Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Duracin 3 horas.
Variables aleatorias.
Distribuciones de probabilidad.
Ley de los grandes nmeros.
Teorema del lmite central.
Principios de la simulacin MonteCarlo.
Sesin 2. Nmeros aleatorios.
Duracin 3 horas.
Que son los nmeros aleatorios y pseudo-aleatorios
Generacin de nmeros aleatorios en Excel.
Generacin de forma dinmica.
Generacin de forma esttica.
Ejercicios.
Sesin 3. Herramientas para simulacin.
Duracin 3 horas.
Un problema bsico de simulacin. Taller.
Interpretacin de resultados de la simulacin.
Sesin 4.
Duracin 3 horas.
Herramientas adicionales a Excel para simulacin MonteCarlo.
Sesin 5.
Duracin 4 horas.
Ejercicios de simulacin con Excel aplicado a Finanzas. Taller.
Interpretacin de resultados de la simulacin.
Orgenes
Se atribuye a Stanislaw Ulam, matemtico polaco
que trabajo para John von Neumann en el
proyecto Manhattan durante la segunda guerra
mundial y contribuyo junto con Edward Teller en el
diseo de la bomba de Hidrogeno en 1951.
Ulam no invent el muestreo estadstico, pero
reconoci la el potencial de los computadores
electrnicos para automatizar el proceso.
Trabajando con John von Neuman y Nicholas
Metropolis, desarrollo algoritmos de
implementacin y explor formas de convertir
problemas no aleatorios en formas aleatorias para
ser solucionados via muestro estadstico.
Ulam y Metropolis publican el primer paper en 1949.
Fundamentos de
probabilidad para
simulacin.
Variables Aleatorias
Distribuciones de probabilidad
Ley de los grandes nmeros.
Teorema del lmite central.
Fundamentos de
probabilidad para
simulacin.
Variables Aleatorias
Distribuciones de probabilidad
Ley de los grandes nmeros.
Teorema del lmite central.
Variables Aleatorias
Una Variable aleatoria X es una
Fundamentos de
probabilidad para
simulacin.
Variables Aleatorias
Distribuciones de
probabilidad
Distribucin de
probabilidad
Distribuciones de
probabilidad
Discretas
Una variable aleatoria representada
Discreta.
Distribuciones de
probabilidad
Continuas
Una variable aleatoria representada
Distribuciones de
probabilidad
No Limitadas La variable aleatoria puede
Distribuciones de
Paramtricas
probabilidad
La distribucin de probabilidad se ajusta a
la descripcin matemtica de un
proceso aleatorio que cumple con
determinados supuestos tericos.
Los parmetros que definen la distribucin
en general no guardan relacin intuitiva
con la forma de la distribucin.
Ejemplos: Normal, Lognormal, Exponencial,
Beta.
Distribuciones de
probabilidad
No Paramtricas
Los parmetros que se usan para definir
estas distribuciones describen la
forma de la distribucin.
No se apoyan en una teora que
describa el proceso de generacin de
valores aleatorios.
Ejemplos: Triangular, Histograma,
General, Uniforme, Acumulada
Distribuciones de
probabilidad
Subjetivas
El uso de estas distribuciones de
DISTRIBUCIONES NO
PARAMETRICAS
Uniforme
Triangular
Aplicaciones: estimar subjetivamente la
Triangular
(cont.)
Sus propiedades estadsticas se derivan de su
Histograma
Histograma
Discreta
Discreta
Aplicaciones:
1. Describir una variable aleatoria que puede
DISTRIBUCIONES
PARAMETRICAS
Normal
Aplicaciones: una variedad de
Normal
La mayora de las variables aleatorias que
1
f ( x, , )
2
1 x
y es su desviacin tpica.
Normal
La distribucin de probabilidad
Normal, tiene forma de
campana
Para una variable aleatoria X,
que se distribuye
normalmente con media :
y desviacin tpica : , la
probabilidad de que la
variable X est comprendida
entre los valores a y b es el
rea teida de rojo en la
siguiente figura
Esta probabilidad
analticamente se
puede calcular as:
1
p ( a X b)
a
2
b
1 x
Estimacin
subjetiva de los
parmetros de una
Normal
Lognormal
Aplicaciones: modelar variables que son el
Condiciones
subyacentes de una
distribucin
Lognormal
Distribuciones de
probabilidad para Procesos
estocasticos Discretos
Un Proceso Discreto se caracteriza por
Binomial
Aplicaciones: estimar la distribucin de la
Condiciones
subyacentes a una
distribucin
Binomial
posibles
Las pruebas son independientes (lo que
Geomtrica
Aplicaciones: estimar la cantidad n de
Condiciones
subyacentes de una
distribucin
Geomtrica
La cantidad de eventos no est
prefijada.
Se contina con las pruebas hasta
Binomial Negativa
Aplicaciones: estimar la distribucin de
Condiciones
subyacentes de una
distribucin
Binomial Negativa
La cantidad de pruebas no est
prefijada.
Se contina con las pruebas hasta que
de prueba a prueba.
istribucin
Hipergeomtrica
Al igual que la distribucin Binomial,
Condiciones
subyacentes de
una distribucin
Hipergeomtrica
La cantidad total de elementos de una
poblacin es finita.
La muestra representa una porcin de la
poblacin.
La probabilidad de ocurrencia del evento
Distribuciones de
probabilidad para Procesos
Continuos
Poisson
Aplicaciones: estimar la cantidad N de
ocurrencias de un evento en un
intervalo de tiempo T cuando el
tiempo medio entre eventos sucesivos
(beta) se ajusta a un proceso tipo
Poisson.
lambda = 1 / beta
Lambda se puede interpretar como la
cantidad promedio de ocurrencias del
evento por unidad de exposicin.
Condiciones
subyacentes a
una distribucin
Poisson
La cantidad de eventos por unidad de
Exponencial
Aplicaciones: estimar la distribucin del
Gamma
Beta
Aplicaciones: estimar la probabilidad de
Fundamentos de
probabilidad para
simulacin.
Variables Aleatorias
Distribuciones de probabilidad
nmeros.
Fundamentos de
probabilidad para
simulacin.
Variables Aleatorias
Distribuciones de probabilidad
Ley de los grandes nmeros.
lmite.
el problema.
2. Especificar distribuciones de probabilidad para
las variables aleatorias relevantes.
3. Incluir posibles dependencias entre variables.
4. Muestrear valores de las variables aleatorias.
5. Calcular el resultado del modelo segn los
valores del muestreo y registrar el resultado.
6. Repetir el proceso iterativamente hasta tener
una muestra estadsticamente representativa.
7. Obtener la distribucin de frecuencias del
resultado de las iteraciones.
8. Calcular media, desvo y curva de percentiles
acumulados.