Probabilidad binomial: fórmula y ejemplos resueltos

La probabilidad binomial permite calcular la probabilidad de obtener cierta cantidad de éxitos en un número fijo de ensayos independientes, cuando cada ensayo tiene dos resultados posibles y la misma probabilidad de éxito. La variable no registra el orden de los resultados, sino cuántos éxitos ocurren. Antes de sustituir números en una fórmula, hay que comprobar que la situación cumple esas condiciones.

Este artículo desarrolla un ejemplo hipotético con cinco ensayos y una probabilidad de éxito de 0.20. Aprenderás a distinguir “exactamente”, “a lo más” y “al menos”, interpretar la media y revisar el cálculo en R. Los números se eligieron para enseñar el procedimiento; no describen tasas observadas en una población real.

Cuándo se puede usar una distribución binomial

Imagina un generador aleatorio ideal que, en cada ejecución independiente, produce una señal de interés con probabilidad 0.20. Si lo ejecutas exactamente cinco veces y cuentas las señales, puedes plantear un modelo binomial. No es necesario que los resultados se llamen literalmente éxito y fracaso: esos nombres sólo identifican la categoría que se cuenta y su complemento.

La explicación de OpenStax sobre la distribución binomial presenta estas condiciones como parte del modelo. En una aplicación real, escribirlas no demuestra que se cumplan. Necesitas examinar cómo se produjeron los datos y qué relaciones pueden existir entre observaciones. La fórmula no corrige un diseño que contradice sus supuestos.

La fórmula y el papel de las combinaciones

Para obtener exactamente k éxitos, usamos P(X = k) = C(n,k) × p^k × (1 − p)^(n − k). Aquí C(n,k) = n! / [k! × (n − k)!]. El símbolo ! representa el factorial; por convenio, 0! = 1. Los parámetros deben cumplir n entero no negativo, 0 ≤ p ≤ 1 y k entero entre 0 y n.

El factor p^k corresponde a los éxitos y el factor (1 − p)^(n − k), a los no éxitos. Multiplicar ambos describe una secuencia particular con esas cantidades. La combinación C(n,k) cuenta cuántas maneras hay de colocar los éxitos entre los n ensayos. Por eso no basta con calcular una sola secuencia cuando el evento incluye cualquier orden posible.

El manual estadístico del NIST presenta la función de probabilidad y su acumulación. Al escribir una solución, conserva la distinción entre ambas: una función evalúa un valor concreto de X; la acumulada reúne varios valores. Esa diferencia será decisiva al interpretar las expresiones del enunciado.

Ejemplo resuelto: exactamente dos éxitos

La secuencia éxito, éxito, no éxito, no éxito, no éxito tiene probabilidad 0.02048. Existen diez posiciones posibles para los dos éxitos, y cada secuencia tiene esa probabilidad bajo el modelo. Sumarlas produce 0.2048. Esta explicación permite identificar un error frecuente: omitir la combinación y responder por un orden específico que el problema no pidió.

También puedes comprobar el sentido del resultado: debe estar entre 0 y 1. Convertir 0.2048 a porcentaje exige multiplicar por 100 una sola vez. Si trabajas con porcentajes dentro de la fórmula, convierte antes p = 20% en 0.20; sustituir p = 20 no representa una probabilidad válida y produce operaciones sin interpretación en este modelo.

Exactamente, a lo más y al menos

La palabra “exactamente” selecciona un solo valor. “A lo más dos” reúne 0, 1 y 2. “Al menos dos” reúne 2, 3, 4 y 5 en nuestro ejemplo. Escribir primero esos conjuntos evita decidir la operación sólo por reconocer palabras de manera mecánica. El valor 2 pertenece a los dos últimos eventos porque ambos incluyen la igualdad.

Para verificar “al menos dos”, usa el complemento: P(X ≥ 2) = 1 − P(X ≤ 1). En este caso P(X = 0) = 0.80⁵ = 0.32768 y P(X = 1) = 5 × 0.20 × 0.80⁴ = 0.4096. Su suma es 0.73728; al restarla de 1 obtenemos 0.26272.

Media, varianza y desviación estándar

En una binomial, la media es n × p y la varianza es n × p × (1 − p). La desviación estándar es la raíz cuadrada de la varianza. Para n = 5 y p = 0.20, obtenemos media 1, varianza 0.8 y desviación estándar aproximada 0.8944. Conserva suficientes decimales durante las operaciones y redondea al presentar el resultado.

La media 1 no significa que cada grupo de cinco ensayos producirá un éxito. Resume el promedio esperado al repetir muchas veces grupos bajo las mismas condiciones del modelo. Dentro de un grupo pueden ocurrir cero, dos o más éxitos. Confundir una expectativa con un resultado garantizado elimina precisamente la variabilidad que la distribución pretende representar.

Si quieres revisar operaciones con cocientes y proporciones antes de usar probabilidades, consulta los ejemplos de suma de fracciones. Para pasar del cálculo bajo un modelo a preguntas sobre estimación y evidencia, continúa con estadística inferencial. Son tareas relacionadas, pero calcular una probabilidad con p conocido no equivale a estimarlo con datos.

Cómo comprobar el resultado en R

En R, dbinom(2, size = 5, prob = 0.20) calcula la probabilidad puntual del ejemplo. pbinom(2, size = 5, prob = 0.20) calcula P(X ≤ 2). Para P(X ≥ 2), utiliza pbinom(1, size = 5, prob = 0.20, lower.tail = FALSE). Se usa 1 porque lower.tail = FALSE calcula P(X > 1), que coincide con P(X ≥ 2) para esta variable entera.

La documentación oficial de R especifica qué calcula cada función y cómo interpreta lower.tail. Antes de aceptar una salida, compara la función elegida con el evento escrito en tu solución. Un resultado numérico correcto para una consulta diferente sigue siendo una respuesta incorrecta al problema original.

Cuándo la binomial deja de ser adecuada

Si extraes elementos sin reemplazo de una población finita, los ensayos normalmente dejan de ser independientes: cada extracción cambia la composición restante. Si el número de intentos termina al primer éxito, n no está fijado. Y si las probabilidades individuales difieren, utilizar un solo p puede ocultar una condición importante. Reconocer estos límites forma parte de resolver el ejercicio.

Una muestra de gran tamaño no convierte automáticamente cualquier conteo en binomial. Tampoco es necesario buscar una aproximación normal para cada problema: cuando puedes calcular probabilidades binomiales directamente, hacerlo evita introducir una aproximación adicional. La elección del modelo debe justificarse por el mecanismo y la pregunta, no sólo por la disponibilidad de una fórmula conocida.

Preguntas frecuentes

¿Éxito significa que el resultado es favorable?

No. “Éxito” es el nombre de la categoría que decides contar. Podrías contar defectos, respuestas incorrectas o señales ausentes, siempre que definas el evento con claridad. La interpretación de p debe corresponder a esa categoría durante todo el cálculo.

¿Puede la probabilidad binomial ser mayor que uno?

No. Una probabilidad debe estar entre 0 y 1, inclusive. Si obtienes un valor mayor que 1, revisa la conversión de porcentajes, los exponentes, la combinación y la suma de eventos. También comprueba que no hayas usado una fórmula fuera de sus condiciones.

¿Es lo mismo calcular una binomial que hacer una prueba de hipótesis?

No. Calcular una probabilidad binomial evalúa eventos bajo parámetros especificados. Una prueba de hipótesis requiere, además, definir hipótesis, estadístico, criterio de evaluación y supuestos. La distribución puede formar parte de una prueba, pero un valor aislado como P(X = 2) no constituye por sí mismo una prueba completa.

Video para profundizar