Variables aleatorias y funciones de distribución en probabilidad
Respuesta rápida
Una variable aleatoria es una aplicación que relaciona los sucesos de un fenómeno aleatorio con números reales, permitiendo cuantificar resultados como ganancias o pérdidas. Su función de distribución F(x) indica la probabilidad de que la variable tome un valor menor o igual a x, siendo no decreciente, continua por la derecha, con límite 0 en menos infinito y límite 1 en más infinito.
Puntos clave
Variable aleatoria
Aplicación que relaciona sucesos del espacio muestral con números reales, permitiendo cuantificar resultados aleatorios.
Compatibilidad esencial
La variable aleatoria debe generar sucesos que pertenezcan a la σ-álgebra del espacio de probabilidad.
Función de distribución
F(x) = P(X ≤ x) proporciona la probabilidad acumulada y es la herramienta clave para calcular probabilidades.
No decreciente
La función de distribución nunca decrece: si x ≤ y, entonces F(x) ≤ F(y).
Límites definidos
F(x) tiende a 0 en -∞ y a 1 en +∞, representando certeza nula y total respectivamente.
Paso a paso
Identificar el fenómeno aleatorio y su espacio muestral
Definir qué cantidad numérica nos interesa relacionar con cada resultado
Verificar que la aplicación cumple las condiciones de variable aleatoria
Construir la función de distribución F(x) = P(X ≤ x)
Aplicar las propiedades de la función de distribución para calcular probabilidades
Ejemplo resuelto
Problema Un dado trucado tiene probabilidad 7/10 de sacar número par. Una persona apuesta: si sale 5 o 6 gana 10€, en caso contrario pierde 2€. Definir la aplicación que relaciona resultados con ganancias.
Un dado trucado tiene probabilidad 7/10 de sacar número par. Una persona apuesta: si sale 5 o 6 gana 10€, en caso contrario pierde 2€. Definir la aplicación que relaciona resultados con ganancias.
Solución:
- 1Espacio muestral: Ω = {1, 2, 3, 4, 5, 6}
- 2Definimos la aplicación X: Ω → ℝ
- 3X(5) = X(6) = 10 (gana 10€)
- 4X(1) = X(2) = X(3) = X(4) = -2 (pierde 2€)
- 5Verificación: Esta aplicación NO es variable aleatoria en este espacio de probabilidad porque solo conocemos P(par) = 7/10, no podemos calcular P({5,6})
La aplicación está bien definida como función, pero no es una variable aleatoria válida porque el suceso {5,6} no pertenece al conjunto de sucesos medibles (solo podemos medir par/impar).
Verificación: Comprobar que los sucesos generados por la variable aleatoria pertenecen a la σ-álgebra del espacio de probabilidad
Variables aleatorias y funciones de distribución en probabilidad
Introducción: de los sucesos a los números
En el estudio de la probabilidad, frecuentemente nos encontramos con situaciones donde no nos interesa tanto el resultado de un fenómeno aleatorio, sino una cantidad numérica asociada a él. Esta observación fundamental motiva la introducción del concepto de variable aleatoria.
Consideremos un ejemplo sencillo: cuando alguien participa en un juego de azar, raramente le interesa el resultado específico (qué cara del dado sale, qué carta se extrae), sino el beneficio o pérdida económica que ese resultado implica. Esta necesidad de traducir resultados cualitativos a valores numéricos es precisamente lo que las variables aleatorias permiten formalizar.
El problema de la cuantificación
Ejemplo motivador: el dado trucado
Imaginemos un dado que no es perfecto, es decir, está trucado de alguna manera. Para estudiar este dado, lo lanzamos muchas veces y anotamos únicamente si el resultado es par o impar. Mediante la frecuencia relativa (número de veces que sale par dividido entre el total de lanzamientos), estimamos que la probabilidad de obtener un número par es 7/10, en lugar del 1/2 que esperaríamos de un dado justo.
En esta situación, nuestro espacio de probabilidad queda restringido:
- El espacio muestral es Ω = {1, 2, 3, 4, 5, 6}
- Pero solo podemos medir probabilidades de los sucesos: ∅, Ω, A (par) y A' (impar)
- No podemos calcular P(sale un 1) porque no tenemos esa información
El conflicto con las apuestas
Supongamos ahora que alguien propone la siguiente apuesta sobre este dado:
- Si sale 5 o 6, ganas 10 euros
- En cualquier otro caso, pierdes 2 euros
Podemos definir una aplicación X: Ω → ℝ que asigna:
- X(5) = X(6) = 10
- X(1) = X(2) = X(3) = X(4) = -2
Sin embargo, esta aplicación no es compatible con nuestro espacio de probabilidad. ¿Por qué? Porque querríamos calcular la probabilidad de ganar, es decir, P(X = 10) = P({5, 6}), pero el suceso {5, 6} no pertenece a nuestra σ-álgebra de sucesos medibles (solo podemos medir par/impar).
Este conflicto ilustra por qué necesitamos una definición formal que garantice la compatibilidad.
Definición formal de variable aleatoria
La condición de medibilidad
Dado un espacio de probabilidad (Ω, A, P), donde:
- Ω es el espacio muestral
- A es la σ-álgebra de sucesos medibles
- P es la función de probabilidad
Una aplicación X: Ω → ℝ es una variable aleatoria si y solo si cumple la siguiente condición:
Para todo intervalo B ⊂ ℝ, el conjunto {ω ∈ Ω : X(ω) ∈ B} pertenece a la σ-álgebra A.
En otras palabras, la preimagen de cualquier intervalo debe ser un suceso al que podamos asignar probabilidad.
Interpretación práctica
Esta condición técnica tiene una interpretación muy clara: una variable aleatoria debe generar sucesos que podamos medir. Si definimos X de manera que algunos conjuntos de resultados no sean medibles, no podremos calcular probabilidades y la definición será inútil en la práctica.
En el ejemplo del dado trucado, la aplicación que asigna ganancias no es variable aleatoria porque el conjunto {ω : X(ω) = 10} = {5, 6} no pertenece a nuestra σ-álgebra (solo tenemos par, impar, vacío y total).
Resumen conceptual
Una variable aleatoria es, en esencia, un número real que depende del resultado de un fenómeno aleatorio, con la restricción de que esta dependencia debe ser compatible con la estructura probabilística del problema.
Notación estándar
Para simplificar la escritura, se utilizan las siguientes convenciones:
| Expresión formal | Notación simplificada |
|---|---|
| {ω ∈ Ω : X(ω) ∈ B} | X ∈ B |
| {ω ∈ Ω : X(ω) = a} | X = a |
| {ω ∈ Ω : a ≤ X(ω) ≤ b} | a ≤ X ≤ b |
Esta notación es universalmente aceptada y facilita enormemente el trabajo con variables aleatorias.
La función de distribución
Definición
Asociada a toda variable aleatoria X existe una función de distribución F: ℝ → [0, 1] definida como:
$$F(x) = P(X \leq x)$$
Esta función nos da la probabilidad acumulada de que la variable aleatoria tome un valor menor o igual a x. Es la herramienta fundamental para trabajar con variables aleatorias porque traduce la estructura abstracta en probabilidades concretas.
Propiedades fundamentales
Toda función de distribución cumple las siguientes propiedades, independientemente del tipo de variable aleatoria:
1. No decreciente
Si x ≤ y, entonces F(x) ≤ F(y).
Intuición: Al aumentar x, consideramos más valores posibles de la variable, por lo que la probabilidad acumulada solo puede crecer o mantenerse.
2. Continua por la derecha
Para todo punto a: $$\lim_{x \to a^+} F(x) = F(a)$$
La función puede tener discontinuidades (saltos) por la izquierda, pero siempre es continua aproximándose por la derecha.
3. Límites en los infinitos
$$\lim_{x \to -\infty} F(x) = 0$$ $$\lim_{x \to +\infty} F(x) = 1$$
Intuición:
- Cuando x → -∞, no hay valores de X por debajo, así que la probabilidad es 0
- Cuando x → +∞, todos los valores de X están incluidos, así que la probabilidad es 1
4. Cálculo de probabilidades de intervalos
Para calcular la probabilidad de que X esté entre dos valores:
$$P(s < X \leq t) = F(t) - F(s)$$
Esta fórmula es extremadamente útil porque reduce el cálculo de probabilidades de intervalos a simples restas de valores de la función de distribución.
Tipos de variables aleatorias
Aunque en esta lección introductoria no se profundiza en los tipos, es importante mencionar que las variables aleatorias se clasifican principalmente en:
- Variables discretas: Toman valores aislados (contables). Su función de distribución presenta saltos.
- Variables continuas: Pueden tomar cualquier valor en un intervalo. Su función de distribución es continua.
Cada tipo tiene herramientas específicas (función de masa de probabilidad para discretas, función de densidad para continuas) que se estudiarán en lecciones posteriores.
Conclusión
Las variables aleatorias constituyen el puente entre los fenómenos aleatorios abstractos y las cantidades numéricas que podemos analizar matemáticamente. La función de distribución asociada proporciona toda la información probabilística necesaria y sus propiedades (no decreciente, continua por la derecha, límites 0 y 1 en los infinitos) son universales.
El dominio de estos conceptos es esencial para el estudio posterior de distribuciones específicas como la binomial, la normal, la Poisson y muchas otras que aparecen constantemente en aplicaciones de estadística, ciencia de datos, física, economía y prácticamente cualquier disciplina que trabaje con incertidumbre.
Este contenido forma parte del tema 7 de Probabilidad del curso de Matemáticas de Ciencias Sociales para Selectividad de Ucademy.
Errores comunes
Confundir el resultado del fenómeno aleatorio con la cantidad numérica de interés
Cuando se pregunta directamente por el valor obtenido en lugar de por ganancias, pérdidas u otra magnitud
Identificar claramente qué magnitud numérica nos interesa cuantificar a partir del resultado del experimento
Definir una variable aleatoria incompatible con el espacio de probabilidad
Cuando no se puede calcular la probabilidad de ciertos valores de la variable porque los sucesos correspondientes no son medibles
Verificar que para todo intervalo B, el conjunto {ω ∈ Ω : X(ω) ∈ B} pertenece a la σ-álgebra
Pensar que la función de distribución puede decrecer
Cuando al calcular F(x) para valores crecientes de x se obtienen valores decrecientes
Recordar que F(x) es siempre no decreciente: si x ≤ y, entonces F(x) ≤ F(y)
Olvidar los límites de la función de distribución en los infinitos
Cuando F(x) no tiende a 0 en -∞ o no tiende a 1 en +∞
Verificar siempre que lím(x→-∞) F(x) = 0 y lím(x→+∞) F(x) = 1
Glosario
- Variable aleatoria
- Aplicación X que va del espacio muestral Ω a los números reales ℝ, cumpliendo que para todo intervalo B, el conjunto de elementos cuya imagen pertenece a B es un suceso medible.
- Espacio muestral
- Conjunto Ω de todos los posibles resultados de un experimento o fenómeno aleatorio.
- Función de distribución
- Función F: ℝ → [0,1] definida como F(x) = P(X ≤ x), que indica la probabilidad acumulada de que la variable aleatoria tome un valor menor o igual a x.
- Frecuencia relativa
- Cociente entre el número de veces que ocurre un suceso y el número total de repeticiones del experimento. Se usa para estimar probabilidades.
- Espacio de probabilidad
- Terna (Ω, A, P) formada por el espacio muestral, una σ-álgebra de sucesos y una función de probabilidad.
- Suceso
- Subconjunto del espacio muestral al que se le puede asignar una probabilidad.
- σ-álgebra (sigma-álgebra)
- Colección de subconjuntos del espacio muestral que incluye el vacío, es cerrada bajo complementos y uniones numerables.
- Continua por la derecha
- Propiedad de una función donde el límite cuando x tiende a un punto por valores mayores coincide con el valor de la función en ese punto.
Preguntas frecuentes
¿Por qué necesitamos variables aleatorias si ya tenemos la probabilidad?
Porque en muchos problemas prácticos nos interesa cuantificar numéricamente los resultados, no solo saber si ocurren o no.
En situaciones reales como apuestas, seguros o experimentos, no nos interesa tanto el resultado en sí (sale cara o cruz) sino una cantidad asociada (cuánto gano o pierdo). La variable aleatoria permite traducir los sucesos del espacio muestral a valores numéricos que podemos analizar matemáticamente.
¿Qué condición debe cumplir una aplicación para ser variable aleatoria?
El conjunto de elementos del espacio muestral cuya imagen cae en cualquier intervalo debe ser un suceso medible del espacio de probabilidad.
Dado un espacio de probabilidad (Ω, A, P), una aplicación X: Ω → ℝ es variable aleatoria si para todo intervalo B de los reales, el conjunto {ω ∈ Ω : X(ω) ∈ B} pertenece a la σ-álgebra A. Esto garantiza que podemos calcular la probabilidad de cualquier evento relacionado con la variable.
¿Qué significa que la función de distribución sea no decreciente?
Significa que si x ≤ y, entonces F(x) ≤ F(y), es decir, la función nunca baja al avanzar hacia la derecha.
Esta propiedad tiene sentido intuitivo: si aumentamos el valor x, estamos considerando más valores posibles de la variable aleatoria (todos los menores o iguales a x), por lo que la probabilidad acumulada solo puede crecer o mantenerse, nunca disminuir.
¿Por qué el límite de F(x) cuando x tiende a menos infinito es 0?
Porque la probabilidad de que la variable aleatoria tome un valor menor que cualquier número tiende a cero.
Cuando x → -∞, el intervalo (-∞, x] va excluyendo todos los valores posibles de la variable aleatoria. En el límite, no queda ningún valor posible en ese intervalo, por lo que la probabilidad es 0.
¿Por qué el límite de F(x) cuando x tiende a más infinito es 1?
Porque la probabilidad de que la variable tome cualquier valor real es 1 (certeza).
Cuando x → +∞, el intervalo (-∞, x] incluye todos los valores reales posibles. Como la variable aleatoria siempre toma algún valor real, la probabilidad acumulada tiende a 1, que representa la certeza total.
¿Cómo se calcula la probabilidad de que la variable esté entre dos valores?
Se calcula como P(s < X ≤ t) = F(t) - F(s), restando las funciones de distribución evaluadas en los extremos.
Esta fórmula se deriva de que P(X ≤ t) = P(X ≤ s) + P(s < X ≤ t), despejando obtenemos la diferencia de funciones de distribución. Es importante notar que el extremo inferior s no está incluido mientras que t sí lo está.
¿Qué significa que la función de distribución sea continua por la derecha?
Que el límite de F(x) cuando nos acercamos a un punto por valores mayores coincide con el valor de F en ese punto.
Matemáticamente, lím(x→a⁺) F(x) = F(a). Esto es una convención estándar que facilita el tratamiento matemático. Por la izquierda, F puede tener saltos (discontinuidades) en variables discretas, pero siempre existe el límite.
¿En qué se diferencia una variable aleatoria discreta de una continua?
La discreta toma valores aislados (contables) mientras que la continua puede tomar cualquier valor en un intervalo.
En una variable discreta, la función de distribución tiene saltos en los valores posibles. En una continua, F(x) es una función continua. Esta distinción determina si usamos funciones de masa de probabilidad (discreta) o funciones de densidad (continua).
Artículos relacionados
Distribución normal y tipificación: cómo transformar a N(0,1)
Guía completa para tipificar variables normales y calcular probabilidades usando la tabla de la normal estándar N(0,1).
Intervalos de confianza para medias poblacionales y proporciones grandes
Repaso de intervalos de confianza para medias poblacionales con muestras y aproximación de binomiales a normales cuando las proporciones son grandes.
Variables aleatorias discretas: función de probabilidad y distribución
Guía completa sobre variables aleatorias discretas: definición, función de probabilidad, función de distribución y ejemplos prácticos con Bernoulli y Binomial.
Aproximación de la distribución binomial a la normal en probabilidad
Técnica para simplificar cálculos de probabilidad binomial con muestras grandes usando la distribución normal.
Distribución binomial: ejemplos prácticos de probabilidad discreta
Guía completa sobre la variable aleatoria binomial con ejemplos resueltos de inspección de lotes, seguros de vida, lanzamiento de monedas y probabilidad de infracciones.
Variables aleatorias continuas: función de densidad y distribución normal
Guía completa sobre variables aleatorias continuas: definición, función de densidad, función de distribución y la variable aleatoria normal con sus parámetros μ y σ².
¿Quieres aprender más sobre este tema?
Este contenido es parte del curso Matemáticas Ciencias Sociales | Selectividad de Acceso a la Universidad Ucademy. Contacta con nosotros para más información o descarga este artículo en PDF.