Distribución binomial

Modelando el número de éxitos en múltiples ensayos

La distribución binomial describe el número de éxitos en una secuencia de ensayos independientes, donde cada ensayo sigue una distribución Bernoulli.

👉 Es fundamental para modelar eventos repetidos con dos posibles resultados.

Definición corta

La distribución binomial modela cuántos éxitos ocurren en $n$ n ensayos independientes con probabilidad $p$ p.

📐 Definición matemática

$P(X = k)=\binom{n}{k} p^k (1-p)^{n-k}$

👉 donde:

$n$ : número de ensayos
$k$ : número de éxitos
$p$ : probabilidad de éxito

🧠 Intuición

La binomial responde:

👉 “¿Cuántos éxitos obtengo después de repetir un experimento?”

Ensayos repetidos  ↓  Contar éxitos  ↓  Distribución binomial

📊 Ejemplo simple

Lanzar una moneda 5 veces:

n = 5  p = 0.5  X = número de caras

👉 valores posibles: 0, 1, 2, 3, 4, 5.

🔄 Relación con Bernoulli

$X = \sum_{i=1}^{n} X_i$

👉 suma de variables Bernoulli.

📐 Propiedades clave

🔹 Media

$\mathbb{E}[X] = np$

🔹 Varianza

$\text{Var}(X) = np(1 – p)$

📊 Interpretación

Más ensayos → más variabilidad  p alto → más éxitos

🧠 Forma de la distribución

simétrica si $p = 0.5$
sesgada si $p \neq 0.5$

📊 Ejemplo conceptual

p = 0.5 → simétrica  p = 0.8 → sesgada

🧠 Supuestos clave

Para usar la binomial:

ensayos independientes
mismo $p$ p en cada ensayo
solo dos resultados

📊 Ejemplo conceptual

Independencia  ↓  Misma probabilidad  ↓  Modelo válido

🧠 Uso en machine learning

La distribución binomial aparece en:

evaluación de modelos
experimentos A/B
conteo de eventos
modelado probabilístico

📊 Ejemplo conceptual

Muchos intentos  ↓  Número de éxitos  ↓  Distribución binomial

🧠 Relación con otras distribuciones

Bernoulli → caso base (n=1)
Normal → aproximación para $n$ n grande
Poisson → aproximación para $p$ p pequeño

📊 Ejemplo conceptual

n grande  ↓  Distribución normal aproximada

📊 Ejemplo en Python

			
import numpy as np
# simulación binomial
samples = np.random.binomial(n=10, p=0.5, size=5)
print(samples)

Ejemplo con scipy

			
from scipy.stats import binom
print(binom.pmf(3, 10, 0.5))

🧠 Qué muestra este ejemplo

conteo de éxitos
comportamiento probabilístico
simulación

⚠️ Errores comunes

Ignorar independencia

Rompe el modelo.

Usar p variable

Debe ser constante.

Confundir con Bernoulli

Bernoulli → un ensayo.

📊 Ejemplo conceptual en ML

			
Datos binarios  ↓  Ensayos repetidos  ↓  Distribución binomial  ↓  Predicción

🧠 Interpretación profunda

La distribución binomial refleja un principio clave:

👉 Los resultados agregados emergen de eventos simples repetidos

Permite:

modelar conteos
entender variabilidad
analizar experimentos

Conclusión

La distribución binomial modela el número de éxitos en múltiples ensayos Bernoulli, siendo fundamental para análisis de eventos repetidos.

👉 Es una extensión directa de la distribución Bernoulli.

Related Concepts

Distribución Bernoulli
Distribución normal
Distribución de Poisson
Variable aleatoria
Probabilidad