Guía DocenteCurso
Facultade de Informática
  Inicio | galego | castellano | english | A A A |  
Mestrado Universitario en Técnicas Estadísticas (Plan 2019)
 Asignaturas
  Simulación Estatística
   Contidos
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. Propiedades deseables de un generador de números pseudoaleatorios uniformes. Métodos de los cuadrados medios y de Lehmer. Métodos congruenciales. Análisis de la calidad de un generador.
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. Aplicaciones de la simulación en Inferencia Estadística. Distribución en el muestreo. Intervalos de confianza. Contrastes de hipótesis. Comparación de estimadores. Introducción al remuestreo Bootstrap.
8. Integración y Optimización Monte Carlo. 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