Inici ► Els meus cursos ► 222_01_518 : Estadística aplicada ►

Unitat 1. Estimació puntual i intèrvals de confiança ► QP1a. Pràctiques amb la Normal

Començat el Thursday, 9 March 2023, 10:56

Estat Acabat
Completat el Thursday, 9 March 2023, 11:11
Temps emprat 14 minuts 48 segons
Qualificació 0,00 sobre 10,00 (0%)
Pregunta 1
Una empresa consultora de màrqueting està interessada a conèixer les hores setmanals que un
Incorrecte potencial client passa davant del televisor. Un estudi d’una mostra ha revelat que la variable
Puntuació 0,00 aleatòria hores setmanals davant de la TV segueix una distribució normal amb mitjana μ = 35 i
sobre 2,00 desviació estàndard σ = 2, 5. L’objectiu de l’empresa és obtenir un interval al voltant de la mitjana
que reculli el 90 % dels valors de la variable aleatòria. Amb aquesta informació, respon les
preguntes següents:
a) Quin és l’extrem inferior d’aquest interval?
b) Quin és l’extrem superior d’aquest interval?

Per resoldre aquest exercici cal utilitzar la taula següent amb valors de la distribució normal
estàndard:

P (Z < z) 0, 500 0, 550 0, 600 0, 650 0, 700 0, 750 0, 800 0, 850 0, 900 0, 950

Valor de z 0, 000 0, 126 0, 253 0, 385 0, 524 0, 674 0, 842 1, 036 1, 282 1, 645

Nota 1: per a fer els càlculs intermitjos, utilitza sempre un mínim de quatre decimals.
Nota 2: en ambdues respostes cal introduir el valor obtingut arrodonint a dos decimals, i usant la
coma (,) com a separador decimal (no el punt).

a. Pregunta a): 0,12

b. Pregunta b): 1,12

Un comentari previ abans de resoldre l’exercici: la variable X (hores setmanals davant de la TV) es
distribueix segons una distribució normal, que és una distribució contínua. Això fa que no es puguin
calcular probabilitats puntuals, ja que per a qualsevol valor particular x es compleix que
P (X = x) = 0. Aquest fet té una conseqüència directa: a les distribucions contínues, calcular

una probabilitat major o igual (≥) és equivalent a calcular una probabilitat major (>), i el mateix al
cas de menor o igual i menor.
En el cas de les distribucions de probabilitat contínues, les probabilitats es plantegen calculant
l’àrea a les cues de la distribució, o bé calculant l’àrea d’un interval entre dos valors. És a dir,
donats uns valor concrets x 1 i x 2 qualssevol, podríem calcular aquests tres tipus de probabilitats:
Probabilitat que X sigui més gran que x 2 : P (X > x2 )

Probabilitat que X sigui menor que x 1 : P (X < x1 )

Probabilitat que X estigui entre x 1 i x 2 : P (x 1 < X < x2 )

Un altre aspecte clau que cal tenir en compte, i que afecta directament la resolució d’aquest
exercici, és el procés de tipificació d’una variable (aquest procés també es pot anomenar
estandardització o normalització). Sabem que la variable X segueix una distribució normal amb
mitjana μ i desviació estàndard σ , la qual cosa s’expressa de la manera següent:

X ∼ N (μ,  σ)

El problema és que no sempre tindrem accés als valors normals amb aquests valors específics de
μ i σ , i només tindrem els valors d’una distribució particular, amb valors μ = 0 i  sigma = 1 ,

anomenada distribució normal estàndard. La idea és efectuar la següent transformació:

X ∼ N (μ,  σ) ⟹ Z ∼ N (0,  1)

Per fer aquesta transformació, si volem calcular una probabilitat associada a un valor particular x ,
la tipificació consisteix en dos passos:
Centrar la variable restant-li la mitjana μ.
Reduir la variable dividint-la entre la desviació estàndard σ .

Així, davant d’una variable aleatòria X ∼ N (μ,  σ) , si volem calcular P (X > x) podem tipificar
la variable de la manera següent:
 x − μ
z =
σ

Aplicar aquest procés fa que les probabilitats següents siguin equivalents:

P (X > x) = P (Z > z)

Així, ara podem calcular P (Z > z), ja que Z segueix una distribució normal estàndard (
Z ∼ N (0,  1) ), els valors de la qual estan recollits a la taula de la distribució normal estàndard.

Un cop aclarit aquest punt, responem a les preguntes plantejades a l’enunciat. Sabem que tenim
una variable aleatòria X que es defineix com el temps setmanal davant la TV, de la qual coneixem
la mitjana i la desviació estàndard:

X ∼ N (35,  2, 5)

El que ens planteja l’enunciat és que calculem un interval centrat en la mitjana amb dos valors, x ∗1 i
x , tal que la probabilitat que la variable X prengui un valor a aquest interval sigui de 90 %. En
∗
2

termes probabilístics podem expressar aquesta probabilitat de la manera següent:

∗ ∗
P (x ≤ X ≤ x ) = 0, 9
1 2

Per on comencem? En aquest cas, és fonamental conèixer les característiques de la distribució

normal. Es pot deduir que, si entre x ∗1 i x ∗2 queda un 90 % de la massa probabilística, quedaran
dues cues a esquerra i dreta d’aquests dos valors. I cadascuna d’aquestes cues tindrà un valor de
(1 − 0, 9)/2 = 0, 05, és a dir, un 5 % . En termes probabilístics aquestes cues s’expressen així:

∗
P (X < x ) = 0, 05
1

∗
P (X > x ) = 0, 05
2

Bé, i ara, com trobem els valors x ∗1 i x ∗2 ? La clau està en la tipificació o estandardització, per poder
consultar les probabilitats a la taula de la normal estàndard. Així, podem expressar aquestes
probabilitats en termes d’una variable aleatòria estàndard Z ∼ N (0, 1) :

∗
P (Z < z ) = 0, 05
1

∗
P (Z > z ) = 0, 05
2

Si trobem els valors z1∗ i z2∗ , podrem desfer el canvi i trobar els extrems x ∗1 i x ∗2 . Per trobar aquests
valors acudim a la taula estadística de la normal estàndard. Un element clau és que, ja la
distribució és simètrica, i que les dues cues tenen el mateix valor 0, 05 , z1∗ i z2∗ tindran el mateix
valor absolut, però el signe canviat, de manera que z1∗ < 0 i z1∗ > 0 .
A la taula de la normal estàndard només trobem les probabilitats P (Z < z), és a dir, valors a la
cua esquerra. Això no és cap inconvenient si coneixem les propietats de les distribucions de
probabilitat simètriques:

P (Z > z) = 1 − P (Z < z)

Així, en el nostre cas, obtenim:

∗ ∗
P (Z > z ) = 1 − P (Z < z ) = 1 − 0, 05 = 0, 95
2 2

A la taula trobem que P (Z < 1, 645) = 0, 95 , de manera que ja tenim els valors de la distribució
normal estàndard:
∗
z = −1, 645
1

∗
z = 1, 645
2

Ara ja podem desfer el canvi a partir de la fórmula següent:

∗
x − μ
∗ ∗ ∗
z = ⇒ x = μ + (z ⋅ σ)
σ

Així, per una banda calculem l’extrem inferior de l’interval que estem buscant:
 x ∗ = μ + (z ∗ ⋅ σ)
1 1

= 35 + (−1, 645 ⋅ 2, 5)

= 35 − 4, 1125

= 30, 89

L’extrem superior de calculeu d’una manera anàloga:

∗
x = μ + (z ∗ ⋅ σ)
2 2

= 35 + (1, 645 ⋅ 2, 5)

= 35 + 4, 1125

= 39, 11

Ja hem arribat a la solució: l’interval [x ∗1 ,  x ∗2 ] = [30, 89,  39, 11] conté el 90 % de la massa
probabilística, és a dir:

P (30, 89 ≤ X ≤ 39, 11) = 0, 9

La següent figura mostra aquest interval gràficament:

Així doncs, la probabilitat que un potencial client miri la televisió entre 30, 89 i 39, 11 hores
setmanals és del 90 %.
Sumari de les respostes:

Pregunta a) 30, 89

Pregunta b) 39, 11
Pregunta 2
Una pizzeria reparteix pizzes a domicili. S’ha estudiat que el temps de lliurament és una variable
Incorrecte aleatòria que segueix una distribució normal amb mitjana μ = 42 i desviació estàndard σ = 9 .
Puntuació 0,00 Amb aquesta informació, respon les preguntes següents:
sobre 2,00 a) Quina és la probabilitat que la pizza trigui més de 46, 72 minuts?
b) Quina és la probabilitat que la pizza trigui entre 37, 284 i 48, 07 minuts?

Per resoldre aquest exercici cal utilitzar la taula següent amb valors de la distribució normal
estàndard:

P (Z < z) 0, 500 0, 550 0, 600 0, 650 0, 700 0, 750 0, 800 0, 850 0, 900 0, 950

Valor de z 0, 000 0, 126 0, 253 0, 385 0, 524 0, 674 0, 842 1, 036 1, 282 1, 645

Nota: introdueix les respostes com a probabilitats en tant per cent (és a dir, valors entre 0 i 100),
sense decimals i sense el símbol % al final.

a. Pregunta a): 45,65

b. Pregunta b): 12,78

Un comentari previ abans de resoldre l’exercici: la variable X (temps d’espera) es distribueix

segons una distribució normal, que és una distribució continuada. Això fa que no es puguin calcular
probabilitats puntuals, ja que per a qualsevol valor particular x es compleix que P (X = x) = 0.
Aquest fet té una conseqüència directa: a les distribucions contínues, calcular una probabilitat
major o igual (≥) és equivalent a calcular una probabilitat major (>), i el mateix al cas de menor o
igual i menor.
En el cas de les distribucions de probabilitat contínues, les probabilitats es plantegen calculant
l’àrea a les cues de la distribució, o bé calculant l’àrea d’un interval entre dos valors. És a dir,
donats uns valor concrets x 1 i x 2 qualssevol, podríem calcular aquests tres tipus de probabilitats:
Probabilitat que X sigui més gran que x 2 : P (X > x2 )

Probabilitat que X sigui menor que x 1 : P (X < x1 )

Probabilitat que X estigui entre x 1 i x 2 : P (x 1 < X < x2 )

Un altre aspecte clau que cal tenir en compte, i que afecta directament la resolució d’aquest
exercici, és el procés de tipificació d’una variable (aquest procés també es pot anomenar
estandardització o normalització). Sabem que la variable X (temps de lliurament) segueix una
distribució normal amb mitjana μ = 42 i desviació estàndard σ = 9 , la qual cosa s’expressa de la
següent manera :

X ∼ N (42,  9)

El problema és que no sempre tindrem accés als valors normals amb aquests valors específics de
μ i σ , i només tindrem els valors d’una distribució particular, amb valors μ = 0 i  sigma = 1 ,

anomenada distribució normal estàndard. La idea és fer la següent transformació:

X ∼ N (μ,  σ) ⟹ Z ∼ N (0,  1)

Per fer aquesta transformació, si volem calcular una probabilitat associada a un valor particular x ,
la tipificació consisteix en dos passos:
Centrar la variable restant-li la mitjana μ.
Reduir la variable dividint-la entre la desviació estàndard σ .

Així, davant d’una variable aleatòria X ∼ N (μ,  σ) , si volem calcular P (X > x) podem tipificar
la variable de la manera següent:

x − μ
z =
σ
Aplicar aquest procés fa que les probabilitats següents siguin equivalents:

P (X > x) = P (Z > z)

Així, ara podem calcular P (Z > z), ja que Z segueix una distribució normal estàndard
Z ∼ N (0,  1) , els valors de la qual estan recollits a la taula de la distribució normal estàndard.

Un cop aclarit aquest punt, responem a les preguntes plantejades a l’enunciat:

a) Quina és la probabilitat que la pizza trigui més de 46, 72 minuts?

Sabent que X ∼ N (42,  9) , volem calcular la probabilitat P (X > 46, 72), és a dir, la cua que
queda a la dreta de la distribució. Sent x ∗ = 46, 72 , aplicarem el procés de tipificació explicat
anteriorment:
∗
x − μ 46, 72 − 42
∗
z = = = 0, 524
σ 9

Ara només cal calcular P (Z > 0, 524) a la taula de la distribució normal estàndard. Com podeu
veure, aquesta taula recull el valor P (Z < 0, 524) = 0, 7 . Aleshores, per trobar la probabilitat
que estem buscant simplement hem de calcular la probabilitat complementària:

P (Z > 0, 524) = 1 − P (Z < 0, 524) = 1 − 0, 7 = 0, 3

La figura següent mostra aquesta probabilitat en la distribució normal estàndard:

Hem obtingut el resultat P (X > 46, 72) = 0, 3 . És a dir, la probabilitat que la pizza trigui més de
46, 72 minuts és igual a 0, 3 , o bé, expressat en termes percentuals, un 30 %.

b) Quina és la probabilitat que la pizza trigui entre 37, 284 i 48, 07 minuts?

Per cercar la probabilitat que X se situï entre dos valors cal realitzar la següent operació:

P (37, 284 < X < 48, 07) = P (X < 48, 07) − P (X < 37, 284)

Si tipifiquem els valors 37, 284 i 48, 07 podrem consultar aquestes probabilitats a la taula de la
distribució normal estàndard:

37, 284 − 42 48, 07 − 42

P ( < Z < ) = P (−0, 524 < Z < 0, 674)
9 9

= P (Z < 0, 674) − P (Z < −0, 524)

Consultant la taula, trobem que P (Z < 0, 674) = 0, 75. Tot i això, la taula no recull el valor
P (Z < −0, 524) , ja que aquesta només recull valors positius de z , però nosaltres tenim un valor

negatiu z = −0, 524. En aquest punt, hi ha dues igualtats de les distribucions de probabilitat
simètriques (com la normal estàndard) que ens són útils:

P (Z < z) = 1 − P (Z > z)

P (Z < z) = P (Z > −z)

Manipulant aquestes igualtats, i veient que la taula recull el valor P (Z < 0, 524) = 0, 7 , tenim:

P (Z < −0, 524) = P (Z > 0, 524) = 1 − P (Z < 0, 524) = 1 − 0, 7 = 0, 3

Amb aquests resultats només hem de restar ambdues probabilitats per obtenir la resposta que
estem buscant:

P (37, 284 < X < 48, 07) = P (X < 48, 07) − P (X < 37, 284)

= P (Z < 0, 674) − P (Z < −0, 524)

= 0, 75 − 0, 3

= 0, 45

La figura següent mostra l’àrea amb aquesta probabilitat en la distribució normal estàndard.

Així doncs, la probabilitat que la pizza trigui entre 37, 284 i 48, 07 minuts és de 0, 45 , o d’un 45 %
en termes percentuals.
Sumari de les respostes:

Pregunta a) 30

Pregunta b) 45
Pregunta 3
Una empresa de distribució de productes congelats està estudiant la temperatura (en graus
Incorrecte Celsius) d’un producte en arribar al client final. Se sap que la temperatura mitjana d’aquest
Puntuació 0,00 producte segueix una distribució normal amb mitjana μ = −4, 718 i desviació estàndard σ = 7 .
sobre 2,00 Amb aquesta informació, respon les preguntes següents:
a) Quina és la probabilitat que un producte arribi amb una temperatura de zero graus o
superior?
b) Quina és la temperatura que deixa a la cua esquerra el 5 % de la distribució?

Per resoldre aquest exercici cal utilitzar la taula següent amb valors de la distribució normal
estàndard:

P (Z < z) 0, 500 0, 550 0, 600 0, 650 0, 700 0, 750 0, 800 0, 850 0, 900 0, 950

Valor de z 0, 000 0, 126 0, 253 0, 385 0, 524 0, 674 0, 842 1, 036 1, 282 1, 645

Nota 1: a la primera pregunta, introdueix la probabilitat en tant per cent (és a dir, un valor entre 0 i
100), sense decimals i sense el símbol % al final.
Nota 2: a la segona pregunta, feu els càlculs usant quatre decimals, i introdueix la resposta
arrodonint a un decimal i usant la coma (,) com a separador decimal (no el punt).

a. Pregunta a): 45,1

b. Pregunta b): 12,8

Un comentari previ abans de resoldre l’exercici: la variable X (temperatura del producte en graus
Celsius) es distribueix segons una distribució normal, que és una distribució continuada. Això fa
que no es puguin calcular probabilitats puntuals, ja que per a qualsevol valor particular x es
compleix que P (X = x) = 0. Aquest fet té una conseqüència directa: a les distribucions
contínues, calcular una probabilitat major o igual (≥) és equivalent a calcular una probabilitat major
(>), i el mateix al cas de menor o igual i menor.
En el cas de les distribucions de probabilitat contínues, les probabilitats es plantegen calculant
l’àrea a les cues de la distribució, o bé calculant l’àrea d’un interval entre dos valors. És a dir,
donats uns valor concrets x 1 i x 2 qualssevol, podríem calcular aquests tres tipus de probabilitats:
Probabilitat que X sigui més gran que x 2 : P (X > x2 )

Probabilitat que X sigui menor que x 1 : P (X < x1 )

Probabilitat que X estigui entre x 1 i x 2 : P (x 1 < X < x2 )

Un altre aspecte clau que cal tenir en compte, i que afecta directament la resolució d’aquest
exercici, és el procés de tipificació d’una variable (aquest procés també es pot anomenar
estandardització o normalització). Sabem que la variable X (temperatura en graus Celsius)
segueix una distribució normal amb mitjana μ = −4, 718 i desviació estàndard σ = 7 , la qual
cosa s’expressa de la següent manera:

X ∼ N (−4, 718,  7)

El problema és que no sempre tindrem accés als valors normals amb aquests valors específics de
μ i σ , i només tindrem els valors d’una distribució particular, amb valors μ = 0 i  sigma = 1 ,

anomenada distribució normal estàndard. La idea és efectuar la següent transformació:

X ∼ N (μ,  σ) ⟹ Z ∼ N (0,  1)

Per fer aquesta transformació, si volem calcular una probabilitat associada a un valor particular x ,
la tipificació consisteix en dos passos:
Centrar la variable restant-li la mitjana μ.
Reduir la variable dividint-la entre la desviació estàndard σ .

Així, davant d’una variable aleatòria X ∼ N (μ,  σ) , si volem calcular P (X > x) podem tipificar
la variable de la manera següent:
 x − μ
z =
σ

Aplicar aquest procés fa que les probabilitats següents siguin equivalents:

P (X > x) = P (Z > z)

Així, ara podem calcular P (Z > z), ja que Z segueix una distribució normal estàndard (
Z ∼ N (0,  1) ), els valors de la qual estan recollits a la taula de la distribució normal estàndard.

Un cop aclarit aquest punt, responem a les preguntes plantejades a l’enunciat:

a) Quina és la probabilitat que un producte arribi amb una temperatura de zero graus o
superior?

En aquest cas ens estan preguntant per una probabilitat de la cua dreta, és a dir, P (X > 0) .
Aplicarem el procés de tipificació considerant x ∗ = 0 :
∗
x − μ 0 − (−4, 718)
∗
z = = = 0, 674
σ 7

Ara només cal calcular P (Z > 0, 674) a la taula de la distribució normal estàndard. Com podeu
veure, aquesta taula recull el valor P (Z < 0, 674) = 0, 75. Aleshores, per trobar la probabilitat
que estem buscant simplement hem de calcular la probabilitat complementària:

P (Z > 0, 674) = 1 − P (Z < 0, 674) = 1 − 0, 75 = 0, 25

La figura següent mostra aquesta probabilitat en la distribució normal estàndard:

Hem obtingut el resultat P (X > 0) = 0, 25 . És a dir, la probabilitat que el producte arribi amb
una temperatura positiva és igual a 0, 25 , o bé, expressat en termes percentuals, un 25 %.
b) Quina és la temperatura que deixa a la cua esquerra el 5 % de la distribució?

En aquest cas, ens pregunten pel valor x ∗ que fa que P (X < x ∗ ) = 0, 05 . Per trobar aquest
valor, cal aplicar la tipificació al revés. És a dir, primer hem de trobar P (Z < z ∗ ) = 0, 05 a la
taula de la distribució normal estàndard. El problema és que en aquesta taula només es mostren
valors de la probabilitat més grans de 0, 5 , però en el nostre cas 0, 05 < 0, 5 . La solució és fer
servir les següents propietats de les distribucions de probabilitat contínues:

P (Z < z) = 1 − P (Z > z)

P (Z < z) = P (Z > −z)

Manipulant aquestes igualtats obtenim la transformació necessària per obtenir la probabilitat que
estem buscant:
∗ ∗ ∗
P (Z < z ) = 1 − P (Z < −z ) = 0, 95 ⇒ P (Z < −z ) = 1 − 0, 95 = 0, 05
Consultant a la taula trobem el valor P (Z < 1, 645) = 0, 95, fet que implica que
P (Z < −1, 645) = 0, 05 .

Un cop hem trobat el valor z ∗ = −1, 645 , acudim a la fórmula de la tipificació per obtenir el valor
de x ∗ :
∗ ∗
x − μ x − (−4, 718)
∗
z = ⇒ −1, 645 =
σ 7

Aïllant x ∗ de la fórmula anterior obtenim que x ∗ = −16, 233, de manera que

P (X < −16, 233) = 0, 05 .

La figura següent mostra aquesta probabilitat en la distribució normal estàndard:

Així doncs, concloem que el 5 % dels productes tindran una temperatura igual o inferior a
−16, 233 graus Celsius.

Sumari de les respostes:

Pregunta a) 25

Pregunta b) −16, 233

Pregunta 4
Una clínica estudia l’índex de massa corporal (IMC) dels seus pacients, i amb els anys ha observat
Incorrecte que l’IMC és una variable aleatòria que segueix una distribució normal amb mitjana μ = 23 i
Puntuació 0,00 desviació estàndard σ = 5 . Amb aquesta informació, respon les preguntes següents:
sobre 2,00 a) Quina és la probabilitat que un pacient mostri un valor de l’IMC inferior a 21, 075?
b) Quina és la probabilitat que un pacient mostri un valor de l’IMC igual o superior a 21, 075?

Per resoldre aquest exercici cal utilitzar la taula següent amb valors de la distribució normal
estàndard:

P (Z < z) 0, 500 0, 550 0, 600 0, 650 0, 700 0, 750 0, 800 0, 850 0, 900 0, 950

Valor de z 0, 000 0, 126 0, 253 0, 385 0, 524 0, 674 0, 842 1, 036 1, 282 1, 645

Nota: introdueix les respostes com a probabilitats en tant per cent (és a dir, valors entre 0 i 100),
sense decimals i sense el símbol % al final.

a. Pregunta a): -12,4

b. Pregunta b): 2,45

Un comentari previ abans de resoldre l’exercici: la variable X (IMC) es distribueix segons una
distribució normal, que és una distribució continuada. Això fa que no es puguin calcular
probabilitats puntuals, ja que per a qualsevol valor particular x es compleix que P (X = x) = 0.
Aquest fet té una conseqüència directa: a les distribucions contínues, calcular una probabilitat
major o igual (≥) és equivalent a calcular una probabilitat major (>), i el mateix al cas de menor o
igual i menor.
En el cas de les distribucions de probabilitat contínues, les probabilitats es plantegen calculant
l’àrea a les cues de la distribució, o bé calculant l’àrea d’un interval entre dos valors. És a dir,
donats uns valor concrets x 1 i x 2 qualssevol, podríem calcular aquests tres tipus de probabilitats:
Probabilitat que X sigui més gran que x 2 : P (X > x2 )

Probabilitat que X sigui menor que x 1 : P (X < x1 )

Probabilitat que X estigui entre x 1 i x 2 : P (x 1 < X < x2 )

Un altre aspecte clau que cal tenir en compte, i que afecta directament la resolució d’aquest
exercici, és el procés de tipificació d’una variable (aquest procés també es pot anomenar
estandardització o normalització). Sabem que la variable X (IMC) segueix una distribució normal
amb mitjana μ = 23 i desviació estàndard σ = 5 , la qual cosa s’expressa de la manera següent:

X ∼ N (23,  5)

El problema és que no sempre tindrem accés als valors normals amb aquests valors específics de
μ i σ , i només tindrem els valors d’una distribució particular, amb valors μ = 0 i  sigma = 1 ,

anomenada distribució normal estàndard. La idea és efectuar la següent transformació:

X ∼ N (μ,  σ) ⟹ Z ∼ N (0,  1)

Per fer aquesta transformació, si volem calcular una probabilitat associada a un valor particular x ,
la tipificació consisteix en dos passos:
Centrar la variable restant-li la mitjana μ.
Reduir la variable dividint-la entre la desviació estàndard σ .

Així, davant d’una variable aleatòria X ∼ N (μ,  σ) , si volem calcular P (X > x) podem tipificar
la variable de la manera següent:

x − μ
z =
σ

Aplicar aquest procés fa que les probabilitats següents siguin equivalents:

 P (X > x) = P (Z > z)

Així, ara podem calcular P (Z > z), ja que Z segueix una distribució normal estàndard (
Z ∼ N (0,  1) ), els valors de la qual estan recollits a la taula de la distribució normal estàndard.

Un cop aclarit aquest punt, responem a les preguntes plantejades a l’enunciat:

a) Quina és la probabilitat que un pacient mostri un valor de l’IMC inferior a 21, 075?

Sabent que X ∼ N (23,  5) , volem calcular la probabilitat P (X < 21, 075) , és a dir, la cua que
queda a l’esquerra de la distribució. Sent x ∗ = 21, 075, aplicarem el procés de tipificació:
∗
x − μ 21, 075 − 23
∗
z = = = −0, 385
σ 5

Ara només cal calcular P (Z < −0, 385) a la taula de la distribució normal estàndard. Aquí ens
trobem que la taula només recull valors positius de z , és a dir, la taula ens mostra els valors
P (Z < z) per a z ≥ 0, però nosaltres tenim un valor negatiu z = −0, 385. En aquest punt, hi ha

dues igualtats de les distribucions de probabilitat simètriques (com la normal estàndard) que ens
són útils:

P (Z < z) = 1 − P (Z > z)

P (Z < z) = P (Z > −z)

Manipulant aquestes igualtats, i veient que la taula recull el valor P (Z < 0, 385) = 0, 65 ,
arribem al resultat següent:

P (Z < −0, 385) = P (Z > 0, 385) = 1 − P (Z < 0, 385) = 1 − 0, 65 = 0, 35

La figura següent mostra aquesta probabilitat en la distribució normal estàndard:

Hem obtingut el resultat P (X < 21, 075) = 0, 35. És a dir, la probabilitat que un pacient mostri
un IMC menor a 21, 075 és igual a 0, 35 , o bé, expressat en termes percentuals, un 35 %.
b) Quina és la probabilitat que un pacient mostri un valor de l’IMC igual o superior a 21, 075?

Podem contestar fàcilment aquesta pregunta a partir de la pregunta anterior, aplicant les propietats
de les distribucions de probabilitat. D’una banda, sabem que P (X < 21, 075) = 0, 65. D’altra
banda, que un pacient mostri un IMC menor que 21, 075 i que el pacient mostri un IMC igual o
superior a 21, 075 són dos esdeveniments complementaris, és a dir, són els dos únics resultats
possibles. És com llençar una moneda i que surti cara o creu, no hi ha més opcions. En termes de
probabilitat, que siguin esdeveniments complementaris s’expressa de la manera següent:

P (X < 21, 075) + P (X ≥ 21, 075) = 1

A partir d’aquesta igualtat obtenim la probabilitat que estem cercant:

 P (X ≥ 21, 075) = 1 − P (X < 21, 075) = 1 − 0, 35 = 0, 65

La figura següent mostra aquesta probabilitat en la distribució normal estàndard:

És a dir, la probabilitat que el pacient tingui un IMC igual o superior a 21, 075 és d’un
100 % − 35 % = 65 % .

Sumari de les respostes:

Pregunta a) 35

Pregunta b) 65
Pregunta 5
Una clínica ha llançat un estudi amb un grup de pacients, per investigar el temps de recuperació,
Incorrecte en dies, després d’un tipus d’operació. L’estudi ha revelat que la variable aleatòria X (temps de
Puntuació 0,00 recuperació) segueix una distribució normal amb desviació estàndard σ = 10 . Amb aquesta
sobre 2,00 informació, respon les preguntes següents:
a) Sabent que la probabilitat que el temps de recuperació sigui igual o superior a 51, 42 dies
és de 0, 2 (és a dir, un 20 %), quina és la mitjana (μ) de la variable aleatòria X?
b) Una altra clínica diferent vol fer el mateix estudi amb els seus pacients, i el que troben és
que, si escau, la mitjana μ és la mateixa, però la probabilitat que el temps de recuperació sigui
igual o superior a 46, 144 dies és de 0, 3 (és a dir, un 30 %). En el cas d’aquesta segona
clínica, quina és la desviació estàndard σ del temps de recuperació?

Per resoldre aquest exercici cal utilitzar la taula següent amb valors de la distribució normal
estàndard:

P (Z < z) 0, 500 0, 550 0, 600 0, 650 0, 700 0, 750 0, 800 0, 850 0, 900 0, 950

Valor de z 0, 000 0, 126 0, 253 0, 385 0, 524 0, 674 0, 842 1, 036 1, 282 1, 645

Nota 1: per a fer els càlculs intermitjos, utilitza sempre un mínim de quatre decimals.
Nota 2: ambdues respostes són nombres naturals, de manera que no cal introduir decimals.

a. Pregunta a): 45

b. Pregunta b): 12

Un comentari previ abans de resoldre l’exercici: la variable X (temps de recuperació) es distribueix

segons una distribució normal, que és una distribució continuada. Això fa que no es puguin calcular
probabilitats puntuals, ja que per a qualsevol valor particular x es compleix que P (X = x) = 0.
Aquest fet té una conseqüència directa: a les distribucions contínues, calcular una probabilitat
major o igual (≥) és equivalent a calcular una probabilitat major (>), i el mateix al cas de menor o
igual i menor.
En el cas de les distribucions de probabilitat contínues, les probabilitats es plantegen calculant
l’àrea a les cues de la distribució, o bé calculant l’àrea d’un interval entre dos valors. És a dir,
donats uns valor concrets x 1 i x 2 qualssevol, podríem calcular aquests tres tipus de probabilitats:
Probabilitat que X sigui més gran que x 2 : P (X > x2 )

Probabilitat que X sigui menor que x 1 : P (X < x1 )

Probabilitat que X estigui entre x 1 i x 2 : P (x 1 < X < x2 )

Un altre aspecte clau que cal tenir en compte, i que afecta directament la resolució d’aquest
exercici, és el procés de tipificació d’una variable (aquest procés també es pot anomenar
estandardització o normalització). Sabem que la variable X segueix una distribució normal amb
mitjana μ i desviació estàndard σ , la qual cosa s’expressa de la manera següent:

X ∼ N (μ,  σ)

El problema és que no sempre tindrem accés als valors normals amb aquests valors específics de
μ i σ , i només tindrem els valors d’una distribució particular, amb valors μ = 0 i  sigma = 1 ,

anomenada distribució normal estàndard. La idea és efectuar la següent transformació:

X ∼ N (μ,  σ) ⟹ Z ∼ N (0,  1)

Per fer aquesta transformació, si volem calcular una probabilitat associada a un valor particular x ,
la tipificació consisteix en dos passos:
Centrar la variable restant-li la mitjana μ.
Reduir la variable dividint-la entre la desviació estàndard σ .

Així, davant d’una variable aleatòria X ∼ N (μ,  σ) , si volem calcular P (X > x) podem tipificar
la variable de la manera següent:
 x − μ
z =
σ

Aplicar aquest procés fa que les probabilitats següents siguin equivalents:

P (X > x) = P (Z > z)

Així, ara podem calcular P (Z > z), ja que Z segueix una distribució normal estàndard (
Z ∼ N (0,  1) ), els valors de la qual estan recollits a la taula de la distribució normal estàndard.

Un cop aclarit aquest punt, responem a les preguntes plantejades a l’enunciat:

a) Sabent que la probabilitat que el temps de recuperació sigui igual o superior a 51, 42 dies
és de 0, 2 (és a dir, un 20 %), quina és la mitjana (μ) de la variable aleatòria X?

El primer pas és fer un repàs de la informació que tenim i de la informació que ens manca. Tenim
que la variable aleatòria X (temps de recuperació en dies) segueix una distribució normal amb
mitjana μ desconeguda i desviació estàndard σ = 10 :

X ∼ N (μ,  10)

A més, sabem que la probabilitat que el temps de recuperació sigui de 51, 42 dies o més és de
0, 2 , és a dir:

P (X ≥ 51, 42) = 0, 2

Amb aquesta informació ens falta saber el paràmetre μ. Com ho podem aconseguir? La clau és la
tipificació o estandardització. D’una banda, si estandarditzem la variable aleatòria obtenim que:
∗
P (X ≥ 51, 42) = 0, 2 ⇒ P (Z ≥ z ) = 0, 2

El valor de la variable tipificada z ∗ el podem trobar a la taula de valors de la distribució normal

estàndard. Tanmateix, a la taula es recullen les probabilitats P (Z < z), i en el nostre cas
disposem de la probabilitat P (Z ≥ z). Això no és cap problema si coneixem les propietats de la
distribució normal, que estableix que:
∗ ∗
P (Z < z ) = 1 − P (Z ≥ z ) = 1 − 0, 2 = 0, 8

Ara ja podem acudir a la taula de la normal estàndard, on trobem que z ∗ = 0, 842 . La figura
següent mostra aquest valor i la seva probabilitat associada a la cua dreta en la distribució normal
estàndard:

Ja només ens queda un pas: acudir a la fórmula de la tipificació, on hem d’aïllar el valor de μ:
∗
x − μ
∗ ∗ ∗
z = ⇒ μ = x − (z ⋅ σ)
σ

Substituint els valors a la part dreta de la igualtat obtenim:

 ∗ ∗
μ = x − (z ⋅ σ)

= 51, 42 − (0, 842 ⋅ 10)

= 51, 42 − 8, 42

= 43

És a dir, la mitjana de la variable aleatòria temps d’espera és μ = 43 dies.

b) Una altra clínica diferent vol fer el mateix estudi amb els seus pacients, i el que troben és
que, si escau, la mitjana μ és la mateixa, però la probabilitat que el temps de recuperació sigui
igual o superior a 46, 144 dies és de 0, 3 (és a dir, un 30 %). En el cas d’aquesta segona
clínica, quina és la desviació estàndard σ del temps de recuperació?

Igual que al primer apartat, repassarem la informació disponible. Tenim una nova variable aleatòria
Y (temps de recuperació en dies per a la segona clínica), la qual segueix una distribució normal

amb mitjana μ = 43, però de la qual desconeixem el paràmetre σ (desviació estàndard):

X ∼ N (43,  σ)

A més, sabem que la probabilitat que el temps de recuperació sigui de 46, 144 dies o més és de
0, 3 (a diferència de la primera clínica):

P (X ≥ 46, 144) = 0, 3

Amb aquesta informació ens falta saber el paràmetre σ . Igual que a l’apartat anterior, expressarem
aquesta probabilitat com una variable estandarditzada:
∗
P (X ≥ 46, 144) = 0, 3 ⇒ P (Z ≥ z ) = 0, 3

El valor de la variable tipificada z ∗ el podem trobar a la taula de valors de la distribució normal

estàndard. Tanmateix, igual que a l’apartat anterior, veiem que la taula recull les probabilitats
P (Z < z), mentre que en el nostre cas disposem de la probabilitat P (Z ≥ z). Apliquem la

propietat anterior:
∗ ∗
P (Z < z ) = 1 − P (Z ≥ z ) = 1 − 0, 3 = 0, 7

Ara ja podem acudir a la taula de la normal estàndard, on trobem que z ∗ = 0, 524 . La figura
següent mostra aquest valor i la seva probabilitat associada a la cua dreta en la distribució normal
estàndard:

Només ens queda un pas: acudir a la fórmula de la tipificació, on hem d’aïllar el valor de σ :
∗ ∗
x − μ x − μ
∗
z = ⇒ σ =
∗
σ z

Substituint els valors a la part dreta de la igualtat obtenim:

 ∗
x − μ
σ =
∗
z

46, 144 − 43
=
0, 524

3, 144
=
0, 524

= 6

És a dir, la desviació estàndard de la variable aleatòria temps d’espera a la segona clínica és

σ = 6.

Sumari de les respostes:

Pregunta a) 43

Pregunta b) 6

◄ Announcements

Salta a...
QP1b. Intèrvals de confiança (I) ►