REPÚBLICA BOLIVARIANA DE VENEZUELA

UNIVERSIDAD BICENTENARIA DE ARAGUA

VICERRECTORADO ACADÉMICO
FACULTAD DE INGENIERIA: ESCUELA DE INGENIERÍA DE
SISTEMAS
MARACAY – VENEZUELA

Simulación de Procesos estocásticos

Autor:
Adolfo Torres
C.I.: 27.168.891

San Joaquín de Turmero, 17 de octubre de 2018

 Introducción
En este ensayo se hablará sobre:
 Generación de eventos para distribuciones discretas.
 Generación de Funciones empíricas.
 distribución Bernoulli.
 distribuciones geométricas.
antes de ello, debemos de tener noción de lo que se explica en general.
De un modo muy general, podemos decir que la probabilidad es la disciplina que se ocupa del estudio
de lo aleatorio (o estocástico) y que un proceso estocástico es el estudio de lo aleatorio cuando se
incorpora la variable tiempo. Por ejemplo, lo que sucede al lanzar una moneda no es un proceso
estocástico; sin embargo, la secuencia de resultados obtenidos al lanzar una moneda varias veces
seguidas sí que lo es. En el campo de las telecomunicaciones encontramos distintas ´áreas que
requieren del “control” de lo aleatorio.
Un proceso estocástico es cualquier familia de variables aleatorias {Xt}t∈T definidas sobre un mismo
espacio probabilístico (Ω, σ, P), donde T denota un conjunto de índices. En función de las relaciones
existentes entre las distintas variables que componen la sucesión, el proceso estocástico recibe
diferentes nombres: cadena de Markov, movimiento Browniano, etc.
En otras palabras
El proceso estocástico, es un concepto matematico que sirve para caracterizar una sucesion de
variables aleatorias (estocásticas) que evolucionan en funcion de otra variable, generalmente el
tiempo. Cada una de las variables aleatorias del proceso tiene su propia funcion de distribucion de
probabilidad y, entre ellas, pueden estar correlacionadas o no.
Cada variable o conjunto de variables sometidas a influencias o impactos aleatorios, constituye un
proceso estocástico
 Desarrollo

Uno de los conceptos más importantes de la teoría de probabilidades es el de variable aleatoria que,
intuitivamente, puede definirse como cualquier característica medible que toma diferentes valores
con probabilidades determinadas. Toda variable aleatoria posee una distribución de probabilidad que
describe su comportamiento (vale decir, que desagrega el 1 a lo largo de los valores posibles de la
variable).
Si la variable es discreta, es decir, si toma valores aislados dentro de un intervalo, su distribución de
probabilidad especifica todos los valores posibles de la variable junto con la probabilidad de que cada
uno ocurra.
En el caso continuo, es decir, cuando la variable puede tomar cualquier valor de un intervalo, la
distribución de probabilidad permite determinarlas probabilidades correspondientes a con
subintervalos de valores.
Las distribuciones discretas incluidas en el sub módulo de “Generación de distribuciones”
son:
- Uniforme discreta: La distribución uniforme discreta describe el comportamiento de una variable
discreta que puede tomar n valores distintos con la misma probabilidad cada uno de ellos
- Binomial: Esta distribución aparece de forma natural al realizar repeticiones independientes de un
experimento que tenga respuesta binaria, generalmente clasificada como “éxito” o “fracaso”; este
experimento recibe el nombre de experimento de Bernoulli.
- Multinomial: La distribución multinomial generaliza esta distribución al caso en que la población
se divide en m > 2 grupos mutuamente excluyentes y exhaustivos o, equivalentemente, a
experimentos con m resultados.
- Hipergeométrica: que mide la probabilidad de obtener x (0 ≤ x ≤ d) elementos de una determinada
clase formada por d elementos pertenecientes a una población de N elementos, tomando una muestra
de n elementos de la población sin reemplazo.
- Geométrica: que describe el número de intentos necesarios hasta conseguir el primer acierto.
- Binomial negativa: o distribución de Pascal, que describe el número de ensayos de Bernoulli
independientes necesarios para conseguir n aciertos, dada una probabilidad individual de éxito p
constante.
- Poisson: La distribución de Poisson surge cuando un evento o suceso “raro” ocurre aleatoriamente
en el espacio o el tiempo.
Con excepción de la multinomial, todas fueron descritas en el submódulo precedente
(“Cálculo de probabilidades”).

Generación de Funciones empíricas

 Se denomina probabilidad empírica a aquella que se determina de forma experimental.
 Al repetir un experimento bajo las mismas condiciones, la frecuencia relativa de un suceso
se aproxima a su probabilidad (denominada frecuencia o empírica)
 A mayor cantidad de repeticiones, la probabilidad empírica tiende a establecerse en un valor
que coincide con la probabilidad teórica del suceso.
Si se tiene una muestra aleatoria simple, es posible encontrar una distribución a partir de la muestra
que proporcionará un cierto parecido a la distribución verdadera de la variable asociada con la
población.

Distribución de Bernoulli
Experimento de Bernoulli: solo son posibles dos resultados: éxito o fracaso.
Podemos definir una variable aleatoria discreta X tal que:
éxito → 1 fracaso → 0
Si la probabilidad de éxito es p y la de fracaso 1 - p, podemos construir una función de probabilidad:

DISTRIBUCIÓN GEOMÉTRICA O DE PASCAL

Definamos una experiencia aleatoria cuyo resultado sólo puede ser el suceso A o su complementario
Ac, y que se repite secuencialmente hasta que aparece el suceso A por primera vez.
Definamos la variable aleatoria X como el número de veces que repetimos la experiencia en
condiciones independientes hasta que se dé A por primera vez. Bajo estas condiciones, decimos que
la variable X sigue una distribución geométrica o de Pascal de parámetro p = P(A).
La función de densidad puede deducirse fácilmente de la definición:
𝑓(𝑘) = 𝑃[𝑋 = 𝑘] = (1 − 𝑝)𝑘 𝑝 𝑘 = 0, 1, 2, . ..

Supóngase que se efectúa repetidamente un experimento o prueba, que las repeticiones son
independientes y que se está interesado en la ocurrencia o no de un suceso al que se refiere como
“éxito”, siendo la probabilidad de este suceso p. La distribución geométrica permite calcular la
probabilidad de que tenga que realizarse un número k de repeticiones antes de obtener un éxito por
primera vez; esta probabilidad decrece a medida que aumenta k con lo que la función de masa de
probabilidad es siempre decreciente.
 Conclusion
El objetivo de la materia es tanto dar contenidos teóricos que permitan entender y dar
demostraciones rigurosas de que los métodos a estudiar efectivamente simulan procesos con la
distribución (exacta o aproximada) que se desean. De esta manera, el estudiante tiene una base para
el comienzo de este nuevo contenido a ver.