Guía DocenteCurso
Facultade de Informática
  Inicio | galego | castellano | english | A A |  
Mestrado Universitario en Técnicas Estadísticas (Plan 2011)
 Asignaturas
  Simulación Estatística
   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. Métodos universales para la generación de variables continuas. Método de inversión. Método de aceptación/ rechazo y sus variantes.
4. Métodos universales para la generación de variables discretas. Método de la transformación cuantil. Algoritmos basados en búsqueda secuencial. Algoritmos basados en árboles binarios. Árboles de Huffman. Método de la tabla guía. Métodos de truncamiento.
5. Métodos específicos para generación de distribuciones notables. Distribuciones continuas: normal, chi-cuadrado de Pearson, t de Student, F de Snedecor, exponencial, Weibull, gamma, beta, logística, Pareto. Distribuciones discretas: equiprobable, binomial, geométrica, binomial negativa, Poisson.
6. Simulación de distribuciones multidimensionales. Método de las distribuciones condicionadas. Método de aceptación/rechazo. Métodos de codificación o etiquetado. Métodos específicos para simular la normal multivariante.
7. Análisis de los resultados de simulación. Diagnosis de la convergencia. Estimación de la precisión. Problemas de estabilización y dependencia.
8. 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.
9. Técnicas de reducción de la varianza. Variables antitéticas. Números aleatorios comunes. Muestreo estratificado. Variables de control. Condicionamiento.
10. Introducción a los métodos de cadenas de Markov Monte Carlo. Muestreo de Gibbs. Algoritmo Metropolis Hastings. Diagnosis de un algoritmo MCMC.
Universidade da Coruña - Rúa Maestranza 9, 15001 A Coruña - Tel. +34 981 16 70 00  Soporte Guías Docentes