Distribución Binomial: Qué es, propiedades y ejemplos

¿Te ha pasado contar cuántas caras aparecieron al lanzar varias monedas y preguntarte si había una forma “matemática” de predecir eso? La distribución binomial es la respuesta elegante a ese tipo de preguntas. Está detrás de situaciones tan sencillas como lanzar una moneda, y tan prácticas como evaluar la eficacia de una vacuna o calcular la tasa de defectos en una línea de producción. En este artículo te explico, paso a paso y con ejemplos cotidianos, qué es la distribución binomial, por qué funciona y cómo puedes usarla en la vida real.

Imagina que tienes una moneda —no necesariamente perfecta— y la lanzas cinco veces. ¿Qué probabilidad hay de obtener exactamente tres caras? ¿Y de obtener al menos dos caras? Estas preguntas suenan a juego, pero son el tipo de preguntas que resuelven la distribución binomial. Con ella podemos modelar cualquier situación compuesta por varios intentos independientes con dos posibles resultados: éxito o fracaso, sí o no, cara o cruz.

¿Qué es la distribución binomial?

La distribución binomial describe el número de éxitos en un número fijo de ensayos independientes, donde cada ensayo tiene sólo dos resultados posibles (éxito o fracaso) y la probabilidad de éxito es la misma en cada ensayo.

Se suele denotar como ({eq}X \sim \text{Binomial}(n, p){/eq}), donde:

• (n) es el número de ensayos (por ejemplo, número de lanzamientos).
• (p) es la probabilidad de éxito en cada ensayo (por ejemplo, probabilidad de obtener cara en un lanzamiento).

La probabilidad de obtener exactamente (k) éxitos (con ({eq}k=0,1,\dots,n){/eq}) está dada por la función de masa de probabilidad:

[{eq}P(X=k) = \binom{n}{k}, p^{k},(1-p)^{,n-k}{/eq}]

Aquí ({eq}\binom{n}{k}{/eq}) es el coeficiente binomial, que cuenta las distintas formas de elegir cuáles (k) ensayos resultan en éxito entre los (n) totales.

Condiciones necesarias (para que sea válido usarla)

Antes de aplicar la binomial conviene comprobar que se cumplan cuatro condiciones fundamentales:

1. Número fijo de ensayos: sabemos cuántas repeticiones se hacen; ese número es (n).
2. Ensayos independientes: el resultado de un ensayo no altera la probabilidad del siguiente.
3. Dos resultados posibles por ensayo: por ejemplo, éxito/fracaso, sí/no, llegar a tiempo/no llegar.
4. Probabilidad constante de éxito: la probabilidad (p) es la misma para cada ensayo.

Si una situación no cumple alguna de estas, la binomial puede no ser adecuada.

Propiedades principales

Estas son las propiedades más útiles (y fáciles de recordar) de la distribución binomial:

• Soporte: (X) toma valores enteros de (0) a (n).
• Esperanza (media): ({eq}\mathbb{E}[X] = n,p{/eq}).
• Varianza: ({eq}\text{Var}(X) = n,p,(1-p){/eq}).
• Desviación estándar: ({eq}\sigma = \sqrt{n,p,(1-p)}{/eq}).
• Asimetría: si (p=0.5) la distribución es simétrica; si (p<0.5) está sesgada a la derecha; si (p>0.5) está sesgada a la izquierda.
• Suma de Bernoullis: la binomial es la suma de (n) variables de Bernoulli independientes (cada una con probabilidad (p)): ({eq}X = B_1 + B_2 + \dots + B_n{/eq}).
• Combinación de binomiales con mismo (p): si ({eq}X_1 \sim \text{Binomial}(n_1,p){/eq}) y ({eq}X_2 \sim \text{Binomial}(n_2,p){/eq}) y son independientes, entonces ({eq}X_1+X_2 \sim \text{Binomial}(n_1+n_2,p){/eq}).

Desglose de la fórmula paso a paso (para entenderla bien)

Tomemos la fórmula:

[{eq}P(X=k) = \binom{n}{k}, p^{k},(1-p)^{,n-k}.{/eq}]

• ({eq}\binom{n}{k}{/eq}) cuenta de cuántas formas distintas se pueden repartir los (k) éxitos entre los (n) ensayos. Es la parte combinatoria.
• ({eq}p^{k}{/eq}) es la probabilidad de que exactamente esos (k) posiciones sean éxitos.
• ({eq}(1-p)^{n-k}{/eq}) es la probabilidad de que las demás (n-k) posiciones sean fracasos.
• Multiplicando todo junto obtenemos la probabilidad de que haya exactamente (k) éxitos en algún orden específico, y ({eq}\binom{n}{k}{/eq}) se encarga de contar los órdenes posibles.

Ejemplo numérico (paso a paso)

Volvamos al ejemplo de la moneda lanzada 5 veces y queremos exactamente 3 caras. Supongamos que la moneda es justa, así que (p=0.5), (n=5), (k=3).

Primero calculamos el coeficiente binomial:
[{eq}\binom{5}{3}=\dfrac{5!}{3!,2!}=\dfrac{5\times4\times3\times2\times1}{(3\times2\times1),(2\times1)}=\dfrac{120}{6\times2}=\dfrac{120}{12}=10.{/eq}]

Luego ({eq}p^{k}=(0.5)^{3}=\dfrac{1}{8}{/eq}) y ({eq}(1-p)^{n-k}=(0.5)^{2}=\dfrac{1}{4}{/eq}).

Multiplicamos:
[{eq}P(X=3)=10\times \dfrac{1}{8}\times \dfrac{1}{4}=10\times \dfrac{1}{32}=\dfrac{10}{32}=\dfrac{5}{16}=0.3125.{/eq}]

Ejemplo cotidiano: control de calidad

Supongamos que una fábrica produce bombillas y la probabilidad de que una bombilla salga defectuosa es (p=0.02) (2%). Tomamos una muestra de (n=10) bombillas y queremos saber la probabilidad de encontrar exactamente 1 defectuosa.

Usamos la binomial con (n=10), (p=0.02), (k=1):

[{eq}P(X=1)=\binom{10}{1}, (0.02)^{1},(0.98)^{9}.{/eq}]

Calcular esto da una probabilidad pequeña, y la binomial nos permite cuantificar el riesgo y decidir, por ejemplo, si la muestra está dentro de lo esperable o si conviene revisar la producción.

Ejemplo: “al menos” y complementos

A menudo nos interesa la probabilidad de “al menos” o “a lo sumo”. Es práctico usar complementos.

Por ejemplo, si quieres la probabilidad de obtener al menos 2 éxitos en (n) ensayos:

[{eq}P(X\ge 2)=1 – P(X\le 1) = 1 – \bigl(P(X=0)+P(X=1)\bigr).{/eq}]

Calcular (P(X=0)) y (P(X=1)) suele ser más sencillo que sumar directamente todas las probabilidades desde (2) hasta (n).

Analogías que ayudan a entender (imágenes mentales)

• Lotería de decisiones: Imagina que cada ensayo es una pequeña lotería donde sólo puede salir “ganar” o “perder”. La binomial cuenta cuántas veces ganas después de jugar (n) loterías idénticas.
• Equipo de fútbol amateur: Si cada gol que intenta un jugador tiene probabilidad (p) de entrar y realiza (n) tiros, la binomial describe cuántos goles anota.
• Gran mezcla de canicas: Piensa en una bolsa con dos tipos de canicas (éxito/fracaso), pero donde cada extracción vuelve a introducirse la canica (ensayos con reemplazo). La binomial cuenta las veces que sacas la canica “éxito” en (n) intentos.

Estas imágenes refuerzan la idea central: repetir lo mismo muchas veces y contar cuántas veces ocurrió el resultado que nos interesa.

Aplicaciones prácticas (donde se usa)

La binomial aparece en muchísimas áreas. Aquí unas aplicaciones concretas:

1. Medicina y epidemiología: evaluar el número de pacientes que responden a un tratamiento cuando la probabilidad de respuesta por paciente es (p).
2. Control de calidad: detectar defectos en lotes mediante muestras.
3. Encuestas y sondeos: si una persona tiene probabilidad (p) de apoyar una opción, la distribución binomial modela el número de apoyos en una muestra de (n) personas.
4. Genética básica: modelar la aparición de un rasgo simple con probabilidad (p) en una descendencia de (n) individuos (en contextos sencillos).
5. Tecnología y ciencias de datos: tests A/B simples, pruebas de click-through en campañas publicitarias, o conteo de éxitos en experimentos binarios.
6. Deportes: modelar la cantidad de tiros acertados por un jugador con probabilidad de acierto constante.

Cómo se usa en la práctica (herramientas y consejos)

• Para cálculos pequeños puedes usar una calculadora científica o una hoja de cálculo (Excel/Google Sheets: función BINOM.DIST).
• Para muestras grandes, usar programas estadísticos (R, Python) es más cómodo y evita errores.
• Cuando (n) es grande y (p) no está muy cerca de 0 o 1, la binomial puede aproximarse por la distribución normal con media (n p) y varianza (n p (1-p)) (regla práctica: usar aproximación normal si ({eq}n p \ge 5{/eq}) y ({eq}n(1-p)\ge 5){/eq}). Si la aproximación normal se usa para probabilidades discretas, se recomienda aplicar la corrección de continuidad.

Ejemplo con aproximación normal (intución)

Supongamos (n=1000) y (p=0.5). La media sería (n p=500) y la desviación estándar sería ({eq}\sqrt{1000\times 0.5 \times 0.5}=\sqrt{250}=15.811…{/eq}). La binomial aquí es muy cercana a la normal ({eq}N(500,15.811^2){/eq}). Esto facilita cálculos cuando (n) es grande y no quieres sumar muchas probabilidades.

Atención a supuestos y errores comunes

• Dependencia entre ensayos: si los ensayos no son independientes (por ejemplo, extraer sin reemplazo de una pequeña urna), la probabilidad cambia. En ese caso se usa la hipergeométrica.
• Probabilidad no constante: si (p) cambia entre ensayos, no es binomial pura.
• Interpretación de (p): (p) puede no ser “fácil de medir” y a menudo se estima a partir de datos (p. ej., proporción en una muestra). Al estimar (p) introducimos incertidumbre adicional.

Más ejemplos resueltos (práctica)

1. Probabilidad de obtener 0 éxitos:
   [{eq}P(X=0)=\binom{n}{0} p^{0}(1-p)^{n} = (1-p)^{n}.{/eq}]
   Esto es útil para evaluar la probabilidad de “ningún éxito” en una muestra.
2. Ejemplo: probabilidad de al menos una falla
   Si cada componente falla con probabilidad (p=0.01) y probamos (n=20) componentes, la probabilidad de tener al menos una falla es:
   [{eq}P(X\ge 1)=1-P(X=0)=1-(1-0.01)^{20}.{/eq}]
   Así puedes estimar la probabilidad de que alguna pieza salga mal.
3. Ejemplo con números:
   Supongamos (n=4), (p=0.3). ¿Cuál es la probabilidad de tener a lo sumo 1 éxito?
   [{eq}P(X\le 1)=P(X=0)+P(X=1).{/eq}]
   Calculamos:
   [{eq}P(X=0)=(0.7)^{4}=\dfrac{7^{4}}{10^{4}}=\dfrac{2401}{10000}=0.2401.{/eq}]
   [{eq}P(X=1)=\binom{4}{1}, 0.3,(0.7)^{3}=4\times 0.3 \times 0.343=1.2\times 0.343=0.4116.{/eq}]
   Así,
   [{eq}P(X\le 1)=0.2401+0.4116=0.6517.{/eq}]

Interpretación práctica y decisiones

La binomial no es sólo una fórmula: es una herramienta para tomar decisiones basadas en probabilidades. Por ejemplo:

• En control de calidad, si la probabilidad de defectos supera cierto umbral, se activa una revisión.
• En una encuesta, si la probabilidad de un resultado es muy baja dadas las observaciones, puede indicar un cambio real en la población.
• En medicina, comparar el número de respuestas esperadas vs. observadas en un ensayo clínico ayuda a evaluar si un tratamiento es eficaz.

Resumen / Conclusión

La distribución binomial es una pieza central de la estadística para modelar conteos de “éxitos” en ensayos repetidos y homogéneos. Sus ventajas son la simplicidad y la capacidad de aplicarse en diversos contextos: ciencia, industria, economía, salud y vida cotidiana. Para usarla correctamente hay que verificar sus supuestos: número fijo de ensayos, independencia, dos resultados y probabilidad constante.

Recordá los puntos clave:

• Se denota ({eq}X\sim\text{Binomial}(n,p){/eq}).
• Fórmula: ({eq}P(X=k)=\binom{n}{k} p^{k}(1-p)^{n-k}{/eq}).
• Media: ({eq}\mathbb{E}[X]=n p{/eq}); Varianza: ({eq}\text{Var}(X)=n p(1-p){/eq}).
• Útil para “exactamente k”, “al menos k” o “a lo sumo k” usando complementos.
• Para (n) grandes y (p) moderado, se puede aproximar por la normal.

Resultados del aprendizaje

Al terminar este artículo deberías poder:

1. Explicar con tus propias palabras qué modela la distribución binomial y cuándo usarla.
2. Identificar y verificar las condiciones necesarias (ensayos independientes, dos resultados, probabilidad constante y número fijo de ensayos).
3. Calcular la probabilidad de exactamente (k) éxitos con la fórmula binomial y realizar cálculos sencillos paso a paso.
4. Interpretar la media (n p) y la varianza (n p(1-p)) y utilizarlas para describir la distribución.
5. Aplicar la binomial en ejemplos cotidianos (control de calidad, encuestas, tests A/B) y usar complementos para probabilidades acumuladas.

Rodrigo Ricardo Editor y fundador