Bioestadística 2022-2023 Claudia Pedrosa Machordom

TEMA 3. DISTRIBUCIONS DE PROBABILITAT

En aquest tema, se estudien les relacions entre els valors de la variable aleatòria i les probabilitats de que
la seua ocurrència puga resumir-se per mitjà de una mecanisme nomenat distribució de probabilitat.

1. DEFINICIONS

1.1. Estimador

És una funció dels valors de la mostra que permet obtenir un valor aproximat d’alguna característica de
la població de la que s’ha extret la mostra.

- Paràmetre: el valor d’aquesta característica en la població es diu paràmetre.

Per exemple, la mitjana d’edat d’una mostra aleatòria de pacients d’un hospital és un estimador de la
mitjana d’edat de la població de pacients d’un hospital. O també, la desviació estàndard del pes d’una
mostra aleatòria d’adolescents és un estimador de la desviació estàndard del pes de la població
d’adolescents.

1.2. Variable aleatòria

Sabem que una variable és una característica que pren diferents valors en diferents persones ex: La
pressió sanguínia. En canvi, una variable aleatòria és aquella que cada valor d’un experiment esdevé de
resultats lligats a l’atzar, és a dir, que no s’han pogut predir amb exactitud i anticipació.
Ex: La estatura dels adults; quan els xiquets naixen no es pot preveure quina serà la seua alçada quan
siguen grans ja que és el resultat de factors genètics i ambientals.
Aquestes poden ser: discretes o continues. La diferència principal entre ambdós resulta de l’existència de
una separació o interrupció.

1.3. Distribució de freqüències

Conjunt de tots els valors que observem d’una variable en una mostra i la seua freqüència.

1.4. Distribució de probabilitat

Conjunt de tots els valors que teòricament pot prendre una variable i la seua probabilitat. És una taula
que específica tots els possibles resultats d’una variable aleatòria amb les seues probabilitats associades.

Variable aleatòria discreta Variable aleatòria contínua

En el cas de les discretes, parlem de funcions de probabilitat: Funció que associa a cada element del seu
espai mostral una probabilitat. Mentre que amb les variables aleatòries contínues parlem de funcions de
densitat: Funció que descriu la probabilitat relativa d’una variable aleatòria de prendre un determinat
valor.

1.5. Funció de distribució

Funció que associa a cada valor d’una variable la probabilitat acumulada del valors inferiors o iguals.

7
Bioestadística 2022-2023 Claudia Pedrosa Machordom

1.6. Esperança

Representa el valor esperat d¡una variable aleatòria; equival a la mitjana.

1.7. Variància

Representa la dispersió d’una variable aleatòria; equival a la variànica.

2. DISTRIBUCIONS DE PROBABILITAT

Segons com siguen les nostres variables aleatòries: contínues o discretes, utilitzarem un certs tipus de
distribucions.

Per a distribucions discretes:

2.1. DISTRIBUCIÓ DE BERNUOLLI

La distribució de Bernoulli és un tipus que serveix per a estudiar un succés binari, és a dir, aquella en el
que el resultat del experiment només presenta dos possibles resultats: èxit/fracàs. Alguns exemples
resulten ser el llançament d’una moneda, la cura o no d’una patologia...

Cada resultat té associat una probabilitat. Així dons la distribució vindrpa determinada pel paràmetre p.

- Si té èxit té una probabilitat p.

- En canvi si resulta un fracàs ocòrre l’esdeveniment contràri: q = 1-p.

Exemple: Donada una mostra de 2500 persones fumadores 450 van desenvolupar càncer de pulmó.

→ La probabilitat de tenir càncer resulta 450/2500 = 18%.

Llavors tenir càncer de pulmó resulta seguir una distribució de Bernoulli ja que és dicotòmica o binaria:
tens o no tens càncer. On l’èxit p = 0,18 i el fracàs q = 1-0,18 = 0,82.

2.2. DISTRIBUCIÓ BINOMIAL

La distribució binomial és un experiment de Bernoulli repetit n cops. Alguns exemples resulten ser el
llançament d’una moneda 10 cops, quantes persones d’una mostra de 500 es guriran en rebre una
determinat tractament. Llavors mesura la probabilitat del nombre d’èxits en n proves idèntiques i
independents (de tipus dicotòmic) amb una probabilitat d’èxit p.

Normalment podrem calcular aquests tipus de problemes mitjançant la fórmula perè també existeixen
unes taules de distribució que ens faciliten la resolució d’aquests.
En el seminari treballarem amb més detall com utilitazar aquestes taules per saber llegir-les correctament
tot i això en la part horitzaontal trobem la probailitat que ens dona el problema: 0,1... Mentre que en la
part vertical localitzem en primer lloc el nombre de cops que hem realitzat l’experiment: 2, 3 i 10 i per
últim el nombre d’èxits que esperem obtindre.

(Exercici d’exemple coloració dels ulls) Fórmula

- Paràmetres:
o Números d’èxits = k
o Número d’assaigs independents = n
o Probabilitat teòrica d’èxit de cada intent = p

Exemple: La probabilitat de ser esquerrà a la població és del 10%.

Quina és la probabilitat que en una msotra de 10 persones hi hagi
3 esquerrans?

8
Bioestadística 2022-2023 Claudia Pedrosa Machordom

2.3. DISTRIBUCIÓ DE POISSON

Mesura de probabilitat en que es produeix un determinat nombre de esdeveniments dins un cert període
de temps. IMPORTANT: Els esdeveniments han de ser independents i han d’ocòrrer amb una taxa mitjana
coneguda.

Utilitats:

- S’utilitza quan el tamany de la mostra és gran (n>100) i la probabilitat molt menuda (p>0,05)
- En situacions on els esdeveniments són impredictibles o d’ocurrència aleatòria. No se sap el total
de possibles resultats.

Per exemple; l’arribada d’un client al negoci durant una hora, les trucades telefòniques que es reben en
nun dia. L’esdeveniment ha de considerar-se un esdeveniment raro.

Paràmtres:

- La mitjana o valor esperat en la distribució de Poisson és igual a lambda.

- La variància en la distribució de Poisson tambés és iguala lambda.
- La desviació estpandard és l’arrel de lambda.

Fórmula:

Exemple: Un futbolista marca de mitjana 0,85 gols per partit. Quina es la probabilitta que el proper
diumenge no en marqui cap?

Dades: Càlculs:

Fórmula:

9
Bioestadística 2022-2023 Claudia Pedrosa Machordom

Per distribucions contínues:

A part de la distribució normal també hi podem trobar les distribucions T-STUNDENT, CHI-QUADRAT i
FISHER.

2.4. DISTRIBUCIÓ DE NORMAL

La distribució normal és aquella que mesura la probabilitat d’una variable continua de rang infinit,
simètrica respecte a la seua mitjana i mesocúrtica.

Característiques:

- La mitjana, mediana i la moda són totes iguals.

- El área total sota la corba sobre l’eix de les x és una unitat d’àrea.
- Quan dibuixem rectes perpendiculars a l’eix x de una distància de 1 desviació estàndard respecte
de la mitjana, obtenim que l’àrea inclosa és del 68%. Quan realitzem dos distàncies de desviació
estàndard engloba el 95%

- Els paràmetres  i  determinen completament la distribució normal. Segons els valors que
adoptin aquests se especifica una distribució nomral distinta.

A partir de la última característica entrem en el concepte de dsitribució normal estàndard. Aquesta es

defineix per tenir una mitjana igual a 0 i una desviació estàndard igual a 1 i poder crear una varaible
aleatòria Z amb la fórmula: Z=(x-)/. Volem tipificar x perquè la N(0,1) la tenim tabulada en taules de
distribucions que ens permeten realitzar els càlculs de forma més ràpida i senzilla.

Exemples:

Exemple 1. Donada la distribució normal estàndard, calcula P(z = 2.71).

L’àrea desitjada es mostra en el gràfic següent. En aquest cas ens demanen l’àrea on puguem trobar valors
iguals o més grans que 2,71. Hem d’anar amb compte perque les taules ens donen els valors menors.
Per aquest motiu per poder obtenir l’àrea a la dreta de z=2,71 farem la resta 1- l’àrea de 2,71 cap a -infinit.

Exemple 2. La mijtana d’alçada en dones és de 163cm amb una desviació estàndard de 8cm. Quantes
dones fan entre 140 i 160 cm?

10