GUA DOCENTE DEL CURSO

Nombre del curso Profesor(es)

Simulacin de Procesos Estocsticos e Inferencia Estadstica Mara Dolores Ruiz Medina (http://www.ugr.es/local/mruiz) Mara Jess Garca Ligero (http://www.ugr.es/local/mjgarcia)

Descripcin

En la investigacin actual las tcnicas de simulacin juegan un papel fundamental. En el mbito estadstico, la simulacin estocstica permite reproducir la incertidumbre inherente a ciertos sistemas o fenmenos, proporcionando el escenario apropiado para la descripcin de su comportamiento, mediante la aproximacin de los parmetros o ley fsica que rigen su actividad o desarrollo. Por este motivo, en este curso se proporcionan las herramientas bsicas para la implementacin de los mtodos usuales de simulacin estocstica empleados en la resolucin de problemas clsicos de la Probabilidad, Teora de Procesos e Inferencia Estadstica, as como en el desarrollo de estudios estadsticos en otros campos tales como la Biologa, Biomedicina, Biofsica, Geofsica, Finanzas, Ingeniera, etc. Se comenzar, pues, con una breve introduccin sobre los mtodos clsicos de generacin de variables aleatorias a partir de secuencias de nmeros pseudoaleatorios uniformes. Se continuar entonces con la aplicacin de estos mtodos a la generacin de procesos aleatorios bsicos. Finalmente, se introducirn los mtodos de simulacin Monte Carlo y MCMC, as como su aplicacin a la generacin de procesos, implementacin de algoritmos de optimizacin y resolucin de problemas en la inferencia estadstica.

Objetivos particulares

Conocer las principales metodologas que definen las tcnicas clsicas utilizadas en la generacin de variables aleatorias: Transformada inversa, Aceptacin-Rechazo y Composicin. Generar procesos aleatorios bsicos a partir de la generacin de nmeros pseudo-aleatorios, utilizando las tcnicas de simulacin contempladas en el objetivo anterior. Conocer los principios bsicos, filosofa y limitaciones de los mtodos de simulacin Monte Carlo. Aplicar la simulacin Monte Carlo a la generacin de procesos bsicos en finanzas tales como el Movimiento Browninao Geomtrico. Implementar e interpretar estadsticamente los mtodos usuales de integracin numrica basados en simulacin: Monte-Carlo, variedades antitticas, variedades de control y muestreo segn importancia. Conocer e implementar los mtodos Monte Carlo basados en cadenas de Markov y los algoritmos de optimizacin asociados, basados en muestreo mediante Cadenas de Markov.

Prerrequisitos y recomendaciones

Los fundamentos estadsticos, probabilsticos y computacionales necesarios para el seguimiento del curso se introducen en cada tema del programa. No obstante, para aquellos alumnos que no posean formacin computacional en relacin con la implementacin de tcnicas estadsticas, se recomienda realizar el curso del mster Entornos de Computacin Estadstica. 1. 2. 3. 4. 5. 6. Mtodos de generacin de variables aleatorias discretas y continuas. Generacin de recorridos aleatorios, movimiento Browniano y proceso de Poisson. Generacin de procesos markovianos, procesos de recuento y procesos relacionados. Principios de la simulacin Monte Carlo. Simulacin Monte Carlo de procesos en finanzas. Mtodos Monte Carlo para la inferencia estadstica. Mtodos MCMC y algoritmos de optimizacin para la inferencia.

Contenidos

Metodologa

El desarrollo y seguimiento del curso se realizar a travs de la plataforma Moodle. Se proporcionar a travs de la plataforma una gua de contenidos y actividades relativos a los temas que definen el programa del curso. Las actividades propuestas sern de carcter prctico. Bsicamente, se formularn relaciones de problemas para su resolucin mediante la implementacin, en un lenguaje apropiado, de los algoritmos descritos en los contenidos de la asignatura. Finalmente, el alumno realizar un trabajo sobre la aplicacin de los mtodos de simulacin en la Teora de Procesos e Inferencia Estadstica para su difusin en la plataforma.

Bibliografa

Binder, K., Kinder, K. y Heermann, D.W. (2002). Monte Carlo Simulation in Statistical Physics: An Introduction. Springer. Cao Abad, R. (2002). Introduccin a la Simulacin y a la Teora de Colas. Netbiblio, S.L. A Corua. Chang, H.S., Hu J., Fu, M.C., y Marcus S.I. (2007). Simulation-Based Algorithms for Markov Decision Processes. Springer-Verlag. Davison, A.C. y Hinkley, D.V. (1997). Bootstrap Methods and their Application. Cambridge University Press. Efron, B. y Tibshirani, R.J. (1993). An Introduction to the Bootstrap. Chapman & Hall. Evans, M.J. y Swartz, T. (2000). Approximating Integrals via Monte Carlo and Deterministic Methods. Oxford University Press. Fishman, G.S. (1996). Monte Carlo. Concepts, Algorithms, and Applications. Springer-Verlag. Gentle, J.E. (2003). Random Number Generation and Monte Carlo methods. Springer. Gilks, W.R., Richardson, S. y Spiegelhalter, D.J. (1996). Markov Chain Monte Carlo in Practice. Chapman & Hall. Glasserman, P. (2004). Monte Carlo Methods in Financial Engineering. Springer. Iacus, S.M. (2008). Simulation and Inference for Stochastic Differential Equations: with R Examples. Springer. Manly, B. F. J. (1998). Randomization, bootstrap and Monte Carlo Methods in Biology. Chapman and Hall. McLeish, Don L. (2005). Monte Carlo Simulation and Finance. Wiley. Richardson, S. y Gilks, W. R. (1996). Markov Chain Monte Carlo in Practice. Chapman and Hall. Ripley, B.D. (2006). Stochastic Simulation. John Wiley. Robert, C.P. y Casella, G. (2004). Monte Carlo Statistical Methods. SpringerVerlag. Ross, S.M. (1990). A Course in Simulation. Macmillan. Rubinstein, R.Y. y Melamed, B. (1998). Modern Simulation and Modeling. Wiley. Shedler, G.S. (1993). Regenerative Stochastic Simulation. Academic Press. Valoracin de los conocimientos adquiridos mediante la realizacin de problemas tericos sobre los principales contenidos de los temas indicados en el programa del curso (hasta 3 puntos). Valoracin de los conocimientos prcticos mediante la implementacin de algoritmos de simulacin en un entorno apropiado (hasta 3 puntos). Presentacin de un trabajo en relacin con la resolucin de problemas de inferencia sobre procesos estocsticos mediante la aplicacin de tcnicas e implementacin de algoritmos de simulacin (hasta 4 puntos).

Criterios de evaluacin

La superacin del curso se obtendr con una puntuacin acumulada de 5 o ms puntos.