Orígenes Del Método de Montecarlo

El método de Montecarlo Rubén Medinaceli O.
EL MÉTODO DE MONTECARLO
El método de Montecarlo es un método numérico que permite resolver problemas

matemáticos mediante la simulación de variables aleatorias.
1. Orígenes del método de Montecarlo
El método de Montecarlo vio la luz el año 1949 con la publicación del artículo “The
Montecarlo Method” en la revista “Journal of the American Statistical Association” (No. 247)
escrito por Metropolis N. y Ulam S., ambos matemáticos norteamericanos.
Si bien la base teórica del método fue conocida en 1949, el uso del método de Montecarlo
como un método numérico en la resolución de problemas matemáticos se extendió a partir
de la posibilidad de acceso masivo a las computadoras (años 60 del siglo anterior). El
nombre de Montecarlo se debe al nombre de una población del principado de Mónaco
célebre por sus casas de juegos de azar.
Ejemplo 1
Para tener una idea más clara del fundamento lógico del método; a continuación, se
desarrolla un ejemplo sencillo.
Suponga que se desea estimar el área siguiente:
1
● ●
● ●
● ●
● ● ●
Área (𝑆) ●
● ●● ●
● ● ●
●
● ●
●
●
𝑦 = 𝑒 −𝑥
● ●
● ● ●
● ●
● ● ●
● ● ●
0 1 𝑥
En este caso, el área puede obtenerse analíticamente de la siguiente manera:

1
1
𝑆 = ∫ 𝑒 −𝑥 𝑑𝑥 = −𝑒 −𝑥 | = 𝑒 −1 + 𝑒 0 = 1 − 𝑒 −1 = 1 − 0,367 = 0,633
0
0
1
En el marco del método de Montecarlo, es importante notar que el área de interés es parte
de un cuadrado de lado igual a 1; vale decir, el cuadrado de lado igual a 1 contiene un
infinito número de puntos y el área de interés contiene una parte de estos puntos.
A partir de lo señalado, una aproximación del área de interés podría obtenerse generando
𝑛 puntos aleatorios pertenecientes al cuadrado de lado 1; y luego, contar el número de
puntos que pertenecen al área de interés (𝑠).
Una aproximación del área de interés vendrá dada por la razón,

𝑠
𝑆=
𝑛
Obviamente, cuanto más grande sea 𝑛, la aproximación al valor real será mayor.
Lo señalado en el párrafo anterior se puede reflejar en el siguiente modelo:
Inicio
i=0
n = 10
s =0
A
i=i+1
>
i:n S=s/n
≤
Generar x S
Generar y
Fin
>
y : e- x A
s=s+1
2
Donde:
𝑖= Contador de experimentos o realizaciones

𝑛= Número máximo de experimentos o realizaciones
𝑠= Contador de puntos que quedan dentro el área de interés
𝑆= Área de interés
𝑥= Número aleatorio en el intervalo (0, 1) (*)
𝑦= Número aleatorio en el intervalo (0, 1)
(*) Muchos dispositivos electrónicos (máquina de calcular, computadora u otro) cuentan con
una función que puede generar números aleatorios en el intervalo (0, 1). Inclusive hay tablas
para este propósito.
La siguiente tabla muestra una prueba manual (prueba de escritorio) del modelo propuesto;
el número de experimentos o realizaciones es igual a 10 (𝑛 = 10)
𝒊 𝒙 𝒚 𝒆−𝒙 𝒔
0 0
1 0,241 0,666 0,786 1
2 0,277 0,065 0,758 2
3 0,031 0,191 0,969 3
4 0,821 0,869 0,440
5 0,551 0,612 0,576
6 0,302 0,930 0,739
7 0,618 0,221 0,539 4
8 0,785 0,634 0,456
9 0,754 0,450 0,470 5
10 0,168 0,305 0,845 6
11
6
𝑆= = 0,600
10
El método analítico dio un valor igual a 0,633 (valor real) para el área de interés. El método
de Montecarlo, con solamente 10 realizaciones o experimentos, da un valor igual a 0,600
para el área de interés. Se percibe una interesante convergencia.
Tal como se señaló anteriormente, es posible incrementar la exactitud de las estimaciones

incrementando significativamente el número de experimentos; sin embargo, la
experimentación a mano con el modelo es un proceso tedioso. Por ello, el método de
Montecarlo exige que los modelos sean implementados en un computador digital.
En el caso del ejemplo, el modelo fue implementado en un computador utilizando 𝑀𝑎𝑡𝑙𝑎𝑏.
A continuación, se muestra el listado del pequeño programa elaborado,
3
1 %Este programa estima el área del ejemplo

2- s=0
3- for n=1:1000
4- x=rand
5- y=rand
6- if y<=1/exp(x)
7- s=s+1
8- end
9- end
10- disp(‘el area aproximada es:’)
11- area=s/n
12 %fin del programa
Inicialmente, se corrió el programa para 𝑛 = 1000 y se obtuvo un valor, igual a 0,6268, para
el área de interés. Con 𝑛 = 10000 se obtuvo un valor igual a 0,629 para el área de interés.
Tal como se espera, el valor del área de interés se aproxima mucho más al valor real, a
medida que se incrementa el número de experimentos o realizaciones.
Es importante señalar que un mismo problema puede ser resuelto, aplicando el método de
Montecarlo, recurriendo a diferentes razonamientos o experimentos. En la literatura actual
con frecuencia se habla de los métodos Montecarlo (en plural) para subrayar con ello que un
mismo problema puede ser resuelto mediante la simulación de distintas variables aleatorias.
En esa línea, otra solución, aplicando el método de Montecarlo, al problema planteado

obedece al siguiente razonamiento.
1
● ●
● ●
● ●
● ● ●
Área (𝑆) ●
● ●● ●
● ● ●
●
● ●
●
●
𝑦 = 𝑒 −𝑥
● ●
● ● ●
● ●
● ● ●
0 ℎ1 ℎ2 ℎ3 ⋯ ℎ𝑛 𝑥
4
Es importante notar que la base del área de interés es conocida (en el caso del ejercicio
vale 1); por otro lado, es posible generar 𝑛 valores aleatorios (𝑥1 , 𝑥2 , 𝑥3 , ⋯ , 𝑥𝑛 ) de 𝑥; y, para
valor, calcular la altura ℎ𝑖 (valor de la función) correspondiente (tal como muestra la figura
superior).
Sea ℎ𝑝 el promedio de las alturas calculadas,
∑𝑛𝑖=1 ℎ𝑖
ℎ𝑝 =
𝑛
Consecuentemente, el área de interés será aproximadamente igual al producto de la base

por la altura promedio. En el caso particular del ejercicio,
𝑆 = 1 × ℎ𝑝
Obviamente, cuanto mayor sea 𝑛, tanto mayor será la exactitud de la estimación.
Lo señalado se refleja en el siguiente modelo,
Inicio
i=0
n = 10
s =0
A
i=i+1
>
i: n hp = s / n
≤
Generar x Área = hp
h = 1 / ex Área
s=s+h Fin
5
Donde:

𝑠= Altura acumulada
𝑆= Área de interés
ℎ= Valor de la función o altura
𝑥= Número aleatorio en el intervalo (0, 1)
ℎ𝑝 = Altura promedio
La siguiente tabla muestra una experimentación manual (prueba de escritorio) utilizando

el modelo propuesto; el número de realizaciones es igual a 10 (𝑛 = 10).
𝒊 𝒙 𝒉 𝒔
0 0
1 0,426 0,653 0,653
2 0,293 0,746 1,399
3 0,019 0,981 2,380
4 0,283 0,753 3,133
5 0,252 0,777 3,910
6 0,619 0,538 4,448
7 0,700 0,496 4,944
8 0,150 0,861 5,805
9 0,989 0,372 6,177
10 0,814 0,401 6,578
11
6,578
ℎ𝑝 = = 0,658
10
Á𝑟𝑒𝑎 = 0,653
El método analítico dio un valor igual a 0,633 (valor real) para el área de interés; y el método
de Montecarlo, con solamente 10 realizaciones o experimentos, da un valor igual a 0,653
para el área de interés. Nuevamente, se percibe una interesante convergencia.
Tal como se señaló anteriormente, es posible incrementar la exactitud de las estimaciones

incrementando significativamente el número de realizaciones; por ello, este nuevo modelo
también fue implementado en un computador utilizando Matlab. El listado es el siguiente:
6
1 %Este programa estima el área del ejemplo

2- s=0
3- for n=1:1000
4- x=rand
5- h=1/ex
6- s=s+h
7- end
8- hp=s/n
8- disp(‘el area aproximada es:’)
11- area=hp
12 %fin del programa
Se corrió el programa para 𝑛 = 1000 y se obtuvo un valor igual a 0,6239 para el área de
interés; con 𝑛 = 10000 se obtuvo un valor igual a 0,6323. Nótese que el valor del área de
interés se aproxima al valor real (0,633) a medida que se incrementa el número de
experimentos o realizaciones.
Es importante aclarar que, en la práctica, el método de Montecarlo no se aplica al cálculo

de áreas de figuras planas ya que para ello existen otros métodos que garantizan mayor
exactitud. Sin embargo, el Método de Montecarlo expuesto en el ejemplo permite, con la
misma facilidad, estimar, por ejemplo, el valor de un cuerpo en un espacio multidimensional;
es más, probablemente en este último caso, el método de Montecarlo sea el único método
numérico que permite resolver el problema.
2. Peculiaridades del método de Montecarlo
Las peculiaridades del método de Montecarlo son dos:
• La primera consiste en que su algoritmo tiene una estructura sencilla. Como regla,
se elabora primero una rutina para la realización de un experimento aleatorio que
refleje la naturaleza del problema a resolver (en el ejemplo anterior, generar un
punto aleatorio en el cuadrado y comprobar si pertenece o no al área de interés).
Después, la rutina se repite 𝑛 veces de modo que cada experimento sea
independiente de los restantes y se toma la media u otro valor de los resultados de
todos los experimentos o realizaciones.
• La segunda consiste en que el error es proporcional a la magnitud √𝐷 ⁄𝑛, donde 𝐷

es una constante y 𝑛 es el número de experimentos. Se puede apreciar que para
disminuir el error en 10 veces (en otras palabras, para obtener en el resultado otra
cifra decimal exacta) es preciso incrementar 𝑛 en 100 veces. Es necesario
manifestar la imposibilidad de alcanzar, en este método, una elevada exactitud. Sin
embargo, tal como se señaló, un mismo problema puede ser resuelto aplicando
diferentes experimentos aleatorios a los que corresponden diferentes valores de 𝐷.
En numerosos problemas se logra elevar considerablemente la exactitud utilizando
un experimento aleatorio al que le corresponde un valor mucho menor de 𝐷.
7
3. Problemas matemáticos que permite resolver el método de

Montecarlo
En general, el método de Montecarlo puede resolver dos tipos de problemas:
• Problemas matemáticos de naturaleza probabilística y/o estocástica. Vale decir, el

método de Montecarlo permite simular cualquier proceso cuya marcha depende de
factores aleatorios.
• Problemas de naturaleza determinística. En muchos problemas matemáticos, que

no tienen la menor relación con elementos aleatorios, es posible inventar un
experimento aleatorio artificial (incluso más de un experimento) que permite resolver
estos problemas. En realidad, esto es lo que se ha hecho en el ejemplo desarrollado
líneas arriba.
4. Breve repaso de la teoría de probabilidades, del formalismo

matemático de las variables aleatorias; y algunas leyes
estadísticas
Se ha definido el método de Montecarlo como un método numérico que permite resolver

problemas matemáticos mediante la simulación de variables aleatorias.
Consecuentemente, para una adecuada aplicación del método, es indispensable tener

claridad sobre los conceptos de probabilidad, variable aleatoria y sobre algunas leyes
estadísticas. Por ello, a continuación, se incluye un breve repaso de la teoría de
probabilidades, del formalismo matemático de las variables aleatorias; y algunas
leyes estadísticas.
4.1. Teoría de probabilidades
Los conceptos de probabilidad pertenecen al corazón de la teoría de la estadística; un

conocimiento mínimo de éstos es necesario para poder interpretar los resultados ofrecidos
por los análisis estadísticos. La teoría de probabilidades es extensa; esta exposición incluye
solamente los conceptos y cálculos más elementales.
La teoría de probabilidades tuvo su inicio con la aparición de los juegos de azar en el siglo
XVII.
Los juegos de azar, como su nombre lo indica, implican acciones como girar una ruleta,
arrojar dados, lanzar monedas, seleccionar cartas de una baraja, etc. en las cuales el
resultado de una prueba particular es incierto. Sin embargo, se reconoce que aun cuando
el resultado de una prueba particular es incierto, hay un resultado predecible a largo plazo.
Se sabe; por ejemplo, que, si se lanza una moneda legal varias veces, aproximadamente
en la mitad de los lanzamientos la moneda mostrará el resultado denominado “cara”. Es
esta regularidad predictiva a largo plazo la que permite estimar la probabilidad de ocurrencia
de determinados resultados.
8
Un tipo similar de incertidumbre y la regularidad a largo plazo ocurren a menudo en la

ciencia experimental. Por ejemplo, una empresa de seguros no puede predecir que
personas en Bolivia morirán a los 50 años, pero si puede predecir con bastante
aproximación cuantas personas en Bolivia morirán a esa edad. De igual manera, no se
puede predecir si el próximo niño en nacer en el Hospital General de Oruro será varón o
mujer; sin embargo, es posible predecir con bastante aproximación que porcentaje de los
recién nacidos en un determinado día en el Hospital General de Oruro, serán varones.
4.1.1. Probabilidad clásica o “a priori”
Tal como se dijo previamente, la teoría de probabilidades en sus orígenes estuvo asociada
a los juegos de azar. Esta asociación motivó la siguiente definición inicial de probabilidad.
Si un experimento aleatorio puede dar lugar a 𝑛 resultados mutuamente excluyentes e

igualmente posibles; y si, 𝑛𝐴 de estos resultados tienen un atributo 𝐴; luego, la probabilidad
de ocurrencia del atributo 𝐴, denotada por 𝑃(𝐴), viene dada por:
𝑛𝐴
𝑃(𝐴) =
𝑛
Ejercicio 1
Problema:
Se lanza un dado legal.
a) ¿Cuál es la probabilidad que la cara superior del dado muestre un punto?

b) ¿Cuál es la probabilidad que la cara superior del dado muestre un número par de
puntos?
Solución:
Experimento aleatorio: lanzar un dado
Si se toma en cuenta el número de puntos que muestra la cara superior del dado, los
resultados mutuamente excluyentes e igualmente posibles para este experimento son:
{1, 2, 3, 4, 5, 6}
Vale decir, 𝑛 = 6
a)
De éstos, los resultados que tienen el atributo de interés (un punto en la cara superior del
dado) son,
𝐴 = {1}
Esto es, 𝑛𝐴 = 1
9
Por tanto, la probabilidad que la cara superior del dado muestre un punto es,
𝑛𝐴 1
𝑃(𝐴) = = = 0,167
𝑛 6
Este resultado puede interpretarse señalando que en 100 lanzamientos de un dado legal;
en promedio, el dado mostrará un punto en su cara superior en aproximadamente 17
oportunidades.
b)
De igual manera, los resultados que tienen el atributo de interés (un número par de puntos
en la cara superior), son:
𝐴 = {2, 4, 6}
Esto es, 𝑛𝐴 = 3
Consecuentemente, la probabilidad que la cara superior del dado muestre un número par
de puntos es igual a,
𝑛𝐴 3 1
𝑃(𝐴) = = = = 0,5
𝑛 6 2
Este resultado puede interpretarse señalando que en 100 lanzamientos de un dado legal;
en promedio, el dado mostrará un número par de puntos en su cara superior, en
aproximadamente 50 oportunidades.
Aun cuando la definición de probabilidad clásica o “a priori” es muy útil para calcular
probabilidades, la misma presenta algunas limitaciones.
• ¿Qué pasa si los resultados de un experimento aleatorio no son igualmente

posibles (dados cargados, monedas dobladas, etc.)?
• ¿Qué pasa si un experimento aleatorio da lugar a un número infinito de resultados?
• La probabilidad clásica difícilmente podría responder a preguntas tales como ¿Cuál

es la probabilidad que el próximo niño en nacer en el Hospital General de Oruro
sea varón?
4.1.2. Probabilidad de frecuencia o “a posteriori”
Con el propósito de salvar las dificultades anotadas, aparece un concepto complementario

de probabilidad denominado probabilidad de frecuencia o a posteriori, basado enteramente
en la experimentación con el dispositivo físico correspondiente o con un modelo que lo
represente. En el marco de este concepto, la probabilidad de un atributo A, denotado por
𝑃(𝐴), se define como:
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡𝑜𝑠 𝑞𝑢𝑒 𝑡𝑖𝑒𝑛𝑒𝑛 𝑒𝑙 𝑎𝑡𝑟𝑖𝑏𝑢𝑡𝑜 𝐴 (𝑛𝐴 )

𝑃(𝐴) =
𝑁ú𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑒𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡𝑜𝑠 (𝑛)
10
Obviamente, el valor de la 𝑃(𝐴) estará más próximo a su valor real en la medida en que el
número de experimentos tienda a infinito (𝑛 → ∞).
Este es el concepto que utiliza el método de Montecarlo para estimar probabilidades. El

método de Montecarlo es básicamente un método de experimentación con un experimento
aleatorio que representa al problema matemático que se desea resolver.
Ejercicio 2
Problema:
Se arroja un dado legal.

¿Cuál es la probabilidad que la cara superior del mismo muestre un número par de
puntos?
Solución:
En el marco de la probabilidad de frecuencia o “a posteriori”, la primera opción es

lanzar físicamente un dado 𝑛 veces e ir registrando las veces en las que el dado
muestra un número par de puntos, 𝑛𝐴 ; para luego estimar la probabilidad del
resultado de interés recurriendo al cociente 𝑛𝐴 ⁄𝑛.
La segunda opción es crear un pequeño modelo que simule el lanzamiento de un

dado; experimentar con el modelo 𝑛 veces, registrar las veces en las que el dado
muestra un número par de puntos, 𝑛𝐴 ; para luego estimar la probabilidad del
resultado de interés recurriendo nuevamente al cociente 𝑛𝐴 ⁄𝑛
El modelo sería el siguiente:
11
Inicio
i=0
n = ___
nA = 0
A
i=i+1
>
i:n P(A) = nA / n
≤
Generar r P(A)
D = fix (6*r) + 1 Fin
≠
A rem(D,2) : 0
nA = n A + 1
Donde:

𝑟= Número aleatorio en el intervalo (0,1)
𝐷= Número de puntos que muestra la cara superior del dado
𝑓𝑖𝑥(𝑥) = Función de Matlab que toma el valor entero, p.e. 𝑓𝑖𝑥(5,92) = 5)
𝑟𝑒𝑚(𝑥, 𝑦) = Función de Matlab que da el resto de una división entera, p.e. 𝑟𝑒𝑚(6,2) = 0
𝑛𝐴 = Número de experimentos en los que el dado muestra un número par de
puntos
𝑃(𝐴) = Probabilidad que el dado muestre en la cara superior un número par de
puntos
La siguiente tabla muestra 20 lanzamientos de un dado utilizando el modelo (𝑛 = 20):
12
𝒊 𝒓 𝑫 𝒓𝒆𝒎(𝑫, 𝟐): 𝟎 𝒏𝑨 𝒊 𝒓 𝑫 𝒓𝒆𝒎(𝑫, 𝟐): 𝟎 𝒏𝑨

0 0
1 0,794 5 ≠ 11 0,335 3 ≠
2 0,952 6 = 1 12 0,367 3 ≠
3 0,012 1 ≠ 13 0,558 4 = 5
4 0,633 4 = 2 14 0,476 3 ≠
5 0,106 1 ≠ 15 0,862 6 = 6
6 0,484 3 ≠ 16 0,317 2 = 7
7 0,317 2 = 3 17 0,885 6 = 8
8 0,573 4 = 4 18 0,994 6 = 9
9 0,690 5 ≠ 19 0,144 1 ≠
10 0,053 1 ≠ 20 0,045 1 ≠
𝑛𝐴 9
𝑃 (𝐴 ) = = = 0,45
𝑛 20
4.1.3. Teoría axiomática de probabilidades
Los conocimientos adquiridos, en el transcurso del tiempo, con los conceptos de

probabilidad clásica o “a priori” y probabilidad de frecuencia o “a posteriori”, permitieron la
formalización matemática de las probabilidades.
En esta línea, un formalismo matemático importante es la teoría axiomática de

probabilidades.
Previamente, son importantes las siguientes definiciones
Un espacio de muestreo, denotado por 𝑺, es la colección o conjunto de todos los resultados

posibles de un experimento aleatorio.
Un evento es un subconjunto de un espacio de muestreo 𝑺. Los eventos se denotan

utilizando las primeras letras mayúsculas del 𝐴, 𝐵, 𝐶, ⋯ , 𝑋, 𝑌, 𝑍.
La clase de todos los eventos asociados a un experimento aleatorio se conoce con el

nombre de espacio de eventos y se denota por A
13
Ejemplo 2
Experimento aleatorio: Lanzar dos monedas
Espacio de muestreo (𝑆):
C C
C = “Cara”
S = “Sello” C S
S C
Evento 𝐴
S S
Ejemplo 3
Se tiene una bolsa que contiene una bola de billar roja, una azul y una verde:
Experimento aleatorio: Seleccionar dos bolas de billar al azar
R = Bola de billar roja R A

V = Bola de billar verde
A = Bola de billar azul R V Evento 𝐵
V A
4.1.3.1. Función probabilidad
La función probabilidad, denotada por 𝑃(∙), es una función conjunto con dominio A (un
algebra de eventos) y codominio el intervalo (0, 1) que pertenece al conjunto de los números
reales (𝑅); que satisface los siguientes axiomas:
Axioma 1 (𝐴1): P(A) ≥ 0; ∀ A ∈ A

Axioma 2 (𝐴2): 𝑃(𝑆) = 1
Axioma 3 (𝐴3): Si 𝐴1 , 𝐴2 , ⋯ , 𝐴𝑛 son eventos mutuamente excluyentes en A
(𝐴𝑖 ∩ 𝐴𝑗 = ∅; ∀ 𝑖 ≠ 𝑗)
P(A1 ∪ A2 ∪ … ∪ A𝑛 ) = P(A1 ) + P(A2 ) + ⋯ + P(A𝑛 )
14
Gráficamente, se tiene que,
𝑆 𝑅
Experimento aleatorio: 𝑃 (𝐴 )
𝐴
𝐴1, 𝐴2, 𝐴3 1
Obviamente, son necesarias algunas operaciones adicionales; algunas de ellas se

muestran a continuación:
4.1.3.2. Teorema
Sea el evento vacío.

Luego,
𝑃(∅) = 0
𝑆
A A
𝑆𝑖 𝐴 ∈ A
𝐴 ∩ ∅ = ∅ → 𝐴 𝑦 ∅ 𝑠𝑜𝑛 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑑𝑖𝑠𝑗𝑢𝑛𝑡𝑜𝑠 𝑜 𝑚𝑢𝑡𝑢𝑎𝑚𝑒𝑛𝑡𝑒 𝑒𝑥𝑐𝑙𝑢𝑦𝑒𝑛𝑡𝑒𝑠
𝐴∪∅ = 𝐴
𝐴𝑝𝑙𝑖𝑐𝑎𝑛𝑑𝑜 𝑙𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑎 𝑎𝑚𝑏𝑜𝑠 𝑚𝑖𝑒𝑚𝑏𝑟𝑜𝑠 𝑑𝑒 𝑙𝑎 𝑒𝑐𝑢𝑎𝑐𝑖ó𝑛,
𝑃(𝐴 ∪ ∅) = 𝑃(𝐴)
𝐷𝑒 𝑎𝑐𝑢𝑒𝑟𝑜 𝑎𝑙 𝐴3,
𝑃(𝐴) + 𝑃(∅) = 𝑃(𝐴)
𝐷𝑒 𝑑𝑜𝑛𝑑𝑒,
𝑃(∅) = 0
15
4.1.3.3. Teorema
Sea 𝐴𝑐 el complemento de un evento 𝐴 ∈ A

Luego,
𝑃(𝐴𝑐 ) = 1 − 𝑃(𝐴)
A Ac
4.1.3.4. Teorema
Sean 𝐴 y 𝐵 eventos en A
Sea 𝐴 ⊂ 𝐵 (𝐴 es un subconjunto propio de 𝐵)
Luego,
𝑃(𝐴) ≤ 𝑃(𝐵)
B
A
4.1.3.5. Teorema
Sean A y B eventos cualesquiera que pertenecen a A

Luego,
𝑃(𝐴 − 𝐵) = 𝑃(𝐴) − 𝑃(𝐴 ∩ 𝐵)
A-B
A B∩𝐵
𝐴
16
4.1.3.6. Teorema
Sean A y B eventos cualesquiera que pertenecen a A

Luego,
𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)
𝐴∪𝐵
A B∩𝐵
𝐴
4.1.3.7. Corolario
𝑃(𝐴 ∪ 𝐵 ∪ 𝐶) = 𝑃(𝐴) + 𝑃(𝐵) + 𝑃(𝐶) − 𝑃(𝐴 ∩ 𝐵) − 𝑃(𝐴 ∩ 𝐶) − 𝑃(𝐵 ∩ 𝐶) + 𝑃(𝐴 ∩ 𝐵 ∩ 𝐶)
4.1.3.8. Nota importante
Un espacio de muestreo 𝑆 finito en el que cada resultado tiene la misma probabilidad de

ocurrencia recibe el nombre de espacio de muestreo equiprobable. En particular, si un espacio
de muestreo 𝑆 contiene 𝑛 resultados, la probabilidad de cada resultado es igual a 1⁄𝑛; más
aún, si un evento 𝐴 que pertenece a 𝑆 contiene 𝑟 de tales resultados, la probabilidad del
evento 𝐴, denotada por 𝑃(𝐴), será igual a 𝑟⁄𝑛.
Ejercicio 3
Problema:
En cierta prisión, 2⁄3 de los internos son menores de 25 años; 3⁄5 son varones y 5⁄8 son
mujeres o de 25 o más años de edad. ¿Cuál es la probabilidad que un preso elegido al azar
sea una mujer que tenga al menos 25 años de edad?
17
Solución:
𝐴 𝐴𝑐
Los eventos conocidos y sus probabilidades son:
𝐴 = {El preso es menor de 25 años}; 𝑃(𝐴) = 2⁄3

𝑉 = {El preso es varón}; 𝑃(𝑉) = 3⁄5
𝑀 ∪ 𝐴𝑐 = {El preso es mujer o mayor a 25 años}; 𝑃(𝑀 ∪ 𝐴𝑐 ) = 5⁄8
𝑃(𝑀 ∪ 𝐴𝑐 ) = 𝑃(𝑀) + 𝑃(𝐴𝑐 ) − 𝑃(𝑀 ∩ 𝐴𝑐 )

𝑃(𝑀 ∩ 𝐴𝑐 ) = 𝑃(𝑀) + 𝑃(𝐴𝑐 ) − 𝑃(𝑀 ∪ 𝐴𝑐 )
𝑃(𝑀 ∩ 𝐴𝑐 ) = 1 − 𝑃(𝑉) + 1 − 𝑃(𝐴) − 𝑃(𝑀 ∪ 𝐴𝑐 )
3 2 5 13
𝑃(𝑀 ∩ 𝐴𝑐 ) = 1 − + 1 − − = = 0,108
5 3 8 120
4.2. Formalismo matemático de las variables aleatorias
Un otro formalismo matemático referido a las probabilidades es el de las variables

aleatorias.
4.2.1. Variable aleatoria
Matemáticamente, una variable aleatoria es una función con dominio un espacio de

muestreo (𝑆) y codominio el conjunto de los números reales (𝑅).
En otras palabras, una variable aleatoria asigna a eventos de un espacio de muestreo

valores del conjunto de los números reales, tal como refleja el siguiente gráfico.
Preferentemente, las variables aleatorias se denotan por las últimas letras mayúsculas del
𝐴, 𝐵, 𝐶, ⋯ , 𝑋, 𝑌, 𝑍; y, los valores que toman por las letras minúsculas correspondientes.
18
𝑆 𝑅
𝑋
●𝑥
Experimento
aleatorio:
Ejemplo
Experimento aleatorio:
Lanzar un dado
Si se considera el número de puntos que muestra la cara superior del dado,
{1, 2, 3, 4, 5, 6}
Variable aleatoria 𝑋:
𝑋 = El número de puntos que muestra la cara superior del dado.
El rango de la variable aleatoria (el conjunto de valores que la variable aleatoria puede
tomar) es el siguiente:
Rango de 𝑋 = {1, 2, 3, 4, 5, 6}
4.2.2. Función de distribución acumulada
Si 𝑋 es una variable aleatoria, la función de distribución acumulada de 𝑋, denotada por

𝐹𝑋 (𝑥), se define como:
𝐹𝑋 (𝑥) = 𝑃(𝑋 ≤ 𝑥)
Esta función permite asignar probabilidades a eventos de un espacio de muestreo, vía una
variable aleatoria.
19
𝑆 𝑅
𝑅
● 0
𝑋
𝑥
Experimento
aleatorio: 𝐹𝑋 (𝑥) = 𝑃(𝑋 ≤ 𝑥 )
1
Algunas propiedades de 𝐹𝑋 (𝑥) son:
• 𝐿𝑖𝑚𝑥→−∞ 𝐹𝑋 (𝑥 ) = 0
• 𝐿𝑖𝑚𝑥→∞ 𝐹𝑋 (𝑥 ) = 1
• 𝐹𝑋 (𝑥 ) es una función monótona no decreciente; vale decir,
𝐹𝑋 (𝑎) < 𝐹𝑋 (𝑏); ∀ 𝑎 < 𝑏
• 𝐹𝑋 (𝑥 ) es continua desde la derecha, esto es,
𝐿𝑖𝑚0<ℎ→0 𝐹𝑋 (𝑥 + ℎ) = 𝐹𝑋 (𝑥 )
4.2.3. Variable aleatoria discreta
Una variable aleatoria 𝑋 es discreta si su rango es contable; esto es, existe un conjunto
finito o infinito, pero enumerable, de valores reales {𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 , 𝑥𝑛+1 , … } y la variable
aleatoria 𝑋 puede tomar valores solamente de este conjunto.
4.2.4. Función de distribución de probabilidad
Si 𝑋 es una variable aleatoria discreta, la función de distribución de probabilidad de 𝑋,

denotada por 𝑓𝑋 (𝑥), es una función tal que:
𝑓𝑋 (𝑥) = 𝑃(𝑋 = 𝑥); ∀ 𝑥 ∈ 𝑎𝑙 𝑟𝑎𝑛𝑔𝑜 𝑑𝑒 𝑋
= 0; 𝑑𝑒 𝑜𝑡𝑟𝑎 𝑚𝑎𝑛𝑒𝑟𝑎
Esta función también permite asignar probabilidades a eventos de un espacio de muestreo,

vía una variable aleatoria.
20
𝑆 𝑅 𝐹𝑋 (𝑥 ) = 𝑃(𝑋 ≤ 𝑥 )
1
𝑅
●
𝑿
𝑥
Experimento 0
aleatorio: 𝑓𝑋 (𝑥) = 𝑃 (𝑋 = 𝑥 )
1
Algunas propiedades de 𝑓𝑋 (𝑥)son:
a)
𝑓(𝑥) ≥ 0
b)
∑ 𝑓𝑋 (𝑥𝑖 ) = 1
∀𝑥𝑖
c)
𝑏
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = ∑ 𝑓𝑋 (𝑥𝑖 )
𝑥𝑖 =𝑎
4.2.5. Teorema
Sea 𝑋 una variable aleatoria discreta.
Luego,
𝐹𝑋 (𝑥) puede a partir de 𝑓𝑋 (𝑥) y viceversa.
Esto es,
Si se conoce fX (x),
21
𝐹𝑋 (𝑥) = ∑ 𝑓𝑋 (𝑥𝑖 )
∀ 𝑥𝑖≤𝑥
Si se conoce FX (x),
𝑓𝑋 (𝑥𝑖 ) = 𝐹𝑋 〖(𝑥〗𝑖 ) − 𝐿𝑖𝑚0<ℎ→0 𝐹𝑋 (𝑥𝑖 − ℎ)
Ejercicio 4
Problema:
Se lanza dos monedas.
El espacio de muestreo de este experimento aleatorio es:
𝑆 = {(𝐶, 𝐶); (𝐶, 𝑆); (𝑆, 𝐶); (𝑆, 𝑆)}
Donde,
𝐶 = “cara”
𝑆 = “sello”
Se define la siguiente variable aleatoria:
𝑋 = Número de “caras” en el lanzamiento efectuado
Rango de 𝑋 = {0, 1, 2}
Nótese que este rango es contable (ha sido posible hacer una lista de los valores que 𝑋
puede tomar). Por tanto, 𝑋 es una variable aleatoria discreta.
Se pide:
a) Obtener𝑓𝑋 (𝑥)
b) Graficar 𝑓𝑋 (𝑥)
c) Obtener𝐹𝑋 (𝑥)
d) Graficar 𝐹𝑋 (𝑥)
e) Calcular 𝑃(𝑋 ≤ 1), utilizando 𝑓𝑋 (𝑥)
f) Calcular 𝑃(𝑋 ≤ 1), utilizando 𝐹(𝑥)
Solución:
a)
𝑓𝑋 (0) = 𝑃(𝑋 = 0) = 1⁄4
22
𝑓𝑋 (0) = 𝑃(𝑋 = 0) se refiere a la probabilidad que el número de “caras” en el lanzamiento

efectuado sea igual a cero; vale decir, que ambas monedas muestren “sello”. En el espacio
de muestreo se puede apreciar que (𝑆, 𝑆) es un resultado de cuatro posibles.
Con el mismo razonamiento,
𝑓𝑋 (1) = 𝑃(𝑋 = 1) = 2⁄4 = 1⁄2

𝑓𝑋 (2) = 𝑃(𝑋 = 2) = 1⁄4
Generalmente, esta función es presentada en una tabla como la siguiente:
𝑋 0 1 2
𝑓𝑋 (𝑥) 1 1 1
4 2 4
Se cumplen todas las propiedades que 𝑓𝑋 (𝑥) debe cumplir; esto es,
• Todos los valores de 𝑓𝑋 (𝑥) son positivos

• La suma de los valores que 𝑓𝑋 (𝑥) toma es igual a 1
b)
𝑓𝑋 (𝑥)
½ ●
¼ ● ●
0 1 2 𝑋
c)
𝐹𝑋 (0) = ∑ 𝑓𝑋 (𝑥𝑖 ) = 𝑓𝑋 (0) = 1⁄4
∀ 𝑥𝑖≤0
1 2 3
𝐹𝑋 (1) = ∑ 𝑓𝑋 (𝑥𝑖 ) = 𝑓𝑋 (0) + 𝑓𝑋 (1) = + =
4 4 4
∀ 𝑥𝑖≤1
23
1 2 1
𝐹𝑋 (2) = ∑ 𝑓𝑋 (𝑥𝑖 ) = 𝑓𝑋 (0) + 𝑓𝑋 (1) + 𝑓𝑋 (2) = + + =1
4 4 4
∀ 𝑥𝑖≤2
Esta función es generalmente presentada en una tabla como la siguiente:
𝑋 0 1 2
𝐹𝑋 (𝑥) 1 3 1
4 4
d)
𝐹𝑋 (𝑥)
1 ○
1/2
0 1 2 𝑋
e)
1 2 3
𝑃(𝑋 ≤ 1) = ∑ 𝑓𝑋 (𝑥𝑖 ) = 𝑓𝑋 (0) + 𝑓𝑋 (1) = + =
4 4 4
∀ 𝑥𝑖≤1
f)
3
𝑃(𝑋 ≤ 1) = 𝐹𝑋 (1) =
4
4.2.6. Variable aleatoria continua
Si,
𝑥
𝐹𝑋 (𝑥) = ∫ 𝑓𝑋 (𝑥)𝑑𝑥
−∞
24
𝑋 es una variable aleatoria continua.
En otras palabras, 𝑋 es una variable aleatoria continua si toma una serie continua de valores
en algún intervalo de la recta real (𝑅).
4.2.7. Función de densidad de probabilidad
La función 𝑓𝑋 (𝑥) dentro de la integral anterior recibe el nombre de función de densidad de

probabilidad de 𝑋.
Algunas de las propiedades de 𝑓𝑋 (𝑥) son:
a)
𝑓𝑋 (𝑥) ≥ 0
b)
∞
∫ 𝑓𝑋 (𝑥)𝑑𝑥 = 1
−∞
c)
𝑏
𝑃[𝑎 ≤ 𝑋 ≤ 𝑏] = ∫ 𝑓𝑋 (𝑥)𝑑𝑥
𝑎
En otras palabras,
𝑓𝑋 (𝑥)
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏)
𝑎 𝑏 𝑋
La primera propiedad indica que 𝑓𝑋 (𝑥) es siempre una función positiva. La segunda
propiedad señala que el área debajo de esta función es siempre igual a la unidad. La
probabilidad que la variable aleatoria 𝑋 tome valores entre 𝑎 y 𝑏 es igual al área con sombra
en la figura superior.
25
4.2.8. Teorema
Sea 𝑋 una variable aleatoria continua.
Luego,
𝐹𝑋 (𝑥) puede a partir de 𝑓𝑋 (𝑥) y viceversa.
Esto es,
Si se conoce 𝑓𝑋 (𝑥),
𝑥
𝐹𝑋 (𝑥) = ∫ 𝑓𝑋 (𝑥)𝑑𝑥
−∞
Si se conoce 𝐹𝑋 (𝑥),
𝑑 𝐹𝑋 (𝑥)
𝑓𝑋 (𝑥) =
𝑑𝑥
4.2.9. Nota importante
Aunque las notaciones para la función de distribución de probabilidad y para la función de

densidad de probabilidad son las mismas, sus interpretaciones son diferentes.
Si 𝑋 es una variable aleatoria discreta,
𝑓𝑋 (𝑥) = 𝑃(𝑋 = 𝑥)
Si 𝑋 es una variable aleatoria continua,
𝑑 𝐹𝑋 (𝑥) 𝐹𝑋 (𝑥 + ∆𝑥) − 𝐹𝑋 (𝑥 − ∆𝑥)

𝑓𝑋 (𝑥) = = 𝐿𝑖𝑚∆𝑥→0
𝑑𝑥 2∆𝑥
𝑓𝑋 (𝑥)2∆𝑥 ≅ 𝐹𝑋 (𝑥 + ∆𝑥) − 𝐹𝑋 (𝑥 − ∆𝑥) ≅ 𝑃(𝑥 − ∆𝑥 ≤ 𝑋 ≤ 𝑥 + ∆𝑥)
Vale decir, la probabilidad que la variable aleatoria 𝑋 esté en un pequeño intervalo que
contiene al valor 𝑥 , es aproximadamente igual a 𝑓𝑋 (𝑥) multiplicado por el ancho del
intervalo.
Ejercicio 5
Problema:
Sea 𝑋 una variable aleatoria cuya función de densidad probabilística viene dada
por:
𝑓𝑋 (𝑥 ) = 𝑘𝑒 −𝑥 ; 𝑥 ≥ 0
26
Se pide:
a) Calcular el valor de 𝑘 para que 𝑓𝑋 (𝑥) sea realmente una función de densidad
de probabilidad
b) Graficar 𝑓𝑋 (𝑥)
c) Obtener 𝐹𝑋 (𝑥)
d) Graficar 𝐹𝑋 (𝑥)
e) Calcular 𝑃(1 ≤ 𝑋 ≤ 2), utilizando 𝑓𝑋 (𝑥)
f) Calcular 𝑃(1 ≤ 𝑋 ≤ 2), utilizando 𝐹𝑋 (𝑥)
Solución:
Nótese que el rango de la variable aleatoria 𝑋 no es contable. 𝑋 puede tomar una serie
continua de valores en el intervalo (0, ∞). Por tanto, 𝑋 es una variable aleatoria continua.
a)
Se sabe que:
∞
∫ 𝑘𝑒 −𝑥 𝑑𝑥 = 1
0
∞
𝑘 ∫ 𝑒 −𝑥 𝑑𝑥 = 1
0
−𝑘𝑒 −𝑥 |∞
0 =1
𝑘(−𝑒 −∞ + 𝑒 0 ) = 1
𝑘=1
b)
𝑓𝑋 (𝑥)
𝑋
0
27
c)
𝑥
𝐹𝑋 (𝑥) = ∫ 𝑒 −𝑥 𝑑𝑥 = −𝑒 −𝑥 |0𝑥 = −(𝑒 −𝑥 + 𝑒 0 ) = 1 − 𝑒 −𝑥
0
d)
𝐹𝑋 (𝑥)
0 𝑋
e)
𝑓𝑋 (𝑥)
𝑃(1 ≤ 𝑋 ≤ 2)
1 2 𝑋
2
𝑃(1 ≤ 𝑋 ≤ 2) = ∫ 𝑓𝑋 (𝑥) 𝑑𝑥
1
2
= ∫ 𝑒 −𝑥 𝑑𝑥 = −𝑒 −𝑥 |12 = −𝑒 −2 + 𝑒 −1 = 𝑒 −1 − 𝑒 −2 = 0,368 − 0,135 = 0,233
1
28
f)
𝐹𝑋 (𝑥)
𝐹𝑋 (2)
𝐹𝑋 (1)
0 1 2 𝑋
𝑃(1 ≤ 𝑋 ≤ 2) = 𝐹𝑋 (2) − 𝐹𝑋 (1) = 1 − 𝑒 −2 − (1 − 𝑒 −1 ) = 𝑒 −1 − 𝑒 −2 = 0,233
4.2.10. Media o esperanza de una variable aleatoria
La media, esperanza o valor esperado de una variable aleatoria 𝑋, denotada por 𝜇𝑋 o

𝐸[𝑋], se define como:
𝜇𝑋 = 𝐸[𝑋] = ∑ 𝑥𝑖 𝑓𝑋 (𝑥𝑖 )
∀ 𝑥𝑖
Si la variable aleatoria 𝑋 es discreta.

∞
𝜇𝑋 = 𝐸[𝑋] = ∫ 𝑥𝑓𝑋 (𝑥)𝑑𝑥
−∞
Si la variable aleatoria 𝑋 es continua.
La media de una variable aleatoria 𝑋 es una medida de ubicación de su 𝑓𝑋 (𝑥), es una

medida de tendencia central, en otras palabras, es un valor que representa al conjunto de
valores que la variable aleatoria puede tomar.
4.2.11. Teorema
Sea 𝑋 una variable aleatoria.

Sea 𝑔(𝑋) una función 𝑔 cualquiera de 𝑋
Luego,
29
𝜇𝑔(𝑋) = 𝐸[𝑔(𝑋)] = ∑ 𝑔(𝑥𝑖 )𝑓𝑋 (𝑥𝑖 )

∀𝑥𝑖
Si la variable aleatoria 𝑋 es discreta

∞
𝜇𝑔(𝑋) = 𝐸[𝑔(𝑋)] = ∫ 𝑔(𝑥)𝑓𝑋 (𝑥)𝑑𝑥
−∞
4.2.12. Teorema
Sea 𝑋 una variable aleatoria discreta o continua cuya función de distribución o de

densidad de probabilidad es 𝑓𝑋 (𝑥).
Sea 𝑎 una constante.
Luego,
a) 𝐸[𝑎] = 𝑎
∞ ∞
𝐸[𝑎] = ∫ 𝑎𝑓𝑋 (𝑥)𝑑𝑥 = 𝑎 ∫ 𝑓𝑋 (𝑥)𝑑𝑥 = 𝑎
−∞ −∞
b) 𝐸[𝑎𝑋] = 𝑎 𝐸[𝑋]
∞ ∞
𝐸[𝑎𝑋] = ∫ 𝑎𝑥𝑓𝑋 (𝑥)𝑑𝑥 = 𝑎 ∫ 𝑥𝑓𝑋 (𝑥)𝑑𝑥 = 𝑎𝐸[𝑋]
−∞ −∞
c) 𝐸[𝑎 + 𝑋] = 𝑎 + 𝐸[𝑋]
∞ ∞ ∞
𝐸[𝑎 + 𝑋] = ∫ (𝑎 + 𝑋)𝑓𝑋 (𝑥)𝑑𝑥 = ∫ 𝑎𝑓𝑋 (𝑥)𝑑𝑥 + ∫ 𝑥𝑓𝑋 (𝑥)𝑑𝑥 = 𝑎 + 𝐸[𝑋]
−∞ −∞ −∞
4.2.13. Varianza de una variable aleatoria
Si 𝑋 es una variable aleatoria, la varianza de 𝑋, denotada por 𝜎𝑋2 o 𝑉𝑎𝑟[𝑋], se define

como:
𝜎𝑋2 = 𝑉𝑎𝑟[𝑋] = 𝐸[(𝑋 − 𝜇𝑋 )2 ]
Nótese que la varianza de 𝑋 es la esperanza de una función 𝑔(𝑋).
Por tanto,
𝜎𝑋2 = 𝑉𝑎𝑟[𝑋] = ∑(𝑥𝑖 − 𝜇𝑋 )2 𝑓𝑋 (𝑥𝑖 )

∀𝑥𝑖
30
Si la variable aleatoria 𝑋 es discreta.

∞
𝜎𝑋2 = 𝑉𝑎𝑟[𝑋] = ∫ (𝑥 − 𝜇𝑥 )2 𝑓𝑋 (𝑥)𝑑𝑥
−∞
Si la variable aleatoria es continua.
La varianza de una variable aleatoria es la media de las desviaciones al cuadrado de los

valores que la variable aleatoria puede tomar, con respecto a su media. Mide cuan
dispersos se encuentran los valores de la variable aleatoria con respecto a su media. Es
una medida de dispersión.
4.2.14. Teorema
𝜎𝑋2 = 𝑉𝑎𝑟[𝑋] = 𝐸 [𝑋 2 ] − 𝜇𝑋2
A manera de demostración se tiene que,
𝑉𝑎𝑟[𝑋] = 𝐸[(𝑋 − 𝜇𝑋 )2 ] = 𝐸[𝑋2 − 2𝑋𝜇𝑋 + 𝜇𝑋2 ]
𝑉𝑎𝑟[𝑋] = 𝐸[𝑋2 ] − 2𝜇𝑋 𝐸[𝑋] + 𝜇𝑋2 = 𝐸[𝑋2 ] − 2𝜇𝑋2 + 𝜇𝑋2 = 𝐸[𝑋2 ] − 𝜇𝑋2
4.2.15. Teorema
Sea 𝑋 una variable aleatoria discreta o continua con función de distribución o de densidad
de probabilidad 𝑓𝑋 (𝑥).
Sea 𝑔(𝑋) una función 𝑔 cualquiera de 𝑋.
Luego,
2
𝑉𝑎𝑟[𝑔(𝑋)] = 𝐸 [(𝑔(𝑋) − 𝜇𝑔(𝑋) ) ]
Consecuentemente,
2
𝑉𝑎𝑟[𝑔(𝑋)] = ∑(𝑔(𝑥𝑖 ) − 𝜇𝑔(𝑋)) 𝑓𝑋 (𝑥𝑖 )
∀𝑥𝑖
Si la variable aleatoria 𝑋 es discreta

∞
2
𝑉𝑎𝑟[𝑔(𝑋)] = ∫ (𝑔(𝑥) − 𝜇𝑔(𝑋) ) 𝑓𝑋 (𝑥)𝑑𝑥
−∞
31
4.2.16. Teorema
Sea 𝑋 una variable aleatoria discreta o continua con función de distribución o de densidad
de probabilidad 𝑓𝑋 (𝑥).
Sea 𝑎 una constante.
Luego,
a) 𝑉𝑎𝑟[𝑎] = 0
En este caso, 𝑔(𝑋) = 𝑎; y, 𝜇𝑔(𝑋) = 𝑎
Por tanto,
𝑉𝑎𝑟[𝑎] = 𝐸[(𝑎 − 𝑎)2 ] = 𝐸[0] = 0
b) 𝑉𝑎𝑟[𝑎 + 𝑋] = 𝑉𝑎𝑟[𝑋]
En este caso, 𝑔(𝑋) = 𝑎 + 𝑋; y, 𝜇𝑔(𝑋) = 𝑎 + 𝜇𝑋 g(X)
Consecuentemente,
2
𝑉𝑎𝑟[𝑎 + 𝑋] = 𝐸 [(𝑎 + 𝑋 − (𝑎 + 𝜇𝑋 )) ] = 𝐸[(𝑋 − 𝜇𝑋 )2 ] = 𝑉𝑎𝑟[𝑋]
c) 𝑉𝑎𝑟[𝑎𝑋] = 𝑎2 𝑉𝑎𝑟[𝑋]
En este caso, 𝑔(𝑋) = 𝑎𝑋; y, 𝜇𝑔(𝑋) = 𝑎𝜇𝑋
Por tanto,
𝑉𝑎𝑟[𝑎𝑋] = 𝐸[(𝑎𝑋 − 𝑎𝜇𝑋 )2 ] = 𝐸[𝑎2 𝑋2 − 2𝑎𝑋𝑎𝜇𝑋 + 𝑎2 𝜇𝑋2 ] = 𝑎2 𝐸[(𝑋 − 𝜇𝑋 )2 ] = 𝑎2 𝑉𝑎𝑟[𝑋]
4.2.17. Desviación estándar de una variable aleatoria
La desviación estándar de una variable aleatoria 𝑋, denotada por 𝜎𝑋 , es igual al valor

positivo de la raíz cuadrada de la varianza de 𝑋; vale decir,
𝜎𝑋 = +√𝜎𝑋2
La desviación estándar es también una medida de dispersión.
Ejercicio 6
Problema:
Se lanza dos monedas.
32
El espacio de muestreo de este experimento aleatorio es:
𝑆 = {(𝐶, 𝐶); (𝐶, 𝑆); (𝑆, 𝐶); (𝑆, 𝑆)}
Donde,
𝐶 = “cara”
𝑆 = “sello”
Se define la siguiente variable aleatoria:
𝑋 = Número de “caras” en el lanzamiento efectuado
Rango de 𝑋 = {0, 1, 2}
Nótese que este rango es contable (ha sido posible hacer una lista de los valores que 𝑋
puede tomar). Por tanto, 𝑋 es una variable aleatoria discreta.
Se pide:
a) Obtener 𝜇𝑋 𝑜 𝐸[𝑋]
b) Obtener 𝐸[4𝑋]
c) Obtener 𝜎𝑋2 𝑜 𝑉𝑎𝑟[𝑋]
d) Obtener 𝑉𝑎𝑟[4𝑋]
e) Obtener 𝑉𝑎𝑟[5 + 𝑋]
Solución
Recuerde que (ejercicio anterior)
Recuerde que la función de distribución de probabilidad de 𝑋 viene dada por:
𝑋 0 1 2
𝑓𝑋 (𝑥) 1 1 1
4 2 4
Consecuentemente,
a)
1 1 1
𝜇𝑋 = 𝐸[𝑋] = ∑ 𝑥𝑖 𝑓𝑋 (𝑥𝑖 ) = 0 × +1× +2× =1
4 2 4
∀ 𝑥𝑖
b)
𝐸[4𝑋] = 4𝐸[𝑋] = 4(1) = 4
33
c)
1 1 1 1
𝜎𝑋2 = 𝑉𝑎𝑟[𝑋] = ∑(𝑥𝑖 − 𝜇𝑋 )2 𝑓𝑋 (𝑥𝑖 ) = (0 − 1)2 × + (1 − 1)2 × + (2 − 1)2 × =
4 2 4 2
∀𝑥𝑖
d)
1
𝑉𝑎𝑟[4𝑋] = 42 𝑉𝑎𝑟[𝑋] = 16 ( ) = 8
2
e)
1
𝑉𝑎𝑟[5 + 𝑋] = 𝑉𝑎𝑟[𝑋] =
2
Ejercicio 7
Problema:
Sea X una variable aleatoria tal que:
𝑓𝑋 (𝑥) = 4𝑥 3 ; 0 ≤ 𝑥 ≤ 1
i) Obtener 𝜇𝑋 𝑜 𝐸[𝑋]
ii) Obtener 𝜎𝑋2 𝑜 𝑉𝑎𝑟[𝑋]
Solución:
Claramente, 𝑋 es una variable aleatoria continua; por tanto,
a)
∞ 1 1
𝑥5 1 4
𝜇𝑋 = 𝐸[𝑋] = ∫ 𝑥𝑓𝑋 (𝑥)𝑑𝑥 = ∫ 𝑥 4𝑥 3 𝑑𝑥 = 4 ∫ 𝑥 4 𝑑𝑥 = 4 | =
−∞ 0 0 5 0 5
b)
∞ 1
4 2 2
𝜎𝑋2 = 𝑉𝑎𝑟[𝑋] = ∫ (𝑥 − 𝜇𝑋 )2 𝑓𝑋 (𝑥 )𝑑𝑥 = ∫ (𝑥 − ) 4𝑥 3 𝑑𝑥 =
−∞ 0 5 75
34
4.3. Algunas leyes probabilísticas y estadísticas
A continuación, se presentan algunas leyes probabilísticas y estadísticas relacionadas con

el fundamento lógico del método de Montecarlo.
4.3.1. Desigualdad de Chevyshev
Sea 𝑋 una variable aleatoria con función de densidad de probabilidad 𝑓𝑋 (𝑥), media 𝜇 y
varianza 𝜎 2 .
Luego,
La probabilidad que la variable aleatoria 𝑋 tome valores dentro de 𝑘 desviaciones estandar

1
respecto a la media, es por lo menos igual a 1 − 2; vale decir,
𝑘
1
𝑃(𝜇 − 𝑘𝜎 ≤ 𝑋 ≤ 𝜇 + 𝑘𝜎) ≥ 1 −
𝑘2
A manera de demostración,
𝑓𝑋 (𝑥)
1
𝑃(𝜇 − 𝑘𝜎 ≤ 𝑋 ≤ 𝜇 + 𝑘𝜎) ≥ 1 −
𝑘2
0 𝜇 − 𝑘𝜎 𝜇 𝜇 + 𝑘𝜎 𝑋
Se conoce que:
𝜎 2 = 𝐸[(𝑥 − 𝜇)2 ]
∞ 𝜇−𝑘𝜎 𝜇+𝑘𝜎 ∞
𝜎 2 = ∫ (𝑥 − 𝜇)2 𝑓𝑋 (𝑥 )𝑑𝑥 = ∫ (𝑥 − 𝜇)2 𝑓𝑋 (𝑥 )𝑑𝑥 + ∫ (𝑥 − 𝜇)2 𝑓𝑋 (𝑥)𝑑𝑥 + ∫ (𝑥 − 𝜇)2 𝑓𝑋 (𝑥 )𝑑𝑥
−∞ −∞ 𝜇−𝑘𝜎 𝜇+𝑘𝜎
𝜇−𝑘𝜎 ∞
𝜎2 ≥ ∫ (𝑥 − 𝜇)2 𝑓𝑋 (𝑥)𝑑𝑥 + ∫ (𝑥 − 𝜇)2 𝑓𝑋 (𝑥)𝑑𝑥
−∞ 𝜇+𝑘𝜎
En vista de que |𝑥 − 𝜇| ≥ 𝑘𝜎 siempre que 𝑥 > 𝜇 + 𝑘𝜎 o bien que 𝑥 < 𝜇 − 𝑘𝜎, entonces
(𝑥 − 𝜇)2 ≥ 𝑘 2 𝜎 2 en las integrales restantes; se deduce que:
35
𝜇−𝑘𝜎 ∞
𝜎2 ≥ ∫ 𝑘 2 𝜎 2 𝑓𝑋 (𝑥)𝑑𝑥 + ∫ 𝑘 2 𝜎 2 𝑓𝑋 (𝑥)𝑑𝑥
−∞ 𝜇+𝑘𝜎
𝜇−𝑘𝜎 ∞
𝜎2
≥ ∫ 𝑓𝑋 (𝑥)𝑑𝑥 + ∫ 𝑓𝑋 (𝑥)𝑑𝑥
𝑘 2𝜎 2 −∞ 𝜇+𝑘𝜎
𝜇−𝑘𝜎 ∞
1
≥ ∫ 𝑓𝑋 (𝑥)𝑑𝑥 + ∫ 𝑓𝑋 (𝑥)𝑑𝑥
𝑘2 −∞ 𝜇+𝑘𝜎
Por tanto,
𝜇+𝑘𝜎
1
𝑃(𝜇 − 𝑘𝜎 ≤ 𝑋 ≤ 𝜇 + 𝑘𝜎) = ∫ 𝑓𝑋 (𝑥)𝑑𝑥 ≥ 1 −
𝜇−𝑘𝜎 𝑘2
Por ejemplo, si 𝑘 = 2, la desigualdad de Chevyshev establece que la variable aleatoria 𝑋

tiene una probabilidad de por lo menos,
1 3
1− 2 = = 0,75 = 75%
2 4
de caer dentro de dos desviaciones estándar de la media.
Es decir, tres cuartas partes o más de las observaciones de cualquier distribución están en
el intervalo 𝜇 ± 2𝜎.
4.3.2. Ley de los grandes números
Sean 𝑋1 , 𝑋2 , 𝑋3 , ⋯ , 𝑋𝑛 variables aleatorias independientes e idénticamente distribuidas

(idd); vale decir, tienen la misma distribución 𝑓𝑋 (𝑥), la misma media 𝜇 y la misma varianza
𝜎2.
Sea
𝑛
1
𝑋̅ = ∑ 𝑋𝑖
𝑛
𝑖=1
Luego, a medida que 𝑛 → ∞ , 𝑋̅ converge a 𝜇.
Esta ley justifica la interpretación intuitiva que al hacer un muestreo repetitivo, las medias
de las muestras convergen a la media de la población.
4.3.3. Ley débil de los grandes números
Sea 𝑓𝑋 (𝑥) una población con media 𝜇 y varianza 𝜎 2 .
Sea 𝑋1 , 𝑋2 , 𝑋3 , ⋯ , 𝑋𝑛 una muestra aleatoria de tamaño 𝑛 de dicha población.
36
Sea
𝑛
1
𝑋̅ = ∑ 𝑋𝑖
𝑛
𝑖=1
La media de dicha muestra
Sean 𝜀 y 𝛿 dos números específicos cualesquiera tales que 𝜀 > 0 𝑦 0 ≤ 𝛿 ≤ 1.
Luego,
si
𝜎2
𝑛≥
𝜀2𝛿
Se tiene que,
𝑃(|𝑋̅ − 𝜇| < 𝜀) ≥ 1 − 𝛿
Ejercicio 8
Problema:
Suponga que se tiene una población 𝑓𝑋 (𝑥) con media 𝜇 desconocida y varianza 𝜎 2 = 1.
¿De qué tamaño debe ser la muestra aleatoria para que la probabilidad sea al menos 95%
que la media muestral 𝑋̅ esté alejada 0,5 de la media de la población?
Solución:
Se tiene que:
𝜎 2 = 1; 𝜀 = 0,5 𝑦 𝛿 = 0,05
Por tanto,
𝜎2 1
𝑛≥ 2 ≥ 2 ≥ 80
𝜀 𝛿 0,5 × 0,05
4.3.4. Teorema del límite central
Sea 𝑓𝑋 (𝑥) una población con media 𝜇 y varianza 𝜎 2 .
Sea 𝑋1 , 𝑋2 , 𝑋3 , ⋯ , 𝑋𝑛 una muestra aleatoria de tamaño 𝑛 de dicha población.
Sea
37
𝑛
1
𝑋̅ = ∑ 𝑋𝑖
𝑛
𝑖=1
La media de dicha muestra
Luego, a medida que 𝑛 → ∞,
̅ converge a una distribución normal con media 𝜇 y varianza 𝜎 2⁄𝑛.

𝑿
Es probablemente el teorema más importante de la estadística, nótese que no se asume

ninguna forma específica para la función de densidad de probabilidad de la población, 𝑓𝑋 (𝑥),
(puede ser cualquiera); sin embargo, a medida que el tamaño de la muestra aleatoria crece,
la distribución de la media de la muestra , 𝑋̅, converge sorprendentemente a una
distribución normal con una media igual a la media de la población, 𝜇, y una varianza igual
a la varianza de la población dividida por el tamaño de la muestra, 𝜎 ⁄ .
5. Resolución de problemas matemáticos utilizando el método

de Montecarlo
Tal como se dijo anteriormente, el método de Montecarlo permite resolver problemas

matemáticos que no tienen la menor relación con cuestiones aleatorias (problemas
matemáticos determinísticos) y problemas matemáticos que incluyen factores aleatorios
explícitos.
5.1. Resolución de problemas matemáticos determinísticos
Entre los problemas matemáticos determinísticos que el método de Montecarlo permite

resolver, corresponde mencionar los siguientes:
• Integrales múltiples
• Problemas de optimización (programas lineales, programas no lineales y otros)
• Otros problemas
Ejercicio 9
Problema:
Utilizando el método de Montecarlo, encontrar el volumen de la esfera

𝑥 2 + 𝑦 2 + 𝑧 2 = 1, correspondiente al primer cuadrante.
38
Solución:
1 𝑥
1
Este problema no tiene ninguna relación con elementos aleatorios.
Considerando que el cubo incluye un infinito número de puntos y que el octavo de esfera
contiene a una porción de estos puntos, el experimento aleatorio artificial consistiría en
generar aleatoriamente 𝑛 puntos pertenecientes al cubo de arista igual a 1; y contabilizar
aquellos puntos que resulten estar dentro del octavo de esfera inscrito (𝑛′ ).
Una aproximación del volumen del octavo de esfera vendría dada por la siguiente
expresión,
𝑛′
𝑉=
𝑛
El modelo que expresa el razonamiento descrito viene dado por,
39
Inicio
n = ___
n´ = 0
i=0
A
i=i+1
˃ V = n´ / n
i:n
≤
V
Generar x
Generar y Fin
Generar z
˃
A z2: 1 – (x2 + y2)
n´ = n´ + 1
Donde:

𝑛′ = Número de puntos que pertenecen al octavo de esfera
𝑖= Contador de experimentos
𝑥= Número aleatorio en el intervalo (0, 1)
𝑦= Número aleatorio en el intervalo (0, 1)
𝑧= Número aleatorio en el intervalo (0, 1)
𝑉= Volumen estimado
A continuación, se presenta el detalle de 10 experimentos o realizaciones (𝑛 = 10) con el

modelo propuesto:
40
𝒊 𝒙 𝒚 𝒛 𝒙𝟐 𝒚𝟐 𝒛𝟐 𝟏 − (𝒙𝟐 + 𝒚𝟐 ) 𝒏′
0 0
1 0,011 0,786 0,993 0,0001 0,6178 0,9860 0,3821
2 0,607 0,263 0,372 0,3684 0,0691 0,1384 0,5625 1
3 0,100 0,281 0,807 0,0100 0,0790 0,6512 0,9110 2
4 0,155 0,082 0,091 0,0240 0,0067 0,0083 0,9693 3
5 0,475 0,149 0,209 0,2256 0,0222 0,0437 0,7522 4
6 0,808 0,646 0,496 0,6529 0,4173 0,2460 -0,0702
7 0,052 0,770 0,160 0,0027 0,5929 0,0256 0,4044 5
8 0,700 0,037 0,777 0,4900 0,0014 0,6037 0,5086
9 0,544 0,049 0,772 0,2959 0,0024 0,5960 0,7017 6
10 0,953 0,615 0,918 0,9082 0,3782 0,8427 -0,2864
𝑛´ 6
𝑉𝑜𝑙 = = = 0,6
𝑛 10
Analíticamente, el volumen de un octavo de esfera viene dado por:
1 4 3 4
𝑉𝑜𝑙 = ( 𝜋𝑟 ) = × 3,1416 = 0,524
8 3 24
Obviamente, se debe incrementar significativamente el número de experimentos para

mejorar la precisión de la estimación.
Ejercicio 10
Problema:
Utilizando el método de Montecarlo, resolver la siguiente integral:

2 3
𝑉 = ∫ ∫ 𝑒 −(𝑥+𝑦) 𝑑𝑥 𝑑𝑦
0 0
Solución:
El área de integración está representada en el siguiente gráfico,
41
2
s
0 1 2 3 𝑥
Geométricamente la integral planteada representa el volumen de un cuerpo cuya base es

conocida e igual al área de integración (𝑟𝑒𝑐𝑡á𝑛𝑔𝑢𝑙𝑜 𝑑𝑒 2 × 3). Para estimar el volumen se
requiere conocer el valor promedio de la función (𝑎𝑙𝑡𝑢𝑟𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜); para el efecto, se
generará 𝑛 puntos aleatorios que pertenezcan al área de integración; luego, para cada
punto generado se calculará el valor de la función (𝑎𝑙𝑡𝑢𝑟𝑎). Se acumularán 𝑛 alturas para
luego calcular una altura promedio ℎ𝑝 que multiplicada por el área 𝑠 de la base
proporcionará una aproximación al valor de la integral. Vale decir,
42
Inicio
n = ___
i=0
hsum = 0
A
i=i+1
˃ hp = hsum / n
i:n
≤
P = 2 * 3 * hp
Generar r
P
x=2r
Generar r Fin
y=3r
h = e - (x + y)
hsum = hsum + h
Donde:

ℎ𝑠𝑢𝑚 = Acumulador de alturas
𝑟= Número aleatorio en el intervalo (0, 1)
𝑥= Abscisa del punto aleatorio en el área de integración
𝑦= Ordenada del punto aleatorio en el área de integración
ℎ= Valor de la función (altura) en el punto aleatorio
𝑃= Valor de la integral
43
Antes de experimentar con el modelo, es importante aclarar la razón por la que 𝑥 = 2𝑟 y

𝑦 = 3𝑟.
En general, si, 𝑋 ~ 𝑈(𝑎, 𝑏) (𝑋 sigue una distribución uniforme en el intervalo (𝑎, 𝑏)), la
función de densidad de probabilidad viene dada por,
1
𝑓𝑋 (𝑥) = ; 𝑎≤𝑋≤𝑏
𝑏−𝑎
La forma de esta distribución es la que muestra la figura siguiente,
𝒇𝑿 (𝒙)
1
𝑏−𝑎
0 𝑎 𝑏 𝑿
En este caso, la función de distribución acumulada de 𝑋, 𝐹𝑋 (𝑥), es igual a:

𝑥
1 1 𝑥−𝑎
𝐹𝑋 (𝑥) = ∫ 𝑑𝑥 = 𝑥 |𝑎𝑥 =
𝑎 𝑏−𝑎 𝑏−𝑎 𝑏−𝑎
Graficando la misma se tiene:
𝑭𝑿 (𝒙)
𝒓→
𝟎 𝒂 𝒙 𝒃 𝑿
Anteriormente, se señaló que los números aleatorios generados por los dispositivos
electrónicos disponibles (computadores, máquinas de calcular y otros) o los proporcionados
44
por tablas publicadas, son independientes entre sí, y siguen una distribución uniforme en el
intervalo (0, 1).
La función de distribución acumulada de una variable aleatoria, 𝐹𝑋 (𝑥), también toma valores
en el intervalo (0, 1).
Por tanto, se puede asumir que un número aleatorio generado por un dispositivo electrónico
o proporcionado por una tabla (𝑟) es un valor de la función de distribución acumulada de la
variable aleatoria 𝑋, que sigue una distribución uniforme en el intervalo (𝑎, 𝑏); y,
consecuentemente, mediante una trasformación inversa, se podrá determinar el valor de 𝑥
correspondiente; vale decir,
𝑥−𝑎
𝑟=
𝑏−𝑎
De donde:
𝑥 = 𝑎 + 𝑟(𝑏 − 𝑎)
En el caso del ejemplo se requiere generar números aleatorios 𝑥 que sigan una distribución
uniforme en el intervalo (0, 2); por tanto,
𝑥 = 0 + 𝑟(2 − 0) = 2𝑟
También se requiere generar números aleatorios 𝑦 que sigan una distribución uniforme en
el intervalo (0, 3), los cuales serán iguales a:
𝑦 = 0 + 𝑟(3 − 0) = 3𝑟
El siguiente cuadro muestra 10 experimentos con el modelo propuesto.
𝒊 𝒓 𝒙 = 𝟐𝒓 𝒓 𝒚 = 𝟑𝒓 𝒉 = 𝒆−(𝒙+𝒚) 𝒉𝒔𝒖𝒎
0 0
1 0,113 0,226 0,056 0,168 0,674 0,674
2 0,262 0,524 0,620 1,860 0,092 0,766
3 0,658 1,316 0,965 2,895 0,015 0,781
4 0,802 1,604 0,856 2,568 0,015 0,796
5 0,929 1,858 0,245 0,735 0,075 0,871
6 0,941 1,882 0,695 2,085 0,019 0,890
7 0,934 1,868 0,946 2,838 0,009 0,899
8 0,593 1,186 0,336 1,008 0,111 1,010
9 0,168 0,336 0,088 0,264 0,548 1,558
10 0,782 1,564 0,480 1,440 0,049 1,607
1,607
ℎ𝑝 = = 0,1607
10
𝑃 = 2 × 3 × 0,1607 = 0,9642
45
La solución analítica a la integral en cuestión es la siguiente:

2 3
∫ ∫ 𝑒 −(𝑥+𝑦) 𝑑𝑥𝑑𝑦
0 0
2 3 3
= ∫ ∫ 𝑒 −𝑥 𝑒 −𝑦 𝑑𝑥𝑑𝑦 = ∫ 𝑒 −𝑦 (1 − 𝑒 −2 )𝑑𝑦 = (1 − 𝑒 −2 )(1 − 𝑒 −3 ) = 0,822
0 0 0
Obviamente, un mayor número de experimentos mejorará la exactitud de la estimación.
Ejercicio 11
Problema:
Utilizando el método de Montecarlo estimar el volumen del cilindro 𝑦 2 + 𝑧 2 = 9, acotado por

los planos 𝑥 + 𝑧 = 3; y, 𝑥 = 0.
Solución:
Considere la siguiente figura:
𝑥2 + 𝑦2 = 9 𝑥+𝑧=3
𝑥=0
𝑥
Analíticamente, el volumen solicitado es igual a:
3 √9−𝑦 2 3−𝑧
𝑉𝑜𝑙 = ∫ ∫ ∫ 𝑑𝑦𝑑𝑧𝑑𝑥
−3 −√9−𝑦 2 0
3 √9−𝑦 2 3
𝑉𝑜𝑙 = ∫ ∫ (3 − 𝑧)𝑑𝑦𝑑𝑧 = ∫ 6√9 − 𝑦 2 𝑑𝑦 = 84,82
−3 −√9−𝑦 2 −3
46
Desde el punto de vista del método de Montecarlo, nótese que la base del cilindro es un
círculo de radio igual a 3; por tanto, se conoce su área. Para estimar el volumen del cilindro
acotado se requiere la altura promedio del cilindro acotado; para ello, se generan 𝑛 valores
aleatorios de 𝑧 en el intervalo (−3, 3) y para cada uno de ellos se calculará el valor de 𝑥,
donde,
𝑥 = 3 − 𝑧 (altura del cilindro acotado)
Conocida la altura promedio, ésta es multiplicada por el área de la base para tener una
estimación del volumen.
La idea descrita se refleja en el siguiente modelo:
Inicio
n = ___
i=0
hsum = 0
A
i=i+1
˃ hp = hsum / n
i:n
≤ Vol = 9 π hp
Generar r
Vol
z = -3 + 6r
Fin
h=3-z
hsum = hsum + h
Donde,

ℎ𝑠𝑢𝑚 = Acumulador de alturas
47

𝑧= Valor aleatorio para 𝑧 en el intervalo (−3, 3)
𝑥= Valor de 𝑥 (altura del cilindro)
𝑉𝑜𝑙 = Volumen estimado
El siguiente cuadro muestra el volumen estimado con 10 experimentos:
𝒊 𝒓 𝒛 = −𝟑 + 𝟔𝒓 𝒉=𝟑−𝒛 𝒉𝒔𝒖𝒎
0 0
1 0,155 -2,070 5,070 5,070
2 0,483 -0,102 3,102 8,172
3 0,886 2,316 0,684 8,856
4 0,226 -1,644 4,644 13,500
5 0,838 2,028 0,972 14,472
6 0,609 0,654 2,346 16,818
7 0,432 -0,408 3,408 20,226
8 0,841 2,046 0,954 21,180
9 0,204 -1,776 4,776 25,956
10 0,071 -2,574 5,574 31,530
31,530
ℎ𝑝 = = 3,153
10
𝑉𝑜𝑙 = 9 × 3,1416 × 3,153 = 89,149
Ejercicio 12
Problema:
Se desea construir un recipiente (batea) de base cuadrada utilizando una calamina también
cuadrada de 100 𝑐𝑚 de lado.
Utilizando el método de Montecarlo estimar las dimensiones del recipiente para un volumen
máximo.
48
Solución:
Considere la siguiente figura:
base
cuadrada 𝑦 100 𝑐𝑚
𝑥 𝑦 𝑥
100 𝑐𝑚
Es un problema de optimización con restricciones.
El problema puede ser planteado de la siguiente manera:
Maximizar, 𝑉𝑜𝑙 = 𝑦 2 𝑥
Sujeto a: 2𝑥 + 𝑦 = 100 ó 𝑦 = 100 − 2𝑥
Desde el punto de vista del método de Montecarlo, habría que generar valores aleatorios
para la dimensión 𝑥 (𝑥 ≤ 50); luego, para cada valor generado de 𝑥 obtener el valor de 𝑦
correspondiente, utilizando la restricción.
Al final, calcular el volumen del recipiente.
Repetir el experimento 𝑛 veces y tomar como solución los valores de, 𝑥 y 𝑦, para los cuales,
el valor del volumen es máximo.
Lo señalado anteriormente, se expresa en el siguiente modelo:
49
Inicio
n = ___
i=0
Vmax = 0
A
i=i+1
Xop
˃ Yop
i:n Vmax
≤
Generar r
Fin
x = 50 r
y = 100 – 2x
Vol = x y2
>
Vol : Vmax Yop = y
Xop = x
≤
Vmax = Vol
A
Donde:
𝑛= Número máximo de experimentos

𝑉𝑜𝑙 = Volumen
𝑉𝑚𝑎𝑥 = Volumen máximo
𝑥= Altura del recipiente
𝑦= Arista de la base del recipiente
𝑌𝑜𝑝 = Valor óptimo de la arista de la base (solución)
𝑋𝑜𝑝 = Valor óptimo de la altura del recipiente (solución)
50
El siguiente cuadro muestra el resultado obtenido con 10 experimentos o realizaciones:
Cuadro 7. Experimentación
𝒊 𝒓 𝒙 = 𝟓𝟎𝒓 𝒚 = 𝟏𝟎𝟎 − 𝟐𝒙 𝑽𝒐𝒍 = 𝒙𝒚𝟐 𝑿𝒐𝒑 𝒀𝒐𝒑 𝑽𝒎𝒂𝒙
0 0
1 0,970 48,50 3,0 436,5 48,5 3,00 436,5
2 0,167 8,35 83,3 57 939,7 8,35 83,35 57 939,7
3 0,895 44,75 10,5 4 933,7
4 0,433 21,65 56,7 69 602,3 21,65 56,70 69 602,3
5 0,577 28,85 42,3 51 621,1
6 0,145 7,25 85,5 52 999,3
7 0,387 19,35 61,3 72 711,3 19,35 61,30 72 711,2
8 0,321 16,05 67,9 73 997,0 16,05 67,90 73 997,0
9 0,916 45,80 8,4 3 231,6
10 0,985 49,25 1,5 3638,3
𝑋𝑜𝑝 = 16,05
𝑌𝑜𝑝 = 67,9
𝑉𝑜𝑙 = 73997 𝑐𝑚3
𝑥 = 16,05 𝑐𝑚
𝑦 = 67,90 𝑐𝑚
Ejercicio 13
El método de Montecarlo es una poderosa herramienta a la hora de resolver problemas de

programación matemática.
Problema:
Cierta empresa produce dos tipos de vino: vino tinto y vino blanco. Hay bastantes
tecnologías para la elaboración de cada uno de los tipos de vino, obviamente cada
tecnología a un costo diferente.
El precio al mayoreo del litro de vino tinto es de $𝑢𝑠 5,00 mientras que el precio al mayoreo
de un litro de vino blanco es de $𝑢𝑠 3,00.
Un estudio ha demostrado que para producir 1000 𝑙𝑖𝑡𝑟𝑜𝑠 de vino tinto se requiere un total
de 3 𝑜𝑏𝑟𝑒𝑟𝑜𝑠 en el proceso de producción; en cambio, se requiere 5 𝑜𝑏𝑟𝑒𝑟𝑜𝑠 para producir
1000 𝑙𝑖𝑡𝑟𝑜𝑠 de vino blanco. La empresa cuenta con un total de 15 𝑜𝑏𝑟𝑒𝑟𝑜𝑠.
51
Se supone que producir 1000 𝑙𝑖𝑡𝑟𝑜𝑠 de vino tinto tiene un costo igual $𝑢𝑠 500; mientras que,
1000 𝑙𝑖𝑡𝑟𝑜𝑠 de vino blanco, tiene un costo de $𝑢𝑠 200.
El capital de trabajo de la empresa no permite gastar más de $𝑢𝑠 1000 por semana en la
producción de ambos productos.
¿Cuáles deben ser los niveles de producción semanal de vino tinto y vino blanco que
maximicen el ingreso por concepto de venta semanal?
Solución:
Es un problema que se puede plantear como un programa lineal.
Si:
𝑋1 = Miles de litros de vino tinto a producir en una semana

𝑋2 = Miles de litros de vino blanco a producir en una semana
El ingreso semanal por la venta de ambos productos será:
𝑍 = 5000 𝑋1 + 3000 𝑋2
La restricción de mano de obra puede expresarse como:
3 𝑋1 + 5 𝑋2 ≤ 15
La restricción del capital de trabajo disponible puede expresarse como:
500 𝑋1 + 200 𝑋2 ≤ 1000
Por tanto, el problema puede expresarse de la siguiente manera,
𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑍 = 5000𝑋1 + 3000𝑋2

𝑆𝑢𝑗𝑒𝑡𝑜 𝑎: 3𝑋1 + 5𝑋2 ≤ 15
500𝑋1 + 200𝑋2 ≤ 1000
𝑋1 ≥ 0
𝑋2 ≥ 0
Tal como se puede observar, se tiene un programa lineal que puede ser resuelto
analíticamente (método simplex) o en este caso gráficamente:
52
𝑋2
500𝑋1 + 200𝑋2 = 1000

4
𝑍 = 5000𝑋1 + 3000𝑋2
X2 = 2,4
2
3𝑋1 + 5𝑋2 = 15
1
0 1 2 3 4 5 𝑋1
X1 = 1
𝑆𝑜𝑙𝑢𝑐𝑖ó𝑛: 𝑋1 = 1,0; 𝑋2 = 2,4; 𝑍 = 12 200
Desde el punto de vista del método de Montecarlo, correspondería generar valores

aleatorios para 𝑋1 y 𝑋2 , verificar la factibilidad de estos valores, y luego calcular el valor de
la función objetivo 𝑍 con estos valores. Repetir el experimento 𝑛 veces y retener los valores
de 𝑋1 y 𝑋2 para los cuales la función objetivo toma su valor máximo. Esta idea se expresa
en el siguiente modelo, donde:
𝑛= Número máximo de experimentos con valores factibles para X1 y X2

𝑍𝑚𝑎𝑥 = Valor máximo de la función objetivo
𝑋1 = Valor aleatorio de la variable 𝑋1
𝑍= Valor de la función objetivo
𝑋𝑋1 = Valor óptimo de la variable 𝑋1
53
Inicio
n = ___
i=0
Zmax = 0
A
i=i+1
XX1
i:n ˃ XX2
Zmax
≤
B
Generar r
Fin
X1 = 2 r
Generar r
X2 = 3 r
>
3X1 + 5X2 : 15 B
> B
500X1 + 200X2 : 1000
x
≤
Z = 5000X1 + 3000 X2
>
Z : Zmax Zmax = Z
XX1 = X1
≤
XX2 = X2
54
Una manera de establecer valores posibles para 𝑋1 y 𝑋2 :
Restricción 1: 3𝑋1 + 5𝑋2 ≤ 15
Restricción 2: 500𝑋1 + 200𝑋2 ≤ 1000
Restricción Si 𝑋2 = 0 Si 𝑋1 = 0
1 𝑋1 ≤ 5 𝑋2 ≤ 3
2 𝑋1 ≤ 2 𝑋2 ≤ 5
Por tanto,
𝑋1 = 0 + (2 − 0)𝑟 = 2𝑟
𝑋2 = 0 + (3 − 0)𝑟 = 3𝑟
El siguiente cuadro muestra los resultados obtenidos con 10 experimentos (𝑛 = 10):
𝒊 𝒓 𝑿𝟏 𝒓 𝑿𝟐 𝟑𝑿𝟏 𝟓𝟎𝟎𝑿𝟏 𝑷𝒖𝒏𝒕𝒐 𝒁 𝑿𝑿𝟏 𝑿𝑿𝟐 𝒁𝒎𝒂𝒙

= 𝟐𝒓 = 𝟑𝒓 + 𝟓𝑿𝟐 + 𝟐𝟎𝟎𝑿𝟐 𝒇𝒂𝒄𝒕𝒊𝒃𝒍𝒆?
0 0
1 0,687 1,374 0,446 1,338 10,812 954,6 SI 10884 1,374 1,338 10884
2 0,112 0,224 0,816 2,448 12,912 601,6 SI 8464
3 0,192 0,384 0,285 0,855 5,427 363,0 SI 4485
4 0,419 0,838 0,145 0,435 4,689 506,0 SI 5540
5 0,011 0,022 0,726 2,178 10,956 446,6 SI 6644
6 0,860 1,720 0,542 1,626 11,570 1185,2 NO
0,462 0,924 0,138 0,414 4,842 544,2 SI 5862
7 0,652 1,304 0,632 1,896 13,392 1031,2 NO
0,398 0,796 0,515 1,545 10,113 707,0 SI 8615
8 0,459 0,918 0,553 1,659 11,049 790,8 SI 9567
9 0,650 1,300 0,620 1,860 13,200 1022,0 NO
0,600 1,200 0,610 1,830 12,750 966,0 SI 11490 1,200 1,830 11490
10 0,517 1,034 0,960 2,890 17,552 NO
0,844 1,688 0,663 1,989 15,009 NO
0,032 0,064 0,184 0,552 2,952 142,4 SI 1972
𝑆𝑜𝑙𝑢𝑐𝑖ó𝑛 ó𝑝𝑡𝑖𝑚𝑎: 𝑋1 = 1,20; 𝑋2 = 1,83; 𝑍𝑚𝑎𝑥 = 11490
Existe una convergencia interesante. Obviamente, y particularmente en este tipo de casos,

un mayor número de experimentos incrementará la exactitud de la estimación.
El siguiente es el programa (en Matlab) utilizado para implementar el modelo en un

computador digital.
55
1 %Este programa resuelve el programa lineal

2- zmax=0
3- for n=1:100
4- r1=rand
5- x1=2*r1
6- r2=rand
7- x2=3*r2
8- y1=3*x1+5*x2
9- y2=500*x1+200*x2
10- if y1<=15 & y2<=1000
11- z=5000*x1+3000*x2
12- end
13- if z>zmax
14- zmax=z
15- xx1=x1
16- xx2=x2
17- end
18- end
19- disp(‘La solución es:’)
20- x1=xx1
21- x2=xx2
22- z=zmax
23 %Fin del programa
Se corrió el programa para 𝑛 = 100 y los resultados obtenidos fueron,
La solución es:
x1=0,9708
x2=2,4008
z=1,2056e+04
Se puede observar que estos resultados son prácticamente los mismos que los obtenidos
en la solución gráfica al programa lineal.
56
Ejercicio 15
Problema:
Resolver el siguiente programa no lineal, utilizando el método de Montecarlo,
Maximizar:
𝑍 = 𝑋12 + 𝑋22 + 3𝑋32 + 4𝑋42 + 2𝑋52 − 8𝑋1 − 2𝑋2 − 3𝑋3 − 𝑋4 − 2𝑋5
Sujeto a:
𝑋1 + 𝑋2 + 𝑋3 + 𝑋4 + 𝑋5 ≤ 400
𝑋1 + 2𝑋2 + 3𝑋3 + 𝑋4 + 6𝑋5 ≤ 800
2𝑋1 + 𝑋2 + 6𝑋3 ≤ 200
𝑋3 + 𝑋4 + 5𝑋5 ≤ 200
𝑋12 + 𝑋2 𝑋3 + 10 log(1 + 𝑋5 ) ≥ 100
0 ≤ 𝑋1 ≤ 99 (𝑒𝑛𝑡𝑒𝑟𝑜)
0 ≤ 𝑋2 ≤ 99
0 ≤ 𝑋3 ≤ 50
50 ≤ 𝑋4 ≤ 99
10 ≤ 𝑋5 ≤ 40 (𝑒𝑛𝑡𝑒𝑟𝑜)
Solución:
Desde el punto de vista del método de Montecarlo, la idea es la misma que en el ejercicio
anterior; vale decir, correspondería inicialmente generar valores aleatorios para 𝑋1 , 𝑋2 , 𝑋3 ,
𝑋4 y 𝑋5 ; luego, verificar si para los valores generados de las variables de decisión se
cumplen todas las restricciones; de ser así, correspondería calcular el valor de la función
objetivo 𝑍 con estos valores. Si alguna de las restricciones no se cumple con los valores
generados, se tendría que generar nuevos valores aleatorios para las variables de decisión.
Correspondería repetir el experimento 𝑛 veces con valores factibles para las variables de
decisión y retener los valores de 𝑋1 , 𝑋2 , 𝑋3 , 𝑋4 y 𝑋5 para los cuales la función objetivo toma
su valor máximo. Esta idea se expresa en el siguiente modelo, donde:
𝑛= Número máximo de experimentos con valores factibles para 𝑋1 , 𝑋2 , 𝑋3 , 𝑋4 y

𝑋5
𝑖= Contador de experimentos con valores factibles
𝑍𝑚𝑎𝑥 = Valor máximo de la función objetivo
𝑍= Valor de la función objetivo
57
Inicio
n = __
i=0
Zmax = 0
D
i = i +1
> round (XX1)

i:n
XX2
XX3
C ≤ XX4
Generar r round (XX5)
Zmax
X1 = round (90 r)
Generar r
Fin
X2 = 99 r
Generar r
X3 = 50 r
Generar r
X4 = 50 + 49 r
Generar r
58
X5 = round (10 + 30 r)
≤
X1+X2+X3+X4+X5 : 400 > C
X1+2X2+3X3+X4+6X5 : 800 >

C
>
2X1+Xaquí
Escriba 2+6X : 200
la3 ecuación. C
>
X3+X4+5X5 : 200 C
X12+X2 X3+10 log(1+X5) : 100 < C
≥
Z = X1 +X2 +3X3 +4X42+2X52-8X1-2X2-3X3-X4-2X5
2 2 2
59
Z : Zmax > Zmax = Z
XX1 = X1
XX2 = X2
≤
XX3 = X3
XX4 = X4
XX5 = X5
El modelo desarrollado ha sido verificado con una simulación manual. Nótese que el
número de experimentos efectuados es igual a 15; sin embargo, solamente en 4
experimentos los puntos generados son factibles.
Es necesario aclarar que 𝑦1 , 𝑦2 , 𝑦3 , 𝑦4 , 𝑦5 son los valores de las restricciones, 𝑦1 es el valor

de la primera restricción y así sucesivamente. Estos valores permiten averiguar si las
diferentes restricciones se cumplen o no.
La columna 𝐹 ? señala si un punto generado aleatoriamente con los valores de las variables
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 es un punto que pertenece a la región factible del programa.
La siguiente tabla muestra los resultados obtenidos con la simulación manual.
60
i r1 x1 r2 x2 r3 x3 r4 x4 r5 x5 y1 y2 y3 y4 y5 F? z zmax
0 0
1 0,039 4 0,104 10,30 0,937 46,85 0,168 58,23 0,989 40 158,91 461,26 299,12 303,43 513,37 NO
0,732 72 0,395 39,11 0,724 36,20 0,824 90,38 0,255 18 255,80 455,55 401,24 214,83 6679,92 NO
0,385 38 0,955 94,55 0,080 4,00 0,597 79,25 0,099 13 228,88 396,28 194,78 148,10 1842,39 SI 35301,90 35301,90
2 0,180 18 0,816 80,78 0,187 9,35 0,533 76,12 0,442 23 207,33 423,12 172,52 201,77 1086,73 NO
0,175 17 0,737 72,96 0,920 46,00 0,462 72,64 0,159 15 223,70 462,51 383,61 192,49 3668,43 NO
0,062 6 0,075 7,43 0,161 8,05 0,826 90,47 0,228 17 128,93 236,65 68,00 182,72 109,96 SI 33413,51
3 0,326 32 0,528 52,27 0,958 47,90 0,068 53,33 0,196 16 201,66 429,13 404,22 180,63 3557,71 NO
0,994 98 0,907 89,79 0,042 2,10 0,135 56,62 0,172 15 262,07 431,87 299,21 134,52 9884,39 NO
0,695 69 0,687 68,01 0,395 19,75 0,359 67,59 0,852 36 259,72 545,03 324,12 265,14 6093,01 NO
0,351 35 0,401 39,70 0,281 14,05 0,295 64,46 0,886 37 189,53 440,23 193,50 261,41 1781,01 NO
0,241 24 0,665 65,84 0,276 13,80 0,064 53,14 0,031 11 167,56 315,65 196,35 121,59 1488,54 SI 16620,75
4 0,191 19 0,344 34,06 0,821 41,05 0,868 92,53 0,550 27 213,05 461,70 318,17 266,08 1769,94 NO
0,611 60 0,302 29,90 0,929 46,45 0,617 80,23 0,221 17 233,70 439,65 429,58 209,83 5060,14 NO
0,785 78 0,634 62,77 0,753 37,65 0,449 72,00 0,168 15 265,17 478,44 444,10 184,85 8414,81 NO
0,305 30 0,217 21,48 0,102 5,10 0,122 55,98 0,094 13 125,58 221,36 112,47 125,18 1032,71 SI 13950,09
Los resultados son:
𝑋𝑋1 = 38
𝑋𝑋2 = 95,55
𝑋𝑋3 = 4,00
𝑋𝑋4 = 79,25
𝑋𝑋5 = 13
𝑍𝑚𝑎𝑥 = 35301,90on la finalidad de obtener una solución mucho más cercana a la solución
real, es necesario implementar el modelo en un computador. A continuación, se muestra el
código (en MATLAB) del programa de computadora utilizado:
61
1 %Este programa resuelve el problema no lineal

2- zmax=0
3- for n=1:250
4- r1=rand
5- x1=round(90*r1)
6- r2=rand
7- x2=99*r2
8- r3=rand
9- x3=50*r3
10- r4=rand
11- x4=50+49*r4
12- r5=rand
13- x5=round(10+30*r5)
14- y1=x1+x2+x3+x4+x5
15- y2=x1+2*x2+3*x3+x4+6*x5
16- y3=2*x1+x2+6*x3
17- y4=x3+x4+5*x5
18- y5=x1^2+x2*x3+10*log10(1+x5)
19- if y1<=400&&y2<=800&&y3<=200&&y4<=200&&y5>=100
20- z=x1^2+x2^2+3*x3^2+4*x4^2+2*x5^2-8*x1-2*x2-3*x3-x4
-2*x5
21- end
22- if z>zmax
23- zmax=z
24- xx1=round(x1)
25- xx2=x2
26- xx3=x3
27- xx4=x4
28- xx5=round(x5)
29- end
30- end
31- disp (‘La solución es:’)
32- x1=xx1
33- x2=xx2
34- x3=xx3
35- x4=xx4
36- x5=xx5
37- z=zmax
38- %Fin del programa
Se corrió el programa para 𝑛 = 250 y los resultados obtenidos fueron,
La solución es:
x1=13
x2=84,7493
x3=1,5204
x4=91,6659
x5=17
z=4,1143e+04
62
5.5. Resolución de problemas matemáticos probabilísticos y

Estocásticos.
Entre los problemas matemáticos de naturaleza probabilística que el método de Montecarlo

permite resolver, corresponde mencionar a los siguientes:
• Cálculo de probabilidades
• Resolución de procesos estocásticos (p. e. cadenas de Markov)
• Juegos de azar
A continuación, se desarrollan algunos ejemplos.
Ejercicio 16
Problema:
Tres tanques de guerra (𝐴, 𝐵 𝑦 𝐶) están en un duelo.
La probabilidad del tanque 𝐴 de dar en el blanco es igual a 1⁄2.

La probabilidad del tanque 𝐵 de dar en el blanco es igual a 1⁄3.
La probabilidad del tanque 𝐶 de dar en el blanco es igual a 1⁄6.
Cada tanque apunta hacia su oponente más fuerte.

Los tres tanques disparan simultáneamente.
El duelo termina cuando:
• Los tres tanques sobreviven

• Ninguno de los tanques sobrevive
• Un solo tanque sobrevive
Simular el duelo y estimar la probabilidad que el tanque 𝐶 gane el duelo.
Solución:
El siguiente gráfico representa el duelo inicial:
63
A B
A B
C
C
El modelo que permite simular el duelo y estimar la probabilidad solicitada es el siguiente,
Inicio
(1)
pA = 1/2; pB = 1/3; pC = 1/6

(2)
n = ___; i = 0; nc = 0
(10)
0
X (3)
PGC = nc / n
i=i+1 (11)
(4) PGC
X >
i:n
≤ Fin
No (7) ≤ (5) (6)
no no si si
¿C? ¿B? ¿A? ¿B? nc = nc + 1
si si no
(8)
Duelo entre B y C si X
¿C?
no (9)
¿C? si
¿B? Duelo entre A y C
BB
no si no
¿?
si si
X X ¿A? ¿C? X
¿C? no
no no
si
no
¿C? X
nc = nc + 1
si
si
X nc = nc + 1
64
Las variables son:
𝑝𝐴 = Probabilidad que el tanque 𝐴 de en el blanco

𝑝𝐵 = Probabilidad que el tanque 𝐵 de en el blanco
𝑝𝐶 = Probabilidad que el tanque 𝐶 de en el blanco
𝑛= Número máximo de duelos a ser simulados
𝑖= Contador de duelos
𝑛𝑐 = Número de duelos ganados por el tanque 𝐶
¿ 𝐴? = ¿Da el tanque 𝐴 en el blanco?
¿ 𝐵? = ¿Da el tanque 𝐵 en el blanco?
¿ 𝐶? = ¿Da el tanque 𝐶 en el blanco?
𝑃𝐺𝐶 = Probabilidad que el tanque 𝐶 gane el duelo.
A continuación, se presenta una descripción (memoria) del modelo.
En el bloque (1), el modelo conoce las probabilidades de los tanques 𝐴, 𝐵 𝑦 𝐶 de dar en el

blanco. En el bloque (2) se inicializan algunas variables y se establece el número de duelos
a ser simulados. Los duelos se inician en el bloque (3); el bloque (4) verifica si la simulación
ha concluido.
El bloque (5) simula el disparo del tanque A. En el presente caso, la probabilidad del tanque
𝐴 de dar en el blanco es igual a 1⁄2, igual a la probabilidad de obtener 1, 2 ó 3 puntos en la
cara superior cuando se lanza un dado; por ello, el disparo del tanque A es simulado con el
siguiente modelo:
Inicio
Generar r
D = fix (6r) + 1
= 1, 2, 3 = 4, 5, 6
¿D?
si no
Fin
Donde:

𝑓𝑖𝑥(𝑥) = Función de Matlab que toma la parte entera de un número
𝑠𝑖 = El tanque 𝐴 da en el blanco
𝑛𝑜 = El tanque 𝐴 no da en el blanco
65
Este pequeño modelo no ha sido incluido en el modelo general con el único propósito de
no perder claridad. En la implementación del modelo general en un computador,
obviamente, debe ser incluido.
El bloque (6) simula el disparo del tanque 𝐵. En el presente caso, la probabilidad del tanque
𝐵 de dar en el blanco es 1⁄3, igual a la probabilidad de obtener 1 ó 2 puntos en la cara
superior cuando se lanza un dado. El siguiente modelo, similar al anterior, simula el disparo
del tanque 𝐵,
Inicio
Generar r
D = fix (6r) + 1
= 1, 2 = 3, 4, 5, 6
¿D?
si no
Fin
Donde:

𝑠𝑖 = El tanque 𝐵 da en el blanco
𝑛𝑜 = El tanque 𝐵 no da en el blanco
De igual manera, en el bloque (7) se simula el disparo del tanque 𝐶. La probabilidad del
tanque 𝐶 de dar en el blanco es 1⁄6, igual a la probabilidad de obtener 1 punto (“Ace”) en
la cara superior cuando se lanza un dado. El siguiente modelo simula el disparo del tanque
𝐶,
66
Inicio
Generar r
D = fix (6r) + 1
=1 = 2, 3, 4, 5, 6
¿D?
si no
Fin
Donde:

𝑠𝑖 = El tanque 𝐶 da en el blanco
𝑛𝑜 = El tanque 𝐶 no da en el blanco
El bloque (8) inicia el duelo entre los tanques 𝐵 𝑦 𝐶, cuando ambos sobreviven. El bloque
(9) inicia el duelo entre los tanques 𝐴 𝑦 𝐶.
El bloque (10) estima la probabilidad del tanque 𝐶 de ganar el duelo 𝑃𝐺𝐶 = 𝑛𝑐⁄𝑛; y el bloque
(11) exhibe dicho resultado.
A continuación, se procede a la simulación de 10 duelos,
67
𝑻𝒂𝒏𝒒𝒖𝒆 𝑨 𝑻𝒂𝒏𝒒𝒖𝒆 𝑩 𝑻𝒂𝒏𝒒𝒖𝒆 𝑪

𝒊 𝒓 𝑫 ¿ 𝑨? 𝒓 𝑫 ¿ 𝑩? 𝒓 𝑫 ¿ 𝑪? 𝒏𝒄
0 0
1 0,040 1 si 0,105 1 Si 1
2 0,937 6 no 0,169 2 Si
0,989 6 No 0,725 5 no
0,732 5 No 0,395 3 no
0,724 5 No 0,824 5 no
0,256 2 Si 0,385 3 no
3 0,955 6 no 0,329 2 Si
0,598 4 No 0,099 1 si 2
4 0,181 2 si 0,816 5 No 0,187 2 no
0,533 4 no 0,443 3 no
0,175 2 si 0,737 5 no
5 0,920 6 no 0,462 3 No 0,159 1 si
0,062 1 Si 0,076 1 si
6 0,161 1 si 0,826 5 No 0,228 2 no
0,326 2 si 0,529 4 no
7 0,958 6 no 0,068 1 si
0,196 2 Si 0,994 6 no
8 0,907 6 no 0,042 1 Si
0,136 1 No 0,172 2 no
0,695 5 No 0,688 5 no
0,359 3 No 0,395 3 no
0,852 6 No 0,351 3 no
0,402 3 No 0,282 2 no
0,281 2 Si 0,296 2 no
9 0,886 6 no 0,241 2 Si
0,666 4 No 0,277 2 no
0,064 1 Si 0,031 1 si
10 0,191 2 si 0,344 3 No 0,825 5 no
0,869 6 no 0,551 4 no
0,221 2 si 0,785 5 no
11
𝑛𝑐 2
𝑃𝐺𝐶 = = = 0,20
𝑛 10
Ejercicio 17
Problema:
Cierto servomecanismo contiene cuatro (4) dispositivos (𝐴, 𝐵, 𝐶 𝑦 𝐷) conectados de la forma

que muestra la siguiente figura.
68
La confiabilidad de funcionamiento (en términos de probabilidad) del dispositivo 𝐴 es igual

a 0,70; la del dispositivo 𝐵 es igual a 0,80; la del dispositivo 𝐶 es igual a 0,90 y la del
dispositivo 𝐷 es igual a 0,85.
Estimar la confiabilidad de funcionamiento (en términos de probabilidad) del

servomecanismo.
A B
Solución:
El modelo que permite simular el funcionamiento del servomecanismo es el siguiente:
Inicio
pA = 0,7; pB = 0,8; pC = 0,9; pD = 0,85
n = ____; i = 0; nf = 0
A
P = nf / n
i=i+1
˃
P
i:n
≤ Fin
Generar rA, rB, rC, rD
rA : pA ˃ rC : pC ˃
>
≤
A
≤
rB : pB ˃
˃
rD
≤ : pD A
≤
nf = nf + 1
69
En el modelo,
𝑝𝐴 = Confiabilidad de funcionamiento del dispositivo A

𝑝𝐵 = Confiabilidad de funcionamiento del dispositivo B
𝑝𝐶 = Confiabilidad de funcionamiento del dispositivo C
𝑝𝐷 = Confiabilidad de funcionamiento del dispositivo D
𝑛𝑓 = Número de experimentos en los cuales el servomecanismo funciona
𝑟𝐴 = Número aleatorio en el intervalo (0, 1) (confiabilidad de 𝐴 en un experimento)
𝑟𝐵 = Número aleatorio en el intervalo (0, 1) (confiabilidad de 𝐵 en un experimento)
𝑟𝐶 = Número aleatorio en el intervalo (0, 1) (confiabilidad de 𝐶 en un experimento)
𝑟𝐷 = Número aleatorio en el intervalo (0, 1) (confiabilidad de 𝐷 en un experimento)
𝑃= Confiabilidad (en términos de probabilidad) del servomecanismo
A continuación, se simula el funcionamiento del servomecanismo con 10 experimentos

(𝑛 = 10) y se estima la confiabilidad solicitada,
𝒊 𝒓𝑨 𝒓𝑩 𝒓𝑪 𝒓𝑫 𝒏𝒇
0 0
1 0,805 0,270 0,824 0,761 1
2 0,277 0,092 0,629 0,221 2
3 0,582 0,511 0,143 0,929
4 0,013 0,887 0,556 0,118 3
5 0,423 0,452 0,891 0,145 4
6 0,797 0,525 0,528 0,991
7 0,137 0,665 0,761 0,003 5
8 0,164 0,216 0,597 0,126 6
9 0,686 0,173 0,716 0,640 7
10 0,496 0,336 0,810 0,512 8
11
𝑛𝑓 8
𝑃= = = 0,8
𝑛 10
Ejercicio 18
Problema:
Tres amigos 𝐴, 𝐵 𝑦 𝐶 van a tomar un café. Para decidir quién paga la cuenta cada uno de
ellos lanza una moneda y quien obtiene un signo diferente paga la cuenta. Si los tres
obtienen el mismo signo, ellos vuelven a lanzar sus monedas. El proceso es repetido hasta
definir quién paga la cuenta.
Simular el proceso y estimar la probabilidad que quien paga la cuenta no se defina en el

primer lanzamiento.
70
Solución:
El número de resultados posibles cuando se lanzan tres monedas es igual a:
𝑛 =2×2×2= 8
Esos resultados son
𝑨 𝑩 𝑪 ¿ 𝑸𝒖𝒊𝒆𝒏 𝒑𝒂𝒈𝒂?
C C C No se define
S S S No se define
C S S 𝐴
S C S 𝐵
S S C 𝐶
S C C 𝐴
C S C 𝐵
C C S 𝐶
C = “Cara”
S = “Sello”
Nótese que la probabilidad 𝑝 que quien paga la cuenta no se defina, es igual a:
2
𝑝= = 0,25
8
Las variables que se utilizan en el modelo para simular el proceso son:

𝑘= Número de experimentos en los que quien paga la cuenta no se define en el primer
Lanzamiento
𝑃= Probabilidad que quien paga la cuenta no se defina en el primer lanzamiento.
𝑟= Número aleatorio en el intervalo (0, 1).
El modelo que simula el proceso es el siguiente:
71
Inicio
n=10
i=0
k=0
A
i=i+1
˃
i:n P=k/n
≤
P
Generar r
≤ ˃ Fin
r:0,25
k=k+1
A continuación, se simula el proceso con 𝑛 = 10.
72
𝒊 𝒓 𝒌
0 0
1 0,328
2 0,884
3 0,159 1
4 0,667
5 0,965
6 0,474
7 0,266
8 0,146 2
9 0,185 3
10 0,659
11
3
𝑃= = 0,3
10
Ejercicio 19
Problema:
El diagrama inferior muestra cuatro compartimientos y las puertas que conducen de un

compartimiento a otro.
Un ratón ubicado en alguno de los compartimientos elige con igual probabilidad cualquiera
de las puertas disponibles para cambiar de compartimiento. Asuma que inicialmente el ratón
se encuentra en el compartimiento 4.
Simular el paseo del ratón por los diferentes compartimientos para,
a) Identificar el compartimiento en el que se encontrará el ratón en el quinto cambio

de compartimiento (recurrir a un solo experimento o realización)
b) Estimar la probabilidad de que durante los 4 primeros cambios de
compartimiento, el ratón pase por el comportamiento 1. (recurrir a cuatro
experimentos o realizaciones).
1 2
3 4
73
Solución:
En el modelo,
𝑛= Número máximo de realizaciones

𝑚= Número de cambios de compartimiento en un paseo
𝑖= Contador de realizaciones
𝑗= Contador de cambios de compartimiento
𝑐= Identificador del compartimiento en el que se encuentra el ratón
𝑘= Identificador
𝑘 = 1 El ratón pasó por el compartimiento 1 durante el paseo
𝑘 = 0 El ratón no pasó por el compartimiento 1 durante el paseo
𝑛1 Número de realizaciones en las que el ratón pasa por el compartimiento 1
𝑃1 = Probabilidad que el ratón pase por el compartimiento 1 durante los 4 primeros
cambios de compartimiento
El modelo elaborado se muestra a continuación,
Inicio
n = ____; m = ___
i = 0; n1 = 0
B
i=i+1
˃
i:n
P1 = n1 / n
≤
c = 4; k = 0; j = 0
c; P1
A
j=j+1
Fin
˃
j:m B
74
≠ ≠ ≠
c:4 c :3 c:2
= = =
Generar r Generar r Generar r Generar r
> > > >

r : 1/2 r : 1/3 r : 1/3 r : 1/2
≤ ≤ ≤ ≤
c=3 c=2 c=4 c=1 c=4 c=1 c=2 c=3
k:1 = k:1 =
≠ ≠
k=1 k=1
n1 = n1 + 1 n1 = n1 + 1
a)
A continuación, se recurre a 1 experimento con el modelo propuesto,
𝒏 = 𝟏; 𝒎 = 𝟓
𝒊 𝒋 𝒓 𝒌 𝒏𝟏 𝒄
0 0
1 0 0 4
1 0,639 2
2 0,348 1 1 1
3 0,165 2
4 0,477 1
5 0,075 2
6
2
75
Nótese que en el quinto cambio de compartimiento el ratón se encuentra en el

compartimiento 2 (𝑐 = 2).
b)
A continuación, se recurre a 4 experimentos con el modelo propuesto,
𝒏 = 𝟒; 𝒎 = 𝟒
𝒊 𝒋 𝒓 𝒌 𝒏𝟏 𝒄
0 0
1 0 0 4
1 0,933 2
2 0,425 1 1 1
3 0,125 2
4 0,943 1
5
2 0 0 4
1 0,669 2
2 0,220 4
3 0,302 3
4 0,219 4
5
3 0 0 4
1 0,760 2
2 0,768 1 2 1
3 0,003 2
4 0,420 1
5
4 0 0 4
1 0,290 3
2 0,981 1 3 1
3 0,134 2
4 0,134 4
5
5
𝑛1 3
𝑃1 = = = 0,75
𝑛 4
Ejercicio 20
Problema:
En un juego de azar, se gira una ruleta enumerada del 1 al 12. Si la ruleta se detiene en un
número múltiplo de tres (3), el apostador lanza tres (3) dados; si las caras superiores de
los tres dados muestran el mismo número de puntos, el apostador gana un monto igual al
tripe de su apuesta; de otra manera, pierde su apuesta. Si la ruleta se detiene en un número
76
diferente, el apostador lanza tres (3) monedas (una de 10₵, otra de 20₵ y la tercera de 50₵.
Si las monedas de 10₵ y 50₵ muestran “sello”, el apostador gana un monto igual al de su
apuesta; de otra manera, pierde su apuesta.
a) Estimar la probabilidad de ganar del apostador

b) Estimar la cantidad de dinero que tendrá el apostador luego de cinco (5) apuestas.
Asumir que el apostador tiene 10 𝐵𝑠 al empezar el juego y que el monto de cada
apuesta es fijo e igual a 2 𝐵𝑠.
Solución:
Inicialmente, se estima la probabilidad que los tres dados lanzados muestren el mismo
número de puntos en su cara superior.
El número total de resultados posibles cuando se lanzan tres (3) dados es igual a:
𝑛 = 6 × 6 × 6 = 63 :
De estos, los resultados que tienen el atributo de interés (el mismo número de puntos en
las caras superiores de los dados), es igual a:
𝑛𝐴 = 6
Consecuentemente, la probabilidad de obtener el mismo número de puntos en las caras

superiores de los tres dados lanzados es igual a:
𝑛𝐴 6 1
𝑃(𝐴) = = 3 = 2 = 0,028
𝑛 6 6
Luego, es necesario estimar la probabilidad de obtener “sello” en las monedas de 10₵ y 50₵
cuando se lanza las tres monedas.
El número total de resultados posibles cuando se lanzan tres (3) monedas es igual a:
𝑛 =2×2×2= 8
10₵ 20₵ 50₵
𝐶 𝐶 𝐶
𝐶 𝐶 𝑆
𝐶 𝑆 𝐶
𝑆 𝐶 𝐶
𝑆 𝑆 𝑆
𝑆 𝑆 𝐶
𝑆 𝐶 𝑆
𝐶 𝑆 𝑆
77
De estos, los resultados que tienen el atributo de interés (“sello” en las monedas de 10₵ y
50₵), es igual a:
𝑛𝐴 = 2
Consecuentemente, la probabilidad de obtener “sello” en las monedas de 10₵ y 50₵ es igual

a:
𝑛𝐴 2 1
𝑃(𝐴) = = = = 0,250
𝑛 8 4
Las variables utilizadas en el modelo son:
𝐷 = Cantidad de dinero del apostador

𝑖= Contador de apuestas
𝑛= Número máximo de apuestas
𝑎= Valor de una apuesta
𝑅= Número en el que se detiene la ruleta
𝑗= Apuestas ganadas por el apostador
𝑃= Probabilidad de ganar el juego
𝑓𝑖𝑥(𝑥) = Función de Matlab, toma el valor entero de 𝑥
𝑟𝑒𝑚(𝑎, 𝑏) = Función de Matlab, proporciona el residuo de dividir 𝑎 por 𝑏.
El modelo que simula el juego de azar descrito es:
78
Inicio
D=___
i=0
n=___
a=2
j=0
A
i=i+1
D=D-2
˃
i:n P=j/n
≤
P
Generar r D
R=fix(12r)+1
Fin
= ǂ
Generar r rem(R,3):0 Generar r
˂ r:0,028 ≥ ˂ ≥
r:0,250
D=D+a+3a D=D+a+a
j=j+1 j=j+1
79
El siguiente cuadro muestra la simulación del juego de azar con 𝐷 = 10 y 𝑛 = 5.
𝒊 𝑫 𝑅𝑢𝑙𝑒𝑡𝑎 𝒓𝒆𝒎(𝑹, 𝟑) 𝐷𝑎𝑑𝑜𝑠 𝑀𝑜𝑛𝑒𝑑𝑎𝑠 𝒋

𝒓 𝑹 𝒓 ¿ 𝒈𝒂𝒏𝒂? 𝒓 ¿ 𝒈𝒂𝒏𝒂?
0 10 0
1 8 0,039 1 3 0,104 Si 1
12
2 10 0,937 12 0 0,168 No
3 8 0,989 12 0 0,732 No
4 6 0,395 5 2 0,724 No
5 4 0,824 10 1 0,255 No
6
1
𝑃= = 0,2
5
𝐷 = 4 𝐵𝑠
Obviamente, con un mayor número de experimentos se podrá estimar la probabilidad de

ganar el juego con mayor precisión. De igual manera, simulando más veces cinco apuestas,
se podrá estimar con mayor aproximación el dinero con el que se quedará el apostador
luego de cinco apuestas.
Es importante aclarar que en lugar de proporcionarle al modelo la probabilidad que los tres
dados muestren el mismo número de puntos en sus caras superiores y la probabilidad que
las monedas 10₵ y 50₵ muestren “sello”; si no es posible estimar estas probabilidades, el
modelo podría simular el lanzamiento de tres dados y el lanzamiento de tres monedas y
obtener las probabilidades requeridas.
Es importante aclarar que el modelo elaborado utiliza la probabilidad que los tres dados
lanzados muestren el mismo número de puntos en sus caras superiores y la probabilidad
que las monedas de 10 ₵ y 50 ₵ muestren “sello”. De no ser posible calcular estas
probabilidades, el modelo podría simular el lanzamiento de los tres dados y el lanzamiento
de las monedas de 10 ₵, 20₵ y 50₵, tal como se muestra a continuación.
80
Inicio
D=___
i=0
n=___
a=2
j=0
C
i=i+1
D=D-2
˃
i:n P=j/n
≤
P
Generar r D
R=fix(12r)+1
Fin
= ǂ
rem(R,3):0
A B
81
A B
Generar r Generar r
D1=fix(6r) + 1 ≥
r:0,5
Generar r ˂
M1=1 M1=0
D2=fix(6r) + 1
Generar r
Generar r
D3=fix(6r)+1 ≥
r:0,5
˂
D1:D2 = D1:D3 =
M3=1 M3=0
D=D+a+3a
D=D+a+a
ǂ ǂ j=j+1
j=j+1
Se añadieron las siguientes variables:
𝐷1 = Número de puntos que muestra la cara superior del dado 1.

𝑀1 = 0 La moneda de 10₵ muestra “sello”

𝑀1 = 1 La moneda de 10₵ muestra “cara”
𝑀3 = 0 La moneda de 50₵ muestra “sello”
𝑀3 = 1 La moneda de 50₵ muestra “cara”
82
El siguiente cuadro muestra la simulación del juego de azar con 𝐷 = 10 y 𝑛 = 5.
𝒊 𝑫 𝑹𝒖𝒍𝒆𝒕𝒂 𝒓𝒆𝒎(𝑹, 𝟑) 𝑫𝒂𝒅𝒐𝒔 𝑴𝒐𝒏𝒆𝒅𝒂𝒔 𝒋

𝒓 𝑹 𝒓 𝑫𝟏 𝒓 𝑫𝟐 𝒓 𝑫𝟑 𝒓 𝑴𝟏 𝒓 𝑴𝟑
0 10 0
1 8 0,039 1 1 0,989 0 0,732 0 1
12
2 10 0,395 5 2 0,385 1 0,955 0
3 8 0,228 3 0 0,597 4 0,099 1 0,180 2
4 6 0,533 7 1 0,168 1 0,989 0
5 4 0,732 9 0 0,395 3 0,724 5 0,824 5
6
1
𝑃= = 0,2
5
𝐷 = 4 𝐵𝑠
Ejercicio 21
Problema:
El “CRAP” es un famoso juego de azar en el que el jugador lanza dos dados y se anota la
suma de los puntos que muestran las caras superiores de los dados.
Si en el primer lanzamiento la suma es igual a siete (7) u once (11), el jugador gana. Si en
el primer lanzamiento la suma es dos (2), tres (3) o doce (12) el jugador pierde. Si la suma
es cuatro (4), cinco (5), seis (6), ocho (8), nueve (9) o diez (10) en el primer lanzamiento,
ésta se convierte en la referencia del jugador.
Para ganar, el jugador sigue lanzando los dos dados hasta obtener nuevamente una suma
igual a su referencia. El jugador pierde si obtiene una suma igual a siete (7) antes de lograr
su referencia.
Simular el “CRAP” y estimar la probabilidad que tiene un jugador de ganar este juego.
Solución:
El modelo construido utiliza las siguientes variables,
𝑛= Número máximo de experimentos o juegos

𝑖= Contador de experimentos o juegos
𝑛𝑔 = Número de juegos ganados
𝑑1 = Número de puntos que muestra la cara superior del dado 1
𝑠𝑢𝑚 = Número de puntos que muestras las caras superiores de los dos dados (d1 + d2)
𝑟𝑒𝑓 = Referencia del jugador
𝑃𝐺 = Probabilidad de ganar del jugador
El modelo que simula el “CRAP” es el siguiente,
83
Inicio
(1)
n = ___; i = 0; ng = 0
A (2)
i=i+1
(3) (18)
i:n > PG = ng / n
(19)
≤ (4)
PG
Generar r
(5)
d1 = fix (6r) + 1 Fin
(6)
Generar r
(7)
d2 = fix (6r) + 1
(8)
sum = d1 + d2
84
(9)
= 2, 3, 12 = 4, 5, 6, 8, 9, 10
¿sum? (11)ǂ
ref = sum
= 7, 11
(10) (12)
ng = ng + 1 Generar r
(13)
d1 = fix (6r) + 1
(14)
Generar r
(15)
d2 = fix (6r) + 1
(16)
sum = d1 + d2
(17)
= ref ǂ ref
¿sum?
ǂ7
=7
A continuación, se presenta una descripción (memoria) del modelo.
Se inicia (bloque (1)) definiendo el número de experimentos a realizar y los valores iniciales
del contador de experimentos y del número de experimentos en los que el jugador gana.
En el bloque (3) se averigua si la simulación ha terminado.
En los bloques (4) al (7) se lanzan los dados y se conoce el número de puntos que muestran
las caras superiores de los dados.
La suma de los puntos que muestran las caras superiores de los dados se obtiene en el
bloque (8). Si la suma es 7 u 11 el jugador gana, si esta es 2, 3 ó 12 el jugador pierde. Si
la suma es 4, 5, 6, 8, 9 ó 10, ésta resulta ser la referencia del jugador (bloque (11)). En los
bloques (12) al (17) los dados son lanzados repetitivamente hasta que la suma sea igual a
la referencia (el jugador gana) o sea igual a 7 (el jugador pierde).
Una vez terminada la simulación, se estima la probabilidad de ganar del jugador (bloque
(18)) dividiendo el número de jugadas ganadas (nf) por el número de jugadas simuladas
(n).
85
El siguiente cuadro muestra 10 simulaciones del “CRAP”,
dado 1 dado 2
𝒊 𝒓 𝒅𝟏 𝒓 𝒅𝟐 𝒔𝒖𝒎 𝒓𝒆𝒇 𝒏𝒈 𝑶𝒃𝒔𝒆𝒓𝒗𝒂𝒄𝒊𝒐𝒏𝒆𝒔
0 0
1 0,284 2 0,609 4 6 6 Vuelve a lanzar
0,790 5 0,214 2 7 Pierde
2 0,182 2 0,397 3 5 5 Vuelve a lanzar
0,828 5 0,575 4 9 Vuelve a lanzar
0,769 5 0,117 1 6 Vuelve a lanzar
0,512 4 0,696 5 9 Vuelve a lanzar
0,821 5 0,382 3 8 Vuelve a lanzar
0,683 5 0,533 4 9 Vuelve a lanzar
0,312 2 0,718 5 7 Pierde
3 0,923 6 0,929 6 12 Pierde
4 0,362 3 0,702 5 8 8 Vuelve a lanzar
0,332 2 0,173 2 4 Vuelve a lanzar
0,775 5 0,202 2 7 Pierde
5 0,337 3 0,941 6 9 9 Vuelve a lanzar
0,241 2 0,748 5 7 Pierde
6 0,416 3 0,046 1 4 4 Vuelve a lanzar
0,865 6 0,445 3 9 Vuelve a lanzar
0,293 2 0,935 6 8 Vuelve a lanzar
0,551 4 0,345 3 7 Pierde
7 0,734 5 0,185 2 7 1 Gana
8 0,653 4 0,372 3 7 2 Gana
9 0,425 3 0,966 6 9 9 Vuelve a lanzar
0,805 5 0,418 3 8 Vuelve a lanzar
0,547 4 0,189 2 6 Vuelve a lanzar
0,380 3 0,979 6 9 3 Gana
10 0,626 4 0,887 6 10 10 Vuelve a lanzar
0,047 1 0,424 3 4 Vuelve a lanzar
0,974 6 0,702 5 11 Vuelve a lanzar
0,396 3 0,113 1 4 Vuelve a lanzar
0,951 6 0,080 1 7 Pierde
11 Termina la
simulación
𝑛𝑓 3
𝑃𝐺 = = = 0,3
𝑛 10
Ejercicio 22
Problema:
MAYOR MENOR es un juego de azar conocido. Utiliza un tablero similar al que muestra la
figura inferior.
86
El jugador apuesta a una de las columnas (𝐴, 𝐵 ó 𝐶); luego, arroja dos dados. Si la suma
de los puntos que muestran las caras superiores de los dados es igual a alguno de los
números de la columna a la que apostó, el jugador gana un monto similar al de su apuesta;
de otra manera, pierde su apuesta. Si el jugador gana habiendo apostado a la columna
central (𝐵), el jugador recibe un monto igual al doble de su apuesta.
2 8
3 9
4 7 10
5 11
6 12
𝑨 𝑩 𝑪
Simular el juego y,
a) Estimar la probabilidad de ganar el juego del jugador.

b) El jugador decide destinar 𝐵𝑠. 10 a este juego. Si el monto de cada apuesta es igual
a 𝐵𝑠. 1; averiguar el monto de dinero que tendrá el jugador al finalizar la quinta
apuesta.
Solución:
Inicialmente, se asume que el jugador decide a que columna apostar en función de la

probabilidad de ocurrencia de cada columna; vale decir,
Experimento aleatorio: Arrojar dos dados
87
Dado 2 C
6 ● ● ● ● ● ●
5 ● ● ● ● ● ●
4 ● ● ● ● ● ●
3 ● ● ● ● ● ●
2 ● ● ● ● ● ●
1 ● ● ● ● ● ● B
1 2 3 4 5 6 Dado 1
𝐴 = {La suma de los puntos que muestran las caras superiores de los dados es menor a 7}
15 5
𝑃(𝐴) = = = 0,417
36 12
𝐵 = {La suma de los puntos que muestran las caras superiores de los dados es igual a 7}
6 1
𝑃(𝐵) = = = 0,166
36 6
𝐶 = {La suma de los puntos que muestran las caras superiores de los dados es mayor a 7}
15 5
𝑃(𝐶) = = = 0,417
36 12
Nótese que:
𝑃(𝐴) + 𝑃(𝐵) + 𝑃(𝐶) = 1
Consecuentemente, ¿Cómo saber a cuál columna apuesta el jugador?
Generando un número aleatorio 𝑟 que sigue una distribución uniforme en el intervalo (0; 1).
0,417 0,166 0,417
Columna A Columna B Columna C
0 0,417 0,583 1 𝒓
En otras palabras,
88
Si 𝑟 ≤ 0,417; El apostador elige la columna A
Si 0,417 > 𝑟 ≤ 0,583; El apostador elige la columna B
Si 𝑟 > 0,583; El apostador elige la columna C
Las variables utilizadas en el algoritmo que replica el juego son:
𝑛= Número máximo de apuestas

𝑖= Contador de apuestas
𝑠𝑢𝑚 = Monto de dinero del jugador
𝑐𝑜𝑙 = Columna a la que apuesta el jugador
𝑡= 𝑑1 + 𝑑2
𝑛𝑎 = Número de apuestas ganadas por el jugador
𝑝= Probabilidad de ganar el jugador
𝑟= Número aleatorio que sigue una distribución uniforme en (0, 1)
El algoritmo que replica el juego es el siguiente:
89
Inicio
n=5
i=0
sum=10
A
i=i+1
>
i:n
≤ 𝑛𝑎
𝑝=
𝑛
Generar r
> >
r : 0,583 r : 0,417
p
sum
≤ ≤
col = “C” col = “B” col = “A”
Fin
Generar r
d1 = fix (6*r) + 1
Generar r
d2 = fix (6 * r) + 1
t = d1 + d2
= 8, 9, 10, 11, 12 = 2, 3, 4, 5, 6
¿t?
=7
t = “C” t = “B” t = “A”
90
t : col ≠
sum = sum -1
A
na = na + 1
≠
t : “B”
sum = sum + 2 sum = sum + 1
A continuación, se simula el juego.
Primera realización
𝑛=5
𝒊 𝒓 𝒄𝒐𝒍 𝒓 𝒅𝟏 𝒓 𝒅𝟐 𝒕 𝒕 𝒏𝒂 𝒔𝒖𝒎
0 0 10
1 0,039 “A” 0,104 1 0,937 6 7 “B” 9
2 0,168 “A” 0,989 6 0,732 5 11 “C” 8
3 0,395 “A” 0,724 5 0,824 5 10 “C” 7
4 0,255 “A” 0,385 3 0,955 6 9 “C” 6
5 0,328 “A” 0,597 4 0,099 1 5 “A” 1 7
6
𝑛𝑎 1
𝑝= = = 0,2
𝑛 5
𝑠𝑢𝑚 = 7 𝐵𝑠
91
Segunda realización
𝑛=5
i r col r d1 r d2 t t na Sum
0 0 10
1 0,346 “A” 0,583 4 0,749 5 9 “C” 9
2 0,643 “C” 0,193 2 0,815 5 7 “B” 8
3 0,603 “C” 0,946 6 0,350 3 9 “C” 1 9
4 0,339 “A” 0,075 1 0,613 4 5 “A” 2 10
5 0,318 “A” 0,144 1 0,709 5 6 “A” 3 11
6
𝑛𝑎 3
𝑝= = = 0,6
𝑛 5
𝑠𝑢𝑚 = 11 𝐵𝑠
Se debe obtener más realizaciones y obviamente aplicar a todos los resultados obtenidos,
medidas de tendencia central (p.e. la media aritmética o la moda) para obtener resultados
finales.
Ejercicios propuestos
1. Sea X una variable aleatoria que sigue una distribución normal con una media igual
a 100 y una varianza igual a 64,
a) Calcular P(90 ≤ X ≤ 120), utilizando las tablas de la distribución normal.
b) Estimar la probabilidad solicitada en a) utilizando el método de Montecarlo.
c) Comparar y comentar los resultados obtenidos.
2. Dado el siguiente programa lineal,
Minimizar Z = 30 X1 + 60 X2
Sujeto a,
5X2 + 3X1 ≤ 2 000 000
X2 - X1 ≤ 50 000
X1 - X2 ≤ 50 000
X2 ≤ 275 000
X1 + X2 ≤ 475 000
X1 ≥ 0
X2 ≥ 0
a) Resolver el programa lineal gráficamente

b) Resolver el programa lineal utilizando el método de Montecarlo
c) Comparar y comentar los resultados obtenidos
3. Encontrar las dimensiones del rectángulo de mayor área que se puede inscribirse
en una semicircunferencia de 12 cm de radio. Las bases deben coincidir.
a) Resolver el problema analíticamente

b) Resolver el problema utilizando el método de Montecarlo
92
c) Comparar y comentar los resultados obtenidos
4. En un juego de azar se lanza 3 monedas (10 ¢, 20 ¢ y 50 ¢). Si las monedas de 10

¢ y 50 ¢ muestran “cara” el apostador debe seleccionar dos cartas de una baraja de
52 cartas; de otra manera, selecciona al azar una bola de billar de una bolsa que
contiene dos bolas blancas y una negra. Si ambas cartas seleccionadas tienen el
mismo número, el apostador gana un monto similar al de su apuesta; de otra
manera, pierde su apuesta. Si la bola seleccionada es negra, el apostador gana un
monto similar al de su apuesta; de otra manera, pierde la misma.
a) Simular el juego y estimar la probabilidad que el apostador tiene de ganar el

mismo.
b) Simular el juego y estimar el monto que de dinero que tendrá el apostador al
finalizar la décima apuesta. Asumir que, al empezar el juego, el apostador tiene
Bs. 10 y que el monto de la apuesta es fijo e igual a Bs. 1.
93

Orígenes Del Método de Montecarlo

Cargado por

Copyright:

Formatos disponibles

Orígenes Del Método de Montecarlo

Cargado por

Información del documento

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

Orígenes Del Método de Montecarlo

Cargado por

Copyright:

Formatos disponibles

El método de Montecarlo Rubén Medinaceli O.

El método de Montecarlo es un método numérico que permite resolver problemas

1. Orígenes del método de Montecarlo

Suponga que se desea estimar el área siguiente:

En este caso, el área puede obtenerse analíticamente de la siguiente manera:

Una aproximación del área de interés vendrá dada por la razón,

Lo señalado en el párrafo anterior se puede reflejar en el siguiente modelo:

𝑖= Contador de experimentos o realizaciones

Tal como se señaló anteriormente, es posible incrementar la exactitud de las estimaciones

En el caso del ejemplo, el modelo fue implementado en un computador utilizando 𝑀𝑎𝑡𝑙𝑎𝑏.

A continuación, se muestra el listado del pequeño programa elaborado,

1 %Este programa estima el área del ejemplo

En esa línea, otra solución, aplicando el método de Montecarlo, al problema planteado

Sea ℎ𝑝 el promedio de las alturas calculadas,

Consecuentemente, el área de interés será aproximadamente igual al producto de la base

Obviamente, cuanto mayor sea 𝑛, tanto mayor será la exactitud de la estimación.

Lo señalado se refleja en el siguiente modelo,

𝑖= Contador de experimentos o realizaciones

La siguiente tabla muestra una experimentación manual (prueba de escritorio) utilizando

Tal como se señaló anteriormente, es posible incrementar la exactitud de las estimaciones

1 %Este programa estima el área del ejemplo

Es importante aclarar que, en la práctica, el método de Montecarlo no se aplica al cálculo

2. Peculiaridades del método de Montecarlo

Las peculiaridades del método de Montecarlo son dos:

• La segunda consiste en que el error es proporcional a la magnitud √𝐷 ⁄𝑛, donde 𝐷

3. Problemas matemáticos que permite resolver el método de

En general, el método de Montecarlo puede resolver dos tipos de problemas:

• Problemas matemáticos de naturaleza probabilística y/o estocástica. Vale decir, el

• Problemas de naturaleza determinística. En muchos problemas matemáticos, que

4. Breve repaso de la teoría de probabilidades, del formalismo

Se ha definido el método de Montecarlo como un método numérico que permite resolver

Consecuentemente, para una adecuada aplicación del método, es indispensable tener

4.1. Teoría de probabilidades

Los conceptos de probabilidad pertenecen al corazón de la teoría de la estadística; un

Un tipo similar de incertidumbre y la regularidad a largo plazo ocurren a menudo en la

4.1.1. Probabilidad clásica o “a priori”

Si un experimento aleatorio puede dar lugar a 𝑛 resultados mutuamente excluyentes e

Se lanza un dado legal.

a) ¿Cuál es la probabilidad que la cara superior del dado muestre un punto?

Experimento aleatorio: lanzar un dado

• ¿Qué pasa si los resultados de un experimento aleatorio no son igualmente

• ¿Qué pasa si un experimento aleatorio da lugar a un número infinito de resultados?

• La probabilidad clásica difícilmente podría responder a preguntas tales como ¿Cuál

4.1.2. Probabilidad de frecuencia o “a posteriori”

Con el propósito de salvar las dificultades anotadas, aparece un concepto complementario

𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡𝑜𝑠 𝑞𝑢𝑒 𝑡𝑖𝑒𝑛𝑒𝑛 𝑒𝑙 𝑎𝑡𝑟𝑖𝑏𝑢𝑡𝑜 𝐴 (𝑛𝐴 )

Este es el concepto que utiliza el método de Montecarlo para estimar probabilidades. El

Se arroja un dado legal.

En el marco de la probabilidad de frecuencia o “a posteriori”, la primera opción es

La segunda opción es crear un pequeño modelo que simule el lanzamiento de un

El modelo sería el siguiente:

D = fix (6*r) + 1 Fin

𝑖= Contador de experimentos o realizaciones

La siguiente tabla muestra 20 lanzamientos de un dado utilizando el modelo (𝑛 = 20):

𝒊 𝒓 𝑫 𝒓𝒆𝒎(𝑫, 𝟐): 𝟎 𝒏𝑨 𝒊 𝒓 𝑫 𝒓𝒆𝒎(𝑫, 𝟐): 𝟎 𝒏𝑨

4.1.3. Teoría axiomática de probabilidades

Los conocimientos adquiridos, en el transcurso del tiempo, con los conceptos de

En esta línea, un formalismo matemático importante es la teoría axiomática de

Previamente, son importantes las siguientes definiciones