Descripción General
Esta asignatura aborda las técnicas computacionales para generar y analizar variables aleatorias y procesos estocásticos. El objetivo es que el estudiante sea capaz de implementar simulaciones de Monte Carlo, métodos de reducción de varianza y simulación de eventos discretos para resolver problemas complejos donde las soluciones analíticas no son factibles.
Contenidos Específicos
Generación y Monte Carlo
- Generación de Variables: Métodos de inversión, aceptación-rechazo y composición.
- Método de Monte Carlo: Estimación de integrales, cálculo de probabilidades y estimación de parámetros.
- Reducción de Varianza: Variables antitéticas, variables de control y muestreo por importancia.
Procesos y MCMC
- Cadenas de Markov Monte Carlo (MCMC): Algoritmo de Metropolis-Hastings y muestreador de Gibbs.
- Simulación de Procesos: Movimiento Browniano, procesos de Poisson y ecuaciones diferenciales estocásticas (SDE).
Consejos de Ex-participantes
Programación
Es un curso 100% práctico. Refuerza tus habilidades en Python (numpy, scipy) o R, ya que tendrás que programar algoritmos desde cero.
MCMC
Entender la convergencia de las Cadenas de Markov es crucial. No es solo correr el código, hay que saber diagnosticar si la cadena convergió.
¿Comentarios sobre el ramo?
Este buzón, gestionado por el CEEMAT, busca canalizar tus comentarios, consejos e inquietudes.