La Calculadora de Distribución Binomial es una herramienta estadística completa que te permite calcular probabilidades exactas P(X=k), acumuladas P(X≤k) y P(X≥k) para experimentos binomiales. Además, obtendrás la media, varianza, desviación estándar, una visualización gráfica interactiva y una tabla completa de probabilidades.
Perfecta para estudiantes, investigadores y profesionales que trabajan con experimentos de Bernoulli, control de calidad, pruebas A/B, y cualquier situación con ensayos independientes de dos resultados posibles.
🎲 Calculadora de Distribución Binomial
Calcula probabilidades exactas y acumuladas para experimentos binomiales
Número de ensayos (n)
Total de experimentos independientes (1-1000)
Probabilidad de éxito (p)
Probabilidad de éxito en cada ensayo (0 ≤ p ≤ 1)
Número de éxitos (k)
Número de éxitos para calcular probabilidad
Cálculos precisos utilizando combinaciones y la fórmula binomial exacta, con redondeo a 6 decimales.
Calcula P(X=k), P(X≤k), P(X≥k), media, varianza, desviación estándar y tabla completa de probabilidades.
Funciona perfectamente en ordenadores, tablets y móviles.
¿Qué es la distribución binomial?
La distribución binomial es una distribución de probabilidad discreta que modela el número de éxitos en una secuencia de n ensayos independientes, cada uno con dos resultados posibles: éxito (con probabilidad p) o fracaso (con probabilidad q = 1 – p)[reference:0]. Es una de las distribuciones más importantes y utilizadas en estadística debido a su capacidad para describir fenómenos cotidianos como el lanzamiento de monedas, el control de calidad, las pruebas A/B y la genética.
Las características fundamentales de un experimento binomial son[reference:1]:
- Se realizan n ensayos idénticos (número fijo de repeticiones).
- Cada ensayo tiene dos resultados posibles: éxito o fracaso.
- La probabilidad de éxito p es constante en todos los ensayos.
- Los ensayos son independientes (el resultado de uno no afecta a los demás).
Fórmula de la probabilidad binomial
La fórmula de la probabilidad binomial permite calcular la probabilidad de obtener exactamente k éxitos en n ensayos[reference:2]:
P(X = k) = C(n, k) × p^k × (1-p)^(n-k)
Donde:
- n = número total de ensayos
- k = número de éxitos (0 ≤ k ≤ n)
- p = probabilidad de éxito en cada ensayo (0 ≤ p ≤ 1)
- C(n, k) = coeficiente binomial = n! / [k! × (n-k)!]
La función de distribución acumulada (CDF) para la probabilidad de obtener como máximo k éxitos se calcula sumando las probabilidades individuales[reference:3]:
P(X ≤ k) = Σ[i=0 to k] C(n, i) × p^i × (1-p)^(n-i)
Media, varianza y desviación estándar
La distribución binomial tiene propiedades estadísticas bien definidas que permiten describir su comportamiento[reference:4]:
- Media (μ): μ = n × p
- Varianza (σ²): σ² = n × p × (1 – p)
- Desviación estándar (σ): σ = √[n × p × (1 – p)]
Por ejemplo, para n = 10 y p = 0.5, la media es 5, la varianza es 2.5, y la desviación estándar es aproximadamente 1.581. Esto significa que, en promedio, se esperan 5 éxitos, con una dispersión típica de ±1.58 alrededor de la media.
Ejemplos prácticos de la distribución binomial
Ejemplo 1: Lanzamiento de moneda
Se lanza una moneda justa 10 veces. ¿Cuál es la probabilidad de obtener exactamente 6 caras?[reference:5]
n = 10, p = 0.5, k = 6. Aplicando la fórmula: P(X=6) = C(10,6) × (0.5)^6 × (0.5)^4 = 210 × 0.015625 × 0.0625 ≈ 0.2051 (20.51%)
Ejemplo 2: Control de calidad
En una fábrica, el 80% de los productos son defectuosos. Si se seleccionan 9 productos al azar, ¿cuál es la probabilidad de que exactamente 6 sean defectuosos?[reference:6]
n = 9, p = 0.8, k = 6. P(X=6) = C(9,6) × (0.8)^6 × (0.2)^3 ≈ 0.1762 (17.62%)
Ejemplo 3: Examen de opción múltiple
Un examen consta de 10 preguntas con 2 opciones cada una (solo una correcta). Si se responde al azar, ¿cuál es la probabilidad de acertar al menos 5 preguntas?[reference:7]
n = 10, p = 0.5. La probabilidad de acertar al menos 5 es P(X ≥ 5) = 1 – P(X ≤ 4). Calculando las probabilidades individuales y sumando: P(X ≥ 5) ≈ 0.6231 (62.31%)
Preguntas frecuentes sobre la distribución binomial
¿Qué diferencia hay entre distribución binomial y distribución de Bernoulli?
La distribución de Bernoulli es el caso particular de la distribución binomial con un solo ensayo (n=1). Mientras que Bernoulli modela un único experimento con dos resultados posibles, la binomial modela la suma de n experimentos de Bernoulli independientes. Por ejemplo, lanzar una moneda una vez es Bernoulli; lanzarla 10 veces y contar las caras es binomial.
¿Cómo se calcula P(X ≥ k) a partir de P(X ≤ k)?
Se utiliza la relación complementaria: P(X ≥ k) = 1 – P(X ≤ k-1). Si k=0, entonces P(X ≥ 0) = 1. Si necesitas la probabilidad de obtener al menos k éxitos, esta calculadora la proporciona directamente en la opción «P(X ≥ k) – Probabilidad acumulada (desde k)».
¿Cuándo se puede aproximar la binomial por la normal?
Cuando n es grande (típicamente n ≥ 30) y p no está cerca de 0 o 1, la distribución binomial se puede aproximar por una distribución normal con media μ = np y desviación estándar σ = √[np(1-p)]. La aproximación mejora cuando np ≥ 5 y n(1-p) ≥ 5. Esta calculadora no incluye esta aproximación para mantener la precisión exacta, pero es un concepto útil para entender la relación entre distribuciones.
¿Qué es el coeficiente binomial y cómo se calcula?
El coeficiente binomial C(n,k) = n! / [k! × (n-k)!] representa el número de formas diferentes de elegir k éxitos entre n ensayos. Por ejemplo, C(5,2) = 10, lo que significa que hay 10 formas distintas de obtener exactamente 2 éxitos en 5 ensayos. Esta calculadora utiliza esta fórmula para cada cálculo de probabilidad exacta.
¿Cómo interpretar la moda de una distribución binomial?
La moda (o modas) de una distribución binomial es el valor de k que maximiza P(X=k). Generalmente, la moda se encuentra alrededor de (n+1)p. Si (n+1)p es un número entero, entonces la distribución tiene dos modas: k = (n+1)p y k = (n+1)p – 1. Esta propiedad es útil para identificar el número de éxitos más probable en un experimento binomial.
¿Cómo afecta p a la forma de la distribución binomial?
La probabilidad de éxito p determina la asimetría de la distribución. Cuando p = 0.5, la distribución es perfectamente simétrica alrededor de la media. Cuando p < 0.5, la distribución tiene asimetría positiva (cola hacia la derecha). Cuando p > 0.5, la distribución tiene asimetría negativa (cola hacia la izquierda). A medida que n aumenta, la distribución se vuelve más simétrica independientemente de p (Teorema Central del Límite).
¿Qué es la distribución binomial negativa?
La distribución binomial negativa es una generalización de la distribución binomial que modela el número de fracasos antes de obtener un número fijo de éxitos. Mientras que la binomial fija el número de ensayos n, la binomial negativa fija el número de éxitos r y cuenta los fracasos hasta alcanzarlos. Se utiliza en situaciones como «número de lanzamientos de moneda necesarios para obtener 3 caras».
¿Cómo se usa la distribución binomial en control de calidad?
En control de calidad, la distribución binomial se utiliza para calcular la probabilidad de encontrar un cierto número de productos defectuosos en una muestra de tamaño n, cuando se conoce la proporción p de defectos en la población. Por ejemplo, si el 2% de los productos son defectuosos, se puede calcular la probabilidad de encontrar exactamente 1 defecto en una muestra de 50 unidades. Esto ayuda a establecer límites de aceptación y diseñar planes de muestreo.
