Actuaría (plan 2015) 2024-1
Optativas, Simulación Estocástica
Grupo 9281, 30 lugares. 23 alumnos.
Generalidades del curso
-
Se utilizará R.
-
La evaluación será 80% de tareas y 20% proyecto final. Extra se considerará la participación en clases y “tareitas” para entregar.
-
Utilizaremos Classroom para tareas y materiales.
-
IMPORTANTE: Las DOS primeras clases de ayudantía, (MARTES 15 de agosto y JUEVES 17 de agosto) serán en LINEA. Para estas se utilizará el link proporcionado en el classroom.
Classroom link: https://classroom.google.com/c/NjE3NDIwODMyNTgx?cjc=itjcxqf
Código de la clase: itjcxqf
Introducción
En este curso haremos una introducción al modelamiento de sistemas estocásticos. Se presentarán las técnicas y conceptos básicos que sustentan los modelos analíticos más utilizados en esta área de investigación.
Temario
Introducción a la simulación estocástica
Usos de la simulación estocástica
Generación de números pseudo-aleatorios:
-
Generadores congruenciales
-
Generadores Fibonacci
-
Propiedades de los generadores congruenciales
-
Elección de a, b, m y X0
Pruebas para los números pseudo-aleatorios:
-
Revisión de momentos
-
Método de series de tiempo
-
Graficas de diagnóstico
-
Pruebas de aleatoriedad sobre los dígitos
-
Pruebas de bondad de ajuste
Métodos para generar variables aleatorias
-
Inversión
-
Aceptación y rechazo
-
Cociente de Uniformes Box-Müler
-
Marsaglia
-
Generación de variables aleatorias discretas
-
Generación de variables aleatorias multivariadas
Integración Monte-Carlo
-
Integración de funciones a través de métodos de Monte-Carlo
-
Técnicas de reducción de varianza
-
Variables antitéticas
-
Variables Control
-
Muestreo por importancia
Optimización Monte-Carlo
-
Métodos numéricos de optimización
-
Búsqueda estocástica
-
Simulate Annealing
Métodos Monte-Carlo en la Inferencia Estadística
-
Métodos Monte-Carlo para estimación
-
Estimación Monte-Carlo del error estándar
-
Estimación de un intervalo de confianza
-
Método Monte-Carlo para Pruebas de Hipótesis
Técnicas de Cadenas de Markov Monte-Carlo (MCMC)
-
Breve introducción a cadenas de Markov
-
Muestreo Gibbs
-
Metropolis-Hastings
-
Muestreo Slice
-
Muestreo combinando Gibbs y Metropolis-Hastings
Algoritmos para datos faltantes
-
Introducción al problema de datos faltantes
-
Diferentes tipos de “datos faltantes"
-
Algoritmo EM
-
Algoritmo de Data Augmentation
-
Data Augmentation estocástico
Métodos de bootstrap
-
Introducción a los métodos bootstrap
-
Usos del bootstrap
-
El Jackknife
Bibliografía Básica
-
Templ, Matthias (2016). Simulation for Data Science with R. Packt Publishing
-
Owen Jones, Robert Maillardet, and Andrew Robinson (2014). Introduction to Scientific Programming and Simulation Using R. CRC Press - Rizzo, María (2019). Statistical Computing with R. CRC Press
-
Richard McElreath(2020). Statistical Rethinking: A Bayesian Course with Examples in R and Stan. CRC Press
-
Alicia A. Johnson, Miles Q. Ott and Mine Dogucu (2022). Bayes rules!: an introduction to Bayesian modeling with R. Chapman & Hall/CRC
**Preguntas al correo: b_lamazares@ciencias.unam.mx**