Las distribuciones de probabilidad son funciones matemáticas que describen la probabilidad de que una variable aleatoria tome ciertos valores. Son la base de la estadística moderna y tienen aplicaciones en prácticamente todos los campos del conocimiento.
Comprender cómo se distribuyen los datos nos permite hacer predicciones, tomar decisiones informadas y modelar fenómenos reales con precisión matemática.
¿Qué es una distribución de probabilidad?
Una distribución de probabilidad asigna a cada posible resultado de un experimento aleatorio una probabilidad. Si lanzamos un dado justo, cada cara tiene probabilidad 1/6. Esa asignación uniforme es, en sí misma, una distribución de probabilidad.
Existen dos grandes familias: las distribuciones discretas (cuando la variable solo puede tomar valores aislados, como el número de caras al lanzar monedas) y las distribuciones continuas (cuando la variable puede tomar cualquier valor en un intervalo, como la altura de una persona).
La distribución normal (campana de Gauss)
La distribución normal es probablemente la más famosa de todas. Su forma de campana simétrica aparece en una cantidad asombrosa de fenómenos naturales: alturas humanas, errores de medición, puntuaciones en exámenes y rendimientos financieros.
Se define por dos parámetros: la media (μ), que indica el centro de la campana, y la desviación típica (σ), que mide su anchura. El 68% de los datos cae dentro de una desviación típica de la media, el 95% dentro de dos, y el 99,7% dentro de tres. Esta regla empírica (conocida como regla 68-95-99,7) es una de las herramientas más útiles de la estadística.
El Teorema del Límite Central explica por qué la normal es tan omnipresente: la suma de muchas variables aleatorias independientes tiende a distribuirse normalmente, sin importar la distribución original de cada variable individual.
La distribución binomial
La distribución binomial modela el número de éxitos en una serie de n ensayos independientes, cada uno con probabilidad de éxito p. Por ejemplo: ¿cuál es la probabilidad de obtener exactamente 7 caras al lanzar una moneda 10 veces?
La fórmula es: P(X = k) = C(n,k) · p^k · (1-p)^(n-k), donde C(n,k) es el coeficiente binomial. A medida que n crece, la distribución binomial se aproxima a la normal, lo cual simplifica enormemente los cálculos.
Las aplicaciones son incontables: control de calidad en fábricas, encuestas electorales, pruebas médicas y, por supuesto, juegos de azar.
La distribución de Poisson
La distribución de Poisson describe la probabilidad de que ocurra un cierto número de eventos en un intervalo de tiempo o espacio, cuando estos eventos son raros e independientes. Su único parámetro es λ (lambda), la tasa media de ocurrencia.
Ejemplos clásicos: el número de llamadas que recibe un call center por hora, el número de goles en un partido de fútbol, o el número de erratas por página en un libro. Si λ es la media de goles por partido de La Liga (2,7 aproximadamente), la distribución de Poisson nos permite calcular la probabilidad de que un partido termine 0-0, 1-1, etc.
Otras distribuciones importantes
La distribución exponencial modela el tiempo entre eventos consecutivos de un proceso de Poisson. La distribución uniforme asigna la misma probabilidad a todos los valores de un rango. La distribución t de Student es esencial para la inferencia estadística con muestras pequeñas.
Y la distribución chi-cuadrado se usa en pruebas de hipótesis para determinar si la distribución observada de datos se ajusta a una distribución esperada.
Aplicaciones prácticas
Las distribuciones de probabilidad no son abstracciones teóricas: son herramientas que se usan cada día. Los actuarios las emplean para calcular primas de seguros. Los ingenieros las usan para predecir fallos en componentes. Los científicos de datos las aplican en modelos de machine learning. Y los analistas financieros las necesitan para valorar opciones y gestionar riesgos.
Incluso en el mundo del entretenimiento, las distribuciones de probabilidad determinan el comportamiento de las tragaperras y los juegos de casino, donde conceptos como la varianza y el valor esperado definen la experiencia del jugador.