Základní rysy, které musíme mít, jsou celkem n probíhají nezávislé zkoušky a my chceme zjistit pravděpodobnost r úspěchy, kde každý úspěch má pravděpodobnost str výskytu. V tomto stručném popisu je uvedeno a implikováno několik věcí. Definice se scvrkává na tyto čtyři podmínky:
Proces, který je předmětem šetření, musí mít jasně definovaný počet pokusů, které se nemění. Toto číslo nemůžeme změnit uprostřed naší analýzy. Každá zkouška musí být provedena stejným způsobem jako všechny ostatní, i když výsledky se mohou lišit. Počet pokusů je označen n ve vzorci.
Příkladem toho, že by byly pro daný proces stanoveny pevné pokusy, by bylo studování výsledků válcování raznice desetkrát. Zde je každá role matrice pokusem. Celkový počet opakování každé zkoušky je definován od samého počátku.
Každá ze zkoušek musí být nezávislá. Každá zkouška by neměla mít absolutně žádný účinek na ostatní. Klasické příklady válcování dvě kostky nebo převrácení několika mincí ilustrují nezávislé události. Protože jsou události nezávislé, jsme schopni použít pravidlo násobení znásobit pravděpodobnosti dohromady.
V praxi, zejména kvůli některým technikám odběru vzorků, mohou nastat situace, kdy zkoušky nejsou technicky nezávislé. A binomické rozdělení může být v těchto situacích někdy použito, pokud je populace vzhledem ke vzorku větší.
Každá ze zkoušek je rozdělena do dvou klasifikací: úspěchy a neúspěchy. Ačkoli obvykle považujeme úspěch za pozitivní věc, neměli bychom do tohoto termínu příliš číst. Naznačujeme, že soudní řízení je úspěchem v tom, že se shoduje s tím, co jsme se rozhodli nazvat úspěchem.
Jako extrémní případ, který to ilustruje, předpokládáme, že testujeme míru selhání žárovek. Pokud chceme vědět, kolik v dávce nebude fungovat, mohli bychom definovat úspěch pro náš pokus, když máme žárovku, která nefunguje. Selhání zkoušky je, když žárovka funguje. Může to znít trochu pozpátku, ale existují dobré důvody pro definování úspěchů a neúspěchů našeho procesu, jak jsme to udělali. Pro účely značení může být výhodné zdůraznit, že existuje nízká pravděpodobnost, že žárovka nebude fungovat, spíše než vysoká pravděpodobnost, že žárovka bude fungovat.
Pravděpodobnost úspěšných pokusů musí zůstat stejná během celého procesu, který studujeme. Jedním z příkladů je obracející se mince. Bez ohledu na to, kolik mincí je házeno, je pravděpodobnost, že hodí hlavou pokaždé 1/2.
To je další místo, kde se teorie a praxe mírně liší. Vzorkování bez náhrady může způsobit, že pravděpodobnosti z každého pokusu budou mírně kolísat. Předpokládejme, že existuje 20 bíglů z 1000 psů. Pravděpodobnost náhodného výběru bígla je 20/1000 = 0,020. Nyní si vyberte znovu ze zbývajících psů. Z 999 psů je 19 bíglů. Pravděpodobnost výběru jiného bígla je 19/999 = 0,019. hodnota 0,2 je vhodný odhad pro obě tyto pokusy. Dokud je populace dostatečně velká, tento druh odhadu nepředstavuje problém s použitím binomického rozdělení.