Simulación /
Simulación /
Sheldon M. Ross.
- Segunda edición
- 296 páginas Figura (blanco y negro) 24 cm
Incluye contenido
Bibliografía: paginas 268 - 269.
Cap1: Introducción: Ejercicios. -- Cap2:Elementos de probabilidad: Espacio muestral y eventos. -- Axiomas de probabilidad. -- Probabilidad condicional e independencia. -- Variables aleatorias. -- Esperanza. -- Varianza. -- Desigualdad de Chebyshev y las leyes de los grandes números. -- Algunas variables aleatorias discretas. -- Variables aleatorias continuas. -- Esperanza condicional y varianza condicional. -- Ejercicios. -- Bibliografía. -- Cap3: Números aleatorios: Introducción. -- Generación de números pseudoaleatorios. -- Uso de números aleatorios para evaluar integrales. -- Cap4:Introducción. -- Generación de variables aleatorios discretas: El método de la transformada inversa. -- Generación de una variable aleatoria Poisson. -- Generación de variables aleatorias binominales. -- La técnica de aceptación y rechazo. -- El método de composición. -- Ejercicios. -- Bibliografía. -- Cap5: Introducción -- Generación de variables aleatorias continuas: Introducción -- El algoritmo de la transformada inversa. -- El método de rechazo. -- El método polar para generar variables aleatorias normales. -- Generación de un proceso Poisson. -- Generación de un proceso Poisson no homogéneo. -- Ejercicios. -- Bibliografía. -- Cap6: El método de simulación por medio de eventos discretas: Introducción. -- Simulación mediante eventos discretos. -- Sistema de línea de espera con un servidor. -- Sistema de línea de espera con dos servidores en serie. -- Sistema de línea de espera con dos servidores en paralelo -- Modelo de inventario. -- Problema de reparación. -- Ejercicio de opciones en acciones. -- Verificación del modelo de simulación. -- Ejercicios. -- Bibliografía. -- Cap7: Análisis estadístico de datos simulados: Introducción. -- Media y varianza muestrales. -- Estimación del intervalo de una media poblacional. -- La técnica bootstrap para estimar errores cuadráticos medios. -- Ejercicios. -- Bibliografía. -- Cap8: Técnicas de reducción de varianza: Introducción. -- El uso de variables antitéticas. -- El uso de variables de control. -- Reducción de varianza mediante condicionamiento. -- Muestreo estratificado. -- Muestreo de importancia. -- Uso de los números aleatorios comunes. -- Apéndice. -- Ejercicios. -- Bibliografía. -- Cap9: Técnicas de validación estadísticas: Introducción. -- Pruebas de bondad de ajuste. -- Pruebas de bondad de ajuste sin parámetros especificados. -- El problema de las dos muestras. -- Validación de la hipótesis de un proceso Poisson no homogéneo. -- Ejercicios. -- Bibliografía. -- Cap10: Métodos de Monte Carlo con cadenas de Markov: Introducción. -- Cadenas de Markov. -- El algoritmo de Hastings-Metropolis. -- El muestreador de Gibbs. -- Temple simulado. -- El algoritmo de muestreo con remuestreo de importancia. -- Ejercicios. -- Bibliografía. -- Cap11: Algunos temas adicionales: Introducción. -- El método de las variables alias para generar variables aleatorias discretas. -- Simulación de un proceso Poisson bidimensional. -- Aplicaciones de una identidad para la suma de variables aleatorias. -- Estimación de probabilidades y tiempos esperados de primera pasada mediante riesgos aleatorios. -- Ejercicios. -- Bibliografía. -- Apéndice de programas. -- Índice.
"En este texto se muestra la manera de analizar un modelo mediante un estudio de simulación. En particular, primero se explica la forma de utilizar una computadora para generar números aleatorios (más precisamente, pseudoaleatorios) y luego se ve la forma de emplearlos para generar los valores de variables a partir de distribuciones arbitrarias.
Mediante el concepto de eventos discretos se muestra la manera de emplear variables aleatorias y generar el comportamiento de un modelo estocástico conforme transcurre el tiempo. Al hacerlo, estudiamos el modelo de obtener estimadores de las cantidades que nos interesen. Se analizan las interrogantes estadísticas de cuándo detener una simulación y qué grado de confianza debe tenerse en los estimadores que resulten. Presentamos varias formas de mejorar los estimadores comunes de la simulación. Además, se plantea la forma de utilizarla para determinar si el modelo estocástico elegido es congruente con un conjunto de datos reales." --Cubierta posterior.
Material bibliográfico para estudiantes universitarios, docentes e investigadores. PE-TmUNAS
En español
970-17-0259-X
519.2
Incluye contenido
Bibliografía: paginas 268 - 269.
Cap1: Introducción: Ejercicios. -- Cap2:Elementos de probabilidad: Espacio muestral y eventos. -- Axiomas de probabilidad. -- Probabilidad condicional e independencia. -- Variables aleatorias. -- Esperanza. -- Varianza. -- Desigualdad de Chebyshev y las leyes de los grandes números. -- Algunas variables aleatorias discretas. -- Variables aleatorias continuas. -- Esperanza condicional y varianza condicional. -- Ejercicios. -- Bibliografía. -- Cap3: Números aleatorios: Introducción. -- Generación de números pseudoaleatorios. -- Uso de números aleatorios para evaluar integrales. -- Cap4:Introducción. -- Generación de variables aleatorios discretas: El método de la transformada inversa. -- Generación de una variable aleatoria Poisson. -- Generación de variables aleatorias binominales. -- La técnica de aceptación y rechazo. -- El método de composición. -- Ejercicios. -- Bibliografía. -- Cap5: Introducción -- Generación de variables aleatorias continuas: Introducción -- El algoritmo de la transformada inversa. -- El método de rechazo. -- El método polar para generar variables aleatorias normales. -- Generación de un proceso Poisson. -- Generación de un proceso Poisson no homogéneo. -- Ejercicios. -- Bibliografía. -- Cap6: El método de simulación por medio de eventos discretas: Introducción. -- Simulación mediante eventos discretos. -- Sistema de línea de espera con un servidor. -- Sistema de línea de espera con dos servidores en serie. -- Sistema de línea de espera con dos servidores en paralelo -- Modelo de inventario. -- Problema de reparación. -- Ejercicio de opciones en acciones. -- Verificación del modelo de simulación. -- Ejercicios. -- Bibliografía. -- Cap7: Análisis estadístico de datos simulados: Introducción. -- Media y varianza muestrales. -- Estimación del intervalo de una media poblacional. -- La técnica bootstrap para estimar errores cuadráticos medios. -- Ejercicios. -- Bibliografía. -- Cap8: Técnicas de reducción de varianza: Introducción. -- El uso de variables antitéticas. -- El uso de variables de control. -- Reducción de varianza mediante condicionamiento. -- Muestreo estratificado. -- Muestreo de importancia. -- Uso de los números aleatorios comunes. -- Apéndice. -- Ejercicios. -- Bibliografía. -- Cap9: Técnicas de validación estadísticas: Introducción. -- Pruebas de bondad de ajuste. -- Pruebas de bondad de ajuste sin parámetros especificados. -- El problema de las dos muestras. -- Validación de la hipótesis de un proceso Poisson no homogéneo. -- Ejercicios. -- Bibliografía. -- Cap10: Métodos de Monte Carlo con cadenas de Markov: Introducción. -- Cadenas de Markov. -- El algoritmo de Hastings-Metropolis. -- El muestreador de Gibbs. -- Temple simulado. -- El algoritmo de muestreo con remuestreo de importancia. -- Ejercicios. -- Bibliografía. -- Cap11: Algunos temas adicionales: Introducción. -- El método de las variables alias para generar variables aleatorias discretas. -- Simulación de un proceso Poisson bidimensional. -- Aplicaciones de una identidad para la suma de variables aleatorias. -- Estimación de probabilidades y tiempos esperados de primera pasada mediante riesgos aleatorios. -- Ejercicios. -- Bibliografía. -- Apéndice de programas. -- Índice.
"En este texto se muestra la manera de analizar un modelo mediante un estudio de simulación. En particular, primero se explica la forma de utilizar una computadora para generar números aleatorios (más precisamente, pseudoaleatorios) y luego se ve la forma de emplearlos para generar los valores de variables a partir de distribuciones arbitrarias.
Mediante el concepto de eventos discretos se muestra la manera de emplear variables aleatorias y generar el comportamiento de un modelo estocástico conforme transcurre el tiempo. Al hacerlo, estudiamos el modelo de obtener estimadores de las cantidades que nos interesen. Se analizan las interrogantes estadísticas de cuándo detener una simulación y qué grado de confianza debe tenerse en los estimadores que resulten. Presentamos varias formas de mejorar los estimadores comunes de la simulación. Además, se plantea la forma de utilizarla para determinar si el modelo estocástico elegido es congruente con un conjunto de datos reales." --Cubierta posterior.
Material bibliográfico para estudiantes universitarios, docentes e investigadores. PE-TmUNAS
En español
970-17-0259-X
519.2