Un Primer Curso de Probabilidad

📚 Resumen del Contenido

Una introducción elemental a la teoría de la probabilidad para estudiantes de matemáticas, estadística, ingeniería y ciencias. Cubre los principios básicos del análisis combinatorio, los axiomas de la probabilidad, la probabilidad condicional, variables aleatorias y los teoremas del límite.

Una obra clásica y completa como fundamento matemático y aplicado de la teoría de la probabilidad.

Autor: Sheldon Ross

Agradecimientos: Se agradece a Hossein Hamedani, Joe Blitzstein, Peter Nuesch, Ivan Ardestani y varios revisores/universidades por su contribución, precisión y retroalimentación.

🎯 Objetivos de Aprendizaje

1. Aplicar los Principios Básico y Generalizado del Conteo a experimentos multi-etapa.
2. Diferenciar y calcular permutaciones y combinaciones tanto para objetos distintos como indistinguibles.
3. Demostrar identidades combinatorias mediante inducción algebraica y argumentos combinatorios lógicos.
4. Definir espacios muestrales y eventos para experimentos diversos y aplicar las leyes de DeMorgan a operaciones de conjuntos.
5. Calcular probabilidades usando los tres axiomas fundamentales de la probabilidad y proposiciones simples (complementos, uniones y subconjuntos).
6. Resolver problemas combinatorios complejos con resultados igualmente probables, como manos de póker, el problema del emparejamiento y el problema del cumpleaños.
7. Definir y calcular probabilidades condicionales usando la fórmula P(E|F) = \frac{P(EF)}{P(F)}.
8. Aplicar la Fórmula de Bayes para resolver problemas complejos que involucran múltiples hipótesis y pruebas diagnósticas.
9. Distinguir entre eventos independientes y condicionalmente independientes en escenarios prácticos como genética e ingeniería.
10. Definir variables aleatorias discretas y calcular sus funciones de masa de probabilidad (PMF) y funciones de distribución acumulativa (CDF).

🔹 Lección 1: Análisis Combinatorio

Resumen: Esta lección cubre la teoría matemática fundamental del conteo, conocida como análisis combinatorio. Avanza desde los principios básicos de multiplicación para experimentos independientes hasta el estudio formal de permutaciones y combinaciones. Los estudiantes dominarán los teoremas binomial y multinomial, explorarán diversas técnicas de demostración y resolverán problemas complejos de distribución usando ecuaciones con valores enteros.

Resultados de Aprendizaje:

• Aplicar los Principios Básico y Generalizado del Conteo a experimentos multi-etapa.
• Diferenciar y calcular permutaciones y combinaciones tanto para objetos distintos como indistinguibles.
• Probar identidades combinatorias usando inducción algebraica y argumentos combinatorios lógicos.

🔹 Lección 2: Axiomas de la Probabilidad

Resumen: Esta lección establece la base matemática formal de la teoría de la probabilidad, comenzando con la definición de espacios muestrales y eventos. Introduce los tres Axiomas de Kolmogorov de la probabilidad y proposiciones derivadas, como el Principio de Inclusión-Exclusión. El contenido se extiende hacia aplicaciones combinatorias incluyendo el Problema del Cumpleaños y el Problema del Emparejamiento.

Resultados de Aprendizaje:

• Definir espacios muestrales y eventos para experimentos diversos y aplicar las leyes de DeMorgan a operaciones de conjuntos.
• Calcular probabilidades usando los tres axiomas fundamentales de la probabilidad y proposiciones simples.
• Resolver problemas combinatorios complejos con resultados igualmente probables, como manos de póker, el problema del emparejamiento y el problema del cumpleaños.

🔹 Lección 3: Probabilidad Condicional e Independencia

Resumen: Esta lección explora cómo se actualiza la probabilidad de un evento al recibir nueva información. Transita desde probabilidades no condicionales hacia marcos condicionales, formalizando la relación entre eventos dependientes e independientes mediante la Fórmula de Bayes y la Regla de Sucesión de Laplace. Los estudiantes aprenderán a actualizar probabilidades previas con evidencia empírica para obtener conclusiones posteriores.

Resultados de Aprendizaje:

• Definir y calcular probabilidades condicionales usando la fórmula P(E|F) = \frac{P(EF)}{P(F)}.
• Aplicar la Fórmula de Bayes para resolver problemas complejos que involucran múltiples hipótesis y pruebas diagnósticas.
• Distinguir entre eventos independientes y condicionalmente independientes en escenarios prácticos como genética e ingeniería.

🔹 Lección 4: Variables Aleatorias Discretas

Resumen: Esta lección explora la teoría fundamental y aplicaciones de las variables aleatorias discretas, que son variables cuyo conjunto de valores posibles es finito o infinitamente contable. Definimos sus funciones de masa de probabilidad (PMF) y funciones de distribución acumulativa (CDF), estableciendo medidas fundamentales de tendencia central y dispersión. Finalmente, el curso examina familias específicas de distribuciones utilizadas para modelar fenómenos del mundo real.

Resultados de Aprendizaje:

• Definir variables aleatorias discretas y calcular sus PMFs y CDFs.
• Calcular el Valor Esperado y la Varianza de una variable aleatoria y de sus funciones.
• Identificar y aplicar la distribución de probabilidad discreta adecuada para resolver problemas complejos con palabras.

🔹 Lección 5: Variables Aleatorias Continuas

Resumen: Esta lección explora las propiedades y aplicaciones de las variables aleatorias continuas, centrándose en sus esperanzas, varianzas y distribuciones de probabilidad específicas. Los estudiantes aprenderán a modelar fenómenos del mundo real utilizando distribuciones Uniforme, Normal, Exponencial, Gamma, Weibull, Cauchy y Beta. La lección también cubre técnicas para aproximar distribuciones discretas y transformar variables aleatorias.

Resultados de Aprendizaje:

• Calcular la esperanza y la varianza para variables aleatorias continuas y funciones de dichas variables.
• Aplicar la distribución Normal y su aproximación a la distribución Binomial usando la corrección de continuidad.
• Analizar fiabilidad y duraciones usando distribuciones Exponenciales, la propiedad sin memoria y funciones de tasa de fallo.

🔹 Lección 6: Variables Aleatorias Distribuidas Conjuntamente

Resumen: Esta lección explora el marco matemático para manejar múltiples variables aleatorias simultáneamente. Cubre la transición desde distribuciones individuales hasta funciones de densidad/masa conjuntas, la definición rigurosa de independencia y el comportamiento de sumas de variables independientes. Además, el programa se extiende hacia temas avanzados incluyendo estadísticas de orden y transformaciones de vectores aleatorios usando jacobianos.

Resultados de Aprendizaje:

• Calcular distribuciones marginales y densidades condicionales para variables aleatorias conjuntas continuas y discretas.
• Aplicar criterios de factorización para determinar si variables aleatorias son independientes y modelar procesos complejos.
• Usar el método del determinante del jacobiano para hallar la distribución conjunta de funciones de variables aleatorias y calcular las distribuciones de estadísticas de orden.

🔹 Lección 7: Propiedades del Valor Esperado

Resumen: Esta lección explora las propiedades avanzadas del valor esperado, yendo más allá de promedios simples hacia la linealidad de sumas, la covarianza y el poder de la condición. Los estudiantes aprenderán a aplicar estas herramientas al análisis de algoritmos, límites probabilísticos y modelado predictivo.

Resultados de Aprendizaje:

• Aplicar la linealidad del valor esperado a sumas complejas, incluyendo variables indicadoras y series infinitas.
• Calcular e interpretar la covarianza, la correlación y la varianza de sumas para variables dependientes e independientes.
• Utilizar el valor esperado condicional y la varianza condicional para simplificar el análisis de variables aleatorias compuestas y resolver problemas de optimización.

🔹 Lección 8: Teoremas del Límite

Resumen: Esta lección cubre los resultados asintóticos fundamentales de la teoría de la probabilidad, específicamente cómo se comportan la suma y el promedio de variables aleatorias cuando el número de observaciones tiende al infinito. Exploramos las Leyes Débil y Fuerte de los Grandes Números y el Teorema del Límite Central. También se abordan cotas de probabilidad específicas como la desigualdad de Chebyshev unilateral.

Resultados de Aprendizaje:

• Distinguir entre las Leyes Débil y Fuerte de los Grandes Números en términos de criterios de convergencia.
• Aplicar el Teorema del Límite Central (CLT) para aproximar probabilidades de sumas de variables aleatorias usando la distribución normal.
• Utilizar la desigualdad de Chebyshev unilateral para proporcionar cotas superiores de probabilidades de cola.

🔹 Lección 9: Procesos Estocásticos y Entropía

Resumen: Esta lección explora los marcos matemáticos para modelar eventos aleatorios a lo largo del tiempo y cuantificar la información. Cubre el Proceso de Poisson y sus tiempos entre llegadas, la estructura y el comportamiento a largo plazo de las Cadenas de Markov, y los principios fundamentales de la Teoría de la Información. En particular, aborda la entropía y su aplicación al codificado óptimo.

Resultados de Aprendizaje:

• Definir y calcular probabilidades para el Proceso de Poisson y determinar la distribución de tiempos entre llegadas.
• Construir matrices de transición para Cadenas de Markov y utilizar las ecuaciones de Chapman-Kolmogorov para hallar probabilidades de n pasos.
• Calcular probabilidades límite para Cadenas de Markov Ergódicas y resolver problemas de caminatas aleatorias.

🔹 Lección 10: Técnicas de Simulación

Resumen: Esta lección explora los principios y aplicaciones de la simulación para determinar empíricamente probabilidades y valores esperados. Cubre la generación de permutaciones aleatorias, técnicas para simular variables aleatorias continuas y discretas, y métodos avanzados para reducir la varianza. Estas técnicas mejoran la eficiencia y precisión de las estimaciones de simulación.

Resultados de Aprendizaje:

• Comprender el papel de los generadores de números pseudoaleatorios y semillas en la simulación.
• Implementar algoritmos para generar permutaciones aleatorias y simular variables provenientes de distribuciones discretas y continuas.
• Aplicar el Método Polar para generar normales unitarias y simular variables chi-cuadrado.