La distribución binomial es un modelo que calcula las probabilidades de obtener cierto número de «éxitos» en una cantidad fija de ensayos, cuando cada ensayo solo tiene dos resultados, todos comparten la misma probabilidad de éxito y son independientes entre sí.
Primero la idea, después los símbolos
Pensemos en repetir cinco veces una prueba que se clasifica únicamente como «ocurre» o «no ocurre». Nos interesa el número de veces que ocurre, no el orden exacto. Si acertar en un ensayo no cambia la probabilidad del siguiente, y todos parten de la misma probabilidad, tenemos una situación adecuada para un modelo binomial. En fútbol podríamos utilizarlo como simulación de cinco resultados binarios idénticamente planteados; eso no afirma que cinco partidos reales sean iguales o independientes.
Se usan cuatro símbolos: n es el número de ensayos; p es la probabilidad fija de éxito de cada uno, expresada entre 0 y 1; k es el número de éxitos que queremos contar; y X es la variable aleatoria que cuenta cuántos éxitos se producen. La probabilidad de fracaso por ensayo es 1 − p.
Cuando se conocen exactamente cuáles son los k ensayos exitosos y cuáles los restantes, la probabilidad de esa secuencia particular, bajo independencia, es pk × (1 − p)n−k. Pero el mismo número de éxitos puede aparecer en órdenes diferentes. El modelo suma esas posibilidades multiplicando por el número de combinaciones de n elementos tomados de k en k.
Fórmula: P(X = k) = C(n,k) × pk × (1 − p)n−k, para k entero entre 0 y n, donde C(n,k) = n! / [k! × (n−k)!]. El signo «!» representa el factorial: por ejemplo, 3! = 3 × 2 × 1 = 6. Si no se dan las condiciones de independencia y p constante, esta fórmula no describe necesariamente el proceso.
Ejemplo resuelto: cinco pruebas futbolísticas hipotéticas
Ejemplo ficticio de fútbol. Diseñamos cinco ensayos artificiales de la misma situación «el equipo local marca al menos un gol», a modo de laboratorio. Asumimos que cada ensayo tiene p = 0,60 de éxito y que las cinco pruebas son independientes. No son cinco encuentros reales ni un pronóstico sobre una liga; la igualdad de probabilidades se impone exclusivamente para enseñar el modelo.
Queremos la probabilidad de que el equipo marque al menos un gol en exactamente tres de esos cinco ensayos. Aquí n = 5 y k = 3. El número de maneras de colocar los tres éxitos es C(5,3) = 5! / (3! × 2!) = 10. La probabilidad de cada orden concreto con tres éxitos y dos fracasos es 0,60³ × 0,40² = 0,216 × 0,16 = 0,03456.
Al existir diez órdenes posibles con ese recuento, P(X = 3) = 10 × 0,03456 = 0,3456, o 34,56 %. No debe confundirse con la probabilidad de obtener al menos tres éxitos, que sumaría también los casos de cuatro y cinco.
El valor medio teórico de X es E[X] = n × p = 5 × 0,60 = 3 éxitos; su varianza es n × p × (1 − p) = 5 × 0,60 × 0,40 = 1,20 éxitos² y su desviación típica es la raíz de 1,20, aproximadamente 1,10 éxitos. Que la media sea tres no significa que cada serie de cinco termine exactamente con tres.
Qué cambia si cambian los supuestos
Si cada ensayo tuviera p = 0,50, la probabilidad de exactamente tres éxitos sería 10 × 0,50³ × 0,50² = 31,25 %. El número de pruebas no cambia, pero sí la distribución de posibles recuentos. Y si el primer resultado influyera en el segundo —por ejemplo, por cansancio acumulado o una condición compartida que no se ha modelizado—, la multiplicación de probabilidades no estaría justificada.
En partidos reales cambian rival, calendario, localía, bajas y circunstancias. Asignar a todos p = 0,60 solo porque un equipo acertó seis de sus diez predicciones anteriores es una simplificación sin validar. Con probabilidades individuales distintas y ensayos independientes se necesitaría otro modelo de recuento; con dependencia, hay que modelarla.
- Error frecuente: considerar que una media de tres garantiza tres éxitos.
- Error frecuente: usar p = frecuencia histórica como si fuese una constante comprobada.
- Error frecuente: multiplicar resultados de partidos diferentes sin comprobar independencia.
Qué recordar: la binomial es útil precisamente porque delimita muy bien sus condiciones. Una probabilidad matemática exacta bajo supuestos puede ser una mala estimación deportiva si esos supuestos no representan los datos.
Conceptos relacionados
- Modelo de Poisson
- Probabilidad implícita
- Varianza
- Tamaño y selección de la muestra
- Dependencia y correlación