitativa, las cuales detallaremos a continuación:
Fase de modelamiento cualitativo
En esta fase se definen las relaciones de causalidad que se producen

entre los elementos que integran el sistema.
Un diagrama causal consiste de variables conectadas por flechas

denotando las influencias causales entre esas variables.
Diagramas Causales
Pretenden.....
Capturar hipótesis acerca de las causas de la dinámica
Elicitar y capturar los modelos mentales
Comunicar realimentaciones relevantes de un problema
Notación
Consiste de variables conectadas por flechas que denotan las

influencias causales sobre las variables
Deben contener los ciclos de realimentación principales
+ -
Tasa de
Tasa de Población B
+ R Muertes
Nacimentos -
+ +
Esperanza
Fracción de Tasa
de Vida
de Nacimentos
Notación
Vínculo Causal
+ Polaridad Vínculo
Tasa de Población
Nacimentos
Variable
Variable
+ R Identificador de Ciclo: Ciclo Positivo (Reforzado)
- B Identificador de Ciclo: Ciclo Negativo (Balanceado)

Símbolo Interpretación Matemática Ejemplos
Si todo lo demás permanece
igual, si X incrementa Y X  0 Calidad +
(decrementa), entonces Y Producto Ventas
+ incrementa (decrementa)
X Y por encima (debajo) de lo
que debería. En el caso de +
acumulaciones Esfuerzo Resultados
En el caso de
 ( X + )ds + Y
t
acumulaciones, X suma a Y Y = +
t0
t0 Nacimientos Población
Si todo lo demás permanece
igual, si X incrementa Y X  0 Precio -
(decrementa), entonces Y Producto Ventas
- decrece (incrementa) por
X Y debajo (encima) de lo que
debería. En el caso de -
acumulaciones Frustración Resultados
En el caso de
 (− X + )ds + Y
t
acumulaciones, X resta de Y Y = t0
-
t0
Muertes Población
Vínculo Positivo:
Si la causa incrementa, el efecto incrementa por encima de lo que podría
haber ocurrido en otro caso
Si la causa decrece, el efecto decrece por debajo de lo que podría haber
ocurrido en otro caso
Vínculo Negativo:
Si la causa incrementa, el efecto decrece por debajo de lo que podría haber
Si la causa decrece, el efecto incrementa por encima de lo que podría haber
Guías para diagramas Causales
1. CAUSA vs. CORRELACIÓN
Las correlaciones expresan el comportamiento pasado de la

variable
Las correlaciones no representan la estructura del sistema
Los diagramas deben incluir solo las relaciones que capturan la
estructura interna del sistema
Las correlaciones deben surgir del comportamiento del modelo
cuando se simula
Correcto
Incorrecto
Ventas de Tasa de
Helados Homicidios
+
+ +
Ventas de Tasa de
Helados Homicidios
Temperatura
Promedio
2. DEFINIR LA POLARIDAD DEL VÍNCULO

Incorrecto
Tasa de
Ventas por Base de
Pérdida de Clientes
Contacto Oral Clientes
Correcto
+ -
Tasa de
Ventas por Base de B
R Pérdida de Clientes
+ +
3. DETERMINAR POLARIDAD DEL CICLO
Vía Rápida:
Cuente el número de Vínculos Negativos
Vía Correcta:
Rastrear el efecto de un cambio pequeño en una de las variables a medida que se
propaga en el ciclo
+ -
Tasa de
Ventas por Base de B
R Pérdida de Clientes
+ +
3. DETERMINAR POLARIDAD DEL CICLO
No debe haber Polaridades Ambiguas
Correcto
Incorrecto
+
? (+ ó -)
Precio Beneficio
Precio Beneficio +
Precio
Ventas
-
4. DAR NOMBRE A LOS CICLOS
Tiempo
disponible
+
Presión
Trabajo
Cronograma
Pendiente
Proyecto
B1
+
-
Midnight Oil
Trabajo
Extra Tasa de
Terminacion
+
de Trabajos

Tiempo
disponible
+
Presión
Trabajo
Cronograma
Pendiente
Proyecto
B1
+
-
Midnight Oil
Trabajo
Extra Tasa de
Terminacion
+
de Trabajos
+
R1
Fatiga +
Explosión
- Productividad

Tiempo
disponible
+
- Presión
Trabajo
Cronograma
Pendiente
Proyecto
B1
+
Tiempo por -
Tarea B2 Midnight Oil
Trabajo
Atajos Extra Tasa de
Terminacion
+
de Trabajos
+
R1
Fatiga +
Explosión
- Productividad
-
4. DAR NOMBRE A LOS CICLOS Tiempo

disponible
+
- Presión
Trabajo
Cronograma
Pendiente
Proyecto
B1
+
Tiempo por -
Tarea B2 Midnight Oil
Trabajo
Atajos Extra Tasa de
Terminacion
+
de Trabajos
+
R1
Fatiga +
Explosión
- Productividad
-
-
R2
Tasa de
Error De las carreras no queda -
sino el cansancio

Tasa
Asignacion +
Trabajos -
Tasa de
Trabajo Terminacion
de Trabajos
Pendiente B2
Fecha Actual
- +
+
-
- Tiempo Esfuerzo
disponible - dedicado a
Presión en
+ las Labores
el Trabajo R1 +
-
B4 B3
Resultados Productividad
Fecha de Entrega Calidad del +
+ + Trabajo
+ Solicitudes de + +
Aplazamiento + B1
R2
Nivel de
Energía
R1: Explosión Trabajo +
R2: Muy cansado
+ para pensar Semanal
B1: Midnight oil

B2: Atajos
B3: Control de Calidad
B4: El perro se comió mi tarea
paz
Variables aleatorias
Ing. Fernando Moreno Arrieta

2021
Una variable aleatoria es un valor numérico que corresponde a un

resultado de un experimento aleatorio. Algunos ejemplos son: número de
caras obtenidas al lanzar seis veces una moneda, número de llamadas que
recibe un teléfono durante una hora, tiempo de fallo de una componente
eléctrica, etc.
Conceptos básicos
• Experimento aleatorio: proceso de observar un fenómeno cuyos resultados

son inciertos.
• Suceso elemental: un posible resultado de un experimento aleatorio.
e1, e2, . . . , en, . . .
• Espacio muestra: la colección de todos los posibles resultados de un
experimento.
Ω = {e1, e2, . . . , en, . . .}
• Suceso: un subconjunto del espacio muestra, es decir, un conjunto de sucesos
elementales
A = {e1, e3}
Ejemplos:
• Resultado al lanzar una moneda.
• Precio de la acción x al cierre de sesión el próximo lunes
Probabilidad. Intuición
La probabilidad es una medida subjetiva sobre la incertidumbre de que

suceda cierto suceso.
Al tirar un dado:
• La probabilidad de que salga un 1 es más pequeña que la probabilidad
de que salga un numero mayor que uno
• La probabilidad de que salga un 4 es igual que la probabilidad de que
salga un 6.
• La probabilidad de que salga un 7 es cero
• La probabilidad de que salga un numero positivo es uno
Consideremos el experimento aleatorio “resultado observado al lanzar un
dado”:
• Suceso elemental: el 1, el 2, el 3, el 4, el 5, el 6
• Espacio muestra: Ω = {1, 2, 3, 4, 5, 6}
• Suceso: A = {2,4,6} B = { 1, 3, 5}
El suceso A es “sale un numero par”.

El suceso B es “sale un numero impar ”
Ejemplo: lanzamiento de un dado
• Probabilidad de un suceso elemental: P(ei) = 1/ 6

• Probabilidad de que salga par: A = {2, 4, 6},
luego P(A) = P(”2”) + P(”4”) + P(”6”) = 1/ 6 + 1 /6 + 1 /6 = 1 /2
• Probabilidad de que salga mayor que 3: B = {4, 5, 6}, luego
P(B) = P(”4”) + P(”5”) + P(”6”) = 1 /6 + 1/ 6 + 1/ 6 = 1/ 2
• Probabilidad de que salga impar P(A¯) = 1 − P(A) = 1 − 1/ 2 = ½
Propiedades de la probabilidad
0 ≤ P(A) ≤ 1.
• Sea A = {e1, e2, . . . , en}, entonces P(A) = Pn i=1 P(ei).
• P(Ω) = 1 y P(∅) = 0.
• Complementario: P(A¯) = 1 − P(A).
• Unión: P(A ∪ B) = P(A) + P(B) − P(A ∩ B).
• Si A y B son incompatibles, entonces P(A ∪ B) = P(A) + P(B).
Que son las variables aleatorias
Son aquellas que tienen un comportamiento probabilístico en la realidad,

por ejemplo, el número de clientes que llegan cada hora a un restaurante
depende del día, del día de la semana, del mes, y otros factores.
Se denomina variable aleatoria (o estocástica) a la función que adjudica

eventos posibles a números reales (cifras), cuyos valores se miden en
experimentos de tipo aleatorio. Estos valores posibles representan los
resultados de experimentos que todavía no se llevaron a cabo o
cantidades inciertas.
V.A. DISCRETA
Una variable aleatoria es discreta si toma un número finito o numerable
de valores.
V.A. CONTINUA
Una variable aleatoria es continua si toma un número infinito no
numerable de valores (por ejemplo, en un intervalo de R).
Ejemplos
• X =“resultado al tirar un dado” es una variable discreta.
• Y = “altura de un alumno elegido al azar” es una variable continua.
Variables aleatorias discretas
Función de probabilidad
Función de probabilidad Sea X una variable aleatoria discreta con posibles
valores {x1, x2, . . .}. Se llama función de probabilidad o función de masa,
al conjunto de probabilidades con las que X toma cada uno de sus valores,
es decir, pi = P[X = xi ], para i = 1, 2, . . .
Ejemplo X = resultado de lanzar un dado. La función de probabilidad es
Sea (Ω, ℘(Ω), P) un espacio probabilístico y X una variable aleatoria

discreta (v.a.d) que toma valores {xi}∞ i=1 Se llama función de
probabilidad p(x) a la función que indica la probabilidad de cada posible
valor de la v.a.d. X, es decir,
p(xi) = P(X = xi) = pi ,∀i
Se ha de verificar que:
(i) 0 ≤ pi ≤ 1 ∀i
(ii) σ∞
𝑛=1 pi = 1
F(x) = P(X ≤ x) = σ∞
𝑛=1 pi
Propiedades
• F(−∞) = 0.
• F(∞) = 1.
• Si x ≤ y,
entonces F(x) ≤ F(y).
Para X discreta, la función de distribución es de tipo escalón. Cada escalón

corresponde a un valor posible de X y el salto corresponde a la
probabilidad.
Ejemplo: Variable aleatoria discreta
Ejemplo : En ocasiones algunas líneas aéreas venden más pasajes que los
disponibles en un vuelo. Una compañía ha vendido 250 billetes que
corresponden a un avión de 200 plazas. Sea X la variable aleatoria que
expresa el número de viajeros que se presentan en el aeropuerto para
tomar el vuelo. La distribución de X es:
Xi 198 199 200 201 202 203 204 205
Pi 0,05 0,09 0,15 0,2 0,23 0,17 0,09 0,02

a. Calcula la probabilidad de que todos los pasajeros que llegan a tomar

el vuelo tengan plaza.
P(X ≤ 200) = F(200) = P(198) + P(199) + P(200) = 0,29
b. Calcula la probabilidad de que se quede sin plaza alguno de los viajeros

P(X > 200) = 1 − P(X ≤ 200) = 0,71
c. Calcula la probabilidad de que lleguen al aeropuerto entre 195 y 200

pasajeros
P(195 ≤ X ≤ 200) = P(198) + P(199) + P(200) = 0,29
d. ¿Cuál es la probabilidad de que la primera persona que está en lista de

espera tenga sitio en el vuelo?.
P(X < 200) = P(X ≤ 199) = 0,14

Variables aleatorias continuas
Función de distribución
Para X v.a. continua, la función de distribución es la función F(x) = P[X ≤ x],
∀x ∈ R.
No son funciones de tipo escalón, sino suaves.

Variable aleatoria continua
Decíamos que las variables aleatorias continuas (v.a.c.) pueden tomar

cualquier valor de la recta real. Generalmente presentarán muchos
valores distintos (cada uno con muy escasa frecuencia o probabilidad), por
lo que en este caso carece de sentido hablar de probabilidad en un punto
aislado y se toman probabilidades por intervalos.
Sea (Ω, ℘(Ω), P) un espacio probabilístico y X una v.a.c. con valores en
R.Se llama función de densidad de la v.a.c. X a una función f(x) tal que:
(i) f(x) ≥ 0, ∀x ∈ R
+∞
(ii) ‫׬‬−∞ f(x)dx =0
La probabilidad de que X tome valores en un intervalo [a, b], a, b ∈ R, viene dada por:
𝑎
Por lo tanto, la probabilidad en un punto a es igual a cero. P(X = a) = ‫ 𝑎׬‬f(x)dx = 0
La función de distribución de una v.a.c. presenta las siguientes

propiedades:
(i) F(−∞)=0
(ii) F(+∞)=1
(iii) F es monótona no decreciente, es decir, si x ≤ y entonces F(x) ≤ F(y)
(iv) F es continua
Observaciones:
(i) Si f(x) es continua, f(x) = F´(x)
(ii) P(a ≤ X ≤ b) = P(X ≤ b) − P(X ≤ a) = F(b) − F(a)
Ejemplo : El número de artículos vendidos en una fábrica cada mes (en
millones) es una variable aleatoria con función de densidad:
Calcula la probabilidad de que en un mes se supere una venta de 0.8 (millones).
P(X > 0,8) = 1 − F(0,8) = 1 − 0,99 = 0,01

Calcula la probabilidad de que en un mes el número de ventas esté
comprendido entre 0.6 y 0.8 (millones).
P(0,6 ≤ X ≤ 0,8) = F(0,8) − F(0,6) = 0,99 − 0,94 = 0,05
Si se quiere tener una garantía del 95 % de que no se agote el producto en

un mes determinado, ¿qué cantidad c del mismo debe pedirse a fábrica?.
P(X ≤ c) = F(c)=0,95,
𝑐3
3(c + 3
− 𝑐 2 )=0,95,
c = 0,63.
Modelo Bernoulli
Descripción.
Partimos de un experimento aleatorio con solo dos posibles resultados,
que calificamos de éxito/fracaso.
Definimos la variable aleatoria:
Sea p la probabilidad de éxito.

El experimento se llama ensayo de Bernoulli y la variable aleatoria se dice
que sigue una distribución Bernoulli de parámetro p.
Se escribe X ∼ Ber(p).
Modelo Bernoulli
Ejemplo Tirar una moneda al aire
Es un ensayo Bernoulli, y X sigue una distribución Bernoulli de parámetro

½
Ejemplo Una línea aérea estima que los pasajeros que compran un billete
para un vuelo tienen una probabilidad igual a 0, 05 de no presentarse al
embarque de dicho vuelo. Definamos
EJERCICIO # 1
Un distribuidor de periódicos compra cada mañana una cantidad fija de

periódicos Q que adquiere a 700 $ cada uno para su venta posterior a
1400 $ cada unidad. Debido a la caducidad del producto, aquellos que no
son vendidos el mismo día, se venden como reciclaje posteriormente a un
precio de 100 por unidad. la demanda diaria de periódicos está dada de
acuerdo a los datos mostrados en la tabla de distribución de
probabilidad. ¿ cual debe ser la cantidad de periódicos que debe de
comprar el vendedor para obtener utilidades ?
EJERCICIO # 2
se quiere simular el comportamiento de un cajero automático, al cual

llegan los usuarios con un tiempo entre llegadas que se distribuye
normalmente con una media de 2 minutos y una desviación de 12
segundos. El tiempo de operación de cajero se establece según la
transacción que se requiere realizar. en la tabla siguiente se muestran las
observaciones de las ultimas 200 llegadas al cajero y los tipos de
operaciones de cada uno. simular la llegada de 100 usuarios al cajero y
determinar el tiempo de espera y el tiempo en el sistema de cada uno de
los usuarios.
Ejercicio 3
La demanda de azúcar en una tienda sigue la una distribución exponencial con una
media de 100 kg/día. El dueño de la tienda revisa el inventario cada 7 días, y hace
pedidos a la planta igual a la capacidad de la bodega menos la cantidad de azúcar que
tiene dispone en ese momento; la entrega es inmediata. La demanda no surtida por
falta de existencias representa ventas perdidas. La capacidad de almacenamiento de la
bodega es de 700 kg. El costo de ordenar $1000 /orden. El costo faltante es de 6Kg, y el
costo de llevar el inventario es de $1 / kg. Determinar el comportamiento del
inventario a lo largo del tiempo y el costo promedio /día para un horizonte de dos
meses.
Ejercicio 4
Nos piden consejo para decidir sobre el número de licencias de un

determinado sistema operativo que conviene adquirir, las licencias se
suministran con los ordenadores que se vendan durante el proximo
trimestre, y es lógico pensar que en pocos meses habrá un nuevo sistema
operativo en el mercado con caracteristicas superiores. Cada licencia de
sistema operativo le cuesta al almacen un total de 75 dolores, mientras
que el precio al que la vende es de 100 dolares. Cuando salga al mercado
la nueva versión del sistema operativo, el almacen podrá devolver al
distrinuidor las liciencias sobrantes, obtniendo a cambio un total del 25
dolares por cada una. Basandose en los datos historicos de los ultimos
meses, los responsables del almacen han sido capaces de contruir la
siguiente distruibución de probabilidades por lo que las ventas de
licencias del nuevo sistema operativo se refiere:
Ejercicio 4
Calcular: 1. Número de licencias vendidas. 2. Licencias devueltas. 3.

Ingresos por ventas. 3. Utilidades netas. 4. Utilidades promedio. 5.
Graficar el comportamiento de el número de licencias vendidas vs
beneficios obtenidos y concluir.
paz
Capítulo 4
Variable aleatoria
Una variable aleatoria es un valor numérico que corresponde a un resultado de un exper-

imento aleatorio. Algunos ejemplos son: número de caras obtenidas al lanzar seis veces una
moneda, número de llamadas que recibe un teléfono durante una hora, tiempo de fallo de una
componente eléctrica, etc. El estudio que haremos en este capítulo será análogo al que lleva-
mos a cabo en el capítulo uno con las variables estadísticas. Así retomaremos el concepto de
distribución y las características numéricas, como la media y varianza. El papel que allí jugaba
la frecuencia relativa lo juega ahora la probabilidad.
4.1. Definición de variable aleatoria. Clasificación.

Sea (Ω, ℘(Ω), P ) un espacio probabilístico. Una función
X:Ω→ R
s→ X(s)
es una variable aleatoria, transforma los resultados del espacio muestral en números reales.
Las variables aleatorias se clasifican en:
- Discretas: toman un número finito o infinito numerable de valores. Por ejemplo, número
de caras obtenidas al lanzar dos monedas.
Ω = {(c, c), (c, +), (+, c), (+, +)},
63
64 Capítulo 4. Variable aleatoria
X:Ω→ R
(c, c) 2
(c, +) 1
(+, c) 1
(+, +) 0
X =Número de caras obtenidas es una variable aleatoria que toma valores 0,1,2, y cada
uno de ellos lo tomará con una probabilidad.
- Continuas: pueden tomar cualquier valor en R. Por ejemplo, tiempo de fallo de una
componente.
4.1.1. Variable aleatoria discreta
Sea (Ω, ℘(Ω), P ) un espacio probabilístico y X una variable aleatoria discreta (v.a.d) que
toma valores {xi }∞
i=1 Se llama función de probabilidad p(x) a la función que indica la probabi-
lidad de cada posible valor de la v.a.d. X, es decir,
p(xi ) = P (X = xi ) = pi ,∀i
Se ha de verificar que:
(i) 0 ≤ pi ≤ 1 ∀i
P∞
(ii) i=1 pi = 1
Función masa probabilidad

0,4
0,1,10
probabilidad
0,3
0,2
0,1
0
0 2 4 6 8 10
Ejemplo de f.m.p. de v.a.d.

4.1. Definición de variable aleatoria. Clasificación. 65
Sea (Ω, ℘(Ω), P ) un espacio probabilístico, X una v.a.d, {xi }∞

i=1 los valores que toma y
{pi }∞
i=1 la función de probabilidad de X. Se llama función de distribución de la v.a.d. X, F (x),
con x ∈ R, a la probabilidad de que X sea menor o igual que x :

X
F (x) = P (X ≤ x) = pi
xi ≤x
La función de distribución de una v.a.d. presenta las siguientes propiedades:
(i) F (−∞) = 0
(ii) F (+∞) = 1
(iii) F es monótona no decreciente, es decir, si xi ≤ xj entonces F (xi ) ≤ F (xj )
(iv) F es continua a la derecha, tiene límites a la izquierda y es constante en [xi−1 , xi ), donde

P
toma el valor k<i pk .
Función de distribución
1
probabilidad acumulada
0,8
0,6
0,4
0,2
0
0 2 4 6 8 10
Ejemplo de F.D.D. de v.a.d.
Observaciones:
(i) P (X > x) = 1 − P (X ≤ x) = 1 − F (x)
(ii) P (xi ≤ X ≤ xj ) = P (X ≤ xj ) − P (X ≤ xi−1 ) = F (xj ) − F (xi−1 )
(iii) P (xi < X ≤ xj ) = F (xj ) − F (xi )
(iv) P (X = xi ) = P (X ≤ xi ) − P (X ≤ xi−1 ) = F (xi ) − F (xi−1 )
Delia Montoro Cazorla. Dpto. de Estadística e I.O. Universidad de Jaén.

La v.a.d. queda caracterizada por su función de probabilidad, p(x), o por su función de

distribución F (x).
Ejemplo 4.1: En ocasiones algunas líneas aéreas venden más pasajes que los disponibles
en un vuelo. Una compañía ha vendido 250 billetes que corresponden a un avión de 200 plazas.
Sea X la variable aleatoria que expresa el número de viajeros que se presentan en el aeropuerto
para tomar el vuelo. La distribución de X es:
xi 198 199 200 201 202 203 204 205

pi 0.05 0.09 0.15 0.20 0.23 0.17 0.09 0.02
a. Calcula la probabilidad de que todos los pasajeros que llegan a tomar el vuelo tengan
plaza.
P (X ≤ 200) = F (200) = P (198) + P (199) + P (200) = 0,29
b. Calcula la probabilidad de que se quede sin plaza alguno de los viajeros
P (X > 200) = 1 − P (X ≤ 200) = 0,71
c. Calcula la probabilidad de que lleguen al aeropuerto entre 195 y 200 pasajeros
P (195 ≤ X ≤ 200) = P (198) + P (199) + P (200) = 0,29
d. ¿Cuál es la probabilidad de que la primera persona que está en lista de espera tenga sitio
en el vuelo?.
P (X < 200) = P (X ≤ 199) = 0,14
4.1.2. Variable aleatoria continua
Decíamos que las variables aleatorias continuas (v.a.c.) pueden tomar cualquier valor de
la recta real. Generalmente presentarán muchos valores distintos (cada uno con muy escasa
frecuencia o probabilidad), por lo que en este caso carece de sentido hablar de probabilidad en
un punto aislado y se toman probabilidades por intervalos.
Sea (Ω, ℘(Ω), P ) un espacio probabilístico y X una v.a.c. con valores en R.Se llama función
de densidad de la v.a.c. X a una función f (x) tal que:
(i) f (x) ≥ 0, ∀x ∈ R
4.1. Definición de variable aleatoria. Clasificación. 67
Z
+∞
(ii) f (x)dx = 1
−∞
La probabilidad de que X tome valores en un intervalo [a, b], a, b ∈ R, viene dada por:
Zb
P (a ≤ X ≤ b) = f (x)dx
a
P(a<X<b)
0,4
0,1
0,3
0,2
f(x)
0,1
0
-5 -3 -1 1 3 5
a b
Por lo tanto, la probabilidad en un punto a es igual a cero.

Za
P (X = a) = f (x)dx = 0
a
Observaciones:
(i) f (x) no representa la probabilidad de que la variable X tome el valor x. Sólamente al

integrarla se obtienen probabilidades.
(ii) La función de densidad presenta la forma del histograma.
(iii) P (a ≤ X ≤ b) = P (a < X ≤ b) = P (a ≤ X < b) = P (a < X < b) al ser la probabilidad

en un punto cero.
Sea (Ω, ℘(Ω), P ) un espacio probabilístico, X una v.a.c. con valores en R.y f (x) su función
de densidad. Se llama función de distribución de la v.a.c. X, F (x), a la probabilidad de que X
tome valores inferiores o iguales a x,
Zx
F (x) = P (X ≤ x) = f (u)du, x ∈ R
−∞
La función de distribución de una v.a.c. presenta las siguientes propiedades:

(i) F (−∞) = 0
(ii) F (+∞) = 1
(iii) F es monótona no decreciente, es decir, si x ≤ y entonces F (x) ≤ F (y)
(iv) F es continua
Observaciones:
(i) Si f (x) es continua, f (x) = F´(x)
(ii) P (a ≤ X ≤ b) = P (X ≤ b) − P (X ≤ a) = F (b) − F (a)
0,8
0,6
0,4
0,2
0
0 10 20 30 40
Ejemplo de F.D.D. de v.a.c.
Ejemplo 4.2: El número de artículos vendidos en una fábrica cada mes (en millones) es
una variable aleatoria con función de densidad:

 k(1 − x)2 0<x<1
f (x) =
 0 en otro caso
a. Calcula el valor de k para que f (x) sea una función de densidad.
Z
+∞ Z1 Z1
f (x)dx = f (x)dx = k(1 − x)2 dx = 1,
−∞ 0 0
k = 3
b. Obtén la función de distribución de X.



 0 x≤0



 Zx
 Zx
x3
F (x) = f (u)du = 3(1 − u)2 du = 3(x + − x2 ) 0<x<1

 3

 −∞ 0


 1 x≥1
4.2. Características de una variable aleatoria 69
c. Calcula la probabilidad de que en un mes se supere una venta de 0.8 (millones).
P (X > 0,8) = 1 − F (0,8) = 1 − 0,99 = 0,01
d. Calcula la probabilidad de que en un mes el número de ventas esté comprendido entre 0.6
y 0.8 (millones).
P (0,6 ≤ X ≤ 0,8) = F (0,8) − F (0,6) = 0,99 − 0,94 = 0,05
e. Si se quiere tener una garantía del 95 % de que no se agote el producto en un mes deter-
minado, ¿qué cantidad c del mismo debe pedirse a fábrica?.
P (X ≤ c) = F (c) = 0,95,
c3
3(c + − c2 ) = 0,95,
3
c = 0,63.
4.2. Características de una variable aleatoria
4.2.1. Esperanza matemática
Se define la esperanza matemática (o simplemente esperanza) de una v.a. X como su valor

medio. Se denota por E(X) o µ, y se calcula de la siguiente forma:
- Si X es discreta:
∞
X
E(X) = xi pi
i=1
- Si X es continua: Z +∞
E(X) = xf (x)dx
−∞
Propiedades de la esperanza:
(i) Si C es una constante, E(C) = C.
(ii) ∀ a, b ∈ R, E(aX + b) = aE(X) + b
(iii) Si g(X) es una función de X, entonces:

- Si X es discreta:
∞
X
E(g(X)) = g(xi )pi
i=1
- Si X es continua: Z +∞
E(g(X)) = g(x)f (x)dx
−∞
P P
(iv) Si X1 , ..., Xn son variables aleatorias, E( ni=1 Xi ) = ni=1 E(Xi ).
4.2.2. Momentos de una variable aleatoria
Dada una v.a X, se define su momento de orden k (k = 0, 1, 2, ...) respecto a la media o

momento central de orden k como la esperanza de (X − µ)k :
µk = E((X − µ)k )
Se define su momento de orden k (k = 0, 1, 2, ...) respecto al origen o momento no central

de orden k como la esperanza de X k :
αk = E(X k )
Observaciones:
- α0 = 1
- α1 = µ
- µ0 = 1
- µ1 = 0
El segundo momento central se llama también varianza, y se denota por V ar(X) o σ2 ,


 P∞ (x − µ)2 p si X es discreta
2 i=1 i i
V ar(X) = E((X − µ) ) =
 R +∞ (x − µ)2 f (x)dx si X es continua
−∞
A la raiz cuadrada de la varianza se le llama desviación típica y se denota por σ.

Propiedades de la varianza:
(i) V ar(X) = E(X 2 ) − E 2 (X)
(ii) Si C es una constante, V ar(C) = 0.
(iii) Si a, b son constantes: V ar(aX + b) = a2 V ar(X).

4.3. Función generatriz de momentos 71
4.2.3. Otras medidas
Todas las medidas de centralización, dispersión y forma vistas en el Tema 1 pueden calcularse
sin más que sustituir en aquellas fórmulas la frecuencia relativa por la probabilidad. Así por
ejemplo, la mediana de una v.a X será aquel valor x tal que F (x) = 0,5; la moda el valor con
mayor probabilidad (caso discreto) o máxima función de densidad (caso continuo); el coefiente
de variación µ/σ, etc.
Ejemplo 4.3: Calculamos la media y varianza de la variable dada en el ejemplo 4.1
8
X
E(X) = µ = xi pi = 198 ∗ 0,05 + 199 ∗ 0,09 + ... + 205 ∗ 0,02 ' 201,
i=1
es decir, se esperan 201 viajeros para tomar el vuelo.

Para la varianza calculamos previamente E(X 2 ),
8
X
E(X 2 ) = x2i pi = 1982 ∗ 0,05 + 1992 ∗ 0,09 + ... + 2052 ∗ 0,02 = 40580,88,
i=1
por lo tanto
V ar(X) = σ 2 = E(X 2 ) − E 2 (X) = 179,88
Ejemplo 4.4: Calculamos la media y varianza de la variable dada en el ejemplo 4.2.
Z1
E(X) = µ = 3x(1 − x)2 dx = 0,25,
0
Z1
2
E(X ) = 3x2 (1 − x)2 dx = 0,1,
0
V ar(X) = σ = E(X 2 ) − E 2 (X) = 0,037

2
4.3. Función generatriz de momentos

Dada una v.a X se define su función generatriz de momentos en t, t > 0, como:

 P∞ etxi p si X es discreta
i=1 i
GX (t) = E(etX ) = R
 +∞
etx f (x)dx si X es continua
−∞
Sus propiedades son:

(i) Esta función determina unívocamente la distribución de probabilidad de la variable aleato-

ria
(ii) A partir de ella se pueden generar los momentos no centrados de la variable:

¯
k ∂ k GX (t) ¯¯
αk = E(X ) = ,
∂tk ¯t=0
esto es, el momento no central de orden k es igual a la derivada k-ésima respecto a t de
la función generatriz de momentos evaluada en t = 0.
Por ejemplo,
µ = G´(0),
σ2 = G´(0) − [G´(0)]2
4.4. Ejercicios
1. El control de la calidad de ciertos productos se realiza contando el número de defectos por
unidad y comprobando si dicho número está comprendido entre ciertos límites llamados
límites de control. Si el número de defectos por unidad en cierto proceso de fabricación es
una variable aleatoria X con función masa de probabilidad dada por:
e−0,6 0,6x
P (X = x) = , x = 0, 1, 2, ...
x!
a) Determina el número medio de defectos por unidad.
Nota:
x! = x(x − 1)(x − 2)....

X∞
xn
ex =
n=0
n!
b) Si los límites de control vienen dados por

√
Límite inferior de control: λ−3 λ
√
Límite superior de control: λ+3 λ
siendo λ = E[X], y se considera que el proceso está bajo control estadístico cuan-
do el número de defectos que se van observando en una muestra de unidades está
comprendido entre dichos límites.
4.4. Ejercicios 73
• Calcula la probabilidad de que una unidad de producción no caiga entre los

límites de control.
• Calcula la probabilidad de que en una muestra de 5 unidades, al menos 1 no
caiga entre los límites de control.
2. El tiempo necesario en milisegundos para completar una reacción química está aproximado
por una función de distribución dada por:
F (x) = 1 − e−0,01x , x ≥ 0
a) Obtén la función de densidad.
b) Calcula el tiempo esperado para completar la reacción.
c) Calcula el porcentaje de reacciones completas antes de 200 milisegundos.
3. El espesor de un recubrimiento conductor (en micrometros) tiene una función de densidad

dada por
f (x) = 600x−2 , 100 < x < 120
a) Obtén la función de distribución.
b) Calcula la probabilidad de que el espesor sea inferior a 110 µm
c) Calcula la probabilidad de que el espesor esté comprendido entre 115 y 118 µm.
d) Si el costo promedio del recubrimiento es de 0.5 euros por micrometro de espesor en

cada pieza, ¿cuál es el costo promedio del recubrimiento por pieza?.
4. La ley de probabilidad de una variable aleatoria X viene dada por:




 k

si x = 0
p(x) = 2k si x = 1



 3k si x = 2
a) Determina k así como P (X ≤ 2), P (0 < X < 2).
b) Encuentra el menor valor x0 tal que P (X ≤ x0 ) > 0,5.
c) Calcula la media y la varianza.
d) Determina la función de distribución de X y represéntala.

5. La función de distribución de una v.a.c. X está dada por:



 0 si x < 0


F (x) = 2x − x2 si 0 ≤ x < 1



 1 si x ≥ 1
a) Representa F (x).
b) Calcula P (X < 1/2) y P (X > 3/4).
c) Determina f (x).
d) Calcula la esperanza y varianza.
6. Indica si pueden ser o no variables aleatorias discretas. En caso de que no lo sean, da la

razón. En caso de que lo sean, calcula y representa su función de distribución.
a) 

 0 con probabilidad 1/2




 1 con probabilidad 1/10
X=
 2
 con probabilidad 2/10




 3 con probabilidad 2/10
b) 

 0 con probabilidad 1/2


X= 1 con probabilidad 2/15



 2 con probabilidad 8/15
c) 
 0 con probabilidad k/3
X=
 1 con probabilidad 1 − k/3
7. Indica cuáles de las siguientes funciones puede ser función de densidad de una variable
aleatoria continua. En el caso de que no lo sean da la razón. En caso de que lo sean,
calcula la función de distribución.
a) 
 1/3 si x ∈ [0, 2]
f (x) =
 0 en otro caso
4.4. Ejercicios 75
b) 
 2e−2x si x ∈ [0, ∞)
f (x) =
 0 en otro caso
8. El kilometraje (en miles de km) que los automovilistas logran de cierto tipo de neumáticos
es una variable aleatoria con función de densidad

 1 e− 20
x
si x > 0
f (x) = k
 0 en otro caso
a) Calcula el valor de k para que f (x) sea función de densidad.
b) Calcula la probabilidad de que el neumático dure a lo sumo 10.000 km.
c) Calcula la probabilidad de que el neumático dure entre 16.000 y 24.000 km.
d) Calcula la probabilidad de que el neumático supere el kilometraje medio o esperado.
9. Consideremos el experimento aleatorio de seleccionar 4 bolas al azar sin reemplazamiento

de una urna que contiene 7 bolas rojas y 3 negras. Definamos la v.a X como el número
de bolas rojas extraidas. Calcula:
a) La función de probabilidad y la de distribución de X.
b) P (1 ≤ X ≤ 3), P (1 < X ≤ 3) y P (1 ≤ X < 3).
c) Contesta las cuestiones anteriores si el experimento se realiza con reemplazamiento.
10. Se lanza una serie de cohetes hasta que se alcanza el primer lanzamiento con éxito. Si no
tiene lugar el éxito en la quinta prueba, finalizan los lanzamientos. La probabilidad de
éxito es 0.8 y los lanzamientos son independientes. El costo del primer lanzamiento es C
y el de los sucesivos C/3. Cada vez que tiene lugar un éxito se obtienen unos ingresos de
valor I. Sea X el resultado económico del proceso (ingresos-costos).
a) Obtener su función de probabilidad.
b) Si I = 90 euros y C = 30 euros, ¿se esperan ganancias o pérdidas?.

Consejos para elaborar diagramas causales de forma efectiva

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Consejos para elaborar diagramas causales de forma efectiva

Cargado por

Copyright:

Formatos disponibles

Ayudas para la elaboración de diagramas causales

En este texto se suministrarán algunos consejos prácticos para la elaboración de

2. Errores comunes en la realización de diagramas causales

En la práctica, se ha identificado varios tipos de errores que son comunes en la elaboración

2.1. Uso de variables no cuantificables

Figura 1: Diagrama causal de la venta de esposas en Haryana (versión 1)

Figura 2: Diagrama causal de la venta de esposas en Haryana (versión 2)

2.2. Variables que incorporan la polaridad

2.3. Relación de variables vs. Hipótesis dinámica:

R1: presenta el ciclo de los hombres dentro del sistema.

En sı́ntesis, este simple diagrama muestra que la ausencia de mujeres en el presente se

2.4. Causalidades redundantes

Figura 6: Diagrama causal del efecto de la reducción de la pena sobre el hacinamiento.

En la 7, se puede apreciar otro ejemplo de una causalidad redundante. La variable Control

Figura 8: Diagramas causales con un nivel de agregación exagerada.

Figura 9: Diagramas causales con un nivel de agregación adecuado.

Algunos diagramas causales tienen forma de ‘bicicleta’. En la figura 10, muestra un

Figura 10: Diagrama causal sin dinámica.

Fernando Moreno Arrieta

Sistemas conceptuales o abstractos

Sistemas reales o materiales

Modelo puede ser entendido como una representación, bien sea

Es la representación de un sistema, situación o problema de

La simulación es conveniente cuando:

• No existe un modelo real. Es problema de ingeniero que tiene que diseñar

El sistema evoluciona muy lentamente o muy rápidamente. Un ejemplo de

• En ocasiones se necesitan variables aleatorias en procesos de simulación:

• Es un método muy general

• El desarrollo de un modelo puede ser costoso, laborioso y lento.

Modelo conceptual Verificación

Modelo comunicativo validación

• Según Law y Kelton

Un granjero posee 100 Has. de terreno en las que sólo puede

• Procesos de manufacturas: Ayuda a detectar cuellos de botellas, a

• Sistemas de transportes: Detecta zonas de posible congestionamiento, zonas

Estocástico (*) Determinístico

Método analítico: emplea razonamiento de matemáticas

Método analítico: algún método de resolución

Docente: Fernando J Moreno A

La simulación se refiere a un gran conjunto de métodos y aplicaciones

Como el conjunto de relaciones lógicas, matemáticas y probabilísticas que

El objetivo del modelo de simulación consiste, precisamente, en

Se trata de un conjunto de elementos que se interrelacionan para

La representación de los flujos de entradas a un sistema:

Es la condición que guarda el sistema bajo estudio en un momento de

Es un cambio en el estado actual del sistema; por ejemplo, la entrada o

Eventos futuros, cambios que

Son aquellos dispositivos diferentes a las localizaciones necesarios

Es una característica de una entidad. Por ejemplo, si la entidad es un

Un paradigma se puede definir como un conjunto de conocimientos y

Cada paradigma de simulación es caracterizado por un conjunto de

La literatura menciona tres importantes paradigmas de simulación: (1)

Jay Forrester (1958) introdujo la Dinámica de Sistemas (en inglés "System

El modelamiento en SD se puede dividir en dos fases: una fase cualitativa

En esta fase se definen las relaciones de causalidad que se producen

Un diagrama causal consiste de variables conectadas por flechas

Consiste de variables conectadas por flechas que denotan las

Deben contener los ciclos de realimentación principales

+ R Identificador de Ciclo: Ciclo Positivo (Reforzado)

- B Identificador de Ciclo: Ciclo Negativo (Balanceado)

1. CAUSA vs. CORRELACIÓN

Las correlaciones expresan el comportamiento pasado de la