Distribución de probabilidad

Cómo se distribuyen los valores de una variable aleatoria

Una distribución de probabilidad describe cómo se asignan probabilidades a los posibles valores de una variable aleatoria.

👉 Es el mecanismo que define qué tan probable es cada resultado.

Definición corta

Una distribución de probabilidad especifica la probabilidad de cada valor que puede tomar una variable aleatoria.

Definición matemática

🔹 Caso discreto

$P(X = x)$

🔹 Caso continuo

$f(x) \ge 0, \quad \int_{-\infty}^{\infty} f(x) dx = 1$

👉 donde $f(x)$ f(x) es la función de densidad de probabilidad (PDF).

🧠 Intuición

Una distribución responde:

👉 “¿Qué valores son más probables y cuáles menos?”

Valores posibles  ↓  Asignación de probabilidades  ↓  Distribución

Ejemplo simple

Lanzar un dado:

P(1)=1/6  P(2)=1/6  ...  P(6)=1/6

👉 distribución uniforme discreta.

🔄 Tipos de distribuciones

🔹 Discretas

valores contables
usan función de masa de probabilidad (PMF)

Ejemplos:

uniforme
binomial
Poisson

🔹 Continuas

valores infinitos
usan función de densidad (PDF)

Ejemplos:

normal (gaussiana)
exponencial
uniforme continua

📊 Comparación

Tipo	Función	Ejemplo
Discreta	PMF	dado
Continua	PDF	altura

🧠 Propiedades clave

🔹 1. No negatividad

$P(x) \ge 0$ P(x)≥0

🔹 2. Normalización

$\sum P(x) = 1 \quad \text{o} \quad \int f(x) dx = 1$

👉 toda la probabilidad suma 1.

📊 Ejemplo conceptual

Todas las probabilidades  ↓  Suman 1

🧠 Distribución acumulada (CDF)

$F(x)=P(X \le x)$

👉 probabilidad acumulada hasta un valor.

📊 Interpretación

CDF → probabilidad acumulada  PDF → densidad local

🧠 Relación con machine learning

Las distribuciones modelan:

datos
errores
predicciones
incertidumbre

📊 Ejemplo conceptual

Datos reales  ↓  Distribución  ↓  Modelo aprende patrón

🧠 Ejemplo en ML

regresión → distribución de errores
clasificación → distribución de clases
modelos probabilísticos → distribuciones completas

Ejemplo conceptual

Entrada X  ↓  Modelo  ↓  Distribución P(Y|X)

Ejemplo en Python

			
import numpy as np
# distribución normal
samples = np.random.normal(0, 1, 5)
print(samples)

Qué muestra este ejemplo

generación de datos
comportamiento probabilístico
distribución realista

⚠️ Errores comunes

Confundir PDF con probabilidad directa

PDF no es probabilidad exacta.

Ignorar normalización

Debe sumar 1.

Pensar que una distribución es fija

Puede depender de parámetros.

📊 Ejemplo conceptual en ML

Distribución  ↓  Modelo  ↓  Predicción probabilística

Interpretación profunda

La distribución de probabilidad es clave porque:

👉 No solo importa qué valor ocurre, sino con qué probabilidad ocurre

Esto permite:

modelar incertidumbre
hacer inferencias
construir modelos robustos

Conclusión

Una distribución de probabilidad describe cómo se asignan probabilidades a los valores de una variable aleatoria, siendo fundamental para estadística y machine learning.

👉 Es la base de todos los modelos probabilísticos.

Related Concepts

Variable aleatoria
Esperanza
Varianza
Probabilidad conjunta
Inferencia