TEMA 5.

PROBABILITAT

5.1. Mesura de probabilitat. Axiomàtica i propietats

5.2. Probabilitat condicionada. Teorema de la intersecció
5.3. Independència de successos

5.1. Mesura de probabilitat. Axiomàtica i propietats.

5.1.1. Experiments aleatoris. Espai mostral

La teoria matemàtica sobre la probabilitat es va anar construint al llarg dels
segles, normalment relacionada amb l’anàlisi de diferents tipus de jocs. Els
matemàtics francesos Pierre de Fermat i Blaise Pascal van fer contribucions
importants a la teoria de la probabilitat.
Amb la inferència, part important de l’estadística, es tracta de conèixer
característiques d’una població a partir d’observacions procedents d’una
mostra (doncs la majoria de vegades és impossible accedir a tota la població).
Però és impossible conèixer-les exactament a partir de la informació mostral,
és a dir, existeix incertesa. La teoria de la probabilitat serà un instrument bàsic
per resoldre situacions plantejades en un context d’incertesa. A partir de la
mostra es poden efectuar afirmacions sobre la població en termes de
probabilitat.

Davant d’un fenomen turístic amb desenllaç incert, l’agent turístic ha de decidir
sobre alguns aspectes, i actuarà d’una forma més adequada si pot avaluar les
probabilitats d’ocurrència dels diferents resultats.
Per entendre el concepte de probabilitat és necessari introduir-ne d’altres.

Cal distingir dos tipus d’ experiments depenent de si se’n pot predir o no els
resultats:
a) Experiment determinista, és aquell el resultat del qual es coneix abans de
fer-ho. Si no es modifiquen les condicions, sempre s’obté el mateix resultat.
Exemples:
 Es mesura la longitud del costat d’un quadrat per poder calcular-ne
l’àrea.
 Es llança una pedra cap amunt, que puja fins a una certa distància i
acaba caient.
 Si s’observa que passa amb l’aigua que hi ha en una cassola si
s’escalfa fins a aconseguir la temperatura de 100ºC, la resposta és
segura, l’aigua s’acabarà evaporant.
b) Experiment aleatori, és aquell en el qual no se’n pot predir el resultat
abans de fer-lo. Són aquells processos que al repetir-se en condicions similars,
presenten o poden presentar dos o més resultats diferents, és a dir, depenen
de l'atzar. Existeix una incertesa prèvia corresponent al resultat que es donarà.
Exemples:
 Resultat del llançament d’un dau.
 Resultat del llançament d’una moneda a l’aire.
 Resultat d’un determinat apartat d’un conjunt de comptes examinat per
un auditor.

1
L’espai mostral (E o Ω), d’un experiment aleatori és el conjunt dels resultats
que es poden obtenir quan es fa aquest experiment.

Un experiment aleatori podria ser llançar un dau, mai no es

podrà saber del cert quin nombre sortirà. L’únic que se sap
segur és el seu espai mostral. E= 1,2,3,4,5 i 6 .
Cada un dels elements que formen l’espai mostral s’anomena
esdeveniment o succés elemental, que en aquest cas són:

5.1.2. Successos. Tipus de successos

Un succés és cada un dels subconjunts de l’espai mostral d’un experiment
aleatori. Es representa amb lletres majúscules, i els seus elements s’escriuen
entre claus i separats per comes.
Cada succés pot estar format per un element, diversos o cap.

Tipus de successos:

 Succés elemental: és el succés format per un únic element de

l’experiment
Exemple: A1= 1 , A2= 2 ,...
 Succés compost: és el succés format per diversos successos elementals
(està contingut en E).
Exemple: B= “obtenir un nombre parell” = 2,4,6 .
 Succés segur: és el succés que es verifica sempre en fer l’experiment,
coincideix amb l’espai mostral (E).
Exemple: C= “obtenir un nombre més petit que 7” = 1,2,3,4,5,i 6 .
 Succés impossible o fals: és el succés que no es verifica mail Es designa
mitjançant el símbol del conjunt buit: .
Exemple: D= “obtenir un 7”.

En moltes ocasions estem interessats simultàniament en dos o més successos.

Depenent de la relació que hi hagi entre dos o més successos, cal distingir-ne els tipus següents:
 Succés contrari: el succés contrari a un succés A és el
constituït pels elements de l’espai mostral que no formen
part del succés A. Es designa mitjançant Ac o A .
Exemple: B= “obtenir un nombre parell”= 2,4,6
llavors B= 1,3,5
 Successos incompatibles: són els que no poden passar
alhora. És a dir, no tenen cap succés elemental en comú.
Exemple: A = 1,3 i B= 2,5

 Successos compatibles: són els que poden passar alhora. És a dir,

tenen algun succés elemental en comú.
Exemple: : A= 1,3 i B= 3,4,5

5.1.3. Operacions amb successos ( o esdeveniments)

Amb els successos es poden fer operacions, que són relatives a conjunts.

2
Exemple: Si tenim una urna amb 9 boles, 5 boles vermelles i 4 boles blaves
numerades. Considerem els successos:

A= “extreure bola vermella”= , , , ,

B= “extreure nombre parell” = , , ,

Entre aquests dos successos es poden definir les operacions següents:

- Unió de successos: es representa per A  B, és el succés

format pels elements del succés A juntament amb els elements
del succés B. (Si succeeix A i/o B).

AB= , , , , , ,

- Intersecció de successos: es representa per A  B, és el

succés format pels elements comuns al succés A i al succés B, el
conjunt de resultats bàsics que pertanyen als dos successos
(Si succeeix A i B).

AB= ,

Exemple: Tenim una urna formada per 9 boles, cinc boles vermelles i quatre
boles blaves numerades. Considera els successos a= “extreure bola vermella” i
B= “extreure bola blava”. Calcula la unió i la intersecció dels dos successos.
Solució:

Unió de successos: A  B = , , , , , , , ,

Intersecció de successos: A  B = Ø

3
Els successos A i B no tenen cap element en comú, es tracta de dos successos
incompatibles.
Com hem vist abans, dos successos A i B són incompatibles quan no tenen
cap element en comú i la seva intersecció A  B és el conjunt buit:= Ø.

Un succés i el seu contrari compleixen sempre aquestes dues propietats:

A  A= E i A  A= Ø

- Diferència de successos: es representa per A - B, és el succés format pels

elements del succés A i que no pertanyen a B. És igual a A  .

5.1.4. Freqüència d’un succés (esdeveniment)

Les freqüències absoluta i relativa d’un succés es defineixen de manera

anàloga a com es van definir en estadística aquests mateixos conceptes
aplicats a un valor.
La freqüència absoluta, ni d’un succés A, és el nombre de vegades que passa
el succés quan es fa un experiment.
Es porta a terme l’experiment de llançar una moneda a l’aire 10 vegades i
s’obtenen els resultats següents: C, C ,+,C, +, C, +, +, C, C.
Si s’ordenen en una taula aquetes dades i es consideren els successos:
A= “treure cara” i B= “treure creu”, la freqüència absoluta de cada succés és la
que es mostra en la taula:

Freqüència absoluta (ni)

Nombre de cares (succés A) 6
Nombre de creus (succés B) 4

Si es vol relacionar la freqüència absoluta amb el nombre de vegades que es fa

l’experiment, es troba la freqüència relativa.
La freqüència relativa fi d’un succés A, és el quocient entre la freqüència
absoluta i el nombre de vegades que es fa l’experiment.
Fi = ni/ N
Així, en l’experiment del llançament de la moneda, la freqüència relativa de
cada succés és la que es mostra en la taula:

Freqüència relativa (ni)

Nombre de cares (succés A) 6/10 = 0,6
Nombre de creus (succés B) 4/10 = 0,4

4
5.1.5. Probabilitat d’un succés (esdeveniment)

La probabilitat d’un succés mesura el grau de possibilitat que tingui lloc aquest
succés. El seu valor està comprès entre 0 i 1.
 una probabilitat de 0 indica que el resultat (o succés, en termes
probabilístics) és impossible,
 una probabilitat d’ 1 indica que el resultat és segur que s’esdevingui,
 una probabilitat entre 0 i 1 indica incertesa, com més a prop estigui del zero
més poc probable és que el succés s’esdevingui, com més a prop estigui de
l’1, més probable és que el succés s’esdevingui.

0 0,5 1
Impossible possible Segur

Freqüència relativa i probabilitat

En repetir un experiment un nombre de vegades molt elevat, la freqüència

relativa d’aquest succés tendeix a estabilitzar-se cap a un valor. Aquest valor
s’assigna com a probabilitat que es produeixi aquest succés. És el que es
coneix com a llei dels grans nombres.
Per calcular la probabilitat que surti cara, llancem una moneda a l’aire i anem
augmentant el nombre de llançaments.

Nombre de llançaments F. absoluta: ni F. relativa: fi

10 6 0,60
100 38 0,38
1000 581 0,581
10.000 4.913 0,491
50.000 25.116 0,502

A mesura que augmenta el nombre de llançaments, la freqüència relativa

s’aproxima a 0,5.

La probabilitat d’un succés A, s’escriurà P(A), és el valor cap al qual

s’aproxima la seva freqüència relativa quan l’experiment es repeteix un
nombre elevat de vegades. P(A)= fi

Per tant, la probabilitat que surti cara és P(treure cara) = 0,5 = 1/2.

5
Regla de Laplace

La probabilitat fa referència als fenòmens aleatoris, és

a dir, als successos que depenen de l’atzar. Hem vist
que la probabilitat que ocorri un succés en un
experiment és el valor al qual s’aproxima la freqüència
relativa quan aquest experiment es fa un nombre
elevat de vegades. Ara bé, si per calcular la
probabilitat d’un succés haguéssim de fer l’experiment
50.000 vegades, seria força pesat.

Existeixen diferents normes per calcular la probabilitat,

la més utilitzada és la Regla de Laplace.

Per aplicar aquesta regla, hem de considerar els conceptes següents:

- Succés equiprobable: és cada un dels successos elementals d’un espai
mostral quan la probabilitat que acabin passant és la mateixa per a tots.
- Casos possibles: són els diferents resultats que es poden obtenir quan es
fa un experiment.
- Casos favorables: són els resultats que fan que es verifiqui aquest
succés.

Laplace va definir, en igualtat de condicions, per tots els elements d’un

col·lectiu, la probabilitat d’un succés P(A) ve donada pel quocient entre els
casos favorables i els casos possibles:

Exemple: En una caixa hi ha 24 boles iguals de grandària, 6 vermelles i 18

blaves, la probabilitat d’escollir-ne una a l’atzar i que sigui vermella és:

P(V) =

Hi ha un 25% de probabilitat d’escollir-ne una a l’atzar i que sigui de color

vermell.

5.1.6. Propietats de la probabilitat

Propietat 1. La probabilitat d’un succés, està compresa entre 0 i 1.

0 ≤P(A) ≤1
Com a conseqüència d’aquesta propietat, tenim que la probabilitat del succés
segur és 1: P (E)=1 . La probabilitat del succés impossible és 0: P (Ø)=0
Exemple: llançar un dau i obtenir un 7

Propietat 2. La suma de probabilitats de tots els successos elementals és 1:

P (A)+ P(B)=1, si A i B formen l’espai mostral.
Propietat 3.
6
 - La probabilitat de la unió de successos incompatibles o mútuament
excloents (A i B no es poden donar alhora i per tant la intersecció és
nul·la) és igual a la suma de les probabilitats dels successos:
P (AB)= P (A)+ P (B)
Com a conseqüència d’aquesta propietat, tenim que la suma de la
freqüència relativa d’un succés i el seu contrari és 1:
P (A)+ =1
- La probabilitat de la unió de successos compatibles o no excloents
(és a dir la probabilitat de la intersecció no és zero i, per tant, es poden
donar alhora) és igual a la suma de les probabilitats d’aquests successos
menys la probabilitat del succés intersecció:
P (AB)= P (A)+ P (B) - P(AB)

Exemple: una cadena de menjar ràpid coneix que el 75% dels clients utilitzen
mostassa, el 80% utilitza ketchup i el 65% els dos productes. Quina és la
probabilitat de que un client utilitzi almenys un dels dos?

A= el client utilitza mostassa P (A) = 0,75

B= el client utilitza ketchup P (B) = 0,80
A B = el client utilitza mostassa i ketchup P (A B) = 0,65

Per successos no excloents (compatibles):

La probabilitat de que un client utilitzi almenys un dels dos productes és del

90%.

Altres regles per calcular probabilitats:

1) La probabilitat del succés contrari és P( A )  1  P(A )

Exemple: quan es llança un dau la probabilitat de treure un 2 és 1/6, per tant
la probabilitat de que no surti un 2 és 1- 1/6 = 5/6.

2) Si un succés A1 està contingut en un altre succés A 2, la probabilitat de A1

mai serà més gran que la probabilitat de A2.

Exemple: Si la probabilitat de superar un examen és de 0,48, la probabilitat

d’obtenir un Notable és P(N)  0,48

5.2. Probabilitat condicionada. Teorema de la intersecció.

Independència de successos
Considerem l’experiment d’extreure dues boles d’una urna que conté 5 boles:
dues boles blaves i tres boles vermelles. Es tenen en compte dos successos: el
primer és A = ”obtenir bola vermella a la primera extracció” i el segon, B =
“obtenir bola vermella a la segona extracció”. Les extraccions es poden fer de
dues maneres:

7
 - Amb reemplaçament: es treu la primera bola, es mira de quin color és i
es torna a introduir a l’urna per, a continuació, treure la segona bola.
- Sense reemplaçament: es treu la primer bola, es mira de quin color és i
es deixa a un costat per, a continuació, treure la segona bola.
El succés B = “obtenir bola vermella a la segona extracció” no està format pels
mateixos elements quan la primera bola es torna a l’urna que quan no s’hi
torna.

Successos independents. Si es torna la bola, són successos independents, ja

que el resultat del succés B no està condicionat pel succés A.
Els successos A i B estarien formats pels elements:
A= R1, R2, R3 B= R1, R2, R3

Successos dependents. Si no es torna la bola, són successos dependents, ja

que el resultat del succés B si que està condicionat pel succés A.
El succés A estaria format pels elements: A= R1, R2, R3
El succés B, si suposem que la bola extreta és R1 seria: B= R2, R3

Probabilitat condicionada
Si dos successos A i B estan relacionats, és a dir, són dependents, el resultat
d’un succés “A” variarà en funció del resultat de l’altre succés “B”, per tant, té
sentit parlar de la probabilitat condicionada d’A segons el resultat de B.

Si dos successos no estan relacionats i són independents, el resultat d’un no

afectarà el resultat de l’altre.

Es diu probabilitat condicionada del succés A respecte el succés B, a la

probabilitat de què donat que el resultat d’un experiment hagi estat B, sigui
simultàniament A. Aquest valor es representa com P(A /B) i s’escriu:

sempre que P(B) >0

La probabilitat condicionada del succés B respecte el succés A s’escriu:

sempre que P(A) >0

De l'apartat anterior, deduïm que la probabilitat de la intersecció és:

o bé

A és independent de B, si el fet que s’hagi produït o no B, no altera la

probabilitat de A.

B és independent de A, si el fet que s’hagi produït o no A, no altera la

probabilitat de B.

Per tant, la intersecció de successos independents serà:

8
Podem dir que dos successos A i B són independents, si i només si, la
probabilitat de la seva intersecció és igual al producte de les seves
probabilitats.

Successos dependents Successos independents

9
Exemple. Tenim la valoració que han fet un conjunt de visitants al monestir
de Santes Creus després de les reformes que s’hi van celebrar l’hivern passat.
Hem recollit 100 respostes i hem classificat les opinions en “molt adients”,
“adients”, “poc adients”, “gens adients” i les zones de residència de l’enquestat
en 1: Catalunya, 2: Resta Espanya 3: Resta del món.

Zona residència (R)  

Opinió (O) R1 R2 R3 Total
Molt Adients O1 19 5 14 38
Adients O2 5 7 6 18
Poc Adients O3 16 5 5 26
Gens Adients O4 2 7 9 18
Total 42 24 34 100

a) Indica l’espai mostral del succés Opinió i un succés elemental d’Opinió.

A partir de la taula de doble entrada, calculeu quina és la probabilitat de

què una persona seleccionada aleatòriament:

b) Opini que les reformes són “gens adients”.

c) Resideixi en la zona 3.

d) Resideixi en la zona 3 i opini que les reformes són “ gens adients”.

e) Resideixi en la zona 1 o opini que les reformes són “molt adients”.

f) No opini que les reformes són “gens adients”.

g) Opini que les reformes són “gens adients”, si és coneix que resideix en la
zona 3.

h) Són independents els successos “reformes gens adients” i “residir en la

zona 3”?

Solució:

a) L’espai mostral del succés Opinió són els diferents resultats possibles:
E= gens adients, poc adients, adients, molt adients
Un succés elemental és per exemple O4= gens adients

b) La probabilitat de què una persona seleccionada aleatòriament opini que les

reformes són “gens adients”, amb la regla de Laplace:

P(O4) =

Hi ha una probabilitat del 18% de què opini que les reformes són gens adients.

10
c) La probabilitat de què una persona seleccionada aleatòriament resideixi en
la zona 3, amb la regla de Laplace: P(R3) =

Hi ha una probabilitat del 34% de què resideixi en la zona 3.

d) Resideixi en la zona 3 i opini que les reformes són “ gens adients”

Calculem la intersecció:

Hi ha una probabilitat del 9% de què resideixi en la zona 3 i opini que les

reformes són gens adients.

e) Resideixi en la zona 1 o opini que les reformes són “molt adients”

Calculem la unió:

Hi ha una probabilitat del 61% de què resideixi en la zona 1 o opini que les

reformes són molt adients.

f) No opini que les reformes són “gens adients”

Calculem la probabilitat del contrari: P(

Hi ha una probabilitat del 82% de què no opini que les reformes són gens

adients.

g) Opini que les reformes són “gens adients”, si és coneix que resideix en la
zona 3:

Calculem la probabilitat condicionada:

Hi ha una probabilitat del 26% de què si es coneix que resideix en la zona 3,

opini que les reformes són gens adients.

11
h) Els successos reformes gens adients (O4) i residir en la zona 3 (R3) són
INDEPENDENTS ESTADÍSTICAMENT si es compleix:

P(O4 R3) = P (O4 ) · P(R3)

P(O4 R3) = P(O4)= P(R3)=

0,09 és igual o no ? al producte de 0,18 per 0,34

0,09 ≠ 0,18 · 0,34

0,09 ≠ 0,272

Com no es compleix la igualtat, no són independents els successos “reformes

gens adients” i “residir en la zona 3”, per tant, són dependents
estadísticament.

12
Per repassar conceptes bàsics de PROBABILITAT podeu anar a l’adreça:

http://recursostic.educacion.es/descartes/web/indice_edad_cat.php

http://webs.ucm.es/info/genetica/Estadistica/estadistica_basica.htm#Sucesos
%20y%20Probabilidades)

13
EXERCICIS D’AUTOAVALUACIÓ

Exercici. Un majorista de viatges té 200 clientes classificats en una taula

segons si realitzen comandes regularment o de forma esporàdica, o bé si
efectuen el pagament al comptat o a crèdit.

Pagament
Comanda Al comptat (Co) A crèdit (Cr)
Regular (R) 10 15 25
Esporàdic(E) 20 155 175
30 170 200

a) Calculeu amb la regla de Laplace la probabilitat que un client escollit a

l’atzar faci comandes de forma regular P(R) i la probabilitat que un client faci
comandes a crèdit P(Cr), així com la probabilitat de la intersecció: P(R Cr).

b) Quina és la probabilitat que un client escollit a l’atzar faci comandes de

forma regular o bé efectuï els pagaments a crèdit?

c) Calculeu la probabilitat que el client que escollim a l’atzar faci comandes de

forma regular si sabem que aquest client efectua els seus pagaments a crèdit.

d) Són independents els successos “comprar a crèdit” i “comprar

regularment”?

SOLUCIÓ:

a) Si utilitzem la regla de Laplace:

P(Regularment) = P(R)=

P(Crèdit) = P(Cr)=

P(Regularment Crèdit) = P(R Cr) =

b) P(Regularment Crèdit) = P( R)+ P(Cr )- P(R Cr) =0,125+0,85- 0,075 =

0,9

c) o bé segons la taula:

d) Els successos són INDEPENDENTS si no hi ha condicionament.

14
Podem comprovar si són independents si es compleix:

P(R Cr) = P (R ) · P( Cr)

P(R Cr) = P(R)= P(Cr)=

=???? ·

0,075 ≠ 0,85 · 0,125

0,075 ≠ 0,10625

Com no es compleix la igualtat, no són independents els successos “comprar a

crèdit” i “comprar regularment”, són dependents estadísticament.

15
TEMA 6. DISTRIBUCIONS DE PROBABILITAT

Una de les parts més importants de l'estadística està dedicada a l'estudi de la

relació que hi ha entre la informació parcial que es pot extreure d'una mostra i
les característiques de població més generals. Aquesta part que permet passar
d'un experiment concret a una modelització més abstracta i general es basa en
els models matemàtics de probabilitat.

Els models de probabilitat poden ser de dos tipus: discrets o continus, segons
ho és la variable aleatòria.

En aquest apartat farem una aproximació teòrica a les distribucions Binomial,

de Poisson i Normal.

La distribució Binomial

La variable aleatòria  o X és discreta. L’experiment aleatori té dos

possibilitats: èxit i fracàs.
Representem p= probabilitat d’èxit, q= probabilitat de fracàs.
Si realitzem n repeticions independents, la distribució del número d’èxits
resultant s’anomena distribució binomial.

Exemple: Distribució binomial amb n= 4 i p=0,5

Funció de quantia. Distribució binomial

0,6

0,5

0,4 0,375
probabilitat

0,3 0,25 0,25

0,2

0,1 0,062 0,062

0
0 1 2 3 4
X

X F. Quantia Binomial B(4, 0,5)

0 0,0625
1 0,2500
2 0,3750
3 0,2500
4 0,0625

16
CÀLCUL DE PROBABILITATS DISTRIBUCIÓ BINOMIAL (amb programa
informàtic)
Exemple: Quan llancem una moneda podem obtenir dos resultats: cara o
creu. La probabilitat que el primer cop que llancem la moneda sigui cara és de
0,5, quina és la probabilitat de què exactament en 3 de 4 intents obtinguem
cara?
És una distribució binominal amb n= 4, p= 0,5 i x= 3.
P ( = 3)=amb la gràfica anterior, taules o amb el programa informàtic = 0,25.
Hi ha un 25% de probabilitat de què en 3 de 4 intents obtinguem cara.

La distribució de Poisson
S’aplica quan una variable aleatòria  és discreta i indica el número
d'ocurrències d’un succés en un període de temps.
Es defineix en funció del paràmetre lambda= λ = n · p
Exemples:
• vehicles que passen un 1 minut per un peatge
• núm. de trucades telefòniques que es reben durant un dia en una
centraleta
• núm. de vegades que falla una peça
• Clients atesos en una sucursal durant un període de temps determinat

Exemple: Distribució de Poisson amb lambda λ =3

Funció de quantia. Distribució de Poisson

0,25

0,2
probabilitat

0,15

0,1

0,05

0
0 1 2 3 4 5 6 7 8 9 10
X

17
X F. Quantia Poisson λ =3
0 0,049787
1 0,149361
2 0,224042
3 0,224042
4 0,168031
5 0,100819
6 0,050409
...........

CÀLCUL DE PROBABILITATS DISTRIBUCIÓ POISSON

(amb programa informàtic)
Exemple: Si tenim una variable aleatòria (v.a.) que segueix una distribució de
Poisson, per exemple, el número de automòbils que estacionen en
l’aparcament d’un hotel en un interval d’una hora i sabem que tenen un promig
d’ocurrència de 3 vehicles/hora (lambda: λ : 3). Es demana, quina probabilitat
hi ha de què estacionin 5 vehicles?
La v. a. segueix una distribució de Poisson amb λ = 3 i x= 5, probabilitat
puntual:
P ( = 5) = càlcul amb la gràfic, taules o l’ordinador= 0,10
Hi ha un 10% de probabilitat de que estacionin 5 vehicles.

De la mateixa forma que es podien acumular les freqüències absolutes es

poden acumular les probabilitats i obtenir la probabilitat acumulada.
X F. Quantia F. Probabilidad
0 0,049787 0,049787
1 0,149361 0,199148
2 0,224042 0,423190
3 0,224042 0,647232
4 0,168031 0,815263
5 0,100819 0,916082
6 0,050409 0,966491
7 0,021604 0,988095
...........

18
Quina probabilitat hi ha que estacionin menys de 5 vehicles?
Es una distribució binominal amb λ = 3 i x= 4, probabilitat acumulada:
P (  < 5) = P (   4) = 0,8152
Hi ha un 81,52 % de probabilitat de que estacionin menys de 5 vehicles.

La distribució normal

La distribució normal és una funció de probabilitat de variables contínues que

sorgeix amb molta freqüència en nombrosos fenòmens reals, naturals, socials
o psicològics, com l’alçada, la temperatura, la renda, el consum d’un producte
o el coeficient intel·lectual. Es coneix també amb el nom de corba de Gauss o
gaussiana.

Suposem que d’una població s’estudia una variable contínua, és a dir, que
pugui prendre qualsevol valor entre un interval definit en nombres reals, com
el pes. Es decideix dibuixar l’histograma amb un nombre determinat d’intervals
que en successives fases es va ampliant i, per tant, reduint l’amplada dels
mateixos fins aconseguir un nombre infinit d’intervals, amb la qual cosa
s’aconsegueix una funció sota la qual hi ha un àrea que es mesura en termes
de probabilitat.

Així, el valor de l’àrea total és 1, és a dir, la probabilitat que un individu de la

població tingui un pes situat sota l’àrea és del 100%.

Histogrames

Corba distribució normal

19
Per a la seva descripció són necessaris dos paràmetres (mi) i (sigma)
que, respectivament, representen la mitjana i la desviació estàndard de la
distribució normal: N( , ). Per a valors diferents dels paràmetres s’obtenen
funcions diferents, així, la funció de densitat o funció contínua no negativa que
té un àrea total sota igual a 1, d’una variable x que segueix una distribució
normal és:

per - < x < ,

On i són números i on e i són constants físiques.

Si per exemple, la variable contínua que s’estudia és l’edat i es coneix que

segueix una distribució normal de mitjana 30 anys i desviació estàndard 2
anys, s’escriu com N(30,2).

La funció de densitat resultant presenta una forma de campana simètrica

respecte la mitjana igual a 30 anys, on la moda coincideix amb aquest valor,
tal com s’observa en el gràfic 1.

Gràfic 1. Funció de densitat de probabilitat d’una distribució normal N (30,2)

Característiques de la distribució normal

La distribució normal es caracteritza per la seva forma de campana simètrica,

en la qual la mitjana proporciona una mesura de la posició central i la desviació
estàndard una mesura de la dispersió al voltant de la mitjana.

El gràfic 2 mostra el desplaçament horitzontal de la funció, com a

conseqüència de modificar la mitjana de 2 a 4 i mantenir la mateixa desviació
estàndard en 0,5.

20
Gràfic 2. Distribucions normals amb igual desviació estàndard i diferents
mitjanes

En el gràfic 3, s’observa com es modifica la forma de la campana si canvia la

desviació estàndard sense canviar la mitjana. Partint d’una distribució de
mitjana 2 i desviació estàndard 0,5, es passa, sense variar la mitjana, a una
altra distribució de desviació estàndard 1 més aplanada.

Gràfic 3. Distribucions normals amb mitjana comú i diferent desviació

estàndard

Exemple. D’un grup nombrós d’estudiants que s’examinen, s’espera que molts
d’ells, obtinguin una puntuació que es concentrarà al voltant de la mitjana i
que a mesura que les notes s’allunyin de la mitjana la proporció disminuirà.

21
Per tant, la variable puntuació de l’examen, presenta una distribució amb un
pic en la mitjana i que va disminuint gradualment en els extrems. Una
distribució d’aquestes característiques s’anomena distribució normal.

En conclusió, la distribució normal presenta forma de campana simètrica

centrada en la mitjana en la qual coincideixen la moda i la mediana; té una
forma més o menys aplanada o apuntada segons el valor de la desviació
estàndard.

Càlcul de probabilitats distribució normal

L’àrea sota la campana es llegeix en termes de probabilitat i es coneix com a

regla empírica o regla 68-95-99. Indica que al voltant del 68% dels valors de
la distribució normal estan a una distància d’una desviació típica (σ > 0) de la
mitjana; al voltant del 95% dels valors estan a dos desviacions típiques de la
mitjana i al voltant del 99% estan a tres desviacions típiques de la mitjana. En
concret:

- en l’interval [µ - σ, µ + σ] es troba compresa, aproximadament, el

68,26% de la distribució.

- en l’interval [µ - 2σ, µ +2 σ] es troba compresa, aproximadament, el

95,44 de la distribució.

- en l’ interval [µ - 3σ, µ + 3σ] es troba compresa, aproximadament, el

99,74% de la distribució.

Es pot veure gràficament,com pràcticament la totalitat de la distribució es

troba a tres desviacions típiques de la mitjana.

22
Gràfic 4. Distribució de probabilitat al voltant de la mitjana d’una distribució
normal N(μ, σ)

68,26 %

95,46 %

99,73 %

-3σ -2σ -1σ  +1σ +2σ +3σ

Tenint en compte que la variable és contínua, habitualment les probabilitats

que es calculen corresponen a un àrea determinada sota la corba. Així, si es
vol obtenir la probabilitat de què la variable prengui un valor inferior a , el
que es demana és el càlcul de l’àrea sota la corba delimitada des d’aquest punt
fins a l’esquerra, tal com s’observa en el següent gràfic. S’està demanant la
funció de distribució acumulada en aquest punt.

Gràfic 5. Funció de distribució acumulada de la distribució normal

La funció de distribució acumulada es representa per: i

correspon a l’àrea situada sota la funció de densitat normal a l’esquerra de .

23
Si l’objectiu és calcular la probabilitat entre dos punts, a i b, l’àrea situada sota
la corba entre aquests dos punts, s’obtindrà la funció de distribució en el punt
major menys la funció de distribució en el punt menor: .

A la pràctica, per calcular probabilitats d’una variable que segueix una

distribució normal, de la qual es coneix la mitjana i la desviació estàndard,
s’utilitza la distribució normal tipificada o estàndard, és a dir, es
transforma la distribució original en una altra on la mitjana és 0 i la desviació
estàndard 1, en una N(0,1).

Gràfic 6. Funció de densitat de probabilitat N(0,1)

Mitjana=0; Desv. estàndard=1

0,4

0,3
Funció de densitat

0,2

0,1

0,0
-3 -2 -1 0 1 2 3
Valors de x

Càlcul de probabilitats

La distribució normal estàndard està tabulada com en les taules estadístiques

que podeu veure en l’Annex 1. Taula de probabilitats acumulades de la
distribució Normal (0,1), de forma que a la pràctica, s’utilitzen aquests
valors tabulats de la funció de la distribució normal estàndard per trobar valors
en termes de probabilitat. També es poden fer els càlculs amb diferents
programes informàtics.

A continuació es mostra com realitzar el càlcul de probabilitats a l’esquerra del

valor, a la dreta o bé entre dos valors usant la distribució normal tipificada i
també com a partir de conèixer la probabilitat podem buscar quin és el valor
de la distribució normal.

1) Probabilitat a l’esquerra (per davall) d’un valor

24
Els valors de la funció de distribució acumulada de la distribució normal
estàndard o tipificada es troben tabulats en la taula 1.
Vegeu Annex 1. Taula Probabilitats acumulades de la distribució
Normal (0,1), o bé calcular Programa informàtic Excel - càlcul de
probabilitats, vegeu pràctica d. Normal.

Aquesta taula facilita la probabilitat acumulada cap a l’esquerra a partir del

valor : .
Per exemple, si es vol calcular la probabilitat acumulada en el punt 1,25,
equival a l’àrea ombrejada sota la corba de la densitat normal d’una distribució
estandarditzada, tal com mostra el gràfic 6. Així:

Mirant les taules de l’annex, el valor que correspon a la fila del valor 1,2 i la
columna 0,05, és 0,894. Hi ha un 89,4% de probabilitat que el valor sigui
inferior a 1,25.

Taula (continuació). Probabilitats acumulades de la distribució Nomal (0,1):

z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 0,50000 0,50399 0,50798 0,51197 0,51595 0,51994 0,52392 0,52790 0,53188 0,53586
0,1 0,53983 0,54380 0,54776 0,55172 0,55567 0,55962 0,56356 0,56749 0,57142 0,57535
0,2 0,57926 0,58317 0,58706 0,59095 0,59483 0,59871 0,60257 0,60642 0,61026 0,61409
0,3 0,61791 0,62172 0,62552 0,62930 0,63307 0,63683 0,64058 0,64431 0,64803 0,65173
0,4 0,65542 0,65910 0,66276 0,66640 0,67003 0,67364 0,67724 0,68082 0,68439 0,68793
0,5 0,69146 0,69497 0,69847 0,70194 0,70540 0,70884 0,71226 0,71566 0,71904 0,72240
0,6 0,72575 0,72907 0,73237 0,73565 0,73891 0,74215 0,74537 0,74857 0,75175 0,75490
0,7 0,75804 0,76115 0,76424 0,76730 0,77035 0,77337 0,77637 0,77935 0,78230 0,78524
0,8 0,78814 0,79103 0,79389 0,79673 0,79955 0,80234 0,80511 0,80785 0,81057 0,81327
0,9 0,81594 0,81859 0,82121 0,82381 0,82639 0,82894 0,83147 0,83398 0,83646 0,83891
1 0,84134 0,84375 0,84614 0,84849 0,85083 0,85314 0,85543 0,85769 0,85993 0,86214
1,1 0,86433 0,86650 0,86864 0,87076 0,87286 0,87493 0,87698 0,87900 0,88100 0,88298
1,2 0,88493 0,88686 0,88877 0,89065 0,89251 0,89435 0,89617 0,89796 0,89973 0,90147
1,3 0,90320 0,90490 0,90658 0,90824 0,90988 0,91149 0,91308 0,91466 0,91621 0,91774
1,4 0,91924 0,92073 0,92220 0,92364 0,92507 0,92647 0,92785 0,92922 0,93056 0,93189

Gràfic 7. Probabilitat que correspon a menor o igual a 1,25 en una

distribució normal estàndard

25
2) Probabilitat a la dreta (per sobre) d’un valor

Si volem calcular la probabilitat de prendre un valor més gran que , tindrem

en compte que l’àrea total situada per davall de la corba és 1 i, per tant:

Seguint l’exemple anterior, ara es planteja calcular la probabilitat que el valor

sigui superior a 1,25:

Hi ha un 10,6 % de probabilitat que el valor sigui superior a 1,25.

Gràfic 8. Probabilitat que correspon a més gran de 1,25 en una distribució

normal estàndard

26
3) Probabilitat entre dos valors

Si l’objectiu és obtenir la probabilitat existent entre dos valors, per exemple,

entre el valor 0,5 i 1,25, seria la funció de distribució en el valor 1,25 menys la
funció de distribució en el valor 0,5:

Mirant les taules de la distribució Normal de l’annex, el valor que correspon a:

= 0,894 – 0,691 = 0,203

Hi ha un 20,3% de probabilitat que el valor es trobi entre 0,5 i 1,25.

Gràfic 9. Probabilitat que correspon a valors entre 0,5 i 1,25 en una distribució
normal estàndard

27
4) Càlcul del valor de la distribució normal a partir de conèixer la probabilitat

És també útil calcular la funció inversa, és a dir, el valor que pren una variable
contínua que segueix una distribució normal, coneguda la probabilitat.

Si la probabilitat demanada és del 89,4% (0,894), quin és el valor que pren

una variable que segueix una ?

Bé usant un programa informàtic, bé usant les taules estadístiques d’una

normal , es busca aquell valor dins de les taules en què la probabilitat
acumulada a la dreta és 0,894, obtindrem el valor per 1,25.

z0=1,25

EXERCICIS D’AUTOAVALUALCIÓ

A partir de la variable aleatòria temperatura d’una estació d’esquí que segueix

una distribució normal tipificada amb mitjana 0 i desviació estàndard 1, N (0,1)
calculeu amb ajuda de les taules de la distribució normal:

a) La probabilitat que la temperatura sigui inferior a 1,50.

b) La probabilitat que la temperatura sigui superior a 1,50.

c) La probabilitat que la temperatura estigui entre 0,70 i 1,50.

SOLUCIÓ

a) P ( Z < 1,50) = 0,9331

28
La probabilitat que la temperatura (Z) sigui inferior a 1,50 és del 93,31%.

b) P ( Z > 1,50) = 1- P ( Z < 1,50) = 1- 0,9331 =0,0669

La probabilitat que la temperatura (Z) sigui superior a 1,50 és del 6,69%.

c) P ( 0,70 < Z < 1,50) = P (Z < 1,50)- P ( Z<0,70)= 0,9331 – 0,7580 =

0,1751.
La probabilitat que la temperatura estigui entre 0,70 i 1,50 és del 17,51%.

Estandardització, normalització o tipificació

La transformació d’una distribució de la variable X, amb mitjana i desviació

estàndard , és a dir:
X~ N ( , )
en una altra distribució amb mitjana 0 i desviació estàndard 1, anomenada Z:
Z ~N ( 0, 1)

segueix un procés anomenat estandardització, normalització o tipificació.

Aquest procés consisteix en transformar el valor de la variable original, tal que

es converteix en , que és una variable normal estàndard.

Si la variable segueix una distribució normal no tipificada o no

estandarditzada, per tal de calcular probabilitats, en primer lloc
cal tipificar o estandarditzar els valors, o bé utilitzar la funció que directament
facilita el full de càlcul per la distribució normal sense tipificar.

Per exemple, si tenim una variable Edat que segueix una distribució normal
amb mitjana 30 i desviació estàndard 2, N(30,2), el valor estandarditzat z0
per x0 = 32,5, es calcula com:

1) Probabilitat a l’esquerra (per davall) d’un valor

Si la distribució que segueix la variable edat, és una normal, N(20,4), per

calcular la probabilitat que l’edat sigui inferior a 16 anys mitjançant les taules
de la normal estandarditzada és necessari , en primer lloc, estandarditzar el
valor 16:

{ }
P( X ≤ 16) = TIPIFICACIÓ = P(Z ≤ ) = P(Z ≤ - 1) = en taules o amb
l’ordinador buscar el valor de la probabilitat per -1= 0,159

Existeix un 15,9% de probabilitat que l’edat sigui inferior a 16 anys.

29
Gràfic 10. Probabilitat que correspon a valors de z inferiors a -1

2) Probabilitat a la dreta (per sobre) d’un valor

Per calcular la probabilitat d’obtenir un valor superior a 16, l’operació a seguir

és:

P( X > 16) = {TIPIFICACIÓ}=P(Z > ) = P(Z >-1) = 1- P(Z ≤-1) = 1-

0,159 = 0,841.

Hi ha un 84,1% de probabilitat que el valor de l’edat sigui superior a 16 anys.

3) Probabilitat entre dos valors

Per obtenir la probabilitat existent entre dos valors, per exemple, entre els
valors 16 i 25:

P(16 X 25) = P(X 25) – P(X 16) = {TIPIFICACIÓ}=P(Z

) – P(Z ) = P(Z 1,25) – P(Z -1) = en taules o a l’ordinador =
0,894 - 0,159 = 0,735

Hi ha un 73,5% de probabilitat que el valor es trobi entre 16 i 25 anys.

Gràfic 11. Probabilitat que correspon a valors de z entre -1 i 1,25 en una

distribució normal estàndard

30
4) Valor que pren una variable contínua que segueix una distribució normal,
coneguda la probabilitat.

Si la probabilitat demanada és del 84% (0,84), quin és el valor que pren una
variable que segueix una ?

Si la probabilitat 0,84 és acumulada a l’esquerra, llavors,

Es busca aquell valor dins de les taules en què la probabilitat acumulada a la

dreta és de 0,84, que correspon al valor z0=1, és a dir, , on .

31
EXERCICIS D’AUTOAVALUACIÓ

EXERCICI 1. L’empresa Artconsulting realitza un estudi on té com a variable

aleatòria la puntuació d’un test que per experiència de vegades anteriors, se
sap que segueix una distribució normal de mitjana 20 i desviació estàndard de
5, N (20,5), calculeu :

a) La probabilitat que la puntuació del test sigui inferior a 15.

b) La probabilitat que la puntuació sigui superior a 15.

c) La probabilitat que la puntuació estigui entre 10 i 15.

SOLUCIÓ EXERCICI 1

Si tenim una variable aleatòria puntuació d’un test que segueix una distribució
normal de mitjana 20 i desviació estàndard: N (20,5)

a) Calcula P ( X 15) = P ( Z -1) = 0,1587

La probabilitat que la puntuació sigui inferior a 15 és del 15,87%.

b) Calcula P ( X >15) = P ( Z > -1) = 1- P ( Z -1) = 1-0,1587= 0,8413

La probabilitat que la puntuació sigui superior a 15 és del 84,13%.

c) Calcula P ( 10 X 15)= P ( -2 Z -1)= P (Z -1)- P (Z -2)=

0,1587-0,0228 = 0,1359
La probabilitat que la puntuació estigui entre 10 i 15 és del 13,59%.

EXERCICI 2. La despesa en oci en un any segueix una distribució normal que

té una mitjana de 100€ i una desviació de 10€:

a) Quina és la probabilitat que una persona escollida aleatòriament tingui

una despesa superior a 100€?
b) Quina és la probabilitat que una persona escollida aleatòriament tingui
una despesa inferior a 85 €?
c) Quina és la probabilitat que una persona escollida aleatòriament la
despesa se situï entre 95 € i 120 €?
d) La probabilitat que la despesa sigui inferior a ______________ és del
70%.

SOLUCIÓ EXERCICI 2

32
La despesa en oci en un any segueix una distribució normal que té una mitjana
de 100€ i una desviació de 10€:

a) Quina és la probabilitat que una persona escollida aleatòriament tingui una

despesa superior a 100€ ?
La probabilitat de que tingui una despesa superior a 100 és del 50%.
b) Quina és la probabilitat que una persona escollida aleatòriament tingui una
despesa inferior a 85 €?
La probabilitat de que tingui una despesa inferior a 85 és del 6,668%.
c) Quina és la probabilitat que una persona escollida aleatòriament la despesa
es situï entre 95 € i 120 €?
La probabilitat de que la variable es situï entre 95 i 120 és del 66,8% .
d) La probabilitat que la despesa sigui inferior a 105,24 € és del 70%.

EXERCICI 3. El pes d’un equipatge de mà es considera una variable aleatòria

normal de mitjana 300 gr. i variància 25, és a dir, N (300,5). Quina és la
probabilitat que les prestatgeries pesin més de 305 gr.?

SOLUCIÓ 3.
Quina és la probabilitat que l’equipatge pesi més de 305 gr.?
P( X > 305) = TIPIFICAR= P(Z > ) = P ( Z > 1) = 1- P ( Z ≤ 1) = 1-
0,841 = 0,159

Hi ha un 15,9% de probabilitat que l’equipatge tingui un pes de més de 305 gr.

Obtenció de la mida de la mostra

Quan es porta a terme una investigació i es treballa amb una mostra aleatòria,
amb l’objectiu de calcular les mesures que permetin inferir les conclusions de
la mostra a la població, és necessari calcular el marge d’error. De la mostra
s’obtenen uns indicadors, anomenats estimadors, a partir dels quals
s’infereixen els valors poblacionals, és a dir, amb un determinat nivell de
probabilitat s’obtenen els valors de la població. Com millor sigui el disseny
mostral, menor serà el marge d’error. Els estimadors més usats són la mitjana
mostral com a mitjana poblacional i la proporció mostral com a proporció
poblacional.

Habitualment es treballa amb intervals, és a dir, es calcula un interval en el

qual està contingut el paràmetre poblacional. Així, la probabilitat que el
paràmetre de la població estigui entre dos valors d’un interval és igual a un
determinat nivell de confiança que es mesura amb termes de probabilitat:
.

33
L’objectiu és: partir de la informació que subministra la mostra, calcular un
interval que contingui amb una determinada fiabilitat el paràmetre poblacional.
Així, amb un determinat nivell de probabilitat, el paràmetre poblacional és el
paràmetre mostral més / menys el marge d’error: (e)

El marge d’error és el producte d’un punt crític per la desviació estàndard del
paràmetre mostral: .

El punt crític , és el punt en el qual s’acumula una determinada probabilitat a

l’esquerra, anomenada nivell de confiança, en una distribució normal :
Nivell de confiança k
90% (Probabilitat d’encert en el 90% dels casos) 1,64
95% (Probabilitat d’encert en el 90% dels casos) 1,96
95,5% (Probabilitat d’encert en el 90% dels casos) 2,00
99% (Probabilitat d’encert en el 90% dels casos) 2,58
99,9% (Probabilitat d’encert en el 90% dels casos) 3,00

La desviació estàndard del paràmetre mostral: , depèn si el

paràmetre mostral és una proporció o no. En cas afirmatiu, la desviació
estàndard d’una proporció és:

, on p és la probabilitat que es produeixi una proporció

poblacional i q és la probabilitat contrària.

Per tant, , d’on s’aïlla la mida de la

mostra, .

Els valors de p i q poden ser coneguts d’estudis anteriors, o bé, en cas

contrari, es considera el cas més desfavorable, és a dir, aquell que implicarà
una desviació estàndard superior i, per tant, una mida de la mostra més gran:
.

Quan la població és infinita o el número d’elements és tan gran que es

considera infinit, el quocient N – n / N-1 tendeix a la unitat, i per calcular la
mida de la mostra: .
La taula següent facilita el càlcul de la mida de la mostra per a diferents valors
d’error predeterminat i per un nivell de confiança del 95% ( .

Taula per calcular la mida de la mostra en l’estimació de proporcions

(p=q=0,5) i nivell de confiança del 95%.
Població Mostra
error 1% error 2% error 3% error 4% error 5%
1 1. 000 909,09 714,29 526,32 384,615 285,714

34
 2 5. 000 3333,33 1666,67 909,09 555,556 370,370
3 10. 000 5000,00 2000,00 1000,00 588,235 384,615
4 15. 000 6000,00 2142,86 1034,48 600,000 389,610
5 25. 000 7142,86 2272,73 1063,83 609,756 393,701
6 50. 000 8333,33 2380,95 1086,96 617,284 396,825
7 100. 000 9090,91 2439,02 1098,90 621,118 398,406
8 200. 000 9523,81 2469,14 1104,97 623,053 399,202
9 500.000 9803,92 2487,56 1108,65 624,220 399,680
10 1.000.000 9900,99 2493,77 1109,88 624,610 399,840
11 2.000.000 9950,25 2496,88 1110,49 624,805 399,920
12 5.000.000 9980,04 2498,75 1110,86 624,922 399,968
13 10.000.000 9990,01 2499,38 1110,99 624,961 399,984
14 25.000.000 9996,00 2499,75 1111,06 624,984 399,994

En resum:
- N és el número d’ individus que formen la població.
- n és el número d’ individus de la mostra
- p i q són una mesura la proporció poblacional, i es pressuposa en cas de
màxima mostra: p = 0,5 i q = 0,5.
- k és el punt crític que es calcula a partir del nivell de confiança. Lo
habitual és utilitzar un 95% de nivell de confiança i, per tant, k=1,96 o un
95,5% de nivell de confiança i k=2.
- e és l’error mostral màxim que es vol cometre. Com a norma general, no
és recomanable treballar amb errors superiors al 5%.

Exemple. Es vol dur a terme una investigació per conèixer la proporció de

persones que utilitzarien un servei cultural a l’àrea metropolitana de Barcelona.
Amb aquesta finalitat es defineix com a població objecte d’estudi de la
investigació, la totalitat d’individus d’ambdós sexes, amb més de 15 anys que
resideixen a l’àrea metropolitana.

Per calcular la mida de la mostra, es considera que la informació que es desitja

és una proporció i que la mida de la població objecte d’estudi es considera
infinita (superior a 15.000 persones). Se suposa que l’error mostral (e) que
l’investigador vol cometre és de i que el nivell de confiança amb què es
desitja que aquest error no se superi és del 95,5%, per la qual cosa k és igual
a 2. Donat que p (probabilitat que un individu utilitzi el servei cultural) i q (el
seu contrari) són desconegudes a priori, es considera el cas més desfavorable,
p = q = 0,5, per tant:

és la mida de la mostra.

Si es desconeix la proporció de compradors i es decideix prendre un error

mostral de amb un nivell de confiança del 95,5%:

és la mida de la mostra.

35
S’observa que si es manté el nivell de confiança i s’augmenta l’error mostral la
mida de la mostra disminueix (en l’exemple passa de 400 a 278), o a l’inrevés,
a mesura que s’afegeixen individus a la mostra l’error mostral és redueix.

Un error raonable en la investigació social és del 5%, així per un nivell de

confiança del 95,5% i un univers infinit, la mostra és de 400 individus. Però si
en l’estudi interessa fer l’anàlisi en funció d’algunes variables independents,
per exemple, veure diferències entre homes i dones, són necessàries mostres
superiors per analitzar el comportament per subgrups.

El valor de la mida de la mostra és un element essencial en el disseny mostral

i, per tant, apareix en les fitxes tècniques de qualsevol investigació, juntament
amb el mètode de mostratge i la definició de la població i mostra.

EXERCICI D’AUTOAVALUACIÓ

Calculeu la mida que hauria de tenir una mostra de població infinita per
realitzar una investigació social, si l’error mostral que es vol cometre és del
4%, i el nivell de confiança és del 95%.

SOLUCIÓ

Utilitzem la fórmula tenint en compte que la població és infinita, p=q=0,5

l’error mostral e= 4% i el nivell de confiança del 95%, per tant k=1,96:

és la mida de la mostra.

36
Glossari

Cens Recull i analitza la informació de cadascun dels elements

que conforma la població, principalment d’aspectes
demogràfics, culturals i socials, en un moment determinat.
Coeficient de Mesura estadística que determina el grau de dependència
correlació de lineal entre dues variables.
Pearson
Coeficient de Quocient entre la desviació estàndard o típica i la mitjana
variació aritmètica.
Covariància Mesura estadística que determina si existeix dependència
lineal entre dues variables.
Desviació Mostra la variació o dispersió que hi ha respecte a la mitjana
estàndard aritmètica; és l’arrel quadrada de la variància.
Diagrama de Representació gràfica on les barres tenen la mateixa alçada
barres que la freqüència absoluta i el número de barres es
correspon amb el número de valors de la variable.
Distribució de Conjunt de valors que pren la variable o atribut en una
freqüències mostra o població juntament amb les freqüències o número
de vegades que cada valor es repeteix en la mostra o
població.
Distribució Funció de probabilitat de variables contínues que sorgeix
normal amb molta freqüència en nombrosos fenòmens reals,
naturals, socials o psicològics.
Enquesta Tècnica que aporta informació específica sobre un tema. Es
basa en un qüestionari i en les respostes dels individus.
Estadística Ciència que estudia un fenomen partint de la realitat
efectuant observacions i facilitant mètodes per obtenir
informació numèrica i gràfica.
Estadística L’estadística observa una població o mostra de la qual recull
descriptiva dades i les classifica per obtenir-ne una determinada
informació.
Freqüència És el nombre de vegades que es repeteix cada valor de la
absoluta variable o atribut en la població o mostra que s’estudia.
Freqüència És igual a la freqüència absoluta d’un valor de la variable o
relativa atribut, dividida per la freqüència total, és a dir, per la mida
de la població o mostra.
Histograma Representació gràfica dels intervals en què s’han distribuït
els valors d’una variable.
Inferència A partir de la població, es pren una mostra i s’analitza la
estadística informació que conté per obtenir propietats i inferir o
transcendir aquestes propietats al conjunt total, de manera
que el grau de certesa o fiabilitat es mesura amb
probabilitats.
Mediana Valor de la variable que divideix la distribució en dues parts
iguals, de forma que en cada partició la freqüència de la
distribució és el 50% del total.
Mitjana Valor mig que pren la variable en el conjunt de la
aritmètica distribució.

37
Moda Valor de la variable que presenta major freqüència, és a dir,
el valor de la variable que es repeteix més vegades.
Mostra Subconjunt representatiu del col·lectiu objecte d’estudi.
Mostreig Selecció de la mostra.
Números índex Mesures estadístiques que permeten comparar els canvis
soferts per una variable en un temps o espai determinats.
Percentils Valors de la variable que estan per sobre o per sota d’un
percentatge, que pot ser de l’1% al 100%.
Població Conjunt d’elements sobre el qual es realitzen les
observacions.
Probabilitat Mesura el grau d'incertesa d'un esdeveniment dins d'un
experiment aleatori.
Recorregut o Diferència entre el major valor que pren la variable i el
rang menor.
Regressió Estimació funcional de la dependència lineal entre dues
lineal variables.
Sèrie temporal És una seqüència de dades mesurades en determinats
moments del temps, ordenades cronològicament i,
normalment, espaiades entre si de manera uniforme.
Valor tipificat Indica el número de desviacions estàndard que la variable X i
està per sobre (si es positiu) o per sota (si es negatiu) de la
mitjana del col·lectiu.
Variància Promig dels quadrats de les desviacions dels valors de la
variable respecte la mitjana aritmètica. És una mesura de
dispersió absoluta.

38
Annex 1. Taula Probabilitats acumulades de la distribució Normal
(0,1):

z 0,00 -0,01 -0,02 -0,03 -0,04 -0,05 -0,06 -0,07 -0,08 -0,09
-3,4 0,00034 0,00032 0,00031 0,00030 0,00029 0,00028 0,00027 0,00026 0,00025 0,00024
-3,3 0,00048 0,00047 0,00045 0,00043 0,00042 0,00040 0,00039 0,00038 0,00036 0,00035
-3,2 0,00069 0,00066 0,00064 0,00062 0,00060 0,00058 0,00056 0,00054 0,00052 0,00050
-3,1 0,00097 0,00094 0,00090 0,00087 0,00084 0,00082 0,00079 0,00076 0,00074 0,00071
-3 0,00135 0,00131 0,00126 0,00122 0,00118 0,00114 0,00111 0,00107 0,00104 0,00100
-2,9 0,00187 0,00181 0,00175 0,00169 0,00164 0,00159 0,00154 0,00149 0,00144 0,00139
-2,8 0,00256 0,00248 0,00240 0,00233 0,00226 0,00219 0,00212 0,00205 0,00199 0,00193
-2,7 0,00347 0,00336 0,00326 0,00317 0,00307 0,00298 0,00289 0,00280 0,00272 0,00264
-2,6 0,00466 0,00453 0,00440 0,00427 0,00415 0,00402 0,00391 0,00379 0,00368 0,00357
-2,5 0,00621 0,00604 0,00587 0,00570 0,00554 0,00539 0,00523 0,00508 0,00494 0,00480
-2,4 0,00820 0,00798 0,00776 0,00755 0,00734 0,00714 0,00695 0,00676 0,00657 0,00639
-2,3 0,01072 0,01044 0,01017 0,00990 0,00964 0,00939 0,00914 0,00889 0,00866 0,00842
-2,2 0,01390 0,01355 0,01321 0,01287 0,01255 0,01222 0,01191 0,01160 0,01130 0,01101
-2,1 0,01786 0,01743 0,01700 0,01659 0,01618 0,01578 0,01539 0,01500 0,01463 0,01426
-2 0,02275 0,02222 0,02169 0,02118 0,02068 0,02018 0,01970 0,01923 0,01876 0,01831
-1,9 0,02872 0,02807 0,02743 0,02680 0,02619 0,02559 0,02500 0,02442 0,02385 0,02330
-1,8 0,03593 0,03515 0,03438 0,03362 0,03288 0,03216 0,03144 0,03074 0,03005 0,02938
-1,7 0,04457 0,04363 0,04272 0,04182 0,04093 0,04006 0,03920 0,03836 0,03754 0,03673
-1,6 0,05480 0,05370 0,05262 0,05155 0,05050 0,04947 0,04846 0,04746 0,04648 0,04551
-1,5 0,06681 0,06552 0,06426 0,06301 0,06178 0,06057 0,05938 0,05821 0,05705 0,05592
-1,4 0,08076 0,07927 0,07780 0,07636 0,07493 0,07353 0,07215 0,07078 0,06944 0,06811
-1,3 0,09680 0,09510 0,09342 0,09176 0,09012 0,08851 0,08692 0,08534 0,08379 0,08226
-1,2 0,11507 0,11314 0,11123 0,10935 0,10749 0,10565 0,10383 0,10204 0,10027 0,09853
-1,1 0,13567 0,13350 0,13136 0,12924 0,12714 0,12507 0,12302 0,12100 0,11900 0,11702
-1 0,15866 0,15625 0,15386 0,15151 0,14917 0,14686 0,14457 0,14231 0,14007 0,13786
-0,9 0,18406 0,18141 0,17879 0,17619 0,17361 0,17106 0,16853 0,16602 0,16354 0,16109
-0,8 0,21186 0,20897 0,20611 0,20327 0,20045 0,19766 0,19489 0,19215 0,18943 0,18673
-0,7 0,24196 0,23885 0,23576 0,23270 0,22965 0,22663 0,22363 0,22065 0,21770 0,21476
-0,6 0,27425 0,27093 0,26763 0,26435 0,26109 0,25785 0,25463 0,25143 0,24825 0,24510
-0,5 0,30854 0,30503 0,30153 0,29806 0,29460 0,29116 0,28774 0,28434 0,28096 0,27760
-0,4 0,34458 0,34090 0,33724 0,33360 0,32997 0,32636 0,32276 0,31918 0,31561 0,31207
-0,3 0,38209 0,37828 0,37448 0,37070 0,36693 0,36317 0,35942 0,35569 0,35197 0,34827
-0,2 0,42074 0,41683 0,41294 0,40905 0,40517 0,40129 0,39743 0,39358 0,38974 0,38591
-0,1 0,46017 0,45620 0,45224 0,44828 0,44433 0,44038 0,43644 0,43251 0,42858 0,42465
0 0,50000 0,49601 0,49202 0,48803 0,48405 0,48006 0,47608 0,47210 0,46812 0,46414

39
Taula (continuació). Probabilitats acumulades de la distribució Nomal (0,1):

z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 0,50000 0,50399 0,50798 0,51197 0,51595 0,51994 0,52392 0,52790 0,53188 0,53586
0,1 0,53983 0,54380 0,54776 0,55172 0,55567 0,55962 0,56356 0,56749 0,57142 0,57535
0,2 0,57926 0,58317 0,58706 0,59095 0,59483 0,59871 0,60257 0,60642 0,61026 0,61409
0,3 0,61791 0,62172 0,62552 0,62930 0,63307 0,63683 0,64058 0,64431 0,64803 0,65173
0,4 0,65542 0,65910 0,66276 0,66640 0,67003 0,67364 0,67724 0,68082 0,68439 0,68793
0,5 0,69146 0,69497 0,69847 0,70194 0,70540 0,70884 0,71226 0,71566 0,71904 0,72240
0,6 0,72575 0,72907 0,73237 0,73565 0,73891 0,74215 0,74537 0,74857 0,75175 0,75490
0,7 0,75804 0,76115 0,76424 0,76730 0,77035 0,77337 0,77637 0,77935 0,78230 0,78524
0,8 0,78814 0,79103 0,79389 0,79673 0,79955 0,80234 0,80511 0,80785 0,81057 0,81327
0,9 0,81594 0,81859 0,82121 0,82381 0,82639 0,82894 0,83147 0,83398 0,83646 0,83891
1 0,84134 0,84375 0,84614 0,84849 0,85083 0,85314 0,85543 0,85769 0,85993 0,86214
1,1 0,86433 0,86650 0,86864 0,87076 0,87286 0,87493 0,87698 0,87900 0,88100 0,88298
1,2 0,88493 0,88686 0,88877 0,89065 0,89251 0,89435 0,89617 0,89796 0,89973 0,90147
1,3 0,90320 0,90490 0,90658 0,90824 0,90988 0,91149 0,91308 0,91466 0,91621 0,91774
1,4 0,91924 0,92073 0,92220 0,92364 0,92507 0,92647 0,92785 0,92922 0,93056 0,93189
1,5 0,93319 0,93448 0,93574 0,93699 0,93822 0,93943 0,94062 0,94179 0,94295 0,94408
1,6 0,94520 0,94630 0,94738 0,94845 0,94950 0,95053 0,95154 0,95254 0,95352 0,95449
1,7 0,95543 0,95637 0,95728 0,95818 0,95907 0,95994 0,96080 0,96164 0,96246 0,96327
1,8 0,96407 0,96485 0,96562 0,96638 0,96712 0,96784 0,96856 0,96926 0,96995 0,97062
1,9 0,97128 0,97193 0,97257 0,97320 0,97381 0,97441 0,97500 0,97558 0,97615 0,97670
2 0,97725 0,97778 0,97831 0,97882 0,97932 0,97982 0,98030 0,98077 0,98124 0,98169
2,1 0,98214 0,98257 0,98300 0,98341 0,98382 0,98422 0,98461 0,98500 0,98537 0,98574
2,2 0,98610 0,98645 0,98679 0,98713 0,98745 0,98778 0,98809 0,98840 0,98870 0,98899
2,3 0,98928 0,98956 0,98983 0,99010 0,99036 0,99061 0,99086 0,99111 0,99134 0,99158
2,4 0,99180 0,99202 0,99224 0,99245 0,99266 0,99286 0,99305 0,99324 0,99343 0,99361
2,5 0,99379 0,99396 0,99413 0,99430 0,99446 0,99461 0,99477 0,99492 0,99506 0,99520
2,6 0,99534 0,99547 0,99560 0,99573 0,99585 0,99598 0,99609 0,99621 0,99632 0,99643
2,7 0,99653 0,99664 0,99674 0,99683 0,99693 0,99702 0,99711 0,99720 0,99728 0,99736
2,8 0,99744 0,99752 0,99760 0,99767 0,99774 0,99781 0,99788 0,99795 0,99801 0,99807
2,9 0,99813 0,99819 0,99825 0,99831 0,99836 0,99841 0,99846 0,99851 0,99856 0,99861
3 0,99865 0,99869 0,99874 0,99878 0,99882 0,99886 0,99889 0,99893 0,99896 0,99900
3,1 0,99903 0,99906 0,99910 0,99913 0,99916 0,99918 0,99921 0,99924 0,99926 0,99929
3,2 0,99931 0,99934 0,99936 0,99938 0,99940 0,99942 0,99944 0,99946 0,99948 0,99950
3,3 0,99952 0,99953 0,99955 0,99957 0,99958 0,99960 0,99961 0,99962 0,99964 0,99965
3,4 0,99966 0,99968 0,99969 0,99970 0,99971 0,99972 0,99973 0,99974 0,99975 0,99976

40