3.11.2 CDP/Métodos y Simulaciones de Monte Carlo

Técnicas de muestreo estocástico para la integración multidimensional y la física estadística.
Temas:
Core

• Algoritmos de generación de números pseudoaleatorios y cuasialeatorios
• El algoritmo de Metropolis-Hastings para Monte Carlo por Cadenas de Markov (MCMC)
• Simulación de Monte Carlo del modelo de Ising y transiciones de fase
• Muestreo por importancia y técnicas de reducción de varianza
• Estimación de error estadístico y tiempo de autocorrelación en cadenas MCMC

Aprendizaje esperado (Learning Outcomes):
Core:

1. Describir el criterio de aceptación de Metropolis-Hastings y explicar su conexión con el balance detallado [Familiarizarse]
2. Desarrollar un esquema de muestreo por importancia para integrar una función multidimensional con un pico pronunciado [Usar]
3. Analizar la calidad estadística de una estimación de Monte Carlo y cuantificar el sesgo inducido por la autocorrelación [Evaluar]