2.3. Probabilidad y Computación Estadística (PSC)

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.

Tabla 2.3: Lista de KUs del área de Probabilidad y Computación Estadística.

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:

  1. Aplicar conceptos medida-teóricos a espacios de probabilidad [Familiarizarse]
  2. Caracterizar diferentes tipos de procesos estocásticos [Evaluar]
  3. Analizar cadenas de Markov para comportamiento transitorio y en estado estacionario [Usar]
  4. 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:

  1. Implementar Estimación de Máxima Verosimilitud para varias distribuciones [Usar]
  2. Aplicar métodos bayesianos para estimación de parámetros [Usar]
  3. Implementar algoritmos MCMC para muestreo posterior [Usar]
  4. Usar el algoritmo EM para modelos con variables latentes [Usar]
  5. 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:

  1. Diseñar experimentos factoriales para screening de factores [Usar]
  2. Aplicar metodología de superficie de respuesta para optimización [Usar]
  3. Implementar diseños de llenado de espacio para experimentos computacionales [Usar]
  4. Seleccionar diseños óptimos para objetivos específicos [Evaluar]
  5. 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:

  1. Implementar bootstrap para estimación de error estándar [Usar]
  2. Aplicar validación cruzada para evaluación de modelos [Usar]
  3. Usar pruebas de permutación para contraste de hipótesis [Usar]
  4. Comparar modelos usando criterios de información (AIC, BIC) [Evaluar]
  5. Implementar bagging para reducción de varianza [Usar]

¿Encontraste una errata, un curso desactualizado, un enlace roto, o tienes una sugerencia? Cuéntanos.

Escanea para abrir en tu teléfono