Profesor | Fernando Baltazar Larios | lu mi vi | 8 a 9 | Taller de Topología |
Ayudante | Alejandro Nava Camacho | ma ju | 8 a 9 | Taller de Topología |
SIMULACIÓN ESTOCÁSTICA.
Fernando Baltazar Larios
Departamento de Matemáticas
Facultad de Ciencias. UNAM.
REQUISITOS: Programación, Probabilidad, Estadística y Procesos Estocásticos.
OBJETIVO: Conocer y aplicar las principales características de los modelos y las técnicas de simulación en
sus diferentes formas, con el fin de establecer su aplicación en la solución de problemas diversos del ámbito
actuarial.
SOFTWARE sugerido : R.
Contenido
1. Introducción a la simulación estocástica
1.1 Conceptos preliminares
1.2 Ventajas y desventajas de la simulación
1.3 Ejemplos
1.4 Metodología para simular
1.5 Modelación matemática
2. Generadores de números aleatorios uniformes
2.1 Introducción
2.2 N.meros pseudoaleatorios
2.3 Otras distribuciones
2.4 Pruebas Estadísticas
3. Generando variables aleatorias
3.1 Método de la transformada Inversa
3.1.1 Variables aleatorias continuas
3.1.2 Variables aleatorias discretas
3.2 Método de aceptación y rechazo
3.3 Cociente de uniformes
3.4 Método de la composición
3.5 Generando vectores aleatorios
3.6 Generación de n.meros aleatorios de algunas distribuciones frecuentemente
.tiles
4. Simulación de procesos estocásticos
4.1 Cadenas de Markov a tiempo discreto
4.2 Proceso de Poisson
4.2.1 Proceso de Poisson homogéneo
4.2.2 Proceso de Poissson no homogéneo
4.2.3 Proceso de Poisson compuesto
4.3 Procesos de saltos de Markov
4.3.1 Introducción a los procesos de saltos de Markov
4.3.2 Algoritmos para simular procesos de saltos de Markov
4.4 Procesos de difusión
4.4.1 Introducción a procesos de difusión
4.4.2 Método de Euler
4.4.3 Método de Milstein
5. Método Monte Carlo y reducción de varianza
5.1 Método Monte Carlo
5.2 Reducción de la varianza
5.2.1 Muestreo por importancia
5.2.2 Monte Carlo condicional
5.3Algoritmo EM (Optimización)
6. Monte Carlo vía cadenas de Markov
6.1 Metropolis-Hastings
6.2 Muestreo de Gibbs
6.3 Diagnóstico
7. Aplicaciones
Bibliografía
1. Asmussen, S. and Glynn P. W. Stochastic Simulation Algorithms and Analysis.
Stochastics Modelling and Applied Probability, Springer 2007.
2. Conover, W. J. Practical Nonparametric Statistics. Wiley and Sons, second edition,
1980.
3. Durrent, R. Essential of Stochastic Processes. Springer, 1999.
4. Evans, M. and Swartz. Approximate integrals via Monte Carlo and deterministie
methods. Oxford: University Press, 2000.
5. Fishman, G.A .First Course in Monte Carlo. Belmont, CA : Thomson Brooks, 2006.
6. Gamerman, D. Markov Chain Monte Carlo. London: Chapman and Hall, 1997.
7. Gelman, A., Carlin, J.B., Stern, H.S. and Rubin, D.B. Bayesian data analysis. London:
Chapman and Hall,1995.
8. Gilks, W.R., Richardson, S. y Spiegelhalter, D.J. Markov Chain Monte Carlo in
Practice. Chapman and Hall, 1996.
9. Hernández, D.B. and Alvarez, L.J. Método Monte Carlo. México: SMM, 1995.
10.Iacus, S. M. Simulation and Infernce for Stochastic Differential Equations. Springer
Series in Statistics, 2008.
11. Karlin, S. and Taylor. A First Course in Stochastics Processes. Academic Press, New
York-London, second edition, 1975.
12. Laguna, M. and Marklund, J. Business process modeling, simulation and design. USA:
Prentice Hall, 2005.
13.Oksendal, B . Stochastic Differential Equations, An Introduction with Application. Sixth
edition, Springer-Verlag, 2010.
14. Robert, C. P. and Casella, G. Introducing Monte Carlo Methods with R. Springer ,
2010.
15. Ross, S. M., Simulation.Academic Press, fourth edition, 2006.
16. Ross, S.M. Stochastic Processes. John Wiley, 1996.
17. Ripley, B. D. (1987) Stochastic Simulation. Wiley.
18. Rubinstein y Kroese Simulation and the Monte Carlo Method. Wiley Series in
Probability and Statistics, second edition, 2007.