MAESTRÍA EN MODELADO Y SIMULACIÓN

MAESTRIA EN INGENIERIA Y ANALITICA DE DATOS

Universidad de Bogotá Jorge Tadeo Lozano – Universidad Central

_______________________________________________________________________

SIMULACION ESTOCASTICA
2020 – 1

Profesor
Javier Riascos Ochoa

INTRODUCCION

Los procesos estocásticos permiten describir y cuantificar la dinámica de variables

aleatorias siendo fundamentales para realizar predicciones basadas en conceptos
probabilísticos. Por tanto, son la base para la modelación en diferentes áreas de las
ciencias naturales, ciencias sociales y económicas, ciencias médicas e ingenierías, en
donde se presenten fenómenos de carácter aleatorio. La simulación de variables
aleatorias y de procesos estocásticos es entonces la herramienta para reproducir y
estudiar este tipo de fenómenos, utilizando las facilidades de la computación moderna.
La asignatura está diseñada como una introducción a la simulación estocástica y su
aplicación a los procesos estocásticos y optimización.

OBJETIVOS

1) Introducir los métodos computacionales y de simulación para solucionar modelos

estocásticos complejos.

2) Desarrollar en el estudiante la capacidad de reconocer, plantear y solucionar los

modelos probabilísticos y/o estocásticos más adecuados en la descripción de una
situación real.

EVALUACION

4 Talleres con ejercicios teóricos y computacionales (60%)

Seminario de temas del curso (20%)
1 proyecto de aplicación (20%)
Propuesta de proyecto – semana 7 (5%)
Entrega final del artículo – semana 15 (15%)
 MAESTRÍA EN MODELADO Y SIMULACIÓN
MAESTRIA EN INGENIERIA Y ANALITICA DE DATOS

PROGRAMA
Actividades
Semana Fecha Temas Evaluación
en clase
Introducción
Presentación del curso Teoría y
1 1 Feb
Sistemas, modelos y simulación cómputo
Pasos en un estudio de simulación
Números aleatorios
Generadores pseudoaleatorios Teoría y
2 Sábado: 8 Feb
Método de la transformada inversa cómputo
Método del rechazo
El método de Monte Carlo
Teoría y
3 Lunes: 10 Feb Hit-and-miss
cómputo
Integración clásica de Monte Carlo
Análisis estadístico de datos simulados 1 Entrega de Taller 1:
Teoría y
4 Lunes: 17 Feb Media y varianza muestral Temas semanas 1,
cómputo
Estimación de intervalos de la media 2y3
Análisis estadístico de datos simulados 2 Teoría y
5 Lunes: 24 Feb
Método de bootstrap cómputo
Modelos estocásticos 1
Teoría y
Apuestas y confiabilidad
6 Lunes: 2 Mar cómputo Seminario
Procesos de Poisson homogéneos
Seminario
Procesos de Poisson no homogéneos
Modelos estocásticos 2
Cadenas de Markov de tiempo discreto y continuo Teoría y
7 Lunes: 9 Mar Entrega propuesta
Simulación por eventos discretos cómputo
Teoría de colas
Modelos estocásticos 3 Teoría y
8 Lunes: 16 Mar Movimiento browniano cómputo Seminario
Procesos de Lévy Seminario
Inferencia estadística Teoría y Entrega de Taller 2:
9 Sábado: 28 Mar Método de momentos cómputo Temas semanas 4,
Métodos de máxima verosimilitud Seminario 5, 6, 7 y 8
Técnicas de validación estadística
Tests de bondad de ajuste Teoría y
10 Lunes: 30 Mar Chi-cuadrado cómputo Seminario
Kolmogorov-Smirnov Seminario
Criterio de información de Akaike
SEMANA SANTA
Técnicas de reducción de varianza Teoría y
11 Lunes: 13 Abr Método de variables comunes y antitéticas cómputo
Variables de control y condicionamiento
Técnicas de reducción de varianza
Teoría y
12 Lunes: 20 Abr Muestreo estratificado
cómputo
Muestreo de importancia
Markov Chain Monte Carlo Entrega de Taller 3:
Teoría y
13 Lunes: 27 Abr Métodos de cadenas de markov. Metrópolis Temas semanas 9,
cómputo
Hastings. 10, 11 y 12
Markov Chain Monte Carlo
Teoría y
14 Lunes: 4 May Muestreador de Gibbs
cómputo
Remuestreo de muestreo de importancia (SIR).
Markov Chain Monte Carlo
Métodos de optimización estocástica. Teoría y
15 Lunes: 11 May
Recocido simulado. cómputo
Aproximación estocástica.
Entrega de Taller 4:
Solución Temas semanas 13,
16 Sabado: 16 May
dudas 14 y 15
Entrega de Artículo
 MAESTRÍA EN MODELADO Y SIMULACIÓN
MAESTRIA EN INGENIERIA Y ANALITICA DE DATOS

BIBLIOGRAFIA

1. Sheldon Ross, Simulation, 5a edición, 2012.

2. Christian P. Robert and George Casella, Introducing Monte Carlo Methods
with R, Springer, 2010.
3. Dirk Kroese and Joshua C.C. Chan, Statistical modeling and computation,
2014.
4. Owen Jones et al., Introduction to Scientific Programming and Simulation
Using R, 2a edición, 2014.
5. Dirk Kroese, Thomas Taimre, Zdrakvo I. Botev, Handbook of Monte Carlo
Methods, 2011.
6. Barry Nelson, Foundations and Methods of Stochastic Simulation – A first
course, 2013
7. Sheldon Ross, Introduction to Probability Models, 9ª edición.
8. Liliana Blanco, Probabilidad, Universidad Nacional de Colombia, 2ª edición.
9. Athanasios Papoulis, S. Unnikrishna Pillai, Probability, Random Variables, and
Stochastic Processes, Fourth Edition, McGraw-Hill, 2002.