Temas Subtemas
1. Introducción. Conceptos básicos: sistema real, modelo, experimentación real y simulación. Ventajas e inconvenientes de la simulación. Tipos de números aleatorios: puros, pseudo-aleatorios y cuasi-aleatorios. Números aleatorios en R.
2. Generación de números pseudoaleatorios. Generadores congruenciales lineales y extensiones. Análisis de la calidad de un generador de números pseudoaleatorios uniformes. Repetición de contrastes.
3. Análisis de los resultados de simulación. Diagnosis de la convergencia. Estimación de la precisión. Determinación del número de generaciones. Problemas de estabilización y dependencia.
4. Simulación de variables continuas. Método de inversión. Método de aceptación/ rechazo y variantes. Ejemplos de métodos específicos para generación de distribuciones notables.
5. Simulación de variables discretas. Método de la transformación cuantil. Algoritmos basados en búsqueda secuencial.
Método de la tabla guía. Método de Alias. Cálculo directo de la función cuantil. Ejemplos de métodos específicos para generación de distribuciones discretas notables.
6. Simulación de distribuciones multidimensionales. Método de aceptación/rechazo. Métodos basados en la factorización de la matriz de covarianzas. Método de las distribuciones condicionadas. Simulación condicional e incondicional. Simulación basada en cópulas. Simulación de distribuciones multivariantes discretas.
7. Métodos Monte Carlo Integración Monte Carlo. Muestreo por importancia. Optimización Monte Carlo. Temple simulado. Algoritmos genéticos de optimización. Métodos Monte Carlo en Inferencia Estadística. Introducción al remuestreo Bootstrap.
8. Técnicas de reducción de la varianza. Variables antitéticas. Números aleatorios comunes. Muestreo estratificado. Variables de control. Condicionamiento.
9. Introducción a los métodos de cadenas de Markov Monte Carlo. Muestreo de Gibbs. Algoritmo Metropolis Hastings. Diagnosis de un algoritmo MCMC.