Professional Documents
Culture Documents
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.
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.
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.
Conjunt de tots els valors que observem d’una variable en una mostra i la seua freqüència.
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.
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.
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
1.7. Variància
2. DISTRIBUCIONS DE PROBABILITAT
Segons com siguen les nostres variables aleatòries: contínues o discretes, utilitzarem un certs tipus de
distribucions.
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.
Exemple: Donada una mostra de 2500 persones fumadores 450 van desenvolupar càncer de pulmó.
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.
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.
- Paràmetres:
o Números d’èxits = k
o Número d’assaigs independents = n
o Probabilitat teòrica d’èxit de cada intent = p
8
Bioestadística 2022-2023 Claudia Pedrosa Machordom
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:
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
A part de la distribució normal també hi podem trobar les distribucions T-STUNDENT, CHI-QUADRAT i
FISHER.
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:
- Els paràmetres i determinen completament la distribució normal. Segons els valors que
adoptin aquests se especifica una distribució nomral distinta.
Exemples:
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