Lexicon Redes Neuronales

Cómo describimos probabilidades en variables continuas

La PDF (Probability Density Function) describe cómo se distribuye la probabilidad sobre los valores de una variable aleatoria continua.

👉 A diferencia de la PMF, no da probabilidades exactas, sino densidades que deben integrarse.

Definición corta

La PDF indica qué tan probable es encontrar valores en una región específica de una variable continua.

Definición matemática

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

👉 representa densidad, no probabilidad directa.

Intuición

La PDF responde:

👉 “¿Dónde se concentran los valores más probables?”

Altura de curva → densidad  Área bajo la curva → probabilidad

📊 Ejemplo conceptual

P(a ≤ X ≤ b) = área bajo la curva entre a y b

👉 la probabilidad se obtiene integrando.

Diferencia clave con PMF

👉 en variables continuas:$$P(X = x) = 0$$

Ejemplo conceptual

Valor exacto → probabilidad 0  Intervalo → probabilidad > 0

🧠 Propiedades clave

🔹 1. No negatividad

$$f(x) \ge 0$$

🔹 2. Normalización

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

🔹 3. Probabilidad en intervalos

$$P(a \le X \le b) = \int_a^b f(x)\,dx$$

📊 Ejemplo conceptual

Área bajo curva  ↓  Probabilidad total

🧠 Distribuciones comunes

• Normal (Gaussiana)
• Uniforme continua
• Exponencial

📊 Ejemplo conceptual

Curva normal  ↓  Centro alto  ↓  Extremos bajos

Relación con CDF

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

👉 la CDF acumula la densidad.

Interpretación

PDF → densidad local  CDF → acumulación

🧠 Uso en machine learning

La PDF se usa en:

• modelos probabilísticos
• estimación de densidad
• inferencia bayesiana
• modelado de ruido

Ejemplo conceptual

Datos continuos  ↓  PDF  ↓  Modelo aprende distribución

Ejemplo en Python

import numpy as npfrom scipy.stats import normx = np.linspace(-3, 3, 5)pdf_values = norm.pdf(x, 0, 1)print(pdf_values)

🧠 Qué muestra este ejemplo

• densidad en diferentes puntos
• forma de distribución
• comportamiento continuo

Errores comunes

Pensar que PDF da probabilidades directas

Da densidades, no probabilidades.

Interpretar valores altos como probabilidad alta directa

Solo indica mayor densidad.

Olvidar integrar

Necesario para obtener probabilidades.

📊 Ejemplo conceptual en ML

PDF  ↓  Área  ↓  Probabilidad  ↓  Predicción

Interpretación profunda

La PDF refleja un principio clave:

👉 En sistemas continuos, la probabilidad se distribuye como densidad, no como puntos

Esto permite:

• modelar fenómenos reales
• trabajar con datos continuos
• construir modelos más precisos

Conclusión

La PDF describe cómo se distribuye la probabilidad en variables continuas, siendo fundamental para modelar datos reales y procesos continuos.

👉 Es la base de la estadística continua.

Related Concepts

• PMF
• CDF
• Variable aleatoria
• Distribución normal
• Inferencia