• ES Español (Latinoamérica)
• EN English

4.18. Teoría de la Probabilidad (PRO)

Esta área de conocimiento cubre los fundamentos matemáticos de la probabilidad, incluyendo espacios muestrales, variables aleatorias, distribuciones de probabilidad, distribuciones conjuntas, momentos, transformaciones y los teoremas límite fundamentales. Proporciona la base teórica para toda la inferencia estadística y el modelado.

Área de Conocimiento (KA)	Core Tier1	Core Tier2
4.18.1 Espacios Muestrales y Eventos	1	1
4.18.2 Axiomas y Propiedades de la Probabilidad	1	1
4.18.3 Probabilidad Condicional e Independencia	1	1
4.18.4 Variables Aleatorias Discretas y Distribuciones	1	1
4.18.5 Variables Aleatorias Continuas y Distribuciones	1	1
4.18.6 Distribuciones Conjuntas, Marginales y Condicionales	1	1
4.18.7 Teoremas Límite: LGN y TCL	1	1

4.18.1. PRO/Espacios Muestrales y Eventos  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Definición formal de experimentos aleatorios, espacios muestrales y eventos. Cubre las operaciones de teoría de conjuntos sobre eventos y la construcción de sigma-álgebras como fundamento de la teoría de la probabilidad.
Temas:
Core

• Experimentos aleatorios, resultados y espacios muestrales: finitos, contables e incontables
• Operaciones de teoría de conjuntos sobre eventos: unión, intersección, complemento y leyes de De Morgan
• Sigma-álgebras y espacios medibles como fundamento de la probabilidad rigurosa
• Conjuntos de Borel y la sigma-álgebra de Borel sobre la recta real

Aprendizaje esperado (Learning Outcomes):
Core:

1. Definir espacios muestrales, eventos y sigma-álgebras para un experimento aleatorio dado [Familiarizarse]
2. Aplicar operaciones de teoría de conjuntos para calcular probabilidades de eventos compuestos [Usar]
3. Construir sigma-álgebras apropiadas para espacios medibles que surgen en problemas estadísticos [Evaluar]

4.18.2. PRO/Axiomas y Propiedades de la Probabilidad  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Axiomas de probabilidad de Kolmogorov y propiedades derivadas. Cubre las interpretaciones clásica, frecuentista y subjetiva de la probabilidad y sus implicaciones.
Temas:
Core

• Los tres axiomas de probabilidad de Kolmogorov y sus consecuencias
• Propiedades derivadas: regla del complemento, regla de la adición, monotonicidad y continuidad de la probabilidad
• Interpretaciones clásica, frecuentista y subjetiva (bayesiana) de la probabilidad
• Métodos de conteo: permutaciones, combinaciones y el principio de multiplicación

Aprendizaje esperado (Learning Outcomes):
Core:

1. Enunciar los axiomas de Kolmogorov y derivar propiedades fundamentales de la probabilidad [Familiarizarse]
2. Calcular probabilidades de eventos utilizando la regla de la adición y la regla del complemento [Usar]
3. Aplicar métodos de conteo para calcular probabilidades en espacios muestrales finitos [Usar]

4.18.3. PRO/Probabilidad Condicional e Independencia  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Probabilidad condicional, regla de la multiplicación, ley de la probabilidad total, teorema de Bayes y el concepto de independencia entre eventos y colecciones de eventos.
Temas:
Core

• Definición e interpretación de la probabilidad condicional P(A|B) y sus propiedades
• Teorema de Bayes y ley de la probabilidad total: derivación y aplicaciones
• Independencia de eventos: independencia por pares e independencia mutua
• Independencia condicional y su papel en los modelos gráficos probabilísticos

Aprendizaje esperado (Learning Outcomes):
Core:

1. Explicar la probabilidad condicional y la independencia y su relación [Familiarizarse]
2. Aplicar el teorema de Bayes y la ley de la probabilidad total para resolver problemas de probabilidad [Usar]
3. Analizar si los eventos son independientes o condicionalmente independientes en un modelo de probabilidad dado [Evaluar]

4.18.4. PRO/Variables Aleatorias Discretas y Distribuciones  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Variables aleatorias como funciones medibles, funciones de masa de probabilidad, funciones de distribución acumulada y las distribuciones de probabilidad discretas más importantes.
Temas:
Core

• Funciones de masa de probabilidad (FMP) y funciones de distribución acumulada (FDA) para variables aleatorias discretas
• Distribuciones discretas clave: Bernoulli, Binomial, Geométrica, Binomial Negativa, Poisson, Hipergeométrica
• Propiedades de las distribuciones discretas: media, varianza, asimetría y curtosis
• Aproximación de Poisson a la Binomial y argumentos de distribución límite

Aprendizaje esperado (Learning Outcomes):
Core:

1. Identificar y describir las principales distribuciones de probabilidad discretas y sus parámetros [Familiarizarse]
2. Calcular probabilidades, medias y varianzas utilizando las FMP de distribuciones discretas estándar [Usar]
3. Seleccionar una distribución discreta apropiada para modelar un fenómeno aleatorio dado y justificar la elección [Evaluar]

4.18.5. PRO/Variables Aleatorias Continuas y Distribuciones  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Funciones de densidad de probabilidad, FDA y las distribuciones de probabilidad continuas más importantes utilizadas en la teoría y práctica estadística.
Temas:
Core

• Funciones de densidad de probabilidad (FDP) y FDA para variables aleatorias continuas
• Distribuciones continuas clave: Uniforme, Normal, Exponencial, Gamma, Beta, Chi-cuadrado, t, F
• La distribución Normal: propiedades, normal estándar y su papel central en la inferencia estadística
• La familia exponencial de distribuciones: forma canónica y estadísticos suficientes

Aprendizaje esperado (Learning Outcomes):
Core:

1. Describir las propiedades y parámetros de las principales distribuciones de probabilidad continuas [Familiarizarse]
2. Calcular probabilidades y cuantiles para distribuciones continuas estándar [Usar]
3. Identificar distribuciones pertenecientes a la familia exponencial y derivar sus estadísticos suficientes [Evaluar]

4.18.6. PRO/Distribuciones Conjuntas, Marginales y Condicionales  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Distribuciones conjuntas de múltiples variables aleatorias, distribuciones marginales y condicionales, covarianza, correlación y la distribución normal bivariada.
Temas:
Core

• FMP y FDP conjuntas para dos o más variables aleatorias
• Distribuciones marginales y condicionales derivadas de distribuciones conjuntas
• Covarianza, correlación y sus propiedades; la independencia implica covarianza cero (el recíproco no siempre es cierto)
• La distribución normal bivariada y sus distribuciones condicionales

Aprendizaje esperado (Learning Outcomes):
Core:

1. Derivar distribuciones marginales y condicionales a partir de una distribución conjunta dada [Usar]
2. Calcular la covarianza y correlación entre dos variables aleatorias [Usar]
3. Analizar la estructura condicional de la distribución normal bivariada [Evaluar]

4.18.7. PRO/Teoremas Límite: LGN y TCL  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Las leyes de los grandes números y el teorema central del límite como justificación matemática de los procedimientos de estimación e inferencia estadística basados en muestras grandes.
Temas:
Core

• Ley débil de los grandes números: convergencia en probabilidad y sus implicaciones para la estimación
• Teorema central del límite: enunciado, condiciones y papel en la justificación de aproximaciones normales
• Aplicaciones del TCL: aproximación normal a la binomial y distribuciones muestrales
• Ley fuerte de los grandes números: convergencia casi segura
• El método delta: distribución asintótica de funciones suaves de estimadores

Aprendizaje esperado (Learning Outcomes):
Core:

1. Enunciar la LGN y el TCL y explicar las condiciones bajo las cuales se cumplen [Familiarizarse]
2. Aplicar el TCL para derivar aproximaciones normales y distribuciones muestrales [Usar]
3. Aplicar el método delta para derivar distribuciones asintóticas de estimadores no lineales [Evaluar]