1

INTRODUCCIN A LA INFERENCIA ESTADSTICA

Contenidos
Introduccin.......................................................................................................... 2 Papel de la Estadstica en la Medicina.....................................................................4 Variable aleatoria................................................................................................... 4 Definicin:................................................................................................................................ 4 Clasificacin: ............................................................................................................................ 5 Ley de regularidad estadstica................................................................................5 Probabilidad.......................................................................................................... 7 Definicin:................................................................................................................................ 7 Mtodo de clculo de la probabilidad:......................................................................................7 Ejercicio para aplicar el mtodo de clculo de la probabilidad..................................................8 Propiedades de la probabilidad................................................................................................. 8 Aplicaciones del concepto de probabilidad en Medicina...........................................................9 Aplicacin del concepto de probabilidad en el diagnstico.....................................................10 Aplicacin del concepto de probabilidad en el pronstico.......................................................10 Modelo terico de distribucin de una variable aleatoria........................................11 Definicin................................................................................................................................ 12 Notacin ................................................................................................................................ 13 Ejercicios................................................................................................................................ 14 El modelo de distribucin normal..........................................................................14 Expresin matemtica ................................................................................................. 14 Significado .......................................................................................................................... 14 Representacin grfica........................................................................................................ 15 Propiedades de la distribucin normal.................................................................................15 Distribucin normal estndar................................................................................20 Cmo estandarizar una variable aleatoria normalmente distribuida?................................21 Procedimiento para el clculo de probabilidades en variables normales..................21

Introduccin a la Inferencia Estadstica aplicada a las Ciencias Mdicas.

MsC. Brbara Hernndez Gonzlez Dra. Mercedes Rubn Quesada MsC. Ciro Gonzlez Fernndez. Tc. Ismery Martn Neto.

Facultad de Ciencias Mdicas Julio Trigo Lpez Junio 2000

2 Introduccin La estadstica es una ciencia que brinda tiles herramientas (Tcnicas y procedimientos como tcnicas de muestreo, procedimientos para el clculo de probabilidades en variables aleatorias normalmente distribuidas, entre otros) para el desarrollo sistemtico de investigaciones en cualquier rama del saber, ya sean proyectos meramente descriptivos o involucren anlisis, generalizaciones y toma de decisiones. Su objeto de estudio se centra en el individuo o grupo de individuos. El trmino Individuos se refiere a objetos, animales, plantas o seres humanos. Ejemplos: Al estudiar el nivel de hemoglobina en un grupo de personas los individuos son seres humanos, si se investiga acerca del efecto de un fertilizante en distintos cultivos, los individuos son plantas. Al analizar el tamao de los huevos en una granja avcola tras introducir una nueva vitamina en la dieta de las gallinas, los individuos son animales y si se examina la calidad del calzado en venta para una determinada cadena de distribucin, los individuos son objetos Sus tcnicas y procedimientos permiten: - Recopilar y validar datos - Organizar, resumir y presentar informacin - Analizar e interpretar resultados - Tomar decisiones. Si la investigacin culmina al caracterizar o describir el objeto de estudio, las tcnicas utilizadas pertenecen a la Estadstica descriptiva; si se pretende generalizar y tomar decisiones en presencia de incertidumbre, entonces hay que acudir a la Inferencia estadstica: Estas son las dos ramas de la estadstica como disciplina cientfica. Incertidumbre: Carencia de certeza, inseguridad. Ejemplo: El mdico se enfrenta con la incertidumbre al diagnosticas una enfermedad, al indicar una nueva teraputica, circunstancias en la que no cuenta con la absoluta certeza del xito, sino tan solo con una posibilidad de realizacin satisfactoria ms o menos elevada segn el caso particular, avalada por la experiencia cumulada

Estadstica descriptiva
Describir fenmenos

Estadstica Inferencial
Extraer conclusiones

Recopila r Validar Organiza r Resumir Analizar

Datos

Analizar Interpret ar

Resultad os

Tomar decisiones Informaci n

4 Papel de la Estadstica en la Medicina. El conocimiento de la Estadstica, en particular de la Inferencia Estadstica, resulta imprescindible para lograr el desempeo cabal y competente del profesional de la salud en cualquier esfera: asistencia, investigacin, gerencia y superacin. La extensin y profundidad de los conocimientos y aptitudes de carcter estadstico que demanda este personal, son solo los necesarios para cultivar una cultura de comprensin y no propiamente de aplicacin y conceptualizacin: que entiendan de qu se est hablando, tengan una idea de cmo se hace y cun vlido puede ser; del proceder formalizado se encarga el especialista en la materia. Muchos conceptos estadsticos, sobre todo de la Inferencia, se emplean de modo consciente o subconsciente en la clnica para el diagnstico, prediccin y tratamiento de enfermedades, en la salud pblica se utilizan para elegir los programas de intervencin apropiados en las comunidades y pronosticar sus posibles resultados; en la gerencia son vitales para evaluar situaciones y tendencias sanitarias que llevan a decidir a favor o en contra de determinadas polticas de salud. Adems, ante la necesidad de superacin constante que atae al profesional de la salud, el conocimiento de la Estadstica se ha hecho indispensable para la comprensin y la valoracin crtica de la literatura que consulta, sin dejar atrs la investigacin, en cuyo diseo, consecucin y validacin ocupa tambin un lugar primordial.

Variable aleatoria
En el ejercicio de la Medicina, el profesional de la salud se enfrenta constantemente al estudio de variables que no siempre toman el mismo valor a pesar de conservarse estables todo un conjunto de condiciones que influyen en su comportamiento. Variable: Magnitud inconstante y mudable. En nuestro contexto se asocia, generalmente, a caractersticas de los individuos en estudio. Por ejemplo, sea nuestra variable en estudio el nivel de colesterol en sangre y fijemos que todos los sujetos a analizar sean individuos sanos o supuestamente sanos, cubanos, de la misma edad y sexo: estas son las condiciones que mantendremos fijas para la investigacin. Si extraemos muestras de sangre a sujetos con tales condiciones, veremos que los resultados con respecto al nivel de colesterol presentan diferencias producto de otras condiciones que no es posible controlar y que se manifiestan en el momento de hacer las mediciones. Este tipo de variable en Estadstica se identifica como variable aleatoria, siendo el calificativo aleatorio de gran importancia porque refleja ese conjunto de factores no controlables que ocasionan las diferencias en las mediciones de la variable, a pesar de mantener fijas toda otra serie de condiciones. Definicin: Llamamos variable aleatoria a aquella variable cuyo valor no se puede predecir a pesar de conocer las condiciones que la rodean, que no toma siempre el mismo valor a pesar de mantenerse fijas o estables dichas condiciones.

5 Ejemplos: talla, peso, temperatura, nivel de hemoglobina, presin sangunea, glicemia.

Clasificacin: Variable aleatoria discreta: Slo puede tomar un nmero finito o numerables de valores. Ej: sexo de un nio. Variable aleatoria continua: Puede tomar un nmero infinito no numerable de valores. Ej: talla y en general variables que expresan tiempo, medidas de longitud, peso etc.

Ley de regularidad estadstica Las diferencias que se aprecian al estudiar el comportamiento de una variable aleatoria en un conjunto de elementos que satisfacen una serie de condiciones fijas, aunque pueden parecer anrquicas o debidas a la casualidad, en realidad no lo son. Cuando se realiza el anlisis en grandes cantidades de observaciones con los mtodos adecuados, se logra distinguir que los resultados obtenidos responden a determinadas regularidades, las cuales establecen un rango de valores posibles que descartan as la inicial "anarqua aparente". Comprobmoslo con un ejemplo. Sea la variable aleatoria a estudiar, el sexo del recin nacido. Supongamos que, de los nacimientos ocurridos a lo largo de un mes, seleccionamos 30 grupos. El primer grupo est compuesto por 10 nacimientos y el resto de los grupos se conforma aumentando en 10 el total que se escoge cada vez: as tendramos en el segundo grupo 20 nacimientos; en el tercero, 30; en el cuarto, 40 y as sucesivamente. Es un detalle importante conocer que la seleccin de los elementos de un grupo se realiza independientemente de como se haya efectuado en los otros grupos, utilizando para ello la tcnica del muestreo simple aleatorio. Muestreo simple aleatorio (MAS): Tcnica de muestreo muy simple en la cual solo el azar decide qu elementos de la poblacin integran la muestra y se utiliza cuando no se tiene informacin acerca de las posibles diferencias que pueda presentar la poblacin. En la prctica no se usa de manera aislada, sino en combinacin con otras tcnicas. Durante el estudio de la variable aleatoria sexo del recin nacido, en los 30 grupos de nacimientos conformados, se recopilaron los siguientes datos: No. del grupo 1 Cantidad de nacimiento s vivos 10 Varones nacidos vivos 3 Frecuencia relativa varones nacidos vivos 0.3

6 2 3 4 5 6 7 8 : 26 27 28 29 30 20 30 40 50 60 70 80 : 260 270 280 290 300 12 11 25 19 39 34 46 : 127 143 139 148 151 0.6 0.366 0.625 0.38 0.65 0.485 0.575 : 0.488 0.529 0.496 0.51 0.503

Representando los valores anteriores en un sistema de coordenadas rectangulares obtendremos el grfico siguiente.

El grfico anterior ilustra con claridad el comportamiento de las frecuencias relativas: a medida que aumenta el nmero de observaciones de la variable aleatoria en estudio (260,270, ..., 300), los valores de las frecuencias relativas (0.488, 0.529, ..., 0.503) se estabilizan alrededor de un valor (0.5). Esta tendencia de las frecuencias relativas de un evento (varones nacidos vivos en nuestro ejemplo) a irse estabilizando alrededor de un valor en la medida en que crece el nmero de observaciones del fenmeno (sexo del recin nacido), es una regularidad que se expresa a travs de una ley: La ley de regularidad estadstica.

Probabilidad
En virtud de la ley de regularidad estadstica, el valor lmite constante al cual se acercan las frecuencias relativas de un evento a medida que se va aumentando el nmero de observaciones del fenmeno en estudio, es precisamente la probabilidad de ocurrencia de ese evento. Definicin: La probabilidad no es ms que la medida numrica de la posibilidad de ocurrencia de un evento. Mtodo de clculo de la probabilidad: Para un fenmeno que estudia n observaciones igualmente posibles, si en x de ellas ocurre el evento A, entonces la probabilidad de ocurrencia de A, denotada por P(A) se calcula mediante la expresin: x P(A)= n

8 Ejercicio para aplicar el mtodo de clculo de la probabilidad A continuacin se muestra el listado de pacientes a atender en una consulta de Ortodoncia: Cul es la probabilidad de atender a una hembra de 11 aos? Evento A: atender una hembra de 11 aos x = 1 (caso Mercedes) n = 5 (total de casos posibles) 1 P(A)= = 0.2 5 Cul es la probabilidad de que un varn sea atendido? Evento A: atender un varn x = 2 (casos Jess y Mario) n = 5 (total de casos posibles) 2 P(A)= = 0.4 5

Nombre Jess Mario Estrella Mercede s Alicia

Edad Sexo 10 M 12 M 9 F 11 F 13 F

Propiedades de la probabilidad La probabilidad de ocurrencia del evento A denotada por P(A) es un nmero entre 0 y 1, o sea, 0 < P(A) < 1 . Ejemplos: P(recin nacido varn) = 0.515 0 < 0.515 < 1 P(fallecer por Fiebre Tifoidea) = 0.03 0 < 0.030 < 1 Si la probabilidad de ocurrencia de un evento es un nmero muy cercano a 0, se dice que ese evento es muy poco probable que ocurra, que es un evento raro. Si la probabilidad de ocurrencia de un evento es un nmero muy cercano a 1, se dice que es un evento que casi seguro ocurrir. La suma de las probabilidades de ocurrencia de todos los eventos posibles para un fenmeno dado es 1. Evento: Un experimento es cualquier accin cuyo resultado no se puede predecir con certeza. El evento es cualquier subconjunto del espacio formado por todos los resultados posibles de un experimento. Ejemplo: Supongamos que nuestro experimento consiste en conocer cuntos nios nacen con bajo peso en Ciudad de la Habana durante un ao X, a partir de una muestra aleatoria de tamao 100. Cualquier subconjunto del total de conjuntos de tamao 100 que se pueden formar con todos los nacimientos de Ciudad de la Habana, sera un evento.

Ejemplo de evento raro: En un estudio aplicado a los recin nacidos de un Hospital Materno Infantil en un perodo de 5 aos, se detect que de cada 1000 nacidos vivos solo 24 presentaban espina bfida, por tanto, la probabilidad de un evento raro como la presencia de espina bfida en recin nacidos es 0.0024. Ejemplo de evento que casi seguro ocurrir: En un comedor obrero 270 de 300 comensales presentaron un da determinado episodios de EDA; puede entonces sospecharse fuertemente que se haya producido una intoxicacin dado que el 90% de los trabajadores que almorzaron ese da en el comedor, report la ocurrencia de EDA. Ejemplo de la propiedad de la suma de las probabilidades: En una investigacin sobre el peso de los nios del ltimo ao de vida de los crculos infantiles de Ciudad de la Habana, se obtuvo que el 88% de ellos eran normopeso, el 4% bajopeso y el 8% sobrepeso. P(normopeso) = 88/100 = 0.88 P(bajopeso) = 4/100 = 0.04 P(sobrepeso) = 8/100 = 0.08 Note que: P(normopeso) + P(bajopeso) + P(sobrepeso) = 1 en efecto: 0.88 + 0.04 + 0.08 = 1 Se calcula dividiendo la frecuencia absoluta por el nmero total de observaciones. Fenmeno: En el sentido que lo utiliza la Estadstica, se refiere a una caracterstica o propiedad que se presenta en un cierto nmero de sucesos considerado como un todo. Ejemplos: talla de nios en edad preescolar, sexo del recin nacido, peso de embarazadas, entre otros. Aplicaciones del concepto de probabilidad en Medicina Son muchas las aplicaciones del concepto de probabilidad en Medicina, tanto en el diagnstico como en el pronstico y la toma de decisiones ante situaciones de incertidumbre. Por ejemplo, la afirmacin de que solo el 3% de los pacientes con Fiebre Tifoidea mueren por esa causa, significa que, ante un paciente con Fiebre Tifoidea, el mdico prcticamente est asegurando que no morir, porque su experiencia clnica sobre la evolucin de estos casos, avalada por su observacin y la de muchos colegas a travs de aos de prctica, ha demostrado que la citada enfermedad, cuando se trata correctamente, solo es fatal en el 3% de los casos: con el lenguaje de los porcientos, sin saberlo quizs, l est manejando una probabilidad para pronosticar que el paciente se recuperar; el 3% no es ms que una medida numrica de la posibilidad de que el paciente no reaccione al tratamiento adecuado. En otras palabras, y ahora empleando proporciones, que de cada 100 pacientes, 97 histricamente han respondido satisfactoriamente al tratamiento y solo 3 no lo han hecho, por eso es tan

10 probable que no muera este nuevo paciente (3/100 = 0.03); sin embargo, no puede excluirse la posibilidad del fracaso del tratamiento aunque tenga asociado un valor pequeo. Aplicacin del concepto de probabilidad en el diagnstico La base cientfica de la prctica mdica se encuentra bien establecida; estando entre sus principales tareas el diagnstico o definicin del problema de salud que confronta el paciente. El examen mdico comienza en el momento que se observa y oye al paciente. Despus se hace el examen fsico arribndose a una hiptesis diagnstica o diagnstico presuntivo. A continuacin se obtienen pruebas de laboratorio que se dirigen, por lo general, a confirmar la impresin diagnstica y/o a excluir otras posibilidades. El proceso descrito es repetido una y otra vez por clnicos, mdicos de familia y otros especialistas: estn en la base de un buen estudio clnico del paciente. El mdico, al realizar este proceso, est haciendo uso del mtodo cientfico. A travs de observaciones e interrogatorios llega a un diagnstico hipottico. Este diagnstico preliminar est basado en las probabilidades del proceso morboso; es decir, se consideran primero las enfermedades ms frecuentes que son, al mismo tiempo, las que requieren de procedimientos diagnsticos ms sencillos, baratos y que causan menos molestias al paciente.

Aplicacin del concepto de probabilidad en el pronstico Con el valor de la probabilidad es posible pronosticar qu ocurrir en el marco de muchas observaciones, sin embargo es imposible predecir qu ocurrir en una sola observacin futura: para este caso la probabilidad lo que permite es medir la posibilidad de ocurrencia de un evento teniendo en cuenta la regularidad estadstica. Por ejemplo, se plantea que la probabilidad de fallecer un paciente con neumona neumoccica despus de recibir un tratamiento con sulfapiridina es 0.1. Esto significa que, ante un nuevo paciente con neumona neumoccica, es vlido aplicar el tratamiento con sulfapiridina, pues, en gran medida, existe la posibilidad de que no muera de 0.9, si se considera que la probabilidad del fallecimiento (0.1) es un valor relativamente pequeo, lo cual no quiere decir que no vaya a fallecer; esto es posible pero en menor escala.

Aplicacin del concepto de probabilidad en la toma de decisiones

11 Un cirujano siempre se enfrenta a situaciones donde tiene que cuidadosamente, la posibilidad de intervenir quirrgicamente a un paciente. valorar,

Por ejemplo, un hombre sano, entre 50 y 55 aos, sufre un espasmo abdominal intenso y el examen clnico da como resultado trastornos en la vescula biliar. Los Rayos X confirman la presencia de clculos y regularmente en estos casos el tratamiento quirrgico es la nica solucin. Este procedimiento que parece rutinario est en realidad regido por la incertidumbre. Puede ofrecer un cirujano frmulas para tomar esta decisin que puedan seguirse siempre con absoluta conviccin? El hecho de que cientos de pacientes hayan sido operados de lo mismo con xito, puede tomarse en cuenta para el caso particular de este hombre? La decisin es esencialmente tomada por un individuo y puede ser irrevocable. Las bases reales de la probabilidad de xito o fracaso de la operacin estn sujetas a diferentes interpretaciones. Sin embargo, las circunstancias que obligan a la toma de decisiones en la ciruga surgen constantemente y no puede efectuarse de otra manera que no sea con previa valoracin sobre bases probabilsticas.

Modelo terico de distribucin de una variable aleatoria

La ley de regularidad estadstica que en la prctica rige el comportamiento de las variables aleatorias, encuentra su expresin conceptual en los modelos matemticos que utilizan y formulan tericamente este comportamiento, y que se conocen como modelos tericos de distribucin de una variable aleatoria, o simplemente, ley de una variable aleatoria. Existen diversos modelos tericos de distribucin, tanto para variables discretas como para continuas; en la prctica los investigadores tratan de adecuar los modelos a las variables en estudio para seleccionar el que ms se ajusta segn el caso. Analicemos, mediante un ejemplo, cmo se llega a la definicin del modelo terico de distribucin de una variable aleatoria. Sea la variable en estudio, la estatura de nios varones de 7 aos de edad, que se mide en un total de 200 nios. Como primer paso vamos a confeccionar la tabla de distribucin de frecuencias para 15 intervalos de clase e inmediatamente procederemos a representar grficamente la informacin tabulada. Variable en estudio: Estatura medida en 200 varones de 7 aos de edad (con 15 intervalos de clase)

12 Tabla de distribucin de frecuencias

Intervalos de clase [109.0 ; 110.5] [110.5 ; 112.0] [112.0 ; 113.5] [113.5 ; 115.0] [115.0 ; 116.5] [116.5 ; 118.0] [118.0 ; 119.5] [119.5 ; 121.0] [121.0 ; 122.5] [122.5 ; 124.0] [124.0 ; 125.5] [125.5 ; 127.0] [127.0 ; 128.5] [128.5 ; 130.0] [130.0 ; 131.5] Frecuencia absoluta 2 5 7 13 19 27 29 25 23 14 15 9 6 4 2 Frecuencia relativa 0.01 0.025 0.035 0.065 0.095 0.135 0.145 0.125 0.115 0.07 0.075 0.045 0.03 0.02 0.01

Si aumentamos la cantidad de intervalos de clase de 15 a 25 y reclasificamos los datos para calcular las nuevas frecuencias relativas, obtendramos los siguientes grficos:

A medida que se considere un mayor nmero de observaciones, se podr ir aumentando la cantidad de intervalos de clase y disminuyendo su amplitud; el polgono de frecuencias se tornar cada vez menos quebrado y se ir aproximando ms a una curva de contorno regular en la cual se espera que se encuentren los diferentes valores de la variable aleatoria. La distribucin de frecuencias dada por esta curva, es el modelo terico de distribucin o ley de la variable aleatoria . Definicin El Modelo terico de distribucin de una variable aleatoria es la formulacin matemtica terica que describe el comportamiento de la variable y se representa a travs de una curva que constituye el lmite de un polgono de frecuencias asociado, para un gran nmero de observaciones de la variable aleatoria. La existencia de esta curva est muy relacionada con la regularidad estadstica, en virtud de la cual, la probabilidad de ocurrencia de un evento es el valor lmite constante al que llega su frecuencia relativa cuando crece considerablemente la cantidad de observaciones de la variable aleatoria. Conociendo la curva que representa el modelo terico de distribucin de una variable aleatoria podemos conocer la probabilidad de ocurrencia de un evento en un intervalo

13 dado a travs del rea bajo la curva en ese intervalo, clculo que en general est tabulado. Notacin P (a X b) = A (a , b) Retomando el ejemplo de las estaturas de los nios de 7 aos, si tenemos que el rea bajo la curva que representa la distribucin terica de la variable estatura en el intervalo que va desde 69.7 cm a 73.4 cm es 0.475, podremos representar este hecho de la manera siguiente: P(69.7 < X < 73.4) = 0.475 que tiene el siguiente significado prctico:

Si tomamos un nio de 7 aos al azar, la probabilidad de que su estatura se encuentre entre 69.7cm y 73.4cm es de 0.475 (posibilidad de ocurrencia con respecto a una futura observacin). Si tomamos una cantidad considerablemente grande de nios de 7 aos, aproximadamente el 47,5% de ellos medir entre 69.7 cm y 73.4 cm (pronstico de resultados colectivos).

14

Ejercicios Indique si los siguientes enunciados son verdaderos o falsos: La probabilidad de que todos los pacientes citados a la consulta de Neurologa en el hospital William Soler sean atendidos, es 1.5. ___ Verdadero ___ Falso (El valor de la probabilidad es un nmero entre 0 y 1) El valor de una variable aleatoria no se puede predecir a pesar de conocer las condiciones que la rodean. ___ Verdadero ___ Falso El modelo terico de distribucin describe, de manera formalizada matemticamente, el comportamiento de una variable aleatoria. ___ Verdadero ___ Falso

El modelo de distribucin normal

Entre los modelos tericos de distribucin que existen, ocupa un lugar de notable significacin la llamada distribucin normal o de Gauss debido fundamentalmente a que el comportamiento de una gran cantidad de variables, sobre todo de tipo biolgico, puede ser convenientemente descrito por este modelo. Dada su importancia, constituye la base de la Estadstica Inferencial e incluso algunos califican a este modelo de distribucin como la piedra angular de la teora estadstica moderna. Expresin matemtica Donde: media de la poblacin desviacin estndar de la poblacin X Variable aleatoria normal Ntese que esta ecuacin queda completamente definida si se conocen la media y la desviacin estndar poblacionales; a estos valores se les identifica como los parmetros que definen la distribucin normal.
1 f (X) = e 2 (X- )2 2 2

Notacin: X N (,) Segundo parmetro: Desviacin estndar Primer parmetro: Media Significado X es una variable aleatoria que se distribuye normal con media y desviacin estndar

15

Representacin grfica La curva que caracteriza a una variable aleatoria normalmente distribuida tiene forma acampanada y se representa como se muestra a continuacin:

Cola izquierda

Cola derecha

Propiedades de la distribucin normal Propiedad 1. La curva normal es simtrica y se cumple que: es el valor por donde pasa el eje de simetra de la curva determina la medida de la amplitud de la campana

Cmo incide el comportamiento de los parmetros Para realizar el anlisis, utilizaremos dos situaciones: CASO 1: Tres variables con igual .

y en la curva normal ?

CASO 2: Tres variables aleatorias normalmente distribuidas con igual .

16

CASO 1: Con tres variables aleatorias X1, X2, X3 normalmente distribuidas con igual . X1 N (1 , ) X2 N (2 , ) X3 N (3 , ) Representacin grfica:

Observando el grfico podemos apreciar que: Las amplitudes de las tres curvas son iguales Solo ha cambiado el punto donde se ubica el eje de simetra y, por tanto la localizacin de la curva en el grfico. Por ello a se le denomina parmetro de ocalizacin. CASO 2: Con tres variables aleatorias X1, X2, X3 normalmente distribuidas con igual . X1 N ( , 1) X2 N ( , 2) 1 < 2 < 3 X3 N ( , 3) Representacin grfica:

Observando el grfico apreciamos que: 1. Las tres curvas se ubican en la misma posicin. 2. Solo ha cambiado la amplitud: A menor la campana es ms estrecha y alta con colas ms bajas, ya que hay menor dispersin, o sea, mayor concentracin de los datos alrededor de los valores centrales; a mayor , la campana resulta ms aplanada y de colas ms altas. 3. El parmetro define el punto donde ocurre el cambio de concavidad de la curva. Propiedad 2:

17 Por cada pareja ( , ) se define un modelo terico de distribucin diferente, por tanto, no existe una nica curva de distribucin normal, sino infinitas, en dependencia de la infinidad de valores que pueden tomar los parmetros y que las definen. Por ejemplo: X N (2 , 2) Y N ( -1 , 1 ) ZN( 0,1) Representacin grfica:

Propiedad 3: Regla de las desviaciones Sea X N ( , ). Para cualesquiera valores P ( X + ) = A ( , + ) P ( 2 X + 2) = A ( 2 , + 2) P ( 3 X + 3) = A ( 3 , + 3) de y se cumple que: = 0. 6827 (1) = 0. 9545 (2) = 0. 9973 (3)

Donde: P ( a , b ) - probabilidad de que la variable aleatoria X tome valores en [a,b] A ( a , b ) - rea bajo la curva que corresponde al intervalo [ a , b ] Representacin grfica:

Significado de la regla de las desviaciones: P ( X + ) = A ( , + ) = 0. 6827

18 Aproximadamente el 68% de los posibles valores a tomar por la variable aleatoria X N ( , ), se encuentran ubicados, a lo ms, a una desviacin estndar de la media, o sea, en el intervalo [ , + ].

19

P ( 2 X + 2) = A ( 2 , + 2 ) = 0. 9545 Alrededor del 95 % de los posibles valores a tomar por la variable aleatoria X N ( , 2 ), se encuentran ubicados, a lo ms, a dos desviaciones estndares de la media, o sea, en el intervalo [ 2 , + 2 ]. P ( 3 X + 3) = A ( 3 , + 3 ) = 0. 9973 Ms del 99% de los posibles valores a tomar por la variable aleatoria X N ( , 3 ), se encuentran ubicados, a lo ms, a tres desviaciones estndares de la media, o sea, en el intervalo [ 3 , + 3 ].

Ejemplo de aplicacin de la regla de las desviaciones : Si la edad es una variable normalmente distribuida en una poblacin con edad promedio de 30 aos y desviacin estndar de 3 aos, entre qu valores oscila la edad del 68% de los individuos de esta poblacin? Solucin del problema ejemplo: Datos: = 30 =3 X N ( 30 , 3 ) Por la regla de las desviaciones: P ( X + ) Sustituyendo: P( 30 - 3 X 30 + 3 ) = 0. 6827 Resolviendo: P( 27 X 33 ) = 0. 6827 Por tanto: El 68% de los individuos de esta poblacin tiene entre 27 y 33 aos de edad. Propiedad 4: Como todas las curvas de distribucin, el modelo normal cumple que el rea bajo la curva completa es 1. = A ( , + ) = 0. 6827

20

1 Propiedad 5: Por ser simtrica la curva normal con respecto al eje que pasa por , se cumple que el rea de cada mitad de la curva, limitada justamente con el eje de simetra, es 0.5 respectivamente. P ( X ) = P ( X ) = 0.5

0.5

0.5

Distribucin normal estndar

Es el modelo de distribucin normal ms sencillo, que se define para = 0 y = 1. Notacin: X N(0,1) Expresin matemtica
Z 1 f (Z) = e 2 2
2

Representacin grfica

Para el modelo de distribucin normal estndar, los especialistas han calculado los valores de las probabilidades a partir del rea bajo la curva, conformando con ellas la conocida tabla de la distribucin normal estndar. Las tablas de la distribucin normal estndar que vamos a utilizar, se refieren al rea bajo la curva comprendida desde Z = 0 hasta el valor de Z que nos interesa (1). Tambin existen otras tablas, como por ejemplo, aquellas que presentan los valores de las reas comprendidas debajo de toda la curva hasta la Z en cuestin (2).

21 1 2

f (Z)
0 Z

f (Z) 0 Z

Para el caso de las tablas que recogen las reas en el intervalo [ 0 , Z ], por la simetra de la curva se cumple que: A ( 0 , Z ) = A ( - Z , 0 ), y de esta manera se puede generalizar el uso de la referida tabla para valores negativos de Z . Cmo estandarizar una variable aleatoria normalmente distribuida? En la prctica, la distribucin de las variables que se estudian, coincide muy raramente con la distribucin normal estndar y como los valores de la probabilidad que se conocen son los asociados a sta, hay que recurrir a un procedimiento que permita convertir cualquier variable XN ( , ) a una ZN ( 0 , 1 ): esto es lo que se conoce como estandarizacin de una variable. Para estandarizar una variable X N ( , ) se utiliza la frmula: X Z= con la cual obtenemos la correspondiente Z N ( 0 , 1 ). La estandarizacin se puede interpretar como un cambio de escala, y es muy til para calcular reas bajo curvas normales.

-3 3

-2

-1

Procedimiento para el clculo de probabilidades en variables normales

Planteamiento del problema: Sea X N ( , ). Hallar la probabilidad de que X se encuentre en un intervalo de valores dado [ X1 , X2 ]

22 Pasos a seguir: Identificar en qu tipo de intervalo se desea calcular la probabilidad. Estandarizar el / los extremos del intervalo. Representar grficamente el intervalo estandarizado. Plantear el clculo de la probabilidad analizando el grfico obtenido. Buscar los valores de las funciones en la tabla de la distribucin normal estndar y resolver las operaciones planteadas. Paso 1. Identificar en qu tipo de intervalo se desea calcular la probabilidad.

Existen 3 casos I. Bilateral P( X1 X X2 ) Ambos extremos definidos

II. Unilateral izquierdo P( X X2 ) Extremos superior definido

III. Unilateral izquierdo P( X X1 ) Extremos inferior definido

Paso 2. Estandarizar el / los extremos del intervalo. I. Bilateral

Z1 =
II. Unilateral izquierdo III. Unilateral derecho

X1

Z2 =

X2

Z2 = Z1 =

X2 X1

Paso 3. Representar grficamente el intervalo estandarizado. I. Bilateral II. Unilateral izquierdo III. Unilateral derecho

23

Paso 4. Plantear el clculo de la probabilidad analizando el grfico obtenido.

Recuerde que: f (Z) = A (0,Z)

f (Z)
0 Z

I. Para el intervalo bilateral P (Z1 Z Z2) Casos posibles: I.1. Z1 negativo y Z2 Positivo. Z1 0 , Z 2 0 P (Z1 Z Z2) = f (Z1) + f (Z2) I.2. Z1 y Z2 Positivos. Z1 0, Z2 0 P (Z1 Z Z2) = f (Z1) - f (Z2) I.3. Z1 y Z2 Negativos. Z1 0, Z2 0 P (Z1 Z Z2) = f (Z1) - f (Z2) II. Para el intervalo unilateral izquierdo P ( Z Z 2) Casos posibles: II.1. Z2 Positivo. Z2 0 P (Z Z2) = 0.5 + f (Z2) II.2. Z2 Negativo. Z2 0 P (Z Z2) = 0.5 - f (Z2)

24

III. Para el intervalo unilateral derecho P ( Z Z1) Casos posibles: III.1. Z1 Positivo. Z1 0 P (Z Z2) = 0.5 - f (Z1)

III.2. Z1 Negativo. Z2 0 P (Z Z2) = 0.5 + f (Z1)

Resumiendo Cuando el intervalo incluye el eje de simetra, la probabilidad se calcula sumando: o En el bilateral: f(Z1 + f(Z2) o En los unilaterales: 0.5 + f(Z) Cuando el intervalo no incluye el eje de simetra, la probabilidad se calcula restando: o En el bilateral: f(Z1 - f(Z2) o En los unilaterales: 0.5 - f(Z) Ejemplo La ingestin de carbohidratos en la dieta diaria de varones entre 12 y 14 aos de edad, se distribuye normal com media 124 g/100 cal y desviacin estandar de 20 g/1000 cal. A. Cul es la probabilidad de que un varn cuya edad oscila entre 12 y 14 aos, ingiera a lo ms en su dieta diaria 117g/1000 cal de carbohidratos? Datos: =124 =20 X N ( 124, 20 )

Planteamiento del problema: P (X 117) = ? Tipo de intervalo Unilateral izquierdo con X2 = 117 Estandarizacin X 117 124 7 = = = 0.35 Z2 = 2 20 20 P (Z -0.35) = 0.5 f(0.35) = 0.5 0.1368 = 0.3632 Respuesta La probabilidad de que un varn de entre 12 y 14 aos de edad ingiera a lo ms en su dieta diaria 117g/1000 cal es 0.3632.

25

B.Qu proporcin de varones en el rango de edad referido, ingiere diariamente entre 130 y 154g/ 1000 cal de carbohidratos? Datos: =124 =20 X N ( 124, 20 )

Planteamiento del problema: P (130 X 154) = ? Tipo de intervalo Bilateral izquierdo con X1 = 130 y X2 = 154 Estandarizacin X 130 124 6 = = = 0.3 Z1 = 1 20 20 Z2 =
X2 154 124 30 = = = 1.5 20 20

P (0.3 Z 1.5) = f(1.5) f(0.3) = 0.4332 0.1179 = 0.3156 Respuesta La proporcin de varones en el rango de edad referido, que ingiere diariamente entre 130 y 154g/ 1000 cal de carbohidratos es 0.3156.

C. Qu porciento de estos varones reporta en el da un mnimo de ingestin de carbohidratos de 90g/ 1000 cal en su dieta? Datos: =124 =20 X N ( 124, 20 )

Planteamiento del problema: P (X 90) = ? Tipo de intervalo Unilateral derecho X1 = 90 Estandarizacin X 90 124 34 = = = 1.7 Z1 = 1 20 20 P (Z 1.7 ) Z = 0.5 + f(-1.7) = 0.5 + f(1.7) = 0.5 + 0.4554 = 0.9554 Porciento = Probabilidad x 100 = 0.9554 x 100 = 95.54% Respuesta El 95.54% de los varones en el rango de edades referido, ingiere un mnimo de 90g/ 1000 cal de carbohidratos diariamente.

26

Ejercicios 1.Seleccione la sentencia que caracteriza a la distribucin normal: ___ Se representa mediante una curva asimtrica. _x_ La media y la desviacin estndar poblacionales son los parmetros que definen la ecuacion de la distribucin normal. ___ A se le denomina parmetro de localizacin de la curva normal ___ es el punto donde cambia la concavidad de la curva. Identifique a cul de las siguientes distribuciones corresponde el grfico que se muestra a continuacin: _x_Variable normal estndar __ Variable normal con media estndar 1 __ Variable normal con media estndar 0 2 1 y desviacin y desviacin