La distribución de Bernoulli es la forma más directa de traducir una decisión binaria a probabilidad: ocurre o no ocurre, acierto o fallo, sí o no. Yo la uso como punto de partida cuando quiero explicar por qué un problema sencillo no necesita un aparato matemático más grande y, aun así, exige precisión al definir qué vale 1, qué vale 0 y cuál es la probabilidad del evento que interesa. En este artículo verás cómo se define, qué fórmula conviene memorizar, cómo se interpreta en ejercicios y por qué se confunde tanto con la binomial.
Lo esencial para entenderlo sin rodeos
Qué modela realmente este experimento
Yo lo explico siempre con una idea muy simple: si solo hay dos resultados relevantes, el problema ya tiene la estructura de un experimento de Bernoulli. No importa tanto si el resultado es “bonito” o “feo”; importa que el evento que estás midiendo pueda separarse en dos estados bien definidos. El modelo funciona cuando hay una única prueba y una probabilidad fija para el suceso que te interesa.
| Condición | Qué significa en la práctica | Por qué importa |
|---|---|---|
| Un solo ensayo | Se observa una única prueba, no una serie de pruebas | Evita confundirlo con una binomial |
| Dos posibles resultados | El evento ocurre o no ocurre | La variable puede codificarse con 0 y 1 |
| Probabilidad fija | La probabilidad del evento no cambia dentro del ejercicio | Permite escribir la fórmula con claridad |
| Evento bien definido | Sabes exactamente qué cuenta como 1 | Sin eso, el cálculo pierde sentido |
La etiqueta “éxito” no significa algo positivo en lenguaje común. En estadística, éxito es simplemente el resultado que decides contar. Puede ser acertar una pregunta, detectar un defecto, que una bombilla se funda o que un alumno apruebe un test. Esa libertad de definición es útil, pero obliga a ser consistente desde el principio. Con esa base, la fórmula deja de parecer un truco y empieza a tener lógica propia.
La fórmula que conviene tener a mano
Si una variable aleatoria X sigue una distribución de Bernoulli con parámetro p, se escribe X ~ Bernoulli(p). El parámetro p es la probabilidad de que ocurra el evento que has definido como 1, y por tanto 1-p es la probabilidad del 0. La función de probabilidad se puede expresar de dos formas equivalentes: P(X=1)=p y P(X=0)=1-p, o bien con la forma compacta P(X=x)=p^x(1-p)^{1-x} para x perteneciente a {0,1}.
| Elemento | Significado | Valor |
|---|---|---|
| X | Variable aleatoria del experimento | 0 o 1 |
| p | Probabilidad del evento de interés | Entre 0 y 1 |
| 1-p | Probabilidad del resultado contrario | Entre 0 y 1 |
| E[X] | Valor esperado o media | p |
| Var(X) | Dispersión de la variable | p(1-p) |
Hay dos lecturas que yo considero especialmente importantes. La primera es que la media coincide con p: si repitieras el mismo experimento muchas veces, el valor medio de la variable se acercaría a esa probabilidad. La segunda es que la varianza, p(1-p), alcanza su máximo cuando p=0,5, porque ahí el resultado es más incierto. En cambio, si p se acerca a 0 o a 1, el resultado se vuelve casi previsible y la variabilidad cae.
En cursos introductorios suele trabajarse con 0
Cómo interpretar 0 y 1 sin liarte
El error más frecuente que veo es creer que “éxito” significa algo positivo y “fracaso” algo negativo. En realidad, la elección es completamente contextual. Si estás analizando una pregunta tipo test, el 1 puede significar “acierta”; si estudias control de calidad, el 1 puede significar “sale defectuosa”; si miras un sistema informático, el 1 puede significar “falla”. Lo importante no es la palabra, sino la definición.
- Si 1 representa “acierta”, entonces 0 representa “no acierta”.
- Si 1 representa “sale defectuosa”, entonces 0 representa “sale correcta”.
- Si 1 representa “sí”, entonces 0 representa “no”.
Yo recomiendo fijar esa codificación antes de empezar a calcular nada. Cuando el enunciado es claro, la elección de 1 y 0 parece obvia; cuando no lo es, ahí nacen casi todos los fallos de examen. Una vez que la codificación está bien hecha, el resto del ejercicio suele volverse mecánico. Y justo por eso este modelo es tan útil en estadística básica: obliga a pensar con orden antes de operar.
También conviene recordar que la variable Bernoulli no cuenta “cuántas veces” ocurre algo, sino si ocurre o no en una sola prueba. Si el problema empieza a hablar de varios intentos, ya has cambiado de terreno. Esa transición nos lleva directamente a ejemplos más concretos, que suelen fijar mejor la idea que cualquier definición abstracta.
Ejemplos que sí ayudan a estudiar
Cuando explico este tema, prefiero ejemplos que se parezcan a los que luego aparecen en un examen. Así el alumno no memoriza solo la fórmula, sino también el criterio para reconocerla. Estos casos son los más útiles:
| Situación | Qué vale 1 | Probabilidad p | Qué enseña |
|---|---|---|---|
| Lanzar una moneda | Sale cara | 0,5 si la moneda es justa | Dos salidas simétricas en una sola prueba |
| Responder una pregunta tipo test de 4 opciones al azar | Acierta | 0,25 | Cómo fijar con precisión el evento de interés |
| Comprobar una pieza fabricada | Sale defectuosa | Depende del proceso | “Éxito” puede ser un resultado negativo |
El segundo ejemplo es especialmente útil para estudiantes en España porque obliga a leer bien el enunciado. Si una pregunta tiene cuatro alternativas y contestas al azar, la probabilidad de acertar es 1/4, no 1/3 ni “más o menos la mitad”. Parece una diferencia pequeña, pero cambia por completo el resultado. Ahí se ve muy bien por qué este modelo es tan básico y, al mismo tiempo, tan fácil de aplicar mal.
Otro detalle importante es que en todos estos casos solo hay una prueba. Si en lugar de una pregunta tienes diez, o en lugar de un lanzamiento tienes ocho, ya no estás describiendo una sola observación binaria, sino una colección de observaciones. En ese punto, la herramienta correcta suele ser otra.
Cuándo se confunde con la binomial
Esta es la comparación que más claridad aporta. La binomial cuenta cuántos éxitos aparecen en n ensayos independientes; la Bernoulli describe el resultado de un único ensayo. Dicho de forma muy llana: una pregunta habla de un caso aislado, la otra cuenta repeticiones.
| Aspecto | Bernoulli | Binomial |
|---|---|---|
| Número de ensayos | 1 | n |
| Valores posibles | 0 o 1 | 0, 1, 2, ..., n |
| Pregunta típica | ¿Ocurre o no ocurre? | ¿Cuántas veces ocurre? |
| Fórmula | P(X=x)=p^x(1-p)^{1-x} | C(n,k)p^k(1-p)^{n-k} |
| Uso habitual | Una pieza, una pregunta, un lanzamiento | Varios intentos, varias piezas, varias preguntas |
Yo suelo decir que la Bernoulli es el ladrillo y la binomial es la pared hecha con varios ladrillos. Si el enunciado habla de “exactamente 3 aciertos en 10 intentos”, ya estás en binomial. Si solo pregunta si hay acierto o no en una sola prueba, estás en el caso binario. Y si lo que cambia es el número de intentos necesarios hasta el primer éxito, entonces ya conviene mirar la distribución geométrica, que es otra historia pero nace del mismo tipo de ensayo.
La frontera práctica es muy simple: una sola prueba, Bernoulli; varias pruebas contadas, binomial. A partir de ahí, la clave está en leer bien el verbo del ejercicio y no dejarse llevar por parecidos superficiales. Esa lectura fina evita muchos errores de procedimiento.
Errores habituales al resolver ejercicios
Cuando corrijo ejercicios de este tema, los fallos se repiten bastante. No suelen venir de la fórmula, sino de una mala traducción del enunciado al lenguaje probabilístico. Estos son los tropiezos más comunes:
- Tomar la palabra “éxito” en sentido coloquial y no como el evento que se está midiendo.
- Usar este modelo para varias pruebas cuando el problema realmente pide contar repeticiones.
- Olvidar que la variable solo puede valer 0 o 1.
- Confundir p con 1-p, sobre todo al escribir la probabilidad del resultado contrario.
- Forzar independencia donde no hace falta o ignorarla cuando sí hay varias pruebas.
Yo reviso siempre dos cosas antes de dar un ejercicio por bueno: qué vale 1 y si hay una sola prueba o varias. Si eso está claro, la solución suele salir casi sola. Si no lo está, el cálculo puede parecer correcto y aun así estar mal planteado. Esa es la trampa típica de los problemas de estadística básica: no fallan por la cuenta, sino por la interpretación.
También ayuda hacerse una última pregunta sencilla: ¿estoy midiendo un resultado aislado o un recuento de resultados? Esa diferencia decide si debes quedarte en el modelo binario o saltar a otro más amplio. Una lectura correcta del enunciado ahorra más errores que cualquier fórmula memorizada de memoria.
Lo que yo reviso antes de dar un ejercicio por cerrado
- ¿Hay una sola prueba con dos salidas posibles?
- ¿He fijado correctamente qué significa 1?
- ¿La probabilidad p está bien definida y no cambia dentro del problema?
- ¿Estoy calculando una ocurrencia aislada o un recuento de varias?
Si esas cuatro respuestas están claras, el ejercicio suele quedar resuelto con bastante limpieza. Yo me quedo con una idea muy simple: este modelo no pretende describir todo, solo una decisión binaria bien definida. Precisamente por eso es tan útil en probabilidad y estadística, porque enseña a convertir una situación concreta en números sin perder el sentido del problema.
