📊 Tipos de Variables Aleatorias

¿Qué es una Variable Aleatoria?

Una variable aleatoria (VA) es una función que asigna un número real a cada resultado de un experimento aleatorio:

Transforma resultados cualitativos o no numéricos en números, permitiéndonos usar herramientas matemáticas para analizar la incertidumbre.

Notación

• \(X\) = variable aleatoria (mayúscula)
• \(x\) = valor específico que toma \(X\) (minúscula)
• \(X = x\) o \(P(X = x)\) = probabilidad de que \(X\) tome el valor \(x\)

🔢 Variables Aleatorias Discretas

Definición

Una VA es discreta si toma valores en un conjunto finito o numerable (contable).

Características

✓ Valores aislados y separados
✓ Se pueden enumerar: \(x_1, x_2, x_3, \ldots\)
✓ Tiene "saltos" entre valores
✓ Se cuentan (no se miden)

Ejemplos Comunes

Ejemplo Detallado: Clasificador Multiclase

Un modelo de IA clasifica imágenes en 3 categorías:

Con probabilidades:

• \(P(X = 0) = 0.45\) (Gato)
• \(P(X = 1) = 0.35\) (Perro)
• \(P(X = 2) = 0.20\) (Ave)

Total: \(0.45 + 0.35 + 0.20 = 1\) ✓

📈 Variables Aleatorias Continuas

Definición

Una VA es continua si puede tomar cualquier valor en un intervalo real.

Características

✓ Valores infinitos dentro de un rango
✓ No se pueden enumerar (más que numerables)
✓ No hay "saltos": entre dos valores siempre hay otro
✓ Se miden (no se cuentan)
✓ Probabilidad de un valor exacto es CERO: \(P(X = x) = 0\)

Ejemplos Comunes

Ejemplo Detallado: Probabilidad Continua

Sea \(X\) = tiempo de respuesta de un servidor (en segundos), con distribución continua.

Pregunta: ¿Cuál es \(P(X = 1.5)\)?

Respuesta: \(P(X = 1.5) = 0\) exactamente

Esto puede parecer extraño, pero es correcto: hay infinitos números entre 1.4999... y 1.5000..., por lo que la probabilidad de exactamente 1.5 es infinitesimal.

Lo que SÍ podemos calcular:

• \(P(X \leq 1.5) = 0.85\) (probabilidad acumulada)
• \(P(1.4 < X < 1.6) = 0.12\) (probabilidad en un intervalo)

🎯 Comparativa: Discreto vs Continuo

🧬 Distribuciones Conjuntas y Marginales

Frecuentemente trabajamos con múltiples variables aleatorias simultáneamente.

Caso: Dos Variables Discretas

Ejemplo: clasificación de imágenes con confianza

Distribución conjunta \(P(X, Y)\):

Distribuciones marginales:

• \(P(X = 0) = 0.45\) (suma fila Gato)
• \(P(Y = \text{Alta}) = 0.45\) (suma columna Alta)

🔗 Independencia de Variables

Dos variables \(X\) e \(Y\) son independientes si:

Para todo \(x\) e \(y\).

Intuición

Conocer el valor de \(X\) no nos da información sobre \(Y\).

Ejemplo en tabla anterior:

• \(P(X = 0) = 0.45\)
• \(P(Y = \text{Alta}) = 0.45\)
• \(P(X = 0, Y = \text{Alta}) = 0.25\)

¿Son independientes? $\(0.45 \times 0.45 = 0.2025 \neq 0.25\)$

No son independientes. Las imágenes de gatos tienden a tener mayor confianza.

🚀 Aplicaciones en IA/ML

1. Inicialización de Pesos

Las redes neuronales inicializan pesos con variables aleatorias continuas:

(Distribución normal con media 0 y varianza \(\sigma^2\))

Por qué: Usar valores no aleatorios causaría simetría y mal entrenamiento.

2. Dropout y Regularización

Durante entrenamiento, se "apagan" neuronas aleatoriamente:

(VA discreta: 80% probabilidad de estar activa, 20% de estar desactivada)

3. Sampling y Monte Carlo

Usar muestras aleatorias para aproximar distribuciones:

Donde \(x_i \sim X\) son muestras independientes.

4. Data Augmentation

Transformaciones aleatorias de imágenes:

• Rotación: \(\theta \sim \text{Uniforme}(-10°, 10°)\)
• Escala: \(s \sim \text{Uniforme}(0.9, 1.1)\)

📌 Categorización Completa

graph TD
    A[Variables Aleatorias] --> B[DISCRETAS]
    A --> C[CONTINUAS]

    B --> D[Finitas]
    B --> E[Infinitas numerables]

    C --> F[Acotadas]
    C --> G[No acotadas]

    D --> D1["Ejemplos: {0, 1} moneda<br/>{1,2,3,4,5,6} dado"]
    E --> E1["Ejemplos: {0, 1, 2, 3, ...} conteos"]
    F --> F1["Ejemplos: [0, 1], [0, π)"]
    G --> G1["Ejemplos: ℝ, [0, ∞)"]

    style A fill:#e1f5ff
    style B fill:#fff4e1
    style C fill:#e8f5e9
    style D fill:#ffe1e1
    style E fill:#ffe1e1
    style F fill:#e1ffe8
    style G fill:#e1ffe8

✅ Resumen de Conceptos Clave

🎓 Ejercicio Rápido

Clasificación de Frutas:

Un robot clasifica frutas en 4 categorías: Manzana, Plátano, Naranja, Uva.

Su peso se mide en gramos: \([50, 400]\)

Además, tiene un "nivel de confianza" entre 0 y 1.

Pregunta: Identifica cuáles de las siguientes son discretas/continuas:

1. Tipo de fruta predicho
2. Peso de la fruta
3. Confianza del modelo