Conceptos básicos de variables aleatorias
En estatística e teoría da probabilidade, as variables aleatorias son un dos conceptos máis fundamentais, que serven de ponte entre os eventos aleatorios e a análise matemática medible. Mediante as variables aleatorias, podemos "traducir" os resultados dun experimento aleatorio (que inicialmente consiste en eventos ou categorías) en números que se poden procesar: calculando as súas probabilidades, resumíndoas con medias, medindo a súa dispersión e mesmo modelándoas usando distribucións específicas. Este artigo trata os conceptos básicos das variables aleatorias, os seus tipos e conceptos clave como a función de probabilidade, a función de distribución acumulativa , o valor esperado e a varianza.
1. Que é unha variable aleatoria?
En termos sinxelos, unha variable aleatoria é unha función que mapea cada resultado dun espazo mostral a un número real. O espazo mostral é a colección de todos os resultados posibles dun experimento aleatorio.
Por exemplo, supoñamos que lanzamos un dado de seis caras. O espazo mostral é {1, 2, 3, 4, 5, 6}. Podemos definir a variable aleatoria \(X\) como "o número que aparece no dado". Entón \(X\) pode ter valores de 1 a 6, con igual probabilidade se o dado é xusto.
Outro exemplo: lanzamos dúas moedas ao aire. O espazo mostral é {HH, HT, TH, TT}. Se definimos a variable aleatoria \(Y\) como «o número de caras (H) que aparecen», entón:
– HH → \(Y = 2\)
– HT → \(Y = 1\)
– TH → \(Y = 1\)
– TT → \(Y = 0\)
Aquí vemos que as variables aleatorias non teñen que "reflectir" o resultado orixinal directamente; son unha forma de asignar valores numéricos a resultados aleatorios segundo as necesidades da análise.
2. Tipos de variables aleatorias: discretas e continuas
En xeral, as variables aleatorias divídense en dous tipos principais:
a) Variables aleatorias discretas
Unha variable aleatoria discreta é unha variable aleatoria cuxos valores poden ser contados un por un (contables), xeralmente en forma de números enteiros ou un conxunto separado de valores específicos.
Exemplo:
– Número de fillos nunha familia (0, 1, 2, 3, …)
– Número de vehículos que pasan polo peaxe nun minuto
– Número de artigos defectuosos de 10 produtos inspeccionados
Para variables aleatorias discretas, a probabilidade de cada valor pódese expresar directamente en forma dunha función de masa de probabilidade.
b) Variables aleatorias continuas
Unha variable aleatoria continua é unha variable aleatoria que pode tomar valores nun intervalo continuo na recta numérica real (incontable), por exemplo todos os valores entre 0 e 1, ou todos os valores reais positivos.
Exemplo:
– A altura dunha persoa
– Tempo de espera do cliente no mostrador
– Temperatura do aire a unha hora determinada
Para unha variable aleatoria continua, a probabilidade en calquera punto dado é esencialmente cero. Polo tanto, a probabilidade calcúlase sobre un rango de valores (por exemplo, entre 10 e 12 minutos), usando a función de densidade de probabilidade.
3. Funcións de probabilidade: PMF e PDF
O seguinte concepto importante é como se "asocia" a probabilidade ao valor dunha variable aleatoria.
a) Función de masa de probabilidade (FMP)
Para unha variable aleatoria discreta \(X\), a PMF defínese como:
\[
p(x) = P(X = x)
\]
coa disposición de:
1. \(p(x) \ge 0\) para todo \(x\)
2. \(\sum_x p(x) = 1\)
Exemplo sinxelo: dados xustos
\[
P(X=k)=\frac{1}{6}, \quad k=1, 2, 3, 4, 5, 6
\]
b) Función de densidade de probabilidade (PDF)
Para unha variable aleatoria continua \(X\), usamos a función de densidade funcional \(f(x)\) de xeito que a probabilidade no intervalo \([a,b]\) sexa:
\[
P(a ≤ X ≤ b) = ∫_a^bf(x)∫_dx
\]
coa disposición de:
1. \(f(x) \ge 0\)
2. \(\int_{-\infty}^{\infty} f(x)\,dx = 1\)
Convén salientar o seguinte: para unha variable aleatoria continua, \(P(X=x)=0\) para cada valor de \(x\). A probabilidade sempre ten sentido cando se fala de rangos.
4. Función de distribución acumulativa (CDF)
Tanto se son discretas como continuas, as variables aleatorias poden describirse mediante a función de distribución acumulativa (CDF), que se define como:
\[
F(x) = P(X ≤ x)
\]
O CDF ten varias propiedades importantes:
– O valor de \(F(x)\) está sempre entre 0 e 1
– \(F(x)\) non decrece (non decrece)
– (x a -infty F(x) = 0) e (x a infty F(x) = 1)
Para variables discretas, a función da función distributiva ten forma de "escaleira" (sobe en certos puntos). Para variables continuas, a función distributiva xeralmente é suave e é a integral da función de formato de datos (PDF):
\[
F(x) = \int_{-\infty}^{x} f(t)\,dt
\]
5. Medida da tendencia central: valor esperado (expectativa)
Unha vez que coñecemos a distribución de probabilidade, a miúdo queremos resumir a variable aleatoria cun único número que represente o seu "valor medio a longo prazo". Este é o valor esperado ou expectativa.
a) Expectativas de variables discretas
Se \(X\) é discreto:
\[
E[X] = \sum_x x\,p(x)
\]
b) Expectativa de variables continuas
Se \(X\) é continuo:
\[
E[X] = \int_{-\infty}^{\infty} x\,f(x)\,dx
\]
A expectativa non sempre é o mesmo que o "valor que ocorre con máis frecuencia" (moda) e non sempre é o valor que é realmente probable que ocorra, pero é moi útil para a toma de decisións, a previsión e a análise de riscos.
Exemplo de aplicación: Nos negocios, as expectativas pódense empregar para calcular o beneficio medio esperado dunha estratexia, tendo en conta varios escenarios e as súas probabilidades.
6. Medidas de dispersión: varianza e desviación estándar
Dúas variables aleatorias poden ter a mesma expectativa pero diferentes niveis de incerteza. Polo tanto, necesitamos medidas de dispersión, concretamente a varianza e a desviación estándar.
A varianza de \(X\) defínese como:
\[
Var(X)=E[(XE[X])^2]
\]
A desviación estándar é a raíz cadrada da varianza:
\[
\sigma = \sqrt{Var(X)}
\]
Fórmulas prácticas que se empregan con frecuencia:
\[
Var(X) = E[X^2] – (E[X])^2
\]
Canto maior sexa a varianza, maior será a dispersión dos valores \(X\) con respecto á media, o que significa unha maior incerteza.
7. Distribucións de probabilidade de uso frecuente
Na práctica, moitas variables aleatorias seguen certos patróns de distribución. Algunhas distribucións populares son:
– Bernoulli: dous resultados (éxito/fracaso), por exemplo verdadeiro-falso, vivo-morto.
– Binomial: o número de éxitos de \(n\) ensaios de Bernoulli, por exemplo, o número de estudantes que se gradúan de entre 20 persoas.
– Poisson: o número de eventos nun intervalo de tempo/espazo, por exemplo o número de chamadas entrantes por minuto.
– Continuo uniforme: todos os valores do intervalo teñen a mesma probabilidade.
– Normal (gaussiana): moitos fenómenos naturais e sociais aproxímanse a esta distribución, como a altura ou o erro de medición.
Seleccionar a distribución correcta axuda a que a modelización e a análise sexan máis precisas.
8. Por que son importantes as variables aleatorias?
As variables aleatorias son a base de:
– Estatística inferencial: estimación de parámetros poboacionais baseándose en mostras
– Contraste de hipóteses: decidir se unha afirmación está respaldada por datos
– Aprendizaxe automática: modelización da incerteza e da probabilidade de predición
– Xestión de riscos: medición da probabilidade de perdas e escenarios extremos
– Enxeñaría e ciencia: procesamento de sinais, fiabilidade de sistemas, teoría de colas
Coas variables aleatorias, temos unha linguaxe matemática para falar sobre a incerteza sistematicamente.
Conclusión
Unha variable aleatoria é un concepto central na teoría da probabilidade que relaciona os resultados de experimentos aleatorios con valores numéricos. As variables aleatorias poden ser discretas ou continuas, e cada unha ten unha forma diferente de representar as probabilidades a través da PMF ou da PDF. Ademais, a CDF proporciona unha forma común de ver a acumulación de probabilidades. Para resumir unha distribución, a esperanza úsase como medida de tendencia central e a varianza/desviación estándar como medida de dispersión. Comprender estes conceptos básicos facilitará a aprendizaxe de temas máis avanzados como as distribucións de probabilidade, a estimación estatística, a regresión e a modelización de riscos, así como a análise de datos moderna.
Se queres, tamén podo engadir exemplos de preguntas e as súas explicacións (discretas e continuas) para facilitar a comprensión do concepto de variables aleatorias.
