Periodo académico 2024-1S
Actividad | Grupo | Periodos | Horarios | Aula | Profesor/Tutor |
---|
No existen datos de grupos de esta asignatura, en este plan de estudios.
Los procesos estocásticos permiten describir y cuantificar la dinámica de
variables aleatorias siendo fundamentales para realizar predicciones basadas
en conceptos probabilísticos. Por tanto, son la base para la modelación en
diferentes áreas de las ciencias naturales, ciencias sociales y económicas,
ciencias médicas e ingenierías, en donde se presenten fenómenos de carácter
aleatorio. La simulación de variables aleatorias y de procesos estocásticos es
entonces la herramienta para reproducir y estudiar este tipo de fenómenos,
utilizando las facilidades de la computación moderna. La asignatura está
diseñada como una introducción
a la simulación estocástica y su aplicación a los procesos estocásticos
y optimización
• La asignatura ofrece al estudiante los conceptos básicos de procesos
estocásticos, las herramientas para reconocer y plantear modelos
probabilísticos y/o estocásticos más adecuados en la descripción de una
situación problema y los distintos métodos computacionales de simulación
estocástica para solucionar estos modelos.
• Además, se brindan herramientas básicas para el análisis estadístico
de datos simulados y aplicaciones de la simulación estocástica a optimización
I. Introducción
1. Sistemas, modelos y simulación.
2. Pasos en un estudio de simulación: estructura básica de una
simulación estocástica.
3. Números aleatorios: números pseudoaleatorios, generadores congruentes.
4. El método de Monte Carlo.
5. Integración: Hit-and-miss method, Integración de Monte Carlo.
II. Generación de variables aleatorias
1. Método de la transformada inversa: para variables aleatorias
discretas, para variables aleatorias
continuas, ejemplos.
2. Método del rechazo para variables aleatorias continuas: método
básico, método general,
eficiencia del método, ejemplos.
III. Procesos de Poisson y Poisson no Homogéneos
1. Variable aleatoria exponencial y Poisson.
2. Procesos de conteo.
3. Procesos de Poisson: definiciones, propiedades (markoviana, thining,
merging) y simulación.
4. Procesos de Poisson no Homegéneos: definición, propiedades y
simulación.
IV. Simulación de eventos discretos
1. Estructura: eventos y variables.
2. Teoría de colas: medidas de desempeño, simulación. Ejemplo: sistema
de colas de 1 servidorV. Cadenas de Markov de Tiempo Discreto y Continuo
1. Definición, propiedades, matriz de transición al paso 1 y paso n,
probabilidad límite.
2. Simulación.
VI. Análisis estadístico de datos simulados
1. Media muestral y varianza muestral, error cuadrático medio.
2. ¿Cuándo parar una simulación?
3. Estimación de intervalos de confianza de la media.
4. Método de bootstrap.
VII. Inferencia Estadística
1. Método de momentos.
2. Método de máxima verosimilitud.
VIII. Técnicas de validación estadística
1. Tests de bondad de ajuste.
2. Chi-cuadrado.
3. Kolmogorov-Smirnov.
4. Criterio de información de Akaike.
IX. Técnicas de reducción de varianza
1. Método de variables comunes y antitéticas.
2. Variables de control y condicionamiento.
3. Muestreo estratificado.
4. Muestreo de importancia y aplicaciones
X. Makov Chain Monte Carlo
1. Métodos de cadenas de Markov.
2. Metrópolis Hastings.
3. Muestreador de Gibbs.
4. Remuestreo de muestreo de importancia (SIR).
5. Métodos de optimización estocástica.
6. Recocido simulado.
7. Aproximación estocástica
Libros:
• Sheldon Ross, Simulation, 5a edición, 2012.
• Owen Jones et al., Introduction to Scientific Programming and
Simulation Using R, 2a edición, 2014.
• Dirk P. Kroese and Joshua C.C. Chan, Statistical modeling and
computation, 2014.
• Dirk P. Kroese, Thomas Taimre, Zdrakvo I. Botev, Handbook of Monte
Carlo Methods, 2011.
• Barry Nelson, Foundations and Methods of Stochastic Simulation – A
first course, 2013
• Christian P. Robert and George Casella, Introducing Monte Carlo
Methods with R, 2010.
Artículos:
• Dirk P. Kroese et al., Why the Monte Carlo method is so important
today, WIREs Computational Statistics, Volume 6, November/December 2014.
• Shi-hua Zhan, et al., List-Based Simulated Annealing Algorithm for
Traveling Salesman Problem. Computational Intelligence and Neuroscience, Vol
2016, http://dx.doi.org/10.1155/2016/1712630
E4-Diseñar y validar modelos de simulación, interpretando sus resultados,
evaluando su desempeño y optimizando su ejecución.
SALAS DE COMPUTO, OFFICE, TABLEAU, POWER BI, VIDEOBEAM, AVATA DEL CURSO
28/08/2023