Ub Calvo: Estadística - Grau Bioquímica Tema 5. Models Continus

B
vo U
Estadística – Grau Bioquímica
Tema 5. Models continus.
al a -
l C tic
ue ís
Miquel Calvo - Departament d’Estadística
iq ad
M st
Classificació de les variables aleatòries

E
Variables aleatòries discretes

 recorregut finit o infinit numerable
 per exemple, associades a experiments on es compta el nombre de vegades que
t.
s'ha presentat un esdeveniment

 els punts de recorregut corresponen a salts en el gràfic de la funció de distribució
ep
Variables aleatòries continues

 generalment associades a experiments on la v.a. pren valors en un interval real:
mesures biomètriques, concentracions de metabòlits, intervals de temps, àrees, etc.
D
 un cas particular son les variables aleatòries absolutament continues on existeix

una funció real f tal que:
x
F ( x)   f (t ) dt

f és la funció de densitat de probabilitat de la variable X.
Miquel Calvo - Departament d’Estadística 2
1
Funció de distribució discreta vs continua
B
vo U
al a -
l C tic
ue ís
iq ad
M st
Funció de densitat discreta vs continua

E
 la densitat discreta
 pren valors positius únicament en els punts del recorregut
t.
 és la probabilitat que la variable prengui el valor x: f (x) = prob (X = x).

ep
 la densitat continua
 pren valors en el conjunt dels reals
 no és una probabilitat, en particular, no està acotada per 1
D
 la probabilitat que una v.a. continua prengui un valor concret és
prob(X = x) = 0 per tot x real
2
Probabilitat en intervals: densitat continua
cua esquerra de la distribució
B
b
p ( X  b)  p ( X  b )  F ( b)   f ( x ) dx

vo U
al a -
cua dreta de la distribució

p( X  a )  p( X  a )  1  F (a )   f ( x) dx
l C tic a
ue ís
iq ad
M st
Probabilitat en intervals: densitat continua - 2

E
 l'àrea sota la funció de densitat entre dos punts a i b és la probabilitat de que la

v.a. prengui valors entre a i b.
t.
b
 a
f ( x ) dx  F (b)  F ( a )
ep
 p( a  X  b )
 p( a  X  b )
 p( a  X  b )
 p( a  X  b )
D

 tota v.a. absolutament continua verifica:
 
f ( x ) dx  1
3
El model Uniforme
 el model continu més simple: la variable pren valors dins l’interval definit pels
paràmetres a i b imposant la condició que tots els intervals de mateixa longitud
continguts en [a,b] tinguin la mateixa probabilitat de ser observats
B
 és el model probabilístic corresponent a triar un nombre real a l’atzar dins de [a, b]
 la funció de densitat es defineix com
vo U
1
f ( x)  on a  x  b
ba
al a -
 la uniforme (0,1) es representa com:
l C tic
ue ís
iq ad
M st
El model Uniforme - 2
E
 la funció de densitat U(a,b) permet calcular fàcilment la distribució per

qualsevol valor x dins (a,b)
x x 1 xa
t.
F ( x)   f (t )dt   dt  si a  x  b
 0 ba ba
 per tant en el cas de la U(0,1)
ep
F ( x)  x si 0  x  1
D
4
Esperança i variància dels models continus
• sigui X una v.a. absolutament continua amb funció de densitat f(x). L'esperança
matemàtica de X és (suposant que existeixi la integral.)
B

E ( X )   x f ( x ) dx

vo U
 la variància d'una v.a. quantifica la dispersió respecte a la seva esperança. És un
paràmetre de dispersió. La definició és:

var( X )  E (( X  E ( X )) 2 )   ( x  E ( X ) 2 f ( x ) dx

al a -
i és el promig teòric de las desviacions al quadrat dels diferents valors que pren la
variable respecte al seu valor mig teòric o esperança.
 una expressió equivalent tant per discretes com per contínues és:
l C tic var( X )  E ( X 2 )  E 2 ( X )
ue ís
iq ad
M st
El model Uniforme - 3
E
 aplicant les expressions anteriors a la funció de densitat U(a,b)
b
t.
 b x x2  b2  a 2 b  a
E( X )   x f ( x )dx   dx   
 a ba 2(b  a )  a 2(b  a ) 2
ep
b
b x2 x3  b3  a 3 b2  ab  a 2
E( X 2 )   dx   
a ba 3(b  a )  a 3(b  a ) 3
D
b2  ab  a 2  b  a   b  a 
2 2
var( X )    
3  2  12
5
B
vo U
El model normal
al a -
l C tic
ue ís
iq ad
M st
El model Normal
E
 el model continu més important en Estadística, resulta freqüent que variables

observades puguin ser descrites amb una distribució normal
 moltes tècniques d'inferència estadística es basen en les propietats de la normal
t.
 la funció de densitat es defineix com

ep
1  ( x   )2 
f ( x)  exp   on -   x  
2  2 2 
D
 depèn de dos paràmetres μ (qualsevol valor real) i σ (real positiu).

 s'indica que una variable X segueix el model normal amb X ~ N( μ ,σ).
 per exemple, si la normal és μ=0 i σ=1 s'abreuja N(0 , 1). Aquesta és la normal
tipificada, usualment anomenada Z.
6
Els paràmetres μ i σ en el model Normal
 E(X) = μ
B
 Simètrica respecte a la mitjana μ
 Mitjana, moda i mediana són iguals (μ)
vo U
al a -
 Var(X) = σ2, la desviació típica és σ.
 l'àrea sota la densitat entre -∞ i x
correspon (com a totes les contínues)
l C tic
al valor de la distribució en el punt x:
ue ís
iq ad
M st
Els paràmetres μ i σ en el model Normal (2)

E
t.
ep
D
consultar la URL http://cinna.upc.edu:3838/statmedia/Statmedia_2/

7
Densitat i distribució del model Normal
 en principi, la distribució es calcula integrant la funció de densitat:
x
1  (t   ) 2 
F ( x )  p( X  x )   exp  dt
B
 2  2 2 
 malauradament, no hi ha una expressió analítica per aquesta integral. Si no es
vo U
poden calcular probabilitats directament, com solucionar el problema ?
 una possibilitat és aproximar la integral mitjançant tècniques de càlcul
numèric. Però μ i σ poden prendre infinits valors, caldria avaluar la integral
per cada possible parella de valors.
al a -
 una propietat important es refereix a la seva transformació lineal:
 si X ~ N(μ,σ) i definim Y = aX+b (amb a ≠ 0), aleshores Y ~ N(aμ+b , |a|σ)
 aquesta propietat permet resoldre la integració numèrica en termes d'una
l C tic
única normal: aquesta densitat de referència és la normal tipificada N(0,1)
ue ís
iq ad
M st
Densitat N(0,1) i tipificació

E
 Si X ~ N( μ ,σ) i definim Z = (X- μ) / σ aleshores Z ~ N(0,1). Per tant:
X   x    x   x
FX ( x )  p( X  x )  P    P Z   FZ  
         
t.
 la transformació del càlcul de la funció de distribució d'una normal qualsevol a la

ep
normal tipificada s'anomena tipificació
 la tipificació permet abordar el càlcul de probabilitat d'un interval per a qualsevol

normal disposant només de la informació de la N(0,1)
D
 per exemple, si X ~ N(3,2) i es vol calcular FX (5,06)
 5,06  3 
FX (5,06)  p( X  5,06)  P  Z   FZ 1,03
 2 
 les taules estadístiques que es poden trobar en molts texts clàssics no s'utilitzen
actualment, es pot aconseguir accés fàcilment tant a programes específics (paquets
estadístics com R) o els d‘ús general (fulls de càlcul com Excel o Calc)
8
Calcular probabilitats amb R
 per tal de calcular FZ (1,03), la crida a pnorm amb tots els paràmetres és
B
 la normal tipificada permet escurçar la crida utilitzant les opcions per defecte
vo U
 també podem evitar la tipificació
al a -
 alguns valors extrems amb Z
l C tic
 qualsevol normal inclou el 99.7% de valors a ± 3σ
ue ís
iq ad
M st
Calcular quantils amb R

E
 per calcular el quantil que acumula el 95% d’una Z la crida a qnorm és:
t.
 de nou, amb Z podem escurçar la crida utilitzant les opcions per defecte
ep
 o evitar la tipificació
D
 alguns valors especials
9
Alguns exemples de càlculs
El pes dels individus d'una població té distribució normal amb paràmetres que
depenen del sexe: els homes tenen una distribució N(μ=76; σ=5), i les dones una
N(μ=68 ; σ=6). En aquest context:
B
1. S'escull un home a l'atzar, quina probabilitat té de pesar entre 72 i 78 kg?
vo U
2. Quina és la proporció de dones de més de 76 kg? I la d'homes?
3. Si la proporció d'homes és del 45% i escollim un individu a l’atzar (no es

coneix el sexe) quina probabilitat té de pesar més de 72 kg?
al a -
4. En la població de dones, quin és el pes corresponent al tercer quartil?
Consulteu el document Mp4 Models continus amb R-Commander al campus de
l C tic
l’assignatura per tal de resoldre les 4 qüestions amb R-Commander. Aquest
document inclou també les comandes de R de les 2 transparències anteriors.
ue ís
iq ad
M st E
t.
ep
Teorema Central del Límit

D
10
Combinacions lineals de Normals
 la suma de 2 v.a normals independents és també normal, i per extensió, també ho
és qualsevol combinació lineal de normals independents
B
 cas particular: si considerem n v.a. independents amb distribució Xi ~ N(μi,σi) per
a i=1 , 2 , ... , n la suma X1 + X2+ ... + Xn, té com a model:
 n 
vo U
n n
X i ~ N   i ,
 i 1  i
2 

i 1  i 1 
 si les n v.a. tenen idèntica distribució Xi ~ N(μ,σ) aleshores es simplifica a:
al a -
  
 
n
1 n
X
i 1
i ~ N n , n , Xn   X i ~ N  , n 
n i 1
 exemple: assumim que el pes dels homes ~ N(76;5) i el de les dones ~ N(68;6).
l C tic
Un edifici disposa d'un ascensor que admet una carrega màxima de 300 Kg.
Calculeu la probabilitat que el ascensor no arranqui per excedir el pes:
1. quan pugen 4 dones 2. quan pugen 2 dones i 2 homes
ue ís
iq ad
M st
Sumes de binomials
E
 en sumar 2 binomials X1~B(n1,p) X2~B(n2,p) independents, resulta: X1+X2 ~

B(n1+n2,p). Aquesta propietat es coneix com reproductibilitat
 conseqüència: qualsevol B(n,p) es pot considerar com suma de n binomials
independents B(1,p), és a dir, una B(n,p) és la suma de n Bernouillis(p).
t.
 a continuació es representen les binomials amb n=5, 20 i 50, totes 3 amb p=0.5
ep
(punts negres) juntament amb la densitat normal (corba vermella), de mitjana n/2 i
variància n/4.
D
11
Sumes de Poissons
 en sumar 2 Poissons independents resulta una nova variable que també és Poisson.
 per tant, una variable aleatòria Poisson X~P(λ) es pot considerar com una suma de
B
n Poissons independents de la forma:
X1+...+Xn ~ P(λ) i cada Xi ~ P(λ/n)
vo U
 així, si considerem la Poisson Pn ~ P(n), es pot considerar la suma de n P(1).
 a continuació es representen les Poissons amb λ=1, 5 i 20, (punts negres)
juntament amb la densitat normal (corba vermella) amb μ = λ i σ2 = λ.
al a -
l C tic
ue ís
iq ad
M st
El teorema central del límit

E
• descriu el comportament de sumes infinites de variables amb el mateix model

• la versió més simple de TCL proporciona els següents corolꞏlaris quan es
consideren sumes de variables independents i idènticament distribuïdes, cadascuna
t.
amb mitjana μ i variància σ2

1. la suma de n v.a. Sn = X1+X2+...+ Xn convergeix en llei a una N(nμ , n1/2σ)
ep
2. la mitjana de n v.a. n-1Sn convergeix en llei a una normal N(μ , n-1/2σ)

 un sinònim de convergència en llei a la normal és asimptòticament normal
 el TCL presenta el comportament de sumes infinites de v.a., fa referència a
D
successions infinites, i el resultat es refereix a una distribució final teòrica o de

referència en el límit
 ara bé, el TCL permet utilitzar aquesta distribució final de referència per
aproximar distribucions corresponents a sumes finites
 el TCL permet aproximar la funció de distribució, sigui contínua o discreta, però
no permet aproximar la funció de densitat discreta per una normal
12
Aproximacions de la binomial
 1er resultat demostrat de convergència a una normal per de Moivre, 1733.
 
L
B ( n, p )  N np , npq
B
 l'estudi numèric de l'error comès al aproximar la binomial per la normal permet
establir regles generals per una binomial amb n finit:
vo U
n ≥ 30 0.1 ≤ p ≤ 0.9 aproximar a normal mitjana μ=np, σ2=np(1-p)
n ≥ 30 0 < p < 0.1 aproximar a Poisson λ=np
n ≥ 30 0.9 < p < 1 aproximar la v.a. recíproca* a Poisson λ=n(1-p)
al a -
n < 30 p qualsevol no aproximar, calcular amb variable original
 nota: si la binomial correspon al nº de vegades que apareix A en n repeticions, la
variable recíproca serà el nº de vegades que apareix AC, per tant, una B (n, 1-p).
 Exemples:
l C tic
1. una B (36; 0,5) és aprox. N(18, 3).
3. una B (100; 0,01) és aprox. P(1).
2. una B (100; 0,9) és aprox. N(90, 3).
4 una B (100; 0,95) s'aproxima mitjançant
la recíproca, (B(100;0,05)), aprox. P(5).
ue ís
iq ad
M st
Exemple aproximació binomial

E
 En una campanya de vacunació infantil és conegut que apareix algun efecte

secundari en un 13% de casos. Si es vacunen 1000 nens, quina és la probabilitat de
que tinguin alguna reacció a la vacuna més de 100 d'ells?
t.
 Assumint independència entre les vacunacions dels 1000 nens, la distribució

exacta de la variable "número de nens amb reacció de 1000 vacunats" segueix una
ep
distribució binomial de paràmetres (1000; 0,13).

 Si s’empren directament el càlcul de la probabilitat:
prob( X  100)  1  prob( X  100)  1  F (100)

100 1000

 1  k 1000  k
D
k  0,13 0,87
k 0  
representa un cert esforç numèric. En canvi, plantejat en termes aproximats:

X ~ N 1000  0,13, 1000  0,13  0,87  N (130,10,635)
 100  130 
prob( X  100)  1  prob  Z   1  prob  Z  2,821
 10,635 
 1  (1  0,9976)  0,9976
13
Aproximacions de la Poisson
 asimptòticament Normal de mitjana nλ y variància nλ.
 
L
P ( )  N  , 
B
 l'estudi numèric de l'error comès al aproximar la Poisson per la normal permet
vo U
establir regles generals per una Poisson amb λ finit:
λ ≥ 10 aproximar a la normal de mitjana µ=λ, var. σ2=λ

λ < 10 no aproximar, calcular amb variable original
al a -
 Exemples:
1. una Poisson (16) és aproximadament una normal (16, 4).
l C tic
2. una Poisson (100) és aproximadament una normal (100, 10).
3. una Poisson (5) no es pot aproximar.
ue ís
iq ad
M st
Variables aproximadament normals

E
 en experiments reals en general no es coneix la distribució teòrica de les variables

estudiades. En canvi, es pot establir la distribució empírica mitjançant una mostra.
 amb la mostra es pot construir l'histograma de classes. Des del segle XIX es
t.
coneix que la distribució empírica presenta molts cops un aspecte aproximadament

normal.
ep
 per exemple, un estudi sobre el pes dels homes de 18 anys a Catalunya presenta el
següent histograma:
D
14
Variables aproximadament normals (2)
 el pes és el resultat de l’efecte de factors ambientals (dieta, exercici, malalties, ...) i

congènits (diferents gens afecten aquesta característica, veure Genetics of fat
intake in the determination of body mass)
B
 es pot associar a la suma de moltes variables, amb diferents grau d'influència. El
vo U
TCL explica que aparegui una distribució aprox. normal.
 de forma similar, és explicable la normalitat aproximada de moltes variables
al a -
biomètriques (alçades, longituds, concentracions metabòliques, distribucions
d'edat, ...) així com de la de moltes variables quantitatives d’altres camps del
coneixement com de les ciències experimentals, socials, les enginyeries, ...
 malgrat la importància de la normal, no és la distribució de referència en tot estudi

l C tic
ue ís
iq ad
M st E
t.
ep
Material complementari
D
15
El model Exponencial
 associat a variables que mesuren l’interval de temps/longitud/àrea/volum que
transcorre entre 2 esdeveniments en un procés de Poisson, on els esdeveniments
succeeixen contínua i independentment d’acord a una taxa en promig constant.
B
1  x
f ( x )  exp   on 0  x  
 la funció de densitat es defineix com   
vo U
x
 de forma que la distribució és F ( x )    1e t /  dt  1  e  x /  si x  0
0
 i els paràmetres principals
al a -
E(X) = α, var(X) = α2
 el model Poisson P(λ) compta el nombre

d’esdeveniments per interval, mentre que
l C tic
l’exponencial Exp(α) recull la magnitud
de l’interval entre 2 esdeveniments
consecutius. En aquest context, λ= α-1
ue ís
iq ad
M st
Independència de variables aleatòries

E
 de forma intuïtiva 2 v.a. són independents si el valor que pren una d'elles no
afecta a la probabilitat de cap valor de l'altre.
 de vegades la independència és evident per l'enunciat de l'experiment: per exemple

t.
llançant un dau i una moneda les v.a "Puntuació del dau“ i "Indicador de cara".
 altres cops, la dependència és també clara

ep
P = "puntuació del dau“

I = "indicador de puntuació par"
per exemple si I=1, P només pot ser 2, 4 o 6; si P=3 aleshores I =0 .
D
 altres cops només es pot intuir la possible dependència: per exemple. "alçada en
cm." i "pes en Kg."
16
Independència de variables aleatòries (2)
 la definició formal passa per recordar la regla del producte per 2 esdeveniments.
Aplicant la definició a esdeveniments del tipus X ≤ a :
B
2 v.a. X, Y són independents si i només si
P( X ≤ a ∩ Y ≤ b ) = P( X ≤ a ) ꞏ P( Y ≤ b ) = FX(a) ꞏ FY(b)
vo U
 una conseqüència immediata de la independència de X i Y és que
al a -
P( a < X ≤ c ∩ b < Y ≤ d ) = P( a < X ≤ c ) ꞏ P( b < Y ≤ d )
l C tic
ue ís
iq ad
M st
Propietats de l’esperança i la variància

E
• Les variables aleatòries continues i discretes verifiquen la linealitat de l'esperança

matemàtica
1. E( X + Y ) = E (X) + E (Y)
2. E ( kꞏX ) = k ꞏ E (X) per tot número real k
t.
3. E (k) = k per tot número real k

4. E ( aꞏX+b ) = a ꞏ E(X) + b per tota parella de números reals a i b
ep
i també es compleix que

5. E ( XꞏY ) = E (X) ꞏ E (Y) únicament si X e Y són v.a. independents
 Propietats de la variància
1. Var (X) ≥ 0
2. Var (kꞏX) = k2 ꞏ Var (X) per tot número real k
D
3. Var (k) = 0 per tot número real k

4. Var (aꞏX+b) = a2 ꞏ Var (X) per tota parella de reals a i b
5. Var ( X + Y ) = Var (X) + Var (Y) únicament si X e Y son independents.
• la variància té com unitat física el quadrat de la unitat original de la variable. No és el cas

de la desviació típica que es defineix com:
 x  var( X )  E (( X  E ( X )) 2 )
17
Sumes de variables aleatòries
 la suma de 2 v.a. X1, X2 , definides sobre Ω, correspon a la següent aplicació: :
B
vo U
 la suma de 2 v.a. pot generalitzar-se a sumes de 3, 4,... i, en general, n variables aleatòries.
 el TCL s'ocupa de successions de v.a.: un conjunt on el 1er element és una v.a, el 2on la
suma de 2 v.a., el 3er una suma de tres, i així successivament.
al a -
 una successió és un conjunt amb ∞ elements, designat simbòlicament com {Xn}.
 cada element de {Xn} porta associada una determinada funció de distribució:
l C tic Xn → Fn
ue ís
iq ad
M st
El teorema central del límit

E
Sigui X1, X2,...,Xn,...un conjunt de v.a. independents idènticament distribuïdes,

cadascuna amb distribució F, y suposem que E(Xk) = μ i var(Xk) =σ2 per a tot
element del conjunt. Si la suma normalitzada de n termes és:
t.
Aleshores
ep
la convergència es produeix tant si la variable és discreta com absolutament contínua.
Corolꞏlaris importants
D
1.Si considerem la suma ordinària de las n v.a., Sn = X1+X2+...+ Xn , la successió {Sn}

convergeix en llei a una Normal de mitjana nμ i variància nσ2
2.Si considerem la mitjana de las n variables aleatòries n-1Sn la successió de mitjanes

convergeix en llei a una normal de mitjana μ i variància n-1σ2
18
Taula de la funció de distribució N(0,1)
B
vo U
F(1,03) = 0,8485
al a -
F-1(0,9798) = 2,5
l C tic
ue ís
iq ad
M st
Taula de la funció de distribució N(0,1) - 2

E
t.
ep
F(4) = 0,99997
D
F(1,645) = 0,950
19

Ub Calvo: Estadística - Grau Bioquímica Tema 5. Models Continus

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Ub Calvo: Estadística - Grau Bioquímica Tema 5. Models Continus

Uploaded by

Copyright:

Available Formats

B

Classificació de les variables aleatòries

Variables aleatòries discretes

s'ha presentat un esdeveniment

Variables aleatòries continues

 un cas particular son les variables aleatòries absolutament continues on existeix

f és la funció de densitat de probabilitat de la variable X.

Miquel Calvo - Departament d’Estadística 2

Funció de densitat discreta vs continua

 és la probabilitat que la variable prengui el valor x: f (x) = prob (X = x).

 la probabilitat que una v.a. continua prengui un valor concret és

prob(X = x) = 0 per tot x real

Miquel Calvo - Departament d’Estadística 4

cua esquerra de la distribució

Probabilitat en intervals: densitat continua - 2

 l'àrea sota la funció de densitat entre dos punts a i b és la probabilitat de que la

Miquel Calvo - Departament d’Estadística 6

 la funció de densitat U(a,b) permet calcular fàcilment la distribució per

Miquel Calvo - Departament d’Estadística 8

 aplicant les expressions anteriors a la funció de densitat U(a,b)

Miquel Calvo - Departament d’Estadística 10

 el model continu més important en Estadística, resulta freqüent que variables

 la funció de densitat es defineix com

 depèn de dos paràmetres μ (qualsevol valor real) i σ (real positiu).

Miquel Calvo - Departament d’Estadística 12

Els paràmetres μ i σ en el model Normal (2)

consultar la URL http://cinna.upc.edu:3838/statmedia/Statmedia_2/

Densitat N(0,1) i tipificació

 Si X ~ N( μ ,σ) i definim Z = (X- μ) / σ aleshores Z ~ N(0,1). Per tant:

 la transformació del càlcul de la funció de distribució d'una normal qualsevol a la

normal tipificada s'anomena tipificació

 la tipificació permet abordar el càlcul de probabilitat d'un interval per a qualsevol

 per exemple, si X ~ N(3,2) i es vol calcular FX (5,06)

Miquel Calvo - Departament d’Estadística 16

Calcular quantils amb R

 alguns valors especials

Miquel Calvo - Departament d’Estadística 18

3. Si la proporció d'homes és del 45% i escollim un individu a l’atzar (no es

Consulteu el document Mp4 Models continus amb R-Commander al campus de

Teorema Central del Límit

Miquel Calvo - Departament d’Estadística 20

 en sumar 2 binomials X1~B(n1,p) X2~B(n2,p) independents, resulta: X1+X2 ~

Miquel Calvo - Departament d’Estadística 22

El teorema central del límit

• descriu el comportament de sumes infinites de variables amb el mateix model

amb mitjana μ i variància σ2

2. la mitjana de n v.a. n-1Sn convergeix en llei a una normal N(μ , n-1/2σ)

successions infinites, i el resultat es refereix a una distribució final teòrica o de

Miquel Calvo - Departament d’Estadística 24

Exemple aproximació binomial

 En una campanya de vacunació infantil és conegut que apareix algun efecte

 Assumint independència entre les vacunacions dels 1000 nens, la distribució

distribució binomial de paràmetres (1000; 0,13).

λ ≥ 10 aproximar a la normal de mitjana µ=λ, var. σ2=λ

Variables aproximadament normals

 en experiments reals en general no es coneix la distribució teòrica de les variables

coneix que la distribució empírica presenta molts cops un aspecte aproximadament

Miquel Calvo - Departament d’Estadística 28

 el pes és el resultat de l’efecte de factors ambientals (dieta, exercici, malalties, ...) i

 de forma similar, és explicable la normalitat aproximada de moltes variables

 malgrat la importància de la normal, no és la distribució de referència en tot estudi

Miquel Calvo - Departament d’Estadística 30

 el model Poisson P(λ) compta el nombre