Profesor: Dr.
Carlos Erwin Rodrı́guez
Cubı́culo: 103, Depto. Probabilidad y Estadı́stica, IIMAS-UNAM
Página: [Link]
Correo-e: carloserwin@[Link]
Ayudante: Fı́s. José Alberto Florencio
Correo-e: jose manhattan@[Link]
Curso: Probabilidad Aplicada.
Programa: Lic. en Ciencia de Datos.
Horarios de clase:
Teorı́a: lunes y miércoles de 10 a 12 horas.
Objetivos
Práctica: jueves de 12 a 14 horas.
Salón: Aula 11, edificio C.
Página: [Link]
Objetivos generales aprender sobre la naturaleza de los fenómenos aleatorios, ası́ como familiarizarse
con los conceptos fundamentales de la teorı́a de probabilidad.
Objetivos especı́ficos
- Conocer los modelos de probabilidad más comunes: variables y vectores aleatorios ası́ como pro-
cesos estocásticos.
- Comprender que estos modelos pueden usarse para describir de forma aproximada muchos de los
fenómenos aleatorios que ocurren en el mundo real.
- Comprender las ideas básicas para generar observaciones de algunos modelos de probabilidad.
- Familiarizarse con al menos un lenguaje de programación con el objetivo de empezar a explorar
los modelos de probabilidad estudiados durante el curso.
Temario
0. Introducción y motivación (teorı́a)
0.1. Fenómenos aleatorios e incertidumbre.
0.2. Ejemplos iniciales.
0.3. Nociones iniciales e interpretación de una probabilidad.
1. Introducción al lenguaje R (práctica)
1
Temario Carlos E. Rodrı́guez y José A. Florencio
1.1. Instalación de R y R Studio.
1.2. Configuración básica de R Studio.
1.3. Primeros pasos.
1.4. Tipos de variables.
1.5. Tipo de objetos y algunas funciones básicas.
Vectores, matrices y arreglos.
Bases de datos.
Listas
1.6. Librerı́as.
1.7. Lectura de datos.
1.8. Resúmenes básicos de información.
1.9. Gráficas básicas (gráficas de barras, histogramas y diagramas de puntos).
2. Probabilidad (teorı́a)
2.1. Elementos básicos de la teorı́a de probabilidad
1) Experimentos, ensayos, resultados, espacios muestrales y eventos.
2) Operaciones.
3) Axiomas de probabilidad.
2.2. Probabilidad condicional e independencia
1) Definiciones.
2) Teorema de Bayes.
3. Variables aleatorias (teorı́a)
3.1. Intuición y modelado de fenómenos aleatorios.
3.2. Tipos de variables aleatorias.
1) Discretas, ejemplos de trabajo con los modelos Bernoulli y binomial.
2) Continuas, ejemplos de trabajo con los modelos exponencial y normal.
3.3. Función de distribución, función de densidad o masa de probabilidad.
3.4. Esperanza y varianza.
3.5. Función generadora de momentos.
4. Variables aleatorias: modelos adicionales (práctica)
4.1. Modelos discretos: Poisson, Geométrica, binomial negativa e hipergeométrica.
1) Tipo de fenómenos aleatorios que podrı́an modelar.
2) Esperanza y varianza
3) Gráficas básicas en R.
4) Generación de variables aleatorias con R.
4.2. Modelos continuos: Gamma, Ji-cuadrada, Beta, t de Student.
1) Tipo de fenómenos aleatorios que podrı́an modelar.
2) Esperanza y varianza
3) Gráficas básicas en R.
4) Generación de variables aleatorias con R.
2
Temario Carlos E. Rodrı́guez y José A. Florencio
5. Vectores aleatorios (teorı́a)
5.1. Motivación.
5.2. Distribución y densidad conjunta.
5.3. Ejemplos de trabajo: distriobuciones normal multivariada y multinomial.
5.4. Distribuciones marginales y condicionales.
5.5. Covarianza y correlación.
5.6. Independencia.
6. Transformaciones (teorı́a y práctica)
6.1. Transformaciones para una variable
1) Variables aleatorias discretas.
2) Variables aleatorias continuas.
Vı́a la función de distribución.
La función generadora de momentos.
Generación de variables aleatorias vı́a la transformada inversa.
6.2. Transformaciones de vectores aleatorios
1) Teorema de cambio de variable.
2) Función generadora de momentos.
3) Transformaciones lineales.
4) Estadı́sticas de orden.
7. Conceptos y aplicaciones de convergencia de variables aleatorias (teorı́a y práctica)
7.1. Tipos de convergencia (distribución, probabilidad y casi segura).
7.2. Muestras aleatorias.
7.3. Teoremas centrales de probabilidad.
1) Ley débil de los grandes números.
2) Teorema Central de Lı́mite.
7.4. Aplicaciones.
8. Temas selectos de procesos estocásticos (teorı́a y práctica)
8.1. Cadenas de Markov.
1) Definición.
2) Probabilidades de transición y ecuación de Chapman-Kolmogorov.
3) Comportamiento lı́mite.
4) Aplicaciones.
8.2. Movimiento Brawniano.
8.3. Movimiento Gaussiano.
8.4. Proceso Poisson
Los libros que usaremos en el curso serán: Ogunnaike (2010), Bertsekas and Tsitsiklis (2008), Ross (2020),
Hogg et al. (2015), Ross (2019) y Pishro-Nik (2014).
3
Temario Carlos E. Rodrı́guez y José A. Florencio
Referencias
Bertsekas, D.P., Tsitsiklis, J.N., 2008. Introduction to Probability. 2nd ed., Athena Scientific.
Hogg, R., Tanis, E., Zimmerman, D.L., 2015. Probability and Statistical Inference. 9th ed., Pearson.
Ogunnaike, B.A., 2010. Random Phenomena: Fundamentals of Probability and Statistics for Engineers. CRC Press.
Pishro-Nik, H., 2014. Introduction to probability, statistics, and random processes. Kappa Research, LLC. [Link]
[Link].
Ross, S.M., 2019. Introduction to Probability Models. 12 ed., Academic Press.
Ross, S.M., 2020. A First Course in Probability. 10 ed., Pearson.
Evaluación
a) Exámenes y tareas. Cada concepto se evalúa del 0 al 10:
- Examen 1: Tema 2, Probabilidad 25 % → E1 .
- Examen 2: Temas 3 y 4, Variables aleatorias 25 % → E2 .
- Tarea 1: Temas 5 y 6, Vectores aleatorios y transformaciones 15 % → T1 .
- Tarea 2: Tema 7, Convergencia 15 % → T2 .
- Tarea 3: Tema 8, Procesos estocásticos 15 % → T3 .
Participación 5 % → P .
Ası́, la calificación se obtendrá vı́a el siguiente promedio ponderado
C = 0.25(E1 + E2 ) + 0.15(T1 + T2 + T3 ) + 0.05P.
Para obtener la calificación a reportar en actas (CF ), la calificación obtenida C, sé redondeará al
entero más cercano:
CF = REDONDEAR(C, 0).
b) Examen final. En caso de que la calificación obtenida en a) sea no aprobatoria (o si ası́ lo prefiere el
alumno), se presentará un examen final que incluirá el material de todo el curso. En este caso:
CF = REDONDEAR(calif examen final, 0).
El control de las calificaciones se lleva en Excel, ası́ que la función REDONDEAR que se usará será la de Excel.
Exámenes y tareas
Exámenes.
- Se buscará que cada examen ordinario dure 2 horas.
- Se buscará que el examen final dure 4 horas.
- Si alguien copia (o hace trampa), la calificación asignada será 0.
- La calificación del examen final reemplaza la calificación obtenida vı́a exámenes y tareas (no se
toma el máximo).
- No hay reposición de exámenes.
4
Temario Carlos E. Rodrı́guez y José A. Florencio
Tareas.
- En equipos de 2 o 3 alumnos.
- Si por cualquier motivo hay algún equipo (o equipos) de más de 3 alumnos. A ese(os) equipo(s)
se se le(s) califica sobre 8.
- No hay reposiciones sobre las tareas.
- En caso de que se identifiquen dos o más tareas “idénticas” (o muy parecidas), la calificación
obtenida será lo que hayan sacado; dividido entre el número de tareas “idénticas”.