- ES Español (Latinoamérica)

- EN English

2.3. Probabilidad y Computación Estadística (PSC)
Esta área conecta los fundamentos teóricos de probabilidad y estadística con su implementación computacional. Cubre modelado probabilístico avanzado, métodos de inferencia computacional y el diseño de experimentos in silico. Los estudiantes aprenden a aplicar procesos estocásticos, métodos bayesianos y técnicas de remuestreo para analizar sistemas complejos y tomar decisiones basadas en datos bajo incertidumbre. Este conocimiento es crucial para el análisis de datos moderno, el aprendizaje automático y la computación científica.
| Área de Conocimiento (KA) | Core Tier1 | Core Tier2 |
2.3.1 Probabilidad Avanzada y Procesos Estocásticos | 1 | 1 |
2.3.2 Inferencia Estadística Computacional | 1 | 1 |
2.3.3 Diseño de Experimentos Computacionales | 1 | 1 |
2.3.4 Métodos de Remuestreo y Validación | 1 | 1 |
2.3.1. PSC/Probabilidad Avanzada y Procesos Estocásticos (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba
Temas:
Core
- Fundamentos de probabilidad medida-teórica
- Variables aleatorias y distribuciones
- Caracterización de procesos estocásticos
- Cadenas y procesos de Markov
- Movimiento browniano y procesos de difusión
Aprendizaje esperado (Learning Outcomes):
Core:
- Aplicar conceptos medida-teóricos a espacios de probabilidad [Familiarizarse]
- Caracterizar diferentes tipos de procesos estocásticos [Evaluar]
- Analizar cadenas de Markov para comportamiento transitorio y en estado estacionario [Usar]
- Modelar sistemas usando procesos estocásticos en tiempo continuo [Usar]
2.3.2. PSC/Inferencia Estadística Computacional (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba
Temas:
Core
- Estimación de Máxima Verosimilitud (MLE)
- Métodos de inferencia bayesiana
- Métodos de Monte Carlo mediante Cadenas de Markov (MCMC)
- Algoritmo Expectación-Maximización (EM)
- Remuestreo bootstrap y jackknife
Aprendizaje esperado (Learning Outcomes):
Core:
- Implementar Estimación de Máxima Verosimilitud para varias distribuciones [Usar]
- Aplicar métodos bayesianos para estimación de parámetros [Usar]
- Implementar algoritmos MCMC para muestreo posterior [Usar]
- Usar el algoritmo EM para modelos con variables latentes [Usar]
- Aplicar métodos bootstrap para intervalos de confianza [Usar]
2.3.3. PSC/Diseño de Experimentos Computacionales (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba
Temas:
Core
- Diseños factoriales y factoriales fraccionados
- Metodología de superficie de respuesta
- Diseños de llenado de espacio (hipercubo latino)
- Diseño óptimo de experimentos
- Experimentos computacionales y modelado sustituto
Aprendizaje esperado (Learning Outcomes):
Core:
- Diseñar experimentos factoriales para screening de factores [Usar]
- Aplicar metodología de superficie de respuesta para optimización [Usar]
- Implementar diseños de llenado de espacio para experimentos computacionales [Usar]
- Seleccionar diseños óptimos para objetivos específicos [Evaluar]
- Construir modelos sustitutos para simulaciones costosas [Usar]
2.3.4. PSC/Métodos de Remuestreo y Validación (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba
Temas:
Core
- Estimación bootstrap e intervalos de confianza
- Técnicas de validación cruzada
- Pruebas de permutación y aleatorización
- Selección de modelos y criterios de información
- Métodos de ensamblado y bagging
Aprendizaje esperado (Learning Outcomes):
Core:
- Implementar bootstrap para estimación de error estándar [Usar]
- Aplicar validación cruzada para evaluación de modelos [Usar]
- Usar pruebas de permutación para contraste de hipótesis [Usar]
- Comparar modelos usando criterios de información (AIC, BIC) [Evaluar]
- Implementar bagging para reducción de varianza [Usar]