Datos Identificativos					2019/20
Asignatura (*)	Simulación Estatística			Código	614493122
Titulación
Descriptores	Ciclo	Período	Curso	Tipo	Créditos
	Mestrado Oficial	2º cuadrimestre	Primeiro	Optativa	5
Idioma	Castelán
Modalidade docente	Presencial
Prerrequisitos
Departamento	Matemáticas
Coordinación	Fernández Casal, Rubén		Correo electrónico	ruben.fcasal@udc.es
Profesorado	Fernández Casal, Rubén		Correo electrónico	ruben.fcasal@udc.es
Web	http://eio.usc.es/pub/mte/
Descrición xeral	Se pretende que el alumno adquiera destreza en la identificación de problemas reales que pueden ser resueltos mediante simulación y su resolución en la práctica. Para ello se tratará de que el alumno conozca el funcionamiento de los principales algoritmos de generación de números aleatorios uniformes, así como de métodos generales y específicos para simular distintas distribuciones de probabilidad (tanto discretas como continuas y en el caso uni o multidimensional). También se pretende que el alumno conozca las principales aplicaciones de la simulación (especialmente en inferencia estadística), las ventajas y limitaciones de esta metodología y algunas de las técnicas más utilizadas.

Competencias do título Código Competencias do título

Resultados de aprendizaxe

Resultados de aprendizaxe	Competencias do título
Conocer los fundamentos de la simulación estadística.	AM16 AM18 AM19 AM20 AM21 AM23 AM24 AM25	BP1 BP2 BP3 BP4 BP5 BP17 BP18 BP19 BP20 BP21	CP11 CP12 CP13 CP14 CP15
Saber generar los principales modelos de probabilidad tanto unidimensionales como multidimensionales.	AM16 AM18 AM19 AM20 AM21 AM23 AM24 AM25	BP1 BP2 BP3 BP4 BP5 BP17 BP18 BP19 BP20 BP21	CP11 CP12 CP13 CP14 CP15
Conocer y saber usar de forma autónoma el software necesario para aplicar los métodos de simulación al análisis de problemas reales en contextos multidisciplinares.	AM16 AM18 AM19 AM20 AM21 AM23 AM24 AM25	BP1 BP2 BP3 BP4 BP5 BP17 BP18 BP19 BP20 BP21	CP11 CP12 CP13 CP14 CP15

Contidos

Temas	Subtemas
1. Introducción.	Conceptos de sistema real, modelo y definición de simulación. Experimentación real y simulación. Simulación necesaria e innecesaria. Ventajas e inconvenientes de la simulación. Contenidos de la asignatura.
2. Generación de números pseudoaleatorios uniformes en (0,1).	Introducción. Propiedades deseables de un generador de números pseudoaleatorios uniformes. Métodos de los cuadrados medios y de Lehmer. Métodos congruenciales. Medidas estadísticas de calidad de un generador de números pseudoaleatorios.
3. Análisis de los resultados de simulación.	Diagnosis de la convergencia. Estimación de la precisión. Problemas de estabilización y dependencia.
4. Métodos universales para la generación de variables continuas.	Método de inversión. Método de aceptación/ rechazo y sus variantes. Ejemplos de métodos específicos para generación de distribuciones notables.
5. Métodos universales para la generación de variables discretas.	Método de la transformación cuantil. Algoritmos basados en búsqueda secuencial. Métodos de truncamiento. Algoritmos basados en árboles binarios. Método de la tabla guía. Método de Alias. Ejemplos de métodos específicos para generación de distribuciones notables.
6. Simulación de distribuciones multidimensionales.	Método de las distribuciones condicionadas. Método de aceptación/rechazo. Simulación de datos dependientes: métodos basados en la factorización de la matriz de covarianzas y simulación basada en cópulas. Simulación discreta multivariante.
7. Aplicaciones de la simulación.	Aplicaciones en inferencia estadística. Introducción al remuestreo Bootstrap. Integración Monte Carlo. Muestreo de importancia. Optimización Monte Carlo. Temple simulado. Algoritmos genéticos de optimización.
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.

Planificación

Metodoloxías / probas	Competencias	Horas presenciais	Horas non presenciais / traballo autónomo	Horas totais
Sesión maxistral	A25 A24 A23 A21 A20 A19 A18 A16 B1 B2 B3 B5 B17 B18 B20 B21 C11 C12 C13	20	30	50
Prácticas a través de TIC	A16 A19 A24 B2 B3 B4 B5 B17 B18 B19 B20 B21 C11 C12 C13 C14 C15	7	10.5	17.5
Seminario	A16 A18 A19 A20 A21 A23 A24 A25 B1 B2 B3 B4 B5 B17 B18 B19 B20 B21 C11 C12 C13 C14 C15	7	10.5	17.5
Solución de problemas	A16 A18 A19 A20 A21 A23 A24 A25 B1 B2 B3 B4 B5 B17 B18 B19 B20 C11 C12 C13 C14 C15	1	10	11
Proba obxectiva	A16 A18 A19 A20 A21 A23 A24 A25 B1 B2 B3 B4 B5 B17 B18 B19 B20 B21 C11 C12 C13	3	17	20
Atención personalizada		9	0	9
*Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado

Metodoloxías

Metodoloxías	Descrición
Sesión maxistral	Sesiones expositivas, en las que los presentarán conceptos y/o procedimientos, aportando información básica necesaria para entender una perspectiva teórica o un procedimiento práctico, promoviendo la participación del estudiantado.
Prácticas a través de TIC	Sesiones interactivas de prácticas de laboratorio (informática) o de resolución de problemas, donde los docentes apoyarán y supervisarán la puesta en práctica de los conocimientos adquiridos por parte del alumnado.
Seminario	Actividades de aprendizaje colaborativo, en las que los docentes coordinarán la realización de trabajos en grupo.
Solución de problemas	Actividades de aprendizaje autónomo, en las que los docentes guiarán la realización de trabajos individuales por parte del alumnado.
Proba obxectiva	Prueba escrita para la evaluación del aprendizaje que constará de una parte teórica y de otra práctica.

Atención personalizada

Metodoloxías Sesión maxistral Prácticas a través de TIC Proba obxectiva Seminario Solución de problemas

Descrición Atención al alumno tanto durante el desarrollo de las clases como en los horarios de tutorías.

Avaliación

Metodoloxías	Competencias	Descrición	Cualificación
Sesión maxistral	A25 A24 A23 A21 A20 A19 A18 A16 B1 B2 B3 B5 B17 B18 B20 B21 C11 C12 C13	Avaliaranse os coñecementos adquiridos mediante a realización dunha proba escrita.	30
Prácticas a través de TIC	A16 A19 A24 B2 B3 B4 B5 B17 B18 B19 B20 B21 C11 C12 C13 C14 C15	Avaliaranse os coñecementos adquiridos mediante a realización dunha proba escrita.	30
Seminario	A16 A18 A19 A20 A21 A23 A24 A25 B1 B2 B3 B4 B5 B17 B18 B19 B20 B21 C11 C12 C13 C14 C15	Presentación dos traballos resoltos.	40
Observacións avaliación

Fontes de información

Bibliografía básica	Cao, R. (2002). Introducción a la simulación y a la teoría de colas. Netbiblo Robert, C.P. y Casella G. (2010). Introducing Monte Carlo Methods with R. Springer Jones, O., Maillardet, R. y Robinson A. (2009). Introduction to Scientific Programming and Simulation Using R. CRC Gentle, J.E. (2003). Random number generation and Monte Carlo methods. Springer-Verlag
Bibliografía complementaria	Bratley, P. (1990). A guide to simulation. Springer-Verlag Evans, M. y Swartz, T. (2000). Approximating integrals via Monte Carlo and . Oxford University Press Robert, C.P. y Casella, G. (2004). Monte Carlo statistical methods. Springer-Verlag Devroye, L. (1986). Non-uniform random variate generation. Springer-Verlag Ross, S.M. (1999). Simulación. Prentice Hall Ripley, B.D. (1987). Stochastic Simulation. Wiley

Recomendacións

Materias que se recomenda ter cursado previamente

Materias que se recomenda cursar simultaneamente

Materias que continúan o temario

Observacións

(*)A Guía docente é o documento onde se visualiza a proposta académica da UDC. Este documento é público e non se pode modificar, salvo casos excepcionais baixo a revisión do órgano competente dacordo coa normativa vixente que establece o proceso de elaboración de guías