Lo esencial para usarla sin perder tiempo
- Modela el número de éxitos en n ensayos independientes con dos resultados posibles.
- La probabilidad de éxito debe ser constante en todos los intentos.
- Su forma básica es P(X = k) = C(n,k) pk(1-p)n-k.
- Sirve para calcular probabilidades exactas y también acumuladas, con complementos si hace falta.
- Si no hay independencia, si p cambia o si la muestra es sin reemplazo, conviene revisar si otro modelo encaja mejor.
Cuándo encaja y qué describe realmente
Yo empiezo siempre por una pregunta simple: ¿el ejercicio cuenta éxitos en una serie fija de intentos? Si la respuesta es sí, la distribución binomial suele ser el punto de partida correcto. Ese “éxito” no significa algo positivo en sentido cotidiano; puede ser acertar una pregunta, obtener cara en una moneda, detectar una pieza defectuosa o aprobar un test.
Para que el modelo funcione bien, deben cumplirse cuatro condiciones: un número fijo de ensayos, dos resultados por ensayo, independencia entre intentos y la misma probabilidad de éxito en cada uno. Si una de esas piezas falla, la fórmula puede seguir sirviendo como aproximación, pero ya no deberíamos tratarla como exacta.
| Condición | Qué exige | Ejemplo típico |
|---|---|---|
| n fijo | Sabemos cuántos intentos habrá desde el principio | 10 preguntas de examen |
| Dos resultados | Cada intento termina en éxito o fracaso | Acierto o fallo |
| Independencia | Un intento no altera el siguiente | Lanzar una moneda |
| Probabilidad constante | La probabilidad de éxito se mantiene igual | Probabilidad de acertar al azar en cada pregunta |
Si esto te recuerda a un examen tipo test o a un control de calidad, vas bien encaminado. La idea clave es que no contamos “casos raros”, sino repeticiones de la misma situación bajo las mismas reglas. Con ese marco claro, la fórmula deja de parecer mecánica y empieza a tener lógica.
La fórmula y el papel de cada término
La expresión básica de la distribución binomial es:
P(X = k) = C(n,k) · pk · (1-p)n-k
Y, cuando hace falta escribir el número de combinaciones de forma explícita:
C(n,k) = n! / (k!(n-k)!)
Yo la leo así: probabilidad de que haya exactamente k éxitos en n ensayos, sabiendo que cada éxito tiene probabilidad p y cada fracaso probabilidad 1-p. El término combinatorio cuenta de cuántas maneras distintas puedo colocar esos éxitos dentro de la secuencia; los otros dos factores calculan la probabilidad de una secuencia concreta con ese número de éxitos.
| Símbolo | Significado |
|---|---|
| X | Variable aleatoria que cuenta el número de éxitos |
| n | Número total de ensayos |
| k | Número exacto de éxitos que se quieren contar |
| p | Probabilidad de éxito en un ensayo |
| 1-p | Probabilidad de fracaso en un ensayo |
| C(n,k) | Número de formas de elegir las posiciones de los éxitos |
Un detalle que muchos pasan por alto: la fórmula no describe “si ocurre o no ocurre” un hecho aislado, sino la distribución completa de posibilidades para 0, 1, 2, ..., n éxitos. A partir de aquí, lo útil es aprender a aplicarla en ejercicios reales sin perderse en la notación.
Cómo resolver un caso paso a paso
Tomemos un caso muy típico de examen: un test de 10 preguntas tipo test con cuatro opciones por pregunta, donde se responde al azar. La probabilidad de acertar una pregunta es p = 0,25. Queremos saber la probabilidad de acertar exactamente 3 preguntas.
- Identifico los datos: n = 10, k = 3, p = 0,25.
- Escribo la fórmula: P(X = 3) = C(10,3) · 0,253 · 0,757.
- Calculo la combinación: C(10,3) = 120.
- Multiplico los factores: 120 · 0,253 · 0,757 ≈ 0,2503.
- Interpreto el resultado: la probabilidad es de aproximadamente 25,03 %.
Este ejemplo es útil porque combina todo lo que suele aparecer en un problema real: identificación de n, k y p, uso de combinaciones y lectura final del resultado en porcentaje. Además, muestra un error muy frecuente: confundir “exactamente 3 aciertos” con “al menos 3 aciertos”, que no es lo mismo.
Si el enunciado cambia, el esquema no cambia: primero traduzco el texto a variables, después escribo la fórmula y al final compruebo si la respuesta tiene sentido. A partir de ahí, conviene aprender a traducir con rapidez expresiones como “al menos” o “como máximo” sin hacer cuentas de más.
Probabilidades acumuladas y complementos que ahorran cuentas
Muchas veces el problema no pide un valor exacto, sino una probabilidad acumulada. Aquí es donde el complemento ahorra tiempo: en vez de sumar muchos casos, a menudo basta con restar lo que no interesa de 1.
- Como máximo k: P(X ≤ k)
- Al menos k: 1 - P(X ≤ k-1)
- Más de k: 1 - P(X ≤ k)
- Entre a y b: P(a ≤ X ≤ b) = suma de los términos desde a hasta b
Por ejemplo, si me piden “al menos un acierto”, yo no sumo todos los casos desde 1 hasta n. Lo normal es calcular primero el caso contrario, “cero aciertos”, y usar 1 - P(X = 0). Esa estrategia es mucho más limpia y reduce bastante la posibilidad de cometer errores aritméticos.
La parte práctica aquí es muy clara: si un enunciado contiene “al menos”, “como máximo”, “más de” o “entre”, no conviene lanzarse a sumar sin pensar. Yo me detengo un segundo y busco la forma más corta de llegar al resultado. Con esa interpretación, ya solo falta saber cuándo el modelo sigue siendo fiable y cuándo no.
Media, varianza y lectura rápida del resultado
La distribución binomial no solo sirve para calcular probabilidades concretas. También permite entender dónde se concentra la masa de probabilidad. Sus dos medidas más útiles son la media y la varianza:
Media: E(X) = n·p
Varianza: Var(X) = n·p·(1-p)
Desviación estándar: σ = √(n·p·(1-p))
La media indica el número esperado de éxitos. No significa que siempre vayamos a obtener ese valor, sino que es el centro del reparto. La varianza y la desviación estándar muestran cuánto se dispersan los resultados alrededor de ese centro.Si vuelvo al ejemplo del test de 10 preguntas con p = 0,25, la media es 10 · 0,25 = 2,5. Es decir, lo normal es moverse alrededor de 2 o 3 aciertos, no alrededor de 8 o 9. Esta lectura rápida ayuda mucho a revisar si un resultado es razonable antes de darlo por bueno.
En mi experiencia, entender la media evita muchos errores de intuición. Hay quien calcula una probabilidad correcta pero luego la interpreta mal, como si el valor esperado fuese una cantidad “segura” en cada intento. No lo es: es solo el punto central del modelo.Cuándo conviene usar otra aproximación
La binomial es exacta cuando se cumplen sus condiciones, pero en ejercicios grandes o con parámetros extremos a veces interesa aproximarla. Aquí hay tres caminos habituales: la propia binomial exacta, la aproximación normal y la aproximación de Poisson.
| Situación | Modelo o aproximación útil | Cuándo me parece razonable |
|---|---|---|
| Ensayos independientes, p fija, n moderado | Binomial exacta | Es la opción más segura si el cálculo no es pesado |
| p pequeña y n grande | Poisson | Útil cuando los éxitos son raros; como guía práctica, n suficiente, p pequeño y np no demasiado alto |
| n grande y la distribución no está muy sesgada | Normal | Suele funcionar mejor cuando np y n(1-p) son ambos razonables |
| Sin reemplazo y muestra pequeña respecto a la población | Binomial como aproximación, o hipergeométrica si hace falta exactitud | Si la fracción muestreada ya no es pequeña, conviene no forzar la binomial |
Una regla práctica bastante usada para la Poisson es que p sea pequeña y n suficientemente grande; en entornos docentes también se suele pedir que np no sea alto. Para la normal, muchos profesores prefieren que tanto np como n(1-p) sean al menos 5, y mejor todavía si llegan a 10. Yo no me quedo solo con la regla: también miro si el problema realmente pide exactitud o solo una buena aproximación.
Este tramo es importante porque evita la falsa sensación de que una fórmula sirve para todo. La binomial es una herramienta muy buena, pero no universal. Con eso cerrado, solo queda quedarse con una pauta de revisión rápida para no fallar por un detalle tonto.
Lo que yo revisaría antes de entregar el ejercicio
- ¿El problema cuenta éxitos en un número fijo de ensayos?
- ¿Cada ensayo tiene solo dos resultados posibles?
- ¿La probabilidad de éxito es la misma en todos los intentos?
- ¿Estoy calculando “exactamente”, “al menos” o “como máximo”?
- ¿He usado el complemento cuando me ahorra una suma larga?
- ¿El resultado final tiene sentido con la media esperada?
Si esas seis comprobaciones salen bien, la fórmula deja de ser un obstáculo y se convierte en un recurso fiable para resolver ejercicios de probabilidad con rapidez y con bastante menos margen de error.
