Lexicon Redes Neuronales

Cómo acumulamos probabilidad hasta un valor

La CDF (Cumulative Distribution Function) describe la probabilidad acumulada de que una variable aleatoria tome un valor menor o igual a un cierto punto.

👉 Es la función que conecta directamente probabilidad y distribución.

Definición corta

La CDF indica la probabilidad de que una variable aleatoria sea menor o igual a un valor dado.

Definición matemática

$F(x)=P(X\le x)$F(x)=P(X≤x)

👉 válida para variables discretas y continuas.

Intuición

La CDF responde:

👉 “¿Qué probabilidad se ha acumulado hasta este punto?”

Valores menores  ↓  Probabilidades sumadas  ↓  Resultado acumulado

Ejemplo conceptual

X ≤ 3 → suma de probabilidades de 1,2,3

🔄 Relación con PMF y PDF

🔹 Discreto

$$F(x) = \sum_{t \le x} P(X = t)$$

🔹 Continuo

$F(x)=\int_{-\infty}^{x} f(t)\,dt$

👉 la CDF es una acumulación.

Comparación

🧠 Propiedades clave

🔹 1. Monótona creciente

$$F(x_1) \le F(x_2) \quad \text{si } x_1 < x_2$$

🔹 2. Rango

$$0 \le F(x) \le 1$$

🔹 3. Límites

$$\lim_{x \to -\infty} F(x)=0, \quad \lim_{x \to \infty} F(x)=1$$

Ejemplo conceptual

Inicio → 0  Final → 1  Siempre crece

🧠 Interpretación gráfica

• curva creciente
• forma escalonada (discreta) o suave (continua)

📊 Ejemplo conceptual

Discreto → escalones  Continuo → curva suave

🧠 Relación con PDF

$$f(x) = \frac{d}{dx} F(x)$$

👉 la PDF es la derivada de la CDF.

Interpretación

CDF → acumulación  PDF → cambio local

Uso en machine learning

La CDF se utiliza en:

• cálculo de probabilidades
• generación de muestras
• inferencia estadística
• simulaciones

Ejemplo conceptual

Distribución  ↓  CDF  ↓  Probabilidad acumulada  ↓  Decisión

Ejemplo en ML

• sampling → invertir CDF
• percentiles
• evaluación probabilística

Ejemplo en Python

import numpy as np
from scipy.stats import norm
x = np.linspace(-2, 2, 5)
cdf_values = norm.cdf(x)
print(cdf_values)

Qué muestra este ejemplo

• acumulación progresiva
• comportamiento de la distribución
• transición de 0 a 1

Errores comunes

Confundir CDF con PDF

CDF acumula, PDF no.

Pensar que es lineal

Depende de la distribución.

Ignorar su relación con integrales

Es esencial.

Ejemplo conceptual en ML

Variable aleatoria  ↓  CDF  ↓  Probabilidad acumulada  ↓  Predicción

Interpretación profunda

La CDF refleja un principio fundamental:

👉 La probabilidad se construye acumulando eventos

Permite:

• entender distribuciones completas
• calcular probabilidades fácilmente
• conectar teoría con práctica

Conclusión

La CDF describe la probabilidad acumulada hasta un valor y es una herramienta fundamental para entender y trabajar con distribuciones de probabilidad.

👉 Es el puente entre densidad y probabilidad total.

Related Concepts

• PMF
• PDF
• Variable aleatoria
• Distribución de probabilidad
• Inferencia