La probabilidad binomial es una de las herramientas más útiles de la estadística básica porque convierte una secuencia de intentos en un cálculo preciso. Cuando entiendes qué cuenta como éxito, qué significa independencia y cómo se lee la fórmula, muchos ejercicios de examen dejan de parecer largos y pasan a ser rutinarios. En esta guía te explico la idea, la notación, los pasos para reconocerla, ejemplos resueltos y los errores que más suelen costar puntos.
Lo esencial para trabajar este modelo sin perderte en la fórmula
- Sirve cuando repites un mismo experimento varias veces y solo importan dos resultados.
- La probabilidad de éxito debe mantenerse constante en cada intento.
- La fórmula usa n, k y p: total de ensayos, éxitos buscados y probabilidad de éxito.
- Si no hay independencia o si se extrae sin reemplazo, el modelo puede ser otro.
- En exámenes, el fallo más común es aplicar la fórmula sin comprobar antes las condiciones.
Qué describe un modelo binomial
Yo lo explico de forma muy simple: estás ante un experimento que se repite n veces, cada intento solo puede acabar en dos resultados relevantes y la probabilidad de éxito no cambia entre pruebas. Cada intento de este tipo se llama ensayo de Bernoulli. Lo que interesa no es “ganar” o “perder” en sentido moral, sino contar cuántas veces aparece el resultado que has definido como éxito.
| Condición | Qué debes verificar |
|---|---|
| Ensayos repetidos | Hay un número fijo de intentos, n. |
| Dos resultados | Cada intento se clasifica como éxito o fracaso. |
| Independencia | Un intento no altera al siguiente. |
| Probabilidad constante | La probabilidad de éxito, p, es la misma en todos los ensayos. |
Si una sola de estas condiciones falla, el problema puede seguir siendo de probabilidad, pero ya no conviene resolverlo con este modelo. Con eso claro, la siguiente pieza es la fórmula que convierte la idea en un cálculo exacto.
Cómo se calcula la probabilidad binomial
La expresión base es esta:
P(X = k) = C(n, k) · pk · (1 - p)n-k
En esa fórmula, X es la variable aleatoria que cuenta los éxitos, k es el número de éxitos que buscas, p es la probabilidad de éxito y 1 - p es la probabilidad de fracaso. El término C(n, k) representa las combinaciones posibles, es decir, las formas distintas de colocar esos éxitos dentro de los n intentos.| Símbolo | Significado |
|---|---|
| n | Número total de ensayos. |
| k | Número de éxitos que quieres contar. |
| p | Probabilidad de éxito en un ensayo. |
| 1 - p | Probabilidad de fracaso en un ensayo. |
| C(n, k) | Número de maneras de elegir k éxitos entre n intentos. |
Si el enunciado pide “al menos”, “como máximo” o “entre”, muchas veces tendrás que sumar varios valores de k o usar el complemento para no hacer más cuentas de las necesarias. Ahora bien, antes de calcular conviene comprobar si el ejercicio encaja de verdad con este modelo.
Cómo reconocer un ejercicio binomial en pocos segundos
Yo sigo siempre la misma secuencia mental. Me ahorra errores y, sobre todo, me evita aplicar fórmulas por reflejo.
- Defino con claridad qué voy a considerar éxito.
- Compruebo si hay un número fijo de ensayos, n.
- Verifico que cada intento solo tenga dos resultados relevantes.
- Compruebo que la probabilidad p no cambie entre intentos.
- Decido si el problema pide un valor exacto, acumulado o por intervalos.
Si en alguno de esos pasos dudas, especialmente en la independencia o en la constancia de p, conviene frenar. Forzar el modelo suele salir más caro que tardar treinta segundos extra en comprobarlo. Con esa criba hecha, los ejemplos dejan de parecer mecánicos y el patrón se ve enseguida.
Ejemplos que aclaran la idea
Moneda
Supón 5 lanzamientos de una moneda justa y quieres la probabilidad de obtener exactamente 3 caras. Aquí n = 5, k = 3 y p = 1/2. La cuenta queda así:
P(X = 3) = C(5, 3) · (1/2)3 · (1/2)2 = 10/32 = 0.3125
Es decir, la probabilidad es 31.25%. Este es el ejemplo más limpio para estudiar porque todos los ensayos son iguales y la probabilidad se ve sin ruido adicional.
Lee también: Medidas de dispersión - rango, varianza y desviación típica
Dado
Ahora imagina 10 lanzamientos de un dado y quieres exactamente 2 seises. En este caso n = 10, k = 2 y p = 1/6. La expresión es:
P(X = 2) = C(10, 2) · (1/6)2 · (5/6)8 ≈ 0.2907
La probabilidad ronda el 29.07%. Aquí se ve bien por qué la parte combinatoria importa tanto como la probabilidad de éxito: no solo cuenta qué tan raro es el seis, sino también de cuántas formas distintas puedes colocar esos dos seis dentro de diez lanzamientos.
Si el enunciado cambiara a “al menos 2 seises”, yo no intentaría sumar términos a ciegas sin pensar; muchas veces el complemento ofrece una ruta más corta y menos propensa a errores. A partir de aquí, los fallos típicos se detectan mucho más rápido.
Errores que más penalizan en un examen
Yo veo estos fallos una y otra vez, y casi siempre se repiten por las mismas prisas:
- Confundir independencia con simple repetición. Repetir algo no garantiza que sea independiente.
- No definir bien el éxito. Si no sabes qué estás contando, no sabes qué modelo aplicar.
- Olvidar que 1 - p es la probabilidad de fracaso y dejar la fórmula a medias.
- Leer “exactamente” como si fuera “al menos” o “como máximo”. Ese cambio parece pequeño, pero altera toda la cuenta.
- Usar el modelo binomial en extracciones sin reemplazo, cuando las probabilidades cambian de un intento a otro.
- Confundir la frecuencia observada en una muestra con la probabilidad teórica del enunciado.
Cuando corriges esos puntos, sube mucho la precisión sin necesidad de memorizar trucos raros. Y si el problema no cumple estas reglas, lo razonable es mirar otro modelo en lugar de forzar este.
Cuándo no conviene usarla y qué modelo mirar
No todo conteo de éxitos es binomial. Si la probabilidad cambia, si hay extracción sin reemplazo o si los sucesos son muy raros, puede tocar otra herramienta. Yo suelo pensar en estos casos como una pequeña guía de decisión, no como una lista para memorizar sin contexto.
| Situación | Modelo que suele encajar mejor | Por qué |
|---|---|---|
| Extracción sin reemplazo de una población pequeña | Hipergeométrica | La probabilidad cambia tras cada extracción. |
| Evento raro repetido muchas veces | Poisson como aproximación | Resume bien conteos cuando p es muy pequeña y n es grande. |
| Cálculo aproximado con n grande y p no extrema | Normal como aproximación de la binomial | Suele ser útil cuando np y n(1-p) son al menos 5. |
| La probabilidad cambia después de cada intento | Ninguno de los anteriores de forma directa | Ya no se cumple la condición central del modelo. |
La idea no es coleccionar nombres, sino elegir el modelo que respeta mejor el enunciado. Esa elección suele ahorrar más puntos que cualquier cálculo elegante, así que merece la pena dominarla.
Lo que conviene repasar antes de entrar al examen
Si yo tuviera que repasar este tema en 10 minutos, haría esto:
- Escribiría la fórmula de memoria y explicaría en voz alta qué significa cada símbolo.
- Resolvería un ejemplo de “exactamente” y otro de “al menos” para no mezclar los casos.
- Revisaría dos condiciones antes de empezar: independencia y probabilidad constante.
- Haría una comprobación rápida de si el enunciado encaja mejor con binomial, hipergeométrica o una aproximación.
Mi recomendación práctica es simple: define el éxito, escribe n y p, decide si el ejercicio pide un valor exacto o acumulado y comprueba que las condiciones del modelo siguen en pie. Con esa rutina, este bloque de estadística deja de depender de la memoria y pasa a depender del criterio.
