Simulación con modelos aleatorios : conocimiento estadístico-probabilístico y simulación.
Palabras clave:
simulación, modelos aleatoriosSinopsis
Los procesos de simulación se utilizan hoy, en distintos contextos y con variado nivel de complejidad, para explorar, experimentar y desarrollar proyectos de investigación en diversos campos del conocimiento humano. A pesar de que la palabra simulación generalmente se ha asociado con la aparición del computador, se intuye que el concepto de simulación emergió cuando la humanidad empezó a emular algunos fenómenos naturales que se suscitaban de manera aleatoria, o en el instante en el que pensó imitar el comportamiento de algunos animales para construir artefactos y máquinas que le permitieran vivir mejor.
Desde hace mucho tiempo, el ser humano ha inventado aparatos y desarrollados procedimientos que han simulado el desplazamiento y otros comportamientos de ciertas especies animales, para generar nuevas formas de transporte, para tratar de predecir la ocurrencia de fenómenos naturales, como la lluvia, la velocidad del viento o el movimiento de los cuerpos celestes, o para experimentar con procesos alternativos en la búsqueda de soluciones a los problemas que se generan en la sociedad.
De forma intuitiva, la simulación puede entenderse como emulación o imitación de situaciones reales con presencia del azar, de la incertidumbre, del riesgo, y al servicio de la experimentación o de la realización de cálculos aproximados, tanto de forma manual como electrónica. En la actualidad, el computador se ha constituido en una herramienta fundamental que posibilita en buena medida el desarrollo de gran variedad de procesos de investigación por medio de simulación. Los procesos de simulación por computador han crecido vertiginosamente, y se utilizan en diversos campos del saber, como la medicina, la ingeniería, la estadística, la química, la física, la aeronáutica, los viajes espaciales, el sector financiero y el sector educativo, entre otros. La existencia de software como R, Mathlab, Fortran, SPSS y SAS, de lenguajes de programación de quinta generación y demás invita a que cada día más investigadores se involucren de alguna manera con la realización de procesos de simulación.
Capítulos
-
Elementos conceptuales sobre simulación
-
Conocimiento probabilístico usual en simulación
-
Simulación con variables aleatorias discretas y continuas
-
Simulación de variables con distribución normal
-
Simulación con la Distribución Lambda Generalizada (DLG)
Descargas
Los datos de descargas todavía no están disponibles.
Referencias
Abramowitz, M. & Stegun, I. A. (1972). Handbook of Mathematical Functions with Formulas, Graphs, and Mathematical Tables. National Bureau of Standards Applied Mathematics Series 55.
Albert, J. (2009). Bayesian computation with R. New York: Springer.
Aliaga, M. y Gunderson, B. (2005). Interactive Statistics. México: Prentice Hall.
Azarang, M. (1996). Simulación y análisis de modelos estocásticos. México: McGraw Hill.
Barceló, J. (1996). Simulación de sistemas discretos. Madrid: Isdefe.
Barros, M., Paula, G. A., & Leiva, V. (2009). An R implementation for generalize Birnbaum–Saunders distributions. Computational Statistics & Data Analysis, 53(4), 1511-1528.
Batanero, C. (2001). Didáctica de la Estadística. Granada: Universidad de Granada.
Bickel, P., & Doksum, K. (1977). Mathematical Statistics: Basic ideas and select topics. San Francisco: Holden-Day, Inc.
Birnbaum, Z. W. and Saunders, S. C. (1969a). A new family of life distributions. Journal of Applied Probability 6: 319-327.
Birnbaum, Z. W. and Saunders, S. C. (1969b). Estimation for a family of life Distributions With Applications to Fatigue. Journal Applied Probability 6: 328-347.
Blanco, L. (2004). Probabilidad. Bogotá: Univ. Nacional de Colombia.
Burbano, V. M. (2010). Una manera alternativa de simular variables aleatorias con distribución normal, uniforme y logística. Revista Ciencia en Desarrollo, 3(1), 63-72.
Chang, D. S. & Tang, L.C. (1994). Randon number generator for the Birnbaum-Saunders distribution. Comput Indian Eng, 27:345-348
Chang, D. S., & Tang, L.C. (1994). Percentile bounds and tolerance limits for the Birnbaum-Saunders distribution. Communications in Statistics: Theory and Methods 23: 2853-2863.
Churchman, C. W. (1973). El enfoque de sistemas. México: Diana.
Desmond, A. F. (1985). Stochastic models of failure in random environments. Canadian Journal of Statistics 13: 171-183.
Díaz, J. A. & Leiva, V. (2005). A new family of life distributions based on the elliptically contoured distributions. Journal of Statistical Planning and Inference, 128(2), 445-457.
Freudenthal, A. M. and Shinozuka, M. (1961). Structural Safety under Conditions of Ultimate Load Failure y Fatigue. Technical Report. Wright Air Development Division, Wright Air Force Base: 61-77. Dayton, OH.
Glasserman, P. (2004). Monte- Carlo Methods in Financial Engineering. Computational Finance. New York: Springer Verlag.
Gentle, J. E. (1998). Random number generation and Monte Carlo methods. New York: Springer.
Godino, J. D., Batanero, C. & Cañizares, M. J. (1987). Azar y probabilidad. Fundamentos didácticos y propuestas curriculares. Madrid: Síntesis.
Heitele, D. (1975). An epistemological view and fundamental stochastic ideas. Educational studies in Mathematics, 6(2), 187-205.
Hill, H. C., Ball, D. L. y Schilling, S. G. (2008.) Unpacking pedagogical content knowledge: Conceptualizing and measuring teachers’ topic-specific knowledge of students. Journal for Research in Mathematics Education, 39, 372-400.
Jones, G., Langrall, C y Mooney, E. (2007). Research in probability. Responding to classroom realities, en F. K. Lester (ed.), Second Handbook of Research on Mathematics Teaching and Learning, Charlotte, Information Age Publishing, pp. 909-955.
Kandu, D., Kannan, N., & Balakrishnan, N. (2008). On the hazard function of the Birnbaum-Saunders distribution and associated inference. Computational Statistics & Data Analysis 52: 2692-2702.
Karian, Z. A., Dudewics, E. J. (2000). Fitting Statistical Distributions: The Generalized Lambda Distribution and Generalized Bootstrap Methods. Boca Ratón, FL: CRC Press.
Law M. A. M. y Kelton W. D. (1991). Simulation Modeling and Analysis. Mèxico: McGraw Hill.
Lehmer, D. H. (1951). Mathematical methods in large-scale computing units. Ann. Comput. Lab. Harvard Univ, 26, 141-146.
Lindgren, B. (1993). Statistical Theory. New York: Chapman & Hall.
Leiva, V., Sanhueza, A., & Angulo, J. M. (2009). A length-biased version of the Birnbaum-aunders distribution with application in water quality. Stochastic Environmental Research and Risk Assessment, 23(3), 299-307.
Marshall, A. W., Olkim, I. (2007). Life distributions. New York: Springer.
Marsaglia, G. (1963). Generating Discrete Random Variables in a Computer, en Commun Assoc. Comput. Mach., 6, pp. 37-38.
Michael, J. R., Schucany, W. R. and Haas, R. W. (1976). Generating random variates using transformations with multiple roots. The American Statistician, 30, 88-90.
Mayorga, J. H. (2003). Inferencia estadística. Bogotá: Univ. Nacional de Colombia.
Naylor, T. (1993). Técnicas de simulación en computadoras. México: Limusa.
Papoulis, A. (1991). Probability, Random variables and Stochastic Process. New York: McGraw-Hill Inc.
Poincaré, H. (1936). El azar. Artículo publicado originalmente en lengua inglesa en Journal of the American Statistical Association, 31, 10-30.
Polya, G. (1982). Cómo plantear y resolver problemas. México: Trillas.
Ríos, I. D. (2000). Simulación, Métodos y Aplicaciones. Bogotá: Alfa Omega.
Ross, S. M. (1998). A First Course in Probability. México: Prentice Hall.
Ross, S. M. (1999). Simulación. México: Prentice Hall.
Saavedra, P. e Ibarra, V. (2008). Simulación numérica de variables aleatorias. Univ. Autónoma Metropolitana-Iztapalapa.
Saunders, S. C. (2007). Reliability, Life Testing and Prediction of Services lives. New York: Springer.
Shao, J. (1999): Mathematical Statistics. New York: Springer.
Turing, A. (1950). Máquinas de calcular e inteligencia [Calculate machines and intelligence]. En A. Amderson (Ed.), Controversia sobre mentes y máquinas (p. 56). Barcelona: Tusquets.
Valdivieso, M. A. (2010). Probabilidad Básica y distribuciones. Apoyo al estudio independiente. Tunja: Impresiones Jotamar.
Descargas
Publicado
15 August 2014
Colección
Categorías
Derechos de autor 2014 Editorial UPTC
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Detalles sobre esta monografía
ISBN-13 (15)
9789586602082
Fecha de publicación (01)
2014
