Características de la distribución binomial

La distribución binomial aparece cuando trabajamos con un experimento aleatorio que cumple tres condiciones específicas. Primero, debe repetirse un número fijo de veces (n) de manera independiente, como contestar 30 preguntas de un test o tener 6 hijos. Segundo, en cada repetición solo pueden darse dos resultados posibles: éxito o fracaso $acertar/fallar, ser niño/niña$. Tercero, la probabilidad de éxito (p) se mantiene constante.

La variable que estudiamos es el número total de éxitos conseguidos en todas las repeticiones. Por ejemplo, cuántas preguntas acertamos o cuántos niños varones nacen.

Para simplificar la notación, representamos esta distribución como B(n,p), donde:

• n = número de veces que repetimos el experimento
• p = probabilidad de éxito en cada repetición

💡 Recuerda: La distribución binomial es perfecta para situaciones donde solo hay dos posibles resultados $aprobar/suspender, comprar/no comprar$ y te interesa contar cuántas veces ocurre uno de ellos.

Los números combinatorios $\binom{n}{k}$ son esenciales para calcular estas probabilidades, ya que nos indican de cuántas formas podemos obtener k éxitos en n intentos.

Parámetros de la distribución binomial

La fórmula para calcular la probabilidad de obtener exactamente k éxitos en una distribución binomial B(n,p) es:

$P(x = k) = {n \choose k} \cdot p^k \cdot q^{n-k}$

donde q = 1-p (probabilidad de fracaso). Esta fórmula te permite resolver problemas como: "¿cuál es la probabilidad de acertar exactamente 7 preguntas en un test de 10 si contesto al azar?".

La media o valor esperado de una distribución binomial se calcula fácilmente como: $M = n \cdot p$

Es decir, el número de experimentos multiplicado por la probabilidad de éxito. Por ejemplo, si lanzamos una moneda 100 veces, esperamos aproximadamente 50 caras.

La desviación típica viene dada por: $\sigma = \sqrt{n \cdot p \cdot q}$

⚠️ Atención: Cuando comparamos distribuciones con medias muy distintas, la desviación típica no es suficiente. En estos casos, deberás usar el coeficiente de variación de Pearson.

Para analizar la dispersión, podemos usar intervalos centrados en la media: $(M - \sigma, M + \sigma)$, que nos ayudan a visualizar el rango donde esperamos encontrar la mayoría de los resultados.

Medición de la dispersión respecto a la media

La desviación típica nos indica el grado de dispersión de los datos con respecto a la media. Cuanto mayor sea la desviación típica, más dispersos están los datos y viceversa. Este parámetro es fundamental para entender cuánto se alejan típicamente los valores de su promedio.

Sin embargo, cuando comparamos distribuciones con medias muy diferentes, la desviación típica por sí sola puede llevarnos a conclusiones erróneas. Por ejemplo, una desviación de 5 puntos puede ser mucha variación en una media de 20, pero poca en una media de 1000.

Para estos casos, utilizamos el coeficiente de variación de Pearson, que se calcula dividiendo la desviación típica entre la media:

$C.V. = \frac{s}{x}$

🔍 Consejo práctico: Si necesitas comparar la dispersión de dos conjuntos de datos con medias muy diferentes (como las calificaciones de matemáticas y el precio de pisos), el coeficiente de variación te dará una medida relativa mucho más fiable.

Este coeficiente nos proporciona una medida relativa de la dispersión, lo que permite comparar diferentes distribuciones independientemente de su escala o unidad de medida.

Cálculo práctico de parámetros estadísticos

Para calcular la media de una distribución binomial podemos utilizar dos métodos. El primero consiste en multiplicar cada valor por su probabilidad y sumar todos los resultados. El segundo, más directo, es aplicar la fórmula $M = n \cdot p$.

Por ejemplo, en un experimento de sacar carta con reemplazamiento: $M = 0 \cdot 0,24 + 1 \cdot 0,4116 + 2 \cdot 0,2646 + 3 \cdot 0,0756 + 4 \cdot 0,0081 = 1,2$

También podríamos calcularlo como $M = 4 \cdot 0,3 = 1,2$ si conocemos que n=4 y p=0,3.

Para la desviación típica usamos la fórmula: $S = \sqrt{n \cdot p \cdot q} = \sqrt{4 \cdot 0,3 \cdot 0,7} = 0,916$

Con estos valores podemos establecer un intervalo característico: $(1,2 - 0,916; 1,2 + 0,916) = (0,2735; 2,1265)$

🎯 Truco de estudio: Calcula siempre primero la media usando $n \cdot p$ y luego la desviación típica con $\sqrt{n \cdot p \cdot q}$. Este método es mucho más rápido y te ahorrará tiempo en los exámenes.

La varianza (cuadrado de la desviación típica) es útil para ciertos cálculos, aunque generalmente preferimos trabajar directamente con la desviación típica por tener las mismas unidades que los datos originales.

Ejercicios resueltos de distribución binomial

Veamos cómo aplicar la distribución binomial a problemas reales. En una fábrica de bombillas donde el 0,5% son defectuosas $p=0,005$ y se venden en paquetes de 100 $n=100$, podemos calcular:

Probabilidad de que no haya ninguna defectuosa: P$x=0$ = ${100 \choose 0}$ · 0,005⁰ · 0,995¹⁰⁰ = 0,606 = 60,6%

Probabilidad de que haya dos defectuosas: P$x=2$ = ${100 \choose 2}$ · 0,005² · 0,995⁹⁸ = $\frac{9900}{2}$ · 0,005² · 0,995⁹⁸ = 0,076 = 7,6%

También podemos calcular varios valores en una distribución B(10;0,4):

P$x=3$ = ${10 \choose 3}$ · 0,4³ · 0,6⁷ = $\frac{720}{6}$ · 0,4³ · 0,6⁷ = 0,2149 = 21,49%

P$x=5$ = ${10 \choose 5}$ · 0,4⁵ · 0,6⁵ = $\frac{30240}{120}$ · 0,4⁵ · 0,6⁵ = 0,2006 = 20,06%

💪 Puedes hacerlo: Aunque las fórmulas parecen complicadas, si las desglosamos paso a paso y practicamos con ejemplos sencillos, verás que resolver problemas de distribución binomial se vuelve mecánico y accesible.

Observa que cuando x=10 (todos los intentos son éxitos), la probabilidad es muy baja (0,01%), lo que tiene sentido ya que es difícil que todos los intentos resulten en éxito cuando la probabilidad individual es solo del 40%.