The importance of the change-of-variables integration technique in deriving the PDFs of important probability distributions

En el mundo de los datos, los números rara vez se presentan aislados. Llegan en grupos, moldeados por el azar y el mundo natural, formando patrones que los científicos deben descifrar para comprender desde la propagación de una enfermedad hasta la calidad de una pieza fabricada. Para dar sentido a estos patrones, los investigadores recurren a un conjunto de mapas matemáticos conocidos como distribuciones de probabilidad. Estos mapas describen qué tan probable es que ocurran diferentes resultados, convirtiendo las observaciones puras en estructuras predecibles. Algunos de estos mapas son famosos por sus curvas en forma de campana, mientras que otros están diseñados para situaciones específicas y más complicadas donde los datos son escasos o volátiles. Para trazar estos mapas con precisión, los matemáticos y estadísticos deben realizar una operación delicada: toman una forma conocida y la transforman en una nueva, calculando exactamente cómo cambia la densidad de los puntos durante el cambio. Este proceso es la columna vertebral de la inferencia estadística moderna, permitiendo a los expertos extraer conclusiones sobre grandes poblaciones basándose en muestras pequeñas.

Un artículo reciente de Jorge Pedraza Arpasi pone de relieve una herramienta específica, a menudo pasada por alto, en este paisaje matemático. El trabajo se centra en una técnica llamada cambio de variables, un método de reordenamiento de una integral que es estándar en el cálculo, pero que frecuentemente se trata como un mero paso mecánico en los cursos de estadística. El autor sostiene que esta técnica es mucho más que un cálculo rutinario; es el motor esencial que impulsa la derivación de algunas de las distribuciones de probabilidad más críticas utilizadas en la ciencia actual. Al recorrer el proceso siete veces a través de diferentes ejemplos, el artículo demuestra cómo este único método de transformación es necesario para desbloquear las fórmulas de la distribución Chi-cuadrado y la distribución t de Student, dos pilares del análisis estadístico que surgieron para resolver problemas prácticos cuando los datos son limitados.

El viaje comienza con lo básico de cómo medimos la probabilidad. En casos sencillos que involucran un solo número, calcular la probabilidad de un evento es como medir el área bajo una curva. Sin embargo, al tratar con múltiples variables a la vez, el problema se convierte en una cuestión de volumen en dimensiones superiores. Para resolver estos volúmenes complejos, uno debe cambiar el sistema de coordenadas, de manera similar a cambiar de una cuadrícula de cuadrados a un sistema de círculos para adaptarse mejor a un objeto redondo. El artículo ilustra esto con la transformación polar, donde un bloque rectangular de espacio se deforma en un anillo circular. El autor muestra que esta deformación requiere un factor de ajuste específico, conocido como el Jacobiano, para asegurar que la probabilidad total sea igual a uno. Sin esta corrección precisa, el mapa matemático estaría distorsionado, conduciendo a conclusiones incorrectas.

El artículo avanza luego hacia una transformación más especializada que se asemeja a un trapecio, la cual se utiliza para probar una relación fundamental entre dos funciones matemáticas especiales: la función Gamma y la función Beta. Estas funciones son los bloques de construcción de muchas distribuciones de probabilidad. Al aplicar la técnica de cambio de variables a una integral doble, el autor proporciona una demostración clara y paso a paso de cómo estas dos funciones están conectadas, una relación que a menudo se establece en los libros de texto sin explicación. Esta conexión es vital porque permite a los estadísticos moverse entre diferentes tipos de distribuciones con confianza.

El núcleo de la contribución del artículo reside en su aplicación de estas técnicas a la distribución Chi-cuadrado. Esta distribución surge cuando se suman los cuadrados de varios números independientes y normalmente distribuidos. El autor deriva la función de densidad de probabilidad para esta distribución comenzando con una, dos y luego tres variables. En cada paso, la técnica de cambio de variables se utiliza para transformar el problema de una forma compleja en el espacio a una forma más simple y resoluble. Para una variable, las matemáticas son directas. Para dos variables, el autor utiliza la transformación polar para convertir una región circular en un rectángulo. Para tres variables, se emplea una transformación esférica para convertir una bola sólida en una caja. A través de estos ejemplos concretos, el artículo muestra que, si bien la geometría se vuelve más compleja, el método subyacente permanece constante y poderoso. El autor también señala que, aunque existe una forma más rápida de encontrar la fórmula general utilizando la función Gamma, el enfoque geométrico paso a paso revela la verdadera mecánica de cómo se forma la distribución.

Finalmente, el artículo aborda la distribución t de Student, un descubrimiento histórico en estadística que permite a los investigadores realizar predicciones precisas incluso cuando tienen muy pocos datos. Esta distribución se crea combinando una variable normal estándar con una variable Chi-cuadrado de una manera específica. Para encontrar la forma de esta nueva distribución, el autor introduce una transformación única que mapea un rectángulo sobre una región que se asemeja casi a una parábola. Al aplicar la técnica de cambio de variables a esta configuración específica, el autor deriva la fórmula exacta de la distribución t de Student. El artículo va un paso más allá, mostrando matemáticamente que, a medida que la cantidad de datos crece, esta distribución se transforma suavemente en la familiar curva de campana de la distribución normal. Esta convergencia demuestra que la distribución t es una extensión robusta de la teoría estándar, diseñada para manejar la incertidumbre de las muestras pequeñas antes de asentarse en la certeza de las muestras grandes.

A lo largo del artículo, el autor enfatiza que, si bien las ideas presentadas no son descubrimientos nuevos en sí mismos, a menudo se encuentran dispersas en diferentes libros de texto y cursos. El valor de este trabajo reside en reunir estas piezas en una narrativa única y coherente. Demuestra que el cambio de variables no es solo un método para resolver integrales, sino un lenguaje fundamental para comprender cómo se construyen las distribuciones de probabilidad. Al hacer explícito y visual el proceso de derivación, el artículo ofrece un camino más claro para que estudiantes y profesionales comprendan las conexiones profundas entre el cálculo y las herramientas estadísticas que dan forma a nuestra comprensión del mundo. El trabajo confirma que la fiabilidad de la inferencia estadística moderna descansa sobre la base sólida, y a menudo invisible, de estas técnicas de transformación.