En el mundo de la probabilidad, una Variable Aleatoria no es un comodín para un número desconocido como en álgebra. En cambio, piénsala como un traductor formal. Es una función valorada en números reales $X: S \rightarrow \mathbb{R}$ que asigna cada resultado cualitativo de un experimento (como "extraer una bola blanca") a un valor numérico cuantitativo (como "-1 dólar").
La Lógica de la Asignación
Al usar variables aleatorias, dejamos de hablar de conjuntos de resultados abstractos y comenzamos a hablar de eventos en términos de números. Por ejemplo, si lanzamos una moneda tres veces, en lugar de considerar el conjunto $\{HHT, HTH, THH\}$, definimos $X$ como "el número de caras" y simplemente analizamos el evento $X=2$.
Una variable aleatoria es discreta si su rango es finito o infinitamente contable (como los enteros). Esta distinción es fundamental porque nos permite usar sumatoria ($∑$) en lugar de integración para hallar probabilidades totales.
Función de Masa de Probabilidad (PMF)
La PMF, denotada $p(a)$, captura la probabilidad de que una variable aleatoria discreta tome un valor específico $a$. Debe cumplir dos axiomas no negociables:
- $p(x_i) \geq 0$ (No hay probabilidades negativas).
- $\sum_{i=1}^{\infty} p(x_i) = 1$ (La masa total de probabilidad debe cubrir todos los resultados posibles).
Ejemplo Resuelto: El Paradoja del Urna
Consideremos un recipiente con 8 bolas blancas, 4 negras y 2 naranjas. Extraemos una bola y definimos $X$ como nuestras ganancias: ganamos $2 por bola negra, pero perdemos $1 por bola blanca. La PMF transforma la acción de "extraer una bola" en una distribución financiera, permitiéndonos calcular la probabilidad de quedar arruinados frente a salir a salvo.
Si $p(i) = c\lambda^i/i!$ para $i=0, 1, 2, \dots$, primero encontramos $c$ asegurando que la suma sea igual a 1. Usando la serie de Taylor para $e^\lambda$, obtenemos $c = e^{-\lambda}$. Entonces, $P\{X=0\} = e^{-\lambda}$ y $P\{X>2\} = 1 - e^{-\lambda}(1 + \lambda + \lambda^2/2)$.