Muestreo
Generar escenarios aleatorios que representen entradas inciertas.
Azar y código · Simulación estática
Método de Monte Carlo y Simulación Estática
Aprendé a usar el muestreo aleatorio para estimar, integrar y decidir bajo incertidumbre. Del dado al intervalo de confianza: promedios, convergencia, reducción de varianza y aplicaciones reales con Python.
- 44
- temas progresivos
- Estático
- muestreo aleatorio
- Práctico
- simulaciones en Python
Antes de estimar con azar
Pensar en promedios antes de escribir código
El método de Monte Carlo usa el muestreo aleatorio repetido para aproximar cantidades que serían difíciles de calcular de forma exacta: probabilidades, áreas, integrales, riesgos y decisiones bajo incertidumbre. La simulación estática es su marco natural: no hay reloj ni eventos, cada réplica es un escenario independiente que se promedia.
En este curso construiremos esa lógica paso a paso: principio del muestreo, entradas y salidas aleatorias, convergencia y error, estimación de π, cálculo de áreas e integrales, reducción de varianza, diseño de experimentos y aplicaciones en riesgo, confiabilidad, finanzas e inventarios. Trabajaremos con tablas, gráficos y experimentos en Python, sin requerir matemática avanzada.
El recorrido
Cuatro ideas que conectan todo
Del escenario aleatorio a la estimación confiable que ayuda a decidir.
Promedio
Estimar con promedios: Ley de los Grandes Números y convergencia.
Error
Cuantificar la precisión: varianza, error e intervalos de confianza.
Decisión
Diseñar experimentos, reducir varianza y aplicar a riesgo y finanzas.