4.5. Probabilidad y Estadística (PST)

4.5. Probabilidad y Estadística (PST)

Esta área cubre la teoría matemática de la incertidumbre y la inferencia, desde los fundamentos axiomáticos de la probabilidad hasta la metodología estadística moderna, incluyendo inferencia bayesiana, estadística de alta dimensión y análisis de series temporales.

Tabla 4.5: Lista de KUs del área de Probabilidad y Estadística.

4.5.1. PST/Axiomas de Probabilidad y Distribuciones  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Fundamentación axiomática de Kolmogorov de la probabilidad, variables aleatorias, distribuciones y esperanzas.
Temas:
Core

  • Axiomas de Kolmogorov, sigma-álgebras y espacios de probabilidad
  • Variables aleatorias: distribuciones discretas y continuas, CDF, PDF y PMF
  • Esperanza, varianza, momentos y funciones generadoras de momentos
  • Distribuciones conjuntas, marginales y condicionales; independencia y covarianza
  • Familias estándar: Binomial, Poisson, Normal, Exponencial, Gamma y Beta

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Enunciar los axiomas de Kolmogorov y construir un espacio de probabilidad para un experimento estándar [Familiarizarse]
  2. Calcular esperanzas, varianzas y funciones generadoras de momentos para distribuciones estándar [Usar]
  3. Determinar distribuciones conjuntas y condicionales y evaluar la independencia de variables aleatorias [Evaluar]

4.5.2. PST/Teoremas Límite  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Leyes de los grandes números, teorema central del límite, modos de convergencia y grandes desviaciones.
Temas:
Core

  • Modos de convergencia: casi segura, en probabilidad, en \(L^p\) y en distribución
  • Leyes débiles y fuertes de los grandes números y sus aplicaciones
  • Teorema Central del Límite: enunciado, demostración mediante funciones características y cota de Berry-Esseen
  • Funciones características y el teorema de continuidad (Lévy)
  • Grandes desviaciones: teorema de Cramér y teorema de Gärtner-Ellis

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Distinguir entre los modos de convergencia de variables aleatorias y proporcionar contraejemplos que muestren sus diferencias [Familiarizarse]
  2. Aplicar el Teorema Central del Límite para aproximar distribuciones de sumas y medias [Usar]
  3. Demostrar la ley fuerte de los grandes números y estimar probabilidades de grandes desviaciones usando el teorema de Cramér [Evaluar]

4.5.3. PST/Procesos Estocásticos  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Cadenas de Markov, procesos de Poisson, movimiento browniano, martingalas y cálculo estocástico.
Temas:
Core

  • Cadenas de Markov en tiempo discreto: clasificación de estados, distribuciones estacionarias y teorema ergódico
  • Procesos de Poisson: definición, propiedades y generalizaciones (compuesto, no homogéneo)
  • Movimiento browniano: definición, propiedades de las trayectorias y principio de reflexión
  • Martingalas, tiempos de parada, teorema de muestreo opcional y desigualdades de Doob
  • Integral de Itô, fórmula de Itô y ecuaciones diferenciales estocásticas

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Clasificar estados de una cadena de Markov y determinar su distribución estacionaria [Familiarizarse]
  2. Aplicar la teoría de martingalas y el teorema de muestreo opcional para resolver problemas de tiempos de parada [Usar]
  3. Formular y resolver una ecuación diferencial estocástica usando la fórmula de Itô [Evaluar]

4.5.4. PST/Teoría de la Estimación  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Estimación puntual y por intervalos: suficiencia, insesgadez, eficiencia, máxima verosimilitud y teoría asintótica.
Temas:
Core

  • Estadísticos suficientes, teorema de factorización y completitud
  • Estimadores insesgados, cota de Cramér-Rao y UMVUE
  • Estimación por máxima verosimilitud: propiedades, consistencia y normalidad asintótica
  • Intervalos de confianza: cantidades pivote, razón de verosimilitud y métodos bootstrap
  • Teoría asintótica: método delta, M-estimadores y matriz de información de Fisher

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Explicar la cota de Cramér-Rao e identificar cuándo existe un UMVUE mediante el teorema de Lehmann-Scheffé [Familiarizarse]
  2. Derivar estimadores de máxima verosimilitud y calcular su varianza asintótica [Usar]
  3. Construir intervalos de confianza usando cantidades pivote y remuestreo bootstrap [Evaluar]

4.5.5. PST/Contraste de Hipótesis  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Marco de Neyman-Pearson, pruebas uniformemente más potentes, pruebas de razón de verosimilitud y contrastes múltiples.
Temas:
Core

  • Lema de Neyman-Pearson: pruebas más potentes para hipótesis simples
  • Pruebas uniformemente más potentes (UMP) y familias de razón de verosimilitud monótona
  • Pruebas de razón de verosimilitud generalizada y teorema de Wilks
  • \(p\)-valores, contrastes múltiples y control de la tasa de falsos descubrimientos (FDR)
  • Pruebas no paramétricas: prueba de los signos, suma de rangos de Wilcoxon y Kolmogorov-Smirnov

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Enunciar el lema de Neyman-Pearson y explicar el equilibrio entre errores de tipo I y tipo II [Familiarizarse]
  2. Aplicar la prueba de razón de verosimilitud y el teorema de Wilks a problemas de hipótesis compuestas [Usar]
  3. Controlar la tasa de falsos descubrimientos en un escenario de contrastes múltiples usando el procedimiento de Benjamini-Hochberg [Evaluar]

4.5.6. PST/Inferencia Bayesiana  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Paradigma bayesiano: distribuciones a priori y a posteriori, familias conjugadas, modelos jerárquicos y métodos computacionales.
Temas:
Core

  • Teorema de Bayes en entornos continuos; distribuciones a priori y a posteriori
  • Familias conjugadas a priori: Beta-Binomial, Dirichlet-Multinomial, Normal-Normal
  • Modelos bayesianos jerárquicos y Bayes empírico
  • Métodos de Monte Carlo de Cadenas de Markov (MCMC): Metropolis-Hastings y muestreo de Gibbs
  • Inferencia variacional y la cota inferior de la evidencia (ELBO)

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Aplicar el teorema de Bayes para actualizar una distribución a priori con datos observados y obtener una distribución a posteriori [Familiarizarse]
  2. Construir un modelo bayesiano jerárquico y derivar sus distribuciones conjunta y condicionales [Usar]
  3. Implementar muestreo de Gibbs o Metropolis-Hastings para aproximar una distribución a posteriori [Evaluar]

4.5.7. PST/Estadística de Alta Dimensión ↑ Volver arriba

Teoría estadística en altas dimensiones: desigualdades de concentración, esparsidad, LASSO y teoría de matrices aleatorias.
Temas:
Non Core

  • Desigualdades de concentración: cotas de Markov, Chebyshev, Chernoff y variables sub-Gaussianas
  • Estimación dispersa: LASSO, regresión ridge y la propiedad de isometría restringida (RIP)
  • Teoría de matrices aleatorias: ley del semicírculo de Wigner y distribución de Marchenko-Pastur
  • Muestreo comprimido: condiciones de recuperación exacta y relajación convexa
  • Cotas inferiores minimax y el equilibrio sesgo-varianza en altas dimensiones

Aprendizaje esperado (Learning Outcomes):
NonCore:

  1. Aplicar desigualdades de concentración para acotar la desviación de sumas de variables aleatorias [Familiarizarse]
  2. Analizar las propiedades estadísticas de los estimadores LASSO bajo condiciones de esparsidad y RIP [Usar]
  3. Derivar cotas inferiores minimax para problemas de estimación usando métodos de teoría de la información [Evaluar]

4.5.8. PST/Análisis de Series Temporales  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Procesos estacionarios, modelos ARMA, análisis espectral, modelos de espacio de estados y predicción.
Temas:
Core

  • Estacionariedad, función de autocovarianza y función de autocorrelación (ACF)
  • Modelos ARMA: identificación, estimación (Yule-Walker, MLE) y diagnóstico
  • Densidad espectral, el periodograma y el teorema de Wiener-Khinchin
  • Modelos de espacio de estados y el filtro de Kalman
  • Modelos ARIMA, ajuste estacional y predicción a múltiples pasos

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Identificar la estacionariedad y determinar el orden de un modelo ARMA a partir de gráficos ACF y PACF [Familiarizarse]
  2. Ajustar modelos ARIMA a datos de series temporales, validar residuos y producir predicciones [Usar]
  3. Aplicar el filtro de Kalman para estimar estados ocultos en un modelo lineal gaussiano de espacio de estados [Evaluar]

4.5.9. PST/Métodos No Paramétricos  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Inferencia libre de distribución, pruebas basadas en rangos, estimación de densidad por kernel y regresión no paramétrica.
Temas:
Core

  • Función de distribución empírica, teorema de Glivenko-Cantelli y bootstrap
  • Pruebas basadas en rangos: Wilcoxon, Kruskal-Wallis y correlación de Spearman
  • Estimación de densidad por kernel: selección de ancho de banda, equilibrio sesgo-varianza
  • Regresión no paramétrica: estimador de Nadaraya-Watson y splines de suavizado
  • Pruebas de permutación e inferencia por aleatorización

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Explicar las ventajas y limitaciones de los métodos no paramétricos en comparación con las alternativas paramétricas [Familiarizarse]
  2. Aplicar estimación de densidad por kernel y seleccionar el ancho de banda mediante validación cruzada [Usar]
  3. Realizar pruebas de permutación y basadas en rangos e interpretar sus resultados para inferencias sin supuestos distributivos [Evaluar]

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

Escanea para abrir en tu teléfono