lOMoARcPSD|8329979

Tema 4. Fonaments de probabilitat

Tècniques De Recerca (Universitat de Barcelona)

Studocu is not sponsored or endorsed by any college or university

Downloaded by Alba (albaflores833@gmail.com)
 lOMoARcPSD|8329979

Tema 4 - Fonaments de la probabiltat

Introducció

En aquest tema estudiarem la probabilitat, que consisteix en fer prediccions sobre les
possibilitats de que un fenòmen tingui lloc o no.

La probabilitat s’expressa en una escala de 0 a 1.

1. Probabilitat: Definició clàssica VS empírica

Definició clàssica de la probabilitat (probabilitat real):

No obstant això, la definició clàssica només és aplicable si tots els esdeveniments tenen la
mateixa possibilitat de succeir. Si llancem 1 dau amb 6 números, tenim una probabilitat 1 de
treure sis o menys. En canvi, tenim una probabilitat de 0,5 (50%) d'obtenir un resultat de 1-3.

Exemples: Quan llancem una moneda (cara / creu) o un dau (1; 2; 3; 4; 5; 6), tots els
esdeveniments tenen les mateixes possibilitats de succeir, és a dir, tenim les mateixes
possibilitats de treure cara o creu ( 0,5), o qualsevol nombre del dau (0,6). En aquests casos SÍ
que és possible aplicar la definició clàssica de probabilitat.

Definició empírica de la probabilitat (probabilitat associada o estadística):

La definició clàssica no és aplicable als esdeveniments que no tenen les mateixes probabilitats
de succeir. Així, en el cas de la depressió hi ha dos possibles esdeveniments: SI o NO. Com que
les persones no tenim les mateixes possibilitats de tenir o no depressió, en aquests casos hem
d'aplicar la definició empírica.

La definició empírica és la probabilitat estadística de que un fet succeeixi, basant-nos en la

freqüència en què aquest esdeveniment té lloc en el conjunt de subjectes o població.

(n tendeix a infinit)

Exemple: Agafo infinits subjectes i vaig registrant qui té depressió i qui no. Com que infinit no
és un nombre, agafem per exemple 1 milió de subjectes i mirem qui té depressió. En aquest
cas, si trobem depressió en 0,3 (300.000) milions de persones (esdeveniment A és Depressió
SI), llavors dividim 300.000 per 1.000.000. El resultat sera P (A) = 0,3.

Downloaded by Alba (albaflores833@gmail.com)

 lOMoARcPSD|8329979

Definició axiomàtica de probabilitat (Axiomes obligatoris) (Kolmogorov)

Els axiomes de probabilitat són tres lleis o condicions que s'han de donar sempre per
poder calcular una probabilitat. Són els següents:

1. No-negativitat: La probabilitat associada a un esdeveniment qualsevol mai pot

ser negativa.

2. Unitat de mesura: La probabilitat del succés segur és 1. La probabiliat sempre

és major que 0 i menor que 1.

Bàsicament el que diuen els dos primers axiomes és que una probabilitat ha
d’estar sempre entre 0 i 1. Mai trobarem probabilitats inferiors a 0 o superiors a
1. Si en un càlcul ens surt -0,34 o 5,48 algo no hem fet bé.

3. Additivitat: La probabilitat associada a la unió de diversos elements mútuament

exloents és igual a la suma de la probabilitat de cada esdeveniment per separat.

Exemple: Tots els resultats d’un dau són mútuament excloents: si traiem un dos, no podem
treure un 1. La possibilitat de treure els esdeveniments units 1 i 2 (AUB) és igual a la suma de la
probabilitat que tots dos succeeixin per separat. Tenint en compte que la probabilitat de
treure qualsevol nombre és de 0,16, la probabilitat de treure 1-2 és de 0,33 (0,16 + 0,16 ). I la
Probabilitat de Treure 1-3? 0,5.

2. Variables i probabilitat

Tant les variables qualitatives com qualitatives són esdeveniments, i es per aixo que jo puc
associar una probabilitat de que cada esdeveniment succeeixi.
La diferència, però, és que les qualitatives no són esdeveniments aleatoris, mentre les
quantitatives si. Per això, quan parlem de variables aleatòries parlem sempre de variables
quantitatives.

Tipus de variables aleatòries

Tota variable aleatoria és definida per 2 funcions.

a) Variable aleatoria discreta:

• Funció de probabilitat o massa:

Expressa la probabilitat de que succeeixi cada un dels valors de manera aïllada o independent.
Es a dir, assigna probabilitat a cada variable.

Downloaded by Alba (albaflores833@gmail.com)

 lOMoARcPSD|8329979

Exemple: Quines son les probabilitats que tinc d’obtenir cada un dels 12 valors al llançar 2
daus? Això ho podem representar per mitjà d’una taula o d’un gràfic.

• Funció de distribució:

Expressa la probabilitat acumulada. Assigna probabilitat d’ocurrencia fins un moment

determinat.

Exemple: Quines son les probabilitats acumulades que tinc d’obtenir cada un dels 12 valors al
llançar 2 daus? Això ho podem representar per mitjà d’una taula o d’un gràfic.

b) Variable aleatoria continua:

• Funció de densitat:

Probabilitat associada a un interval de valors. Expressem la probabilitat de intervals o grups de

valors, però MAI de valors concrets. De fet, si volguéssim calcular la probabilitat de que tingui
lloc un valor concret, seria gairebé impossible, en una v.a. continua existeix una infinitat de
valors possibles.
Així, si jo vull calcular quina és la possibilitat de que una persona exactament medeixi 180cm
en la variable altura, hauria de dir que p = 0, ja que ningú medeix exactament 180cm (una

Downloaded by Alba (albaflores833@gmail.com)

 lOMoARcPSD|8329979

persona medirà 180’2136..., l’altre 18’2748.., etc.). En aquest sentit, entre 180 i 181 cm
existeix una infinitat de números possibles.

Si en l’examen ens demanen “quina és la probabilitat d’obtenir un valor concret de

exactament x”, em de dir que la probabilitat és de (pràcticament) 0. Precisament per aquest
motiu en una v.a. continua jo no puc calcular valors concrets, nomes puc calcular probabilitats
agafant franges de valors (d’aquí el nom de “densitat” en comptes d’utilitzar el de “massa”).

• Funció de distribució:

Assigna probabilitat d’ocurrencia fins a un moment determinat. Es la probabilitat acumulada

d’intervals de valors. Per exemple, de 2 a 5.

EXEMPLE: Nens amb TDH (discreta)

Si tenim una família amb tres nens de sexe masculi i sabem que la probabilitat estadística que
un nen pateixi TDH és del 0,04 ... quina probabilitat hi ha de què si tinc tres fills, cap, un, dos, o
tres d'ells tinguin TDH?

En aquest esquema es poden observar els 8 tipus de combinacions possibles. Si volem calcular
la probabilitat d'una d'aquestes combinacions, només hem d'unir els cercles seguint les línies
(encara que n'hi hauria prou aplicar una fórmula matématica que veurem amb les binomials).
Per cada cercle SI es multiplicarà la probabilitat per 0,04, i per cada no per 0,96. Així, per

Downloaded by Alba (albaflores833@gmail.com)

 lOMoARcPSD|8329979

exemple, la probabilitat que els tres nens tinguin TDH és de 0,043 (0,043 x 0,043 x 0,043 =
0,000064).

Si calculem la probabilitat de cada valor, podem elaborar una taula de freqüències com la
següent:

Xi p (X = Xi)

0 tenen TDH 0,884736 (0,96 x 0,96 x 0,96)

1 “” 0, 110592

2 „“ 0, 004608

3 „“ 0,000064

Exemples

- Probabilitat que cap nen tingui TDH? 1 Combinació x 0,96 3 = 0,884736

- Probabilitat que un nen tingui TDH? 3 x 0,04 x 0,96 2 = 0,110592

- Probabilitat que dos nens tinguin TDH? 3C x 0,04 2 x 0,96 = 0,004608

- Probabilitat que els tres nens TDH? 1 Combinació x 0,043 = 0,000064

- * Probabilitat que el primer nen tingui TDH (Estem agafant a un individu o valor aïllat, sense
tenir en compte el resultat dels altres nens)? 0,04

- * Probabilitat que el segon nen tingui TDH? 0,04

- * Probabilitat que el tercer nen tingui TDH? 0,04

- Probabilitat que com a molt dos nens tinguin TDH (cal sumar la probabilitat associada als
valors 0, 1 i 2)? 0,999936

- Probabilitat que almenys dos nens tinguin TDH (cal sumar la probabilitat associada a 2 i 3)?
0,004672

- * Probabilitat que com a molt tres nens tinguin TDH? 1 (sumem tots els valors)

* Preguntes trampa

Downloaded by Alba (albaflores833@gmail.com)

 lOMoARcPSD|8329979

Funcions i paràmetres

1. Paràmetres

Tant les variables aleatòries discretes com les continues també son definides per 2
paràmetres: esperança matemàtica o E(x) i variancia o σ2.

• ̅
Esperança matemàtica → E(x) o 𝐗

És un indicador resum. És simplement una “mitjana”, ja que representa la mitjana aritmètica o

promig de tots els valors. Aquest concepte s’utilitza en les descripcions de distribucions de
probabilitat discretes.
E(x) ens indica el centre de la distribució de probabilitat (no confondre amb la mediana!), i de
fet, és el succés que te més probabilitats de succeir. Per aquest motiu també anomenem la
mitjana com el “valor esperat”. Així, per exemple, quan llencem 2 daus, el valor esperat seria 7
(és el valor més probable).

Així doncs, la mitjana és el centre de la probabilitat, pel que a mesura que els valors s’allunyen
de la mitjana es de esperar que les seves probabilitats també vagin disminuint, com es pot
veure en la següent representació gràfica.

Si la distribució és simètrica (com en la gràfica), E(x) coincidirà amb la mediana (Md), ja que
serà el valor central tant de la distribució dels valors com de la distribució de probabilitats.

Com es calcula?

Es calcula multiplicant cada valor de la variable per la seva probabilitat associada (que abans
em d’haver calculat) i sumant tots els resultats.

E(x) = π · n

Exemple 1

Xi p (X = Xi)
0 · 0,884736 = 0
1 · 0, 110592 = 0,110592
2 · 0,004608 = 0,009216 = 0,12 (El promig de tenir un fill de tres anys amb
3 · 0,000064 = 0,000192 TDH és un 12%)

Downloaded by Alba (albaflores833@gmail.com)

 lOMoARcPSD|8329979

Exemple 2: Vull saber quina és la mitja d’alumnes amb actitud hostil si faig cinc
mesures . Si se que la probabilitat de que un alumne aïllat presenti AH és de 0,55,
i agafo una mostra de 5 persones, la mitja esperada és que trobes 2,75 alumnes
amb AH. Si en canvi la meva mostra fos de 10 persones, E seria 5’5.

Conceptes vinculats a E(x): μ i λ

Tot i que de E(x), μ i λ coincideixen, son conceptes diferents.

E(x): És el centre de la distribució de la probabilitat.

μ: Mu o mitjana és el centre de la distribució dels valors de la variable.

λ: Lambda és un concepte associat única i exclusivament als Models de Distribució de

Probabilitat de Poisson. Ja que en aquest tipus de models, E(x) i Var tenen el mateix valor, ens
em inventat un concepte que els engloba els dos: lambda.

• Variançia → Var (x); σ2 o s2

Ens indica si la probabilitat esta molt dispersa o concentrada. Com més gran sigui la variança,
més gran serà la dispersió. Així doncs, es tracte d’una mesura de dispersió de probabilitat.
Mesura variabilitat.

Var (x) = π · n · (1- π)

Exemple: Vull saber quina és la variabilitat de AH si faig cinc mesures . Var (x) = 5
· 0’55 · 0,45 = 1’2375.

La desviacio estandard es calcula fent l’arrel quadrada de la variancia: σ2 = arrel quadrada de π

· n · (1- π)

ALERTA! E(x) i Var …o… μ i σ2 ...no és el mateix? Si i no. És tracte dels mateixos conceptes,
però aplicats de formes diferents. En estadística els indicadors estadístics és representen amb
lletres llatines, mentre que els paràmetres amb lletres gregues.

A més, qualsevol variable queda definida per 2 indicadors de forma: la simetria i kurtosis (no hi
entrem!!!)

Downloaded by Alba (albaflores833@gmail.com)

 lOMoARcPSD|8329979

Models de probabilitat per a variables aleatòries discretes

Les variables aleatòries discretes (v.a.d.) solen seguir models o lleis de distribució coneguts.
Per tal de obtenir aquests models necessitarem les funcions i paràmetres anteriors. N’hi ha
molts, però nosaltres nomes en veurem tres:

1. Model de distribució de Bernoulli (v. dicotòmica; n = 1)

Cada una de les mesures de la distribucio binomial s’anomenen assajos de Bernoulli, i el cojunt
de totes aquestes mesures formen la Llei Binomial.

La distribució de Bernoulli representa la probabilitat d’una variable dicotòmica a partir d’una

única mesura. Un experiment aleatori en el qual només hi ha dos resultats possibles i disjunts.
Si A i B, indica els resultats admissibles, Prob (A) = π i Prob (B) = 1 – π
Suposem que n assaigs independents de Bernoulli es duen a terme i la variable aleatòria
d'interès és el nombre d'èxits. Aquesta variable aleatòria es diu binomial, representat per B (n,
π).

Exemples: Llançar una moneda; Suspendre/aprovar un exàmen; Presència/Absència;etc.

Exemple: Probabilitat d’aprovar un exàmen:

Prob(A) = π and Prob(B) = 1 – π
O dit amba altres paraules
P, Fracas = 0,2; P. Èxit = 0,8.

2. Model de distribució binomial (v. dicotòmica; n = >1)

És com Bernoulli però repetim la mesura diverses vegades. En aquests sentit, podem utilitzar-la
quan tenim una v.a. discreta (quantitativa) derivada d’una v. qualitativa dicotòmica.

“Dicotòmica” vol dir que si tires moneda pot sortir o cara o creu, és a dir, es pot donar o una
cosa o l’altra.
“Quantitativa discreta derivada d’una qualitativa dicotòmica” seria el número de vegades que
surt cara d’1 a 5 per exemple). Un altre exemple: patir depressio o no en 8 persones és una
variable qualitativa dicotòmica, i la quantitativa discreta seria el número de persones que
tenen depressio dins d’aquests 8 subjectes.

Downloaded by Alba (albaflores833@gmail.com)

 lOMoARcPSD|8329979

La distribució o “llei” binomial, presenta tres característiques clau:

1. Es pot repetir una mesura o assaig tantes vegades com es desitgi. No hi ha límit, jo puc
llançar una moneda 10 vegadas o 10.000. (puc llançar la moneda a l’aire n vegades, o
puc mesurar n persones...).

2. Els resultats de les mesures son independents. Això vol dir que el fet d’obtenir un
resultat en una mesura no afecta al resultat següent. En aquest sentit, la probabilitat es
manté sempre constant. (el fet que jo llenci una moneda per 1r cop i surti cara es
independent de que la llenci una 2a vegada i surti cara, o el fet que jo diagnostiqui una
persona de depressio es independent de qe una persona no tingui depressio)

3. Jo no sé el resultat fins que no faig la mesura. No sé si sortira cara o creu fins que no tiro
la moneda a l’aire, o jo no ser el diagnostic si no faig la mesura.

Ens interessa calcular quantes vegades obtenim un resultat A o B en un determinat nombre de

mesures (també anomenades “intents”, “proves”, “assajos”, “experiments”, etc.). Així, per
exemple, jo podria calcular quantes vegades obtinc el resultat “Cara” si llanço 10 cops una
moneda, o bé quantes persones trobo amb “Depressió” si agafo una mostra de 10.000
subjectes.

En aquets dos gràfics podem observar la distribució binomial de la variable “Nombre d’encerts”
en un test, i la probabilitat associada a cada una de les puntuacions (funció de massa). Veiem
com la E(x) es troba en els 5 encerts (“valor esperat” o mitjana) i a mesura que els valors
s’allunyen d’aquest centre la seva probabilitat decreix. Cal recordar que les variables discretes
es representen en forma de barres separades o bé linees separades en puntets com aquí. Les
separacions expressen que no hi ha continuïtat entre els valors, es a dor, pots obtenir 4, 5 o 7
encerts, però no 5,2 encerts. En el segon gràfic es presenta la funció de distribució, amb la seva
forma típica de escalera ascendent fins arribar a d’alt de tot (probabilitat 1), ja que els valors
son acumulatius, es a dir, es suma cada valor a tots els seus anteriors.

Downloaded by Alba (albaflores833@gmail.com)

 lOMoARcPSD|8329979

Com calculem la distribució binomial? (Pregunta d’exàmen!)

Formula matemática simplificada (no l’hem de saber de memòria, però si l’hem de saber
aplicar):

Mostra tots els que estem a l’aula (n=60). Els que presenten hostilitat davant l’assignatura son
(AH= 30 → frequencia de quantes persones presenten actituds hostils). Per saber la
probabilitat de presentar actituds hostils → P(AH)= 30/60 = 0,55 (aplicacio de la definicio
empirica de probabilitat) Prob de no presentar-les = 0,45

Quali dicotomica: presentar actituds hostils o no →quanti discreta seria agafar 5 persones i
numero de vegades que presenten actituds hostils aquestes 5).
Quina es la probabilitat de que les 5 que he escollit nomes 1 presenti atituds hostils? →
V a discreta (Xi) pot pendre 5 valors (opcions que hi ha):

Xi
0 -> cap presenti
1 -> 1 presenti
2 -> 2 presentin
3 -> 3 presentin
4 -> 4 presentin
5 -> 5 presentin
Prob associada al valor 1 (Xi=1) →
Multiplico 0,55 · 0,45 · 0,45 · 0,45 · 0,45 = 0,55 · 0,454 = 0,022553

Anem a posar-hi noms:

0,55 0,45 0,45 0,45 0,45
Cristina Laura Sara Paula Emma

Però aixo seria la prob de que la Cristina presenti actituds hostils, no 1 qualsevol (poden haver-
hi diferents combinacions → fer diagrama d’arbre pq fer combinacions de 5 elements agafats
d’1 en 1 n’hi ha mes d’1, i nomes n’hem mesurat 1)

Per tant, hauriem de fer → 0,022553 · 5 = 0,112765

Formula:

Combinacio d’n elements agafats de k en k

Π es la prob de presentar actituds hostils davant l’assignatura (NO NOMBRE PI)
K es el valor de la variable que estic buscant en aquell moment (1 persona)

Un num factorial (!) es fa -> n · (n-1) · (n-2) .....

Downloaded by Alba (albaflores833@gmail.com)

 lOMoARcPSD|8329979

ALETA!!!! Un 0! és sempre 1, no 0, Per exemple

𝑛 𝑛! 5 5! 5 5·4·3·2·1
C( ) = → C( ) = → C( ) =
𝑘 𝑘! · (𝑛 − 𝑘)! 0 0! · (5 − 0)! 0 1·5·4·3·2·1

5 5·4·3·2·1 5 1
C( ) = → C( ) = =𝟏
0 1·5·4·3·2·1 0 1

També es possible fer la representacio grafica de la funcio de probabilitat o massa de la de

distribucio.

3. Model de distribució de Poisson (dicotòmica; n -> ∞; π -> 0)

És una binomial, però que presenta dues característiques claus que fan que la distribució es
comporti una mica diferent:

• n: Tendeix a infinit (El nombre de intents és molt gran).

• π: Tendeix a cero (La probabilitat d’un esdeveniment aïllat és molt petita).

Degut a aquestes dues característiques, seria molt difícil calcular la probabilitat de totes i
cadascuna de les probabilitats seguint la fórmula binomial. Per això, fem servir una formula
simplificada que ens dona un resultat aproximat. A més, degut a que n tendeix a infinit i π a
cero, resulta que quan calculem la E(x) i la Var son pràcticament el mateix numero, pel que en
Poisson, aquests dos paràmetres es coneixen amb un únic nom: lambda (λ). Així doncs, per
obtenir lambda podem fer-ho per mitjà de E(x) o Var, encara que E(x) és més senzill
(simplement λ = π · n).

*Nota: Recorda. Si a més, sabem que és λ = s , llavorç `per calcular s2, nomes hem de fer √𝜆.

La formula per calcular les funcions és la següent →

Funció de massa (f):

𝝀𝒌 · 𝒆−𝝀
𝐩 (𝐱) =
𝒌!

La lletra “e”, a diferencia de pi (π), és un valor fix que el podem introduir en qualsevol
calculadora (e = 2.71828…).

Funció de distribució (F):

𝑖=𝑘
𝜆𝑘 · 𝑒 −𝜆
p (x) = ∑ +
𝑘!
𝑖=0

Bàsicament vol dir fer el càlcul de la funció de massa i després fer el sumatori.

Downloaded by Alba (albaflores833@gmail.com)

 lOMoARcPSD|8329979

EXEMPLE: Personalitat negativista desafiant

Si sabem que la probabilitat de que una persona en la nostra societat presenti personalitat
negativista desafiant és de 0’001, quina és la probabilitat de que si escullo 5.000 persones a
l’atzar, vuit d’elles presentin personalitat negativa desafiant?

n = 5.000
π = 0’001: prob que es presenti conducta negativa desafiant

𝜆 = 5000 𝑥 0,001 = 5

58 · 𝑒 −5
prob 8 persones amb aquesta conducta p (x = 8) = = 0’06528
8!

I quin seria el valor esperat de persones que esperaríem trobar en aquesta mostra (Esperança
Matemàtica):

E (x) = n · π = 5

Altres models de prob per a V.A.D: (no els veurem)

- Multinominal
- Geometric
- Hipergeometric
- Binomial negativa
- Etc

Downloaded by Alba (albaflores833@gmail.com)

 lOMoARcPSD|8329979

Models de variabilitat per variables aleatòries continues

• Funció de densitat: Expressem la probabilitat de intervals o grups de valors, però MAI

de valors concrets.

• Funció de distribució: Probabilitat acumulada de intervals de valors. Ex, de 2 a 5.

Distribució Normal o de Gauss-Laplace (Model “Campana de Gaus”)

La distribució Normal és la més utilitzada en estadística. Moltes variables naturals es poden

distribuir segons una Normal com la intel·ligència, l’alçada, el pes, etc. Presenta les següents
característiques:

• Simetria: la distribució sempre és simètrica, pel que la mitjana (μ) i la mediana es

troben en el mateix punt (el centre). EL seu eix de simetria es troba en el valor de la
mitjana.

• Queda definida per 2 parametres: l’Esperança matemàtica i Desviació típica. La E(x)

ens indica el centre de la distribució, mentre que σ ens indica els punts d’inflexió de les
cues, es a dir, els punts en que la corba passa a ser de còncava a convex. Així doncs, σ
ens indica el moment en que els valors comencen a dispersar-se més.

• Presenta dos punts d’inflexió marcats per σ

• 68% central: Entre els dos punts d’inflexió sempre tenim el 68% de la distribució

• És asintònica respecte a l’eix d’Absissas, és a dir, la linea mai s’arribarà a creuar????

Formula:

𝐸(𝑥)𝑖 𝑉𝑎𝑟 (𝒙) = 𝑿~ 𝑵 (𝝁; 𝝈𝟐 ) -> QI~N (100;15 2)

X = Variable

~ = “Segueix”

N = “Llei normal” Bàsicament, aquesta expressió

matemàtica diu “La variable segueix la
𝜇 = La lletra mu és igual a l’Esperança Matemàtica, llei normal i no es res més que la
ja que en una campana de Gauss, la distribució es mitjana i la variança”
simètrica i el punt de màxima alçada concideix
amb el punt mig.

σ2 = Variança2

Downloaded by Alba (albaflores833@gmail.com)

 lOMoARcPSD|8329979

Preguntes d’exàmen sobre Distribució Normal

1) A l’exàmen ens donaran un pantallazo o “output” de R-Commander com el següent, i l’hem

de saber interpretar.

2) Un cop interpretat, ens formularan 4 tipus de pregunta diferents. Per tal de contestar-les, és
molt molt recomanable dibuixar una representació gràfica en base a les dades que ens aporta
R-Commander.

a) Calcular probabilitat d’una fletxa l→

És la probabilitat cap una direcció a partir d’un tall, es a dir, “a partir d’aquest punt de
la distribució cap allà hi ha una probabilitat de X).

b) Calcular la probabilitat d’un interval l→l

És la probabilitat entre dos talls), es a dir, “entre el punt X i Y hi ha una probabilitat de
X.

c) Calcular un valor a partir d’una probabilitat p = X

És a dir, quina és la probabilitat que correspon a la probabilitat X.

Downloaded by Alba (albaflores833@gmail.com)

 lOMoARcPSD|8329979

*Trucs:

La probabilitat de la mitjana és sempre 0’5, ja que divideix la distribució en dues parts, havent-
hi exactament una probabilitat de 0,5 des de aquest punt cap a les cues. Em de jugar amb
aquesta informació, perquè a voltes la necessitarem per poder contestar una pregunta.1

La distribució és simètrica, i per tant, hi ha la mateixa distribució a les dues cues.

Podem invertir la direccionalitat de les fletxes simplement fent la resta de 1-π. Així, si per
exemple, sabem que a partir de un punt, la probabilitat és de 0,16 i volem saber quina es la
probabilitat que hi ha a partir d’aquell punt en direcció inversa, sols em de restar 1-0,16: 0,84.

Calcular probabilitat d’una fletxa l→

> pnorm (c (20), mean = 32, sd = 8, lower.tail=TRUE)

[1] 0.0668072

Aquest pantallazo ens esta dient que tenim una mitjana de 32 amb una desviació típica de 8. A
més, ens diu que la probabilitat de tota la distribució a partir del valor 20 cap a baix (TRUE) és
de 0.0668072. Si representem gràficament la informació que ens donen, podríem dibuixar
sense problemes un gràfic així:

Downloaded by Alba (albaflores833@gmail.com)

 lOMoARcPSD|8329979

Però la pregunta que em fan és: “Quina probabilitat hi ha de trobar una persona de més de 20
anys?”. Aquesta informació jo no la tinc directament, però la puc obtenir fàcilment, ja que ens
esta demenant quina és la probabilitat que queda a la franja dreta del valor 20 (>20 anys).
Basta que invertim la direcció de la franja. Si sabem que tota la probabilitat és = 1 i que la
franja que queda a l’esquerra de vint te una p = 0.00668072, basta restar 1 – 0.00668072 → La
probabilitat de que una persona de la mostra tingui vint anys o més és de 0.9332.

Calcular la probabilitat d’un interval l→l

Però la cosa es pot complicar si ens demanen que calculem un interval entre dos talls.
Suposem que ens donen el següent pantallazo. A partir d’aquest podem fer el següent gràfic:

> pnorm (c (20), mean = 32, sd=8, lower.tail=TRUE)

[1] 0.0668072

> pnorm (c (20), mean = 32, sd=8, lower.tail=FALSE)

[1] 0.1586553

Així doncs, sabem que els valors 20 i 40 deixen a la seva esquerra una franja de distribució amb
unes probabilitats de 0.0668072 i 0.8413447 respectivament. Però la pregunta és, “Quina
probabilitat hi ha de trobar-me una persona entre 20 i 40 anys?” Lo únic que em de fer és
invertir la direccionalitat d’una de les fletxes de forma que ambdues estinguin en la mateixa

Downloaded by Alba (albaflores833@gmail.com)

 lOMoARcPSD|8329979

direcció (es indiferent quina). Recorda que per fer-ho sols has de restar 1menys la probabilitat
de la fletxa que vulguis invertir. Si invertim la del valor 40, 1- 0.1586553 = 0.8413447.

Llavors sols em de restar les probabilitats d’una i l’altra per tal de saber la p de la franja que
queda enmig de les dues. En aquest cas restem 0.0668072 - 0.84413447 = 0.77732727. Es a
dir, la p de trobar una persona entre 20 i 40 anys és de 0.77732727.

ALERTA: Imaginem que ara ens demanen “Quina probabilitat hi ha de trobar-me

una persona de menys de 20 anys si se que es menor de 40?”. Això és una
pregunta trampa, perquè ens esta demenant una probabilitat condicionada (A si
B). En aquest cas, la condició es que sigui menor de 32. Recordem que tota
proposició condicionada es calcula dividint la p de l’event condicionat (A) per la
p de l’event condicionant (B o “condició”).

𝑃 = 𝐴 (< 20) 0.0668072

= = 𝟎. 𝟎𝟕𝟗𝟒𝟎𝟓
𝑃 = 𝐵(< 40) 0.8413447

Calcular un valor a partir d’una probabilitat p = X

Per últim, a l’examen ens poden demanar per un valor en comptes d’una probabilitat.
Imaginem que ens donen el següent pantallazo. A partir d’aquest podem elaborar el següent
gràfic.

Pnorm (c.(0.35), mean = 32, sd =8, lower.tail=TRUE)

[1] 28.91744

Downloaded by Alba (albaflores833@gmail.com)

 lOMoARcPSD|8329979

A continuació ens demanen “Quina edat limita el 35% més jove de la classe?”. Fàcil. Ja ens ho
diu l’output de R-Commander = és el valor que deixa al 35% de la distribució a la seva esquerra
és 28.91744 anys.

Distribució Normal Estandarditzada (Z)

La distribució Normal Estandaritzada (DNE) és una Distribució Normal (distribució simètrica i

tot el rollo...), però que sempre te els mateixos valors fixos: μ = 0 i σ = 1 (Z~ N (0;1)). Z és el
valor 0, és el punt central a partir del qual parteixen les dues cues i per tant, coincideix amb la
posició de la mitjana. Ja que tota la distribució quedarà a un costat o a l’altra de Z, deim que Z
és el valor 0. Tots els valors que quedin a la seva dreta seran +Z (superiors a 0) i tots a la seva
esquerra seran –Z (inferiors a 0).

-Z : Tots els valors que quedin a la cua esquerra seran negatius (-1.-2-3... -∞)
Z = 0 (= μ)
+Z : Tots els valors que quedin a la cua dreta seran positius (1, 2, 3... ∞)
Aquesta llei pot expressar-se de forma resumida de la següent forma:2

Z ~ N (0 ; 1)

Bàsicament la formula diu que “Z segueix la llei normal, on la mitjana és sempre 0 i la variança
sempre 12 (és a dir, 1).” S’assemble molt a l’expressió matemática de la llei normal simple (de
Gauss).

DNE ens és molt útil perquè ens serveix com a model de referència per comparar dues
Distribucions Normals (DN) en escales diferents. Dit amb altres paraules, quan agafam dues DN
i estandaritzam els seus valors el que fem es passar aquests valors a una escala comuna per tal
de poder comparar-los.

Per passar un valor a Z o escala estandaritzada (o simplement “estandarditzar un valor”) em de

fer servir la següent fórmula:
𝒙 − 𝝁
𝒁=
𝝈

L’hem de saber transformar valors a

Z, pero asignarem probabilitat amb R-
Commander

Downloaded by Alba (albaflores833@gmail.com)

 lOMoARcPSD|8329979

Exemple: QI

Si sabem que la mitjana de quocient intel·lectual és 100 i la desviació típica 15, i volem
transformar (estandarditzar) el valor 75 a Z, com ho em de fer?

𝒙 − 𝝁 𝟕𝟓 − 𝟏𝟎𝟎
𝒁= 𝒁= = 1,66
𝝈 𝟏𝟓

Nota → Calcular probabilitats en Z: Un cop em calculat Z, si volem tobar per exemple la

probabilitat de que hi ha de trobar una persona amb un QI < 75, nomes hem de introduïm
aquesta dada en R-Commander i ho calculem (no ho em de saber calcular a ma). Si ho fem
correctament, la probabilitat de que una persona tingui un QI inferior a 75 és de 0’047458.

Downloaded by Alba (albaflores833@gmail.com)