- ES Español (Latinoamérica)

- EN English

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.
| Área de Conocimiento (KA) | Core Tier1 | Core Tier2 |
4.5.1 Axiomas de Probabilidad y Distribuciones | 1 | 1 |
4.5.2 Teoremas Límite | 1 | 1 |
4.5.3 Procesos Estocásticos | 1 | 1 |
4.5.4 Teoría de la Estimación | 1 | 1 |
4.5.5 Contraste de Hipótesis | 1 | 1 |
4.5.6 Inferencia Bayesiana | 1 | 1 |
4.5.7 Estadística de Alta Dimensión | Electivo | |
4.5.8 Análisis de Series Temporales | 1 | 1 |
4.5.9 Métodos No Paramétricos | 1 | 1 |
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:
- Enunciar los axiomas de Kolmogorov y construir un espacio de probabilidad para un experimento estándar [Familiarizarse]
- Calcular esperanzas, varianzas y funciones generadoras de momentos para distribuciones estándar [Usar]
- 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:
- Distinguir entre los modos de convergencia de variables aleatorias y proporcionar contraejemplos que muestren sus diferencias [Familiarizarse]
- Aplicar el Teorema Central del Límite para aproximar distribuciones de sumas y medias [Usar]
- 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:
- Clasificar estados de una cadena de Markov y determinar su distribución estacionaria [Familiarizarse]
- Aplicar la teoría de martingalas y el teorema de muestreo opcional para resolver problemas de tiempos de parada [Usar]
- 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:
- Explicar la cota de Cramér-Rao e identificar cuándo existe un UMVUE mediante el teorema de Lehmann-Scheffé [Familiarizarse]
- Derivar estimadores de máxima verosimilitud y calcular su varianza asintótica [Usar]
- 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:
- Enunciar el lema de Neyman-Pearson y explicar el equilibrio entre errores de tipo I y tipo II [Familiarizarse]
- Aplicar la prueba de razón de verosimilitud y el teorema de Wilks a problemas de hipótesis compuestas [Usar]
- 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:
- Aplicar el teorema de Bayes para actualizar una distribución a priori con datos observados y obtener una distribución a posteriori [Familiarizarse]
- Construir un modelo bayesiano jerárquico y derivar sus distribuciones conjunta y condicionales [Usar]
- 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:
- Aplicar desigualdades de concentración para acotar la desviación de sumas de variables aleatorias [Familiarizarse]
- Analizar las propiedades estadísticas de los estimadores LASSO bajo condiciones de esparsidad y RIP [Usar]
- 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:
- Identificar la estacionariedad y determinar el orden de un modelo ARMA a partir de gráficos ACF y PACF [Familiarizarse]
- Ajustar modelos ARIMA a datos de series temporales, validar residuos y producir predicciones [Usar]
- 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:
- Explicar las ventajas y limitaciones de los métodos no paramétricos en comparación con las alternativas paramétricas [Familiarizarse]
- Aplicar estimación de densidad por kernel y seleccionar el ancho de banda mediante validación cruzada [Usar]
- Realizar pruebas de permutación y basadas en rangos e interpretar sus resultados para inferencias sin supuestos distributivos [Evaluar]