Probabilidad binomial y experimentos binomiales

¿Alguna vez te has preguntado cómo calcular la probabilidad de que exactamente 7 de cada 10 pacientes se curen con un nuevo fármaco? ¿O la chance de que un jugador de baloncesto enceste 8 de sus 12 tiros libres si tiene un 70% de acierto? La respuesta está en la probabilidad binomial, una de las herramientas más poderosas y prácticas de la estadística.

En este artículo aprenderás, desde cero y con ejemplos reales, qué son los experimentos binomiales, cómo identificar sus propiedades, la fórmula clave y cómo aplicarla paso a paso. Al final, podrás resolver problemas tipo examen y entenderás por qué esta distribución es esencial en ciencias, ingeniería, medicina y negocios.

¿Qué es un Experimento Binomial? Las 4 Propiedades Infalibles

Antes de lanzarnos a la fórmula, debemos reconocer cuándo un experimento es binomial. No todos los problemas de probabilidad lo son. Un experimento binomial debe cumplir cuatro condiciones:

1. Número fijo de ensayos (n): El experimento se repite *n* veces idénticas. Ejemplo: lanzar un dado 20 veces.
2. Dos resultados posibles por ensayo: Éxito (E) o Fracaso (F). Son mutuamente excluyentes. Ejemplo: cara o cruz; defectuoso o no defectuoso; curarse o no curarse.
3. Probabilidad de éxito constante (p): En cada ensayo, la probabilidad de éxito no cambia. Ejemplo: si la moneda es justa, p=0.5 siempre.
4. Independencia: El resultado de un ensayo no afecta a los demás. Ejemplo: lanzar una moneda repetidas veces; extraer con reemplazo.

Si falla una sola condición, no es binomial (podría ser hipergeométrica, Poisson, etc.). Dominar estas 4 propiedades es el primer paso para aprobar cualquier examen de estadística.

La Fórmula de la Probabilidad Binomial: Desglose sin Miedo

Cuando tenemos un experimento binomial, la probabilidad de obtener exactamente k éxitos en n ensayos viene dada por:$$P(X=k)=\left(\genfrac{}{}{0px}{}{n}{k}\right)\cdot p^k\cdot (1-p{)}^{n-k}$$

Donde:

• $\left(\genfrac{}{}{0px}{}{n}{k}\right)=\frac{n!}{k!(n-k)!}$ es el coeficiente binomial (número de formas de ordenar k éxitos en n posiciones).
• $p^k$ = probabilidad de que k ensayos sean éxito.
• $(1-p{)}^{n-k}$ = probabilidad de que el resto sean fracasos.

Ejemplo rápido: Si lanzas una moneda justa 5 veces, ¿probabilidad de exactamente 3 caras?

• n=5, k=3, p=0.5
• $\left(\genfrac{}{}{0px}{}{5}{3}\right)=10$(35​)=10, ${0.5}^3=0.125$0.53=0.125, ${0.5}^2=0.25$0.52=0.25
• $P=10\times 0.125\times 0.25=0.3125$P=10×0.125×0.25=0.3125 (31.25%)

Media, Varianza y Desviación Estándar Binomial (Atajos para Exámenes)

No necesitas calcular cada probabilidad para entender el comportamiento del experimento. La distribución binomial tiene parámetros resumen:

• Media (valor esperado): $\mu =n\cdot p$
• Varianza: ${\sigma }^2=n\cdot p\cdot (1-p)$
• Desviación estándar: $\sigma =\sqrt{n\cdot p\cdot (1-p)}$

Ejemplo: En 100 lanzamientos de una moneda justa (p=0.5), esperamos 50 caras de media, con una desviación estándar de $\sqrt{100\cdot 0.5\cdot 0.5}=5$100⋅0.5⋅0.5​=5. Esto permite construir intervalos de confianza rápidos.

Casos Prácticos Paso a Paso (De lo Básico a lo Avanzado)

Caso 1: Control de Calidad Industrial

Una fábrica produce tornillos con un 5% de defectuosos. Si tomamos una muestra de 20 tornillos (con reemplazo, o lote grande), ¿probabilidad de que exactamente 2 sean defectuosos?

• n=20, k=2, p=0.05
• $\left(\genfrac{}{}{0px}{}{20}{2}\right)=190$(220​)=190, ${0.05}^2=0.0025$, ${0.95}^{18}\approx 0.397$
• P = 190 × 0.0025 × 0.397 ≈ 0.1886 (18.86%)

Caso 2: Medicina – Efectividad de un Tratamiento

Un fármaco cura el 80% de los pacientes. Si se aplica a 10 pacientes, ¿probabilidad de que curen al menos 8?

• «Al menos 8» = P(X=8)+P(X=9)+P(X=10)
• Calculamos cada término con n=10, p=0.8
• P(X=8)= $\left(\genfrac{}{}{0px}{}{10}{8}\right){0.8}^8{0.2}^2\approx 0.3020$(810​)
• P(X=9) ≈ 0.2684, P(X=10) ≈ 0.1074
• Suma ≈ 0.6778 (67.78%)

Caso 3: Examen de Opción Múltiple (Adivinar)

Un test tiene 5 preguntas con 4 opciones cada una (solo una correcta). Si un estudiante adivina todas, ¿probabilidad de acertar exactamente 3?

• n=5, k=3, p=0.25
• $\left(\genfrac{}{}{0px}{}{5}{3}\right)=10$(35​)=10, ${0.25}^3=0.015625$, ${0.75}^2=0.5625$
• P = 10 × 0.015625 × 0.5625 ≈ 0.0879 (8.79%)

Errores Comunes que Cometen los Estudiantes (Y Cómo Evitarlos)

1. Confundir éxito con algo «bueno»: En binomial, éxito es simplemente el resultado que nos interesa contar (puede ser «defectuoso» o «cara»).
2. Usar binomial sin independencia: Si extraes sin reemplazo de una población pequeña, la probabilidad cambia → no es binomial.
3. Olvidar el coeficiente binomial: Muchos calculan solo $p^k(1-p{)}^{n-k}$ y se olvidan de las múltiples ordenaciones posibles.
4. No verificar el rango de k: k debe ser entero entre 0 y n. Probabilidad de k=7.5 no existe.
5. Aplicar fórmula cuando n es grande y p muy pequeña: Ahí es mejor aproximar por Poisson.

Distribución Binomial vs. Otras Distribuciones (Cuadro Rápido)

Cuando n≥30 y p≤0.05, la binomial se aproxima bien a Poisson con λ=n·p.

Herramientas Digitales para Calcular Probabilidad Binomial

No necesitas calculadora científica avanzada. Puedes usar:

• Excel: =DISTR.BINOM.N(k; n; p; FALSE) para exacta, TRUE para acumulada.
• Google Sheets: misma función.
• Python: from scipy.stats import binom; binom.pmf(k, n, p)
• Calculadoras online: Stat Trek, Wolfram Alpha.

Recomendación: Aprende la fórmula a mano para entenderla, pero usa software para problemas con n>20.

Ejercicios Propuestos con Soluciones Breves

1. Lanzar un dado 4 veces. Éxito = sacar un 6. Probabilidad de exactamente un 6.
   Solución: n=4, k=1, p=1/6 ≈ 0.385 (usando fórmula).
2. Un vendedor cierra el 30% de sus visitas. Si hace 8 visitas, ¿probabilidad de cerrar al menos 2?
   Solución: 1 – [P(0)+P(1)] ≈ 0.7447.
3. Prueba de opción múltiple: 10 preguntas, 5 opciones c/u. ¿Probabilidad de acertar 0 adivinando?
   Solución: (0.8)^10 ≈ 0.1074.
4. Control de calidad: 2% defectuosos, muestra de 50. Probabilidad de exactamente 3 defectuosos.
   Solución: n=50, k=3, p=0.02 → usar aproximación Poisson con λ=1 → ≈ 0.0613.

Aplicaciones Reales en el Mundo Profesional

• Medicina: Calcular la probabilidad de que un tratamiento funcione en al menos X de N pacientes.
• Marketing: Tasa de conversión de anuncios (éxito = clic o compra).
• Ingeniería: Fiabilidad de sistemas con componentes redundantes.
• Biología: Probabilidad de ciertos patrones genéticos (herencia mendeliana).
• Finanzas: Número de días con rentabilidad positiva en un mes.

Resultados de Aprendizaje

Después de leer este artículo, el estudiante será capaz de:

1. Identificar si un experimento aleatorio cumple las cuatro propiedades de un experimento binomial (n fijo, dos resultados, p constante, independencia).
2. Aplicar la fórmula de probabilidad binomial $P(X=k)=\left(\genfrac{}{}{0px}{}{n}{k}\right)p^k(1-p{)}^{n-k}$ para calcular probabilidades exactas en contextos reales.
3. Calcular la media, varianza y desviación estándar de una distribución binomial usando $\mu =np$ y ${\sigma }^2=np(1-p)$.
4. Diferenciar la distribución binomial de la hipergeométrica y Poisson, seleccionando el modelo adecuado según el método de muestreo (con/sin reemplazo).
5. Resolver problemas de probabilidad acumulada («al menos», «a lo más», «entre») sumando términos binomiales individuales.
6. Utilizar herramientas digitales (Excel, Python, calculadoras) para verificar cálculos binomiales cuando n es grande.
7. Interpretar resultados binomiales en términos de frecuencias esperadas y tomar decisiones basadas en umbrales de significación práctica.

Rodrigo Ricardo Editor y fundador