UNIVERSIDAD NACIONAL

Santiago Antúnez de Mayolo”

Escuela Profesional de Enfermería

PRINCIPALES
DISTRIBUCIONES DISCRETAS
DE PROBABILIDAD

Dr. Dante E. Sánchez Rodríguez

1
 Es una descripción numérica
del resultado de un
experimento. Dependiendo
el valor se clasifican en:

ÓN
CI
TA
VARIABLE ALEATORIA
EN
M
LI

Pueden asumir una cantidad

Puede tomar cualquier valor
OA

finita de valores, o una

numérico en un intervalo o
sucesión infinita de valores
TR

conjunto de intervalos.
como 0,1,2,…
RE

DISCRETA CONTINUA

2
 DISTRIBUCIONES DISCRETAS
DE PROBABILIDAD

ÓN
CI
TA
La distribución de probabilidad de una
EN

variable aleatoria describe cómo se distribuyen

M

las probabilidades de los diferentes valores de la

LI

variable aleatoria.
OA
TR

Para una variable aleatoria discreta (x), la distribución de

probabilidad se describe mediante una función de
RE

probabilidad, representada por f(x). La función de

probabilidad define la probabilidad de cada valor de la
variable aleatoria.

3
 1.- 0 ≤ f(x) ≤ 1

ÓN
Condiciones
CI requeridas
TA
para una
EN

distribución
M

de
LI

probabilidad
OA

2.-∑ f(x)=1
TR
RE

4
 VALOR ESPERADO. El valor esperado, o media, de una
variable aleatoria es una medida de tendencia central.
E(X)= µ = ∑ (X f(x))

ÓN
CI
TA
EN

VARIANZA: Es una medida de dispersión o

variabilidad.
M

Var(x)= σ² = ∑ (x - µ)² f(x)

LI
OA
TR

DESVIACIÓN ESTÁNDAR: Se obtiene a partir

RE

de la varianza y nos muestra la variabilidad entre los

datos utilizados.

5
 DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD

ÓN
CI
TA
EN

La distribución de probabilidad de una variable aleatoria

discreta describe como se distribuyen las probabilidades de los
M

diferentes valores de la variable aleatoria.

LI
OA
TR
RE

Para una variable aleatoria discreta x, la distribución de

probabilidad se describe mediante una función de probabilidad
representada por f(x).La función de probabilidad define la
probabilidad de cada valor de la variable aleatoria.

6
 DISTRIBUCIÓN BINOMIAL DE
PROBABILIDAD
PROPIEDADES
DE UN
EXPERIMENTO
BINOMIAL
1. El experimento consiste en una sucesión de n
intentos o ensayos idéntico.
2. En cada intento o ensayo son posibles dos
resultados. A uno le llamaremos éxito y al otro
fracaso.
3. La probabilidad de un éxito, representada por p, no cambia de un
intento o ensayo a otro. En consecuencia, la probabilidad de un
fracaso, representado por (1-p), no cambia de un intento a otro.

4. Los intentos o ensayos son independientes.

7
 FUNCIÓN DE
PROBABILIDAD
BINOMIAL
f(x) = nCx px (1-p)(n-x)

f(x)=la probabilidad de x éxitos p= la probabilidad de un éxito en

en n intentos cualquier intento.
n=la cantidad de intentos (1-p) = la probabilidad de un
fracaso en cualquier
nCx= n combinación x intento.

8
 MEDIA Y VARIANZA DE UN
DISTRIBUCIÓN BINOMIAL

la media y la
Se puede demostrar varianza vienen
que para una dadas por:
distribución
binomial 𝝁=𝒏∗ 𝒑
B(n, p) V(X) = n*p*q

9
 Una compañía de tabaco ha determinado que el
porcentaje de fumadores en una ciudad es del 35%. Se
escoge al azar una muestra formada por 10 personas.
¿Cuánto es el promedio y la varianza?
Ejemplo
𝝁=𝒏∗ 𝒑 V(X) = n*p*q

1 n = 10
𝑽 ( 𝒙 )=𝟏𝟎∗𝟎,𝟑𝟓∗𝟎,𝟔𝟓=𝟐,𝟐𝟕𝟓
p = 0.35

𝝁=𝟏𝟎∗𝟎, 𝟑𝟓=𝟑, 𝟓
10
 Una prueba de inteligencia está compuesta de 10 preguntas, cada
una de las cuales tiene 4 respuestas, siendo sólo una de ellas
correcta. Si se contesta aleatoriamente se pide:
a) Probabilidad de acertar 4 preguntas b) Probabilidad de no acertar ninguna

r=0
Ejemplo
n = 10 r=4
2 p = 1/4 p = 3/4

11
 DISTRIBUCIÓN DE
PROBABILIDAD POISSON

Está variable aleatoria discreta se usa con frecuencia para estimar la cantidad
de sucesos u ocurrencias en determinado intervalo de tiempo o espacio.

• 1. La probabilidad de una ocurrencia es igual en dos

PROPIEDADES
intervalos cualesquiera de igual longitud.
DE UN
EXPERIMENTO • 2. La ocurrencia o no ocurrencia en cualquier
DE POISSON intervalo es independiente o no de la ocurrencia en
cualquier otro intervalo

12
 FUNCIÓN DE
PROBABILIDAD DE POISSON

f(x)= probabilidad de x ocurrencias en un intervalo.

µ=valor esperado o cantidad promedio de ocurrencias en un intervalo.

e=2.71828

13
DISTRIBUCIÓN DE POISSON

Se utiliza cuando la
probabilidad del
Es muy útil cuando evento que nos
la muestra o interesa se
segmento n es distribuye dentro de
grande y la un segmento n
probabilidad de dado, como por
éxitos p es pequeña. ejemplo: distancia,
área, volumen o
tiempo definido.

14
 La probabilidad de que haya un accidente en un hospital
es de 0.02 por cada día de trabajo. Si se trabajan 300
días al año, ¿cuál es la probabilidad de tener 3
accidentes?

 La probabilidad p < 0.1

 n * p = 300 * 0.02 = 6 < 10

Al realizar el cálculo se tiene que P(x = 3) = 0.0892.

Entonces, la probabilidad de tener 3 accidentes laborales
en 300 días en el hospital es de 8.9%.
15