Desvelando las Probabilidades: ¿Cuántos Hogares Madrileños Cumplen con la Habitabilidad?

Un análisis detallado de una muestra de 40 hogares usando aproximación normal y corrección por continuidad.

Puntos Clave del Análisis

Modelo Aplicado: Se utiliza la distribución binomial B(n=40, p=0.30) para modelar el número de hogares por debajo del límite de habitabilidad en la muestra, aproximada por una distribución normal debido al tamaño muestral.
Probabilidad Máxima (≤ 50%): Existe una probabilidad muy alta (aproximadamente 0.9983) de que como máximo 20 de los 40 hogares de la muestra (el 50%) estén por debajo del límite de habitabilidad.
Probabilidad Mínima (≥ 25%): La probabilidad de que como mínimo 10 de los 40 hogares (el 25%) estén por debajo del límite es considerablemente alta (aproximadamente 0.8058).

Edificios residenciales en Madrid, contexto del estudio de habitabilidad.

Entendiendo el Escenario: Habitabilidad en Madrid

El punto de partida es un estudio que revela una preocupante realidad: el 30% de los hogares en Madrid no alcanzan los estándares mínimos de habitabilidad. A partir de este dato poblacional, se extrae una muestra aleatoria simple compuesta por 40 hogares. El objetivo es determinar las probabilidades de encontrar ciertos porcentajes de hogares con deficiencias de habitabilidad dentro de esta muestra específica.

El Modelo Estadístico: Distribución Binomial

La situación se modela perfectamente con una distribución binomial. Cada hogar de la muestra representa un "ensayo" independiente con dos posibles resultados:

Éxito: El hogar está por debajo del límite de habitabilidad (con probabilidad p = 0.30).
Fracaso: El hogar cumple o supera el límite de habitabilidad (con probabilidad q = 1 - p = 0.70).

Sea \(X\) la variable aleatoria que cuenta el número de hogares por debajo del límite en la muestra de 40. Entonces, \(X\) sigue una distribución binomial con parámetros \(n=40\) (tamaño de la muestra) y \(p=0.30\). Se escribe como:

\[ X \sim B(n=40, p=0.30) \]

Aproximación con la Distribución Normal

Calcular probabilidades directamente con la fórmula binomial para sumas de resultados (como "máximo 20" o "mínimo 10") puede ser tedioso. Afortunadamente, cuando el tamaño de la muestra es suficientemente grande, podemos aproximar la distribución binomial mediante una distribución normal. Las condiciones para esta aproximación son:

\(np \ge 5\)
\(n(1-p) \ge 5\)

Verifiquemos estas condiciones:

\(np = 40 \times 0.30 = 12\) (Es mayor o igual a 5)
\(n(1-p) = 40 \times 0.70 = 28\) (Es mayor o igual a 5)

Dado que ambas condiciones se cumplen, podemos usar la aproximación normal. La distribución normal tendrá la misma media (\(\mu\)) y desviación estándar (\(\sigma\)) que la binomial:

Cálculo de Parámetros de la Normal

La media (\(\mu\)) de la distribución es:

\[ \mu = np = 40 \times 0.30 = 12 \]

La varianza (\(\sigma^2\)) es:

\[ \sigma^2 = np(1-p) = 40 \times 0.30 \times 0.70 = 40 \times 0.21 = 8.4 \]

Y la desviación estándar (\(\sigma\)) es la raíz cuadrada de la varianza:

\[ \sigma = \sqrt{np(1-p)} = \sqrt{8.4} \approx 2.8983 \]

Por lo tanto, aproximamos \(X \sim B(40, 0.30)\) con una variable normal \(Y \sim N(\mu=12, \sigma \approx 2.8983)\).

La Corrección por Continuidad

Al aproximar una distribución discreta (binomial, que solo toma valores enteros) con una continua (normal), es necesario aplicar una "corrección por continuidad". Esto ajusta los límites de los intervalos de probabilidad para tener en cuenta que la variable normal puede tomar cualquier valor real, mientras que la binomial solo enteros. Se suma o resta 0.5 a los valores límite:

Para calcular \(P(X \le k)\), usamos \(P(Y \le k + 0.5)\).
Para calcular \(P(X \ge k)\), usamos \(P(Y \ge k - 0.5)\).

Calculando las Probabilidades Solicitadas

Ahora, aplicaremos estos conceptos para responder a las preguntas específicas.

a) Probabilidad de que como máximo el 50% esté por debajo del límite

Primero, calculamos cuántos hogares representa el 50% de la muestra:

\[ \text{Número de hogares} = 0.50 \times 40 = 20 \]

Queremos calcular la probabilidad \(P(X \le 20)\). Aplicando la corrección por continuidad, buscamos la probabilidad en la distribución normal aproximada \(P(Y \le 20.5)\).

Para ello, estandarizamos el valor 20.5 calculando su puntaje Z:

\[ Z = \frac{y - \mu}{\sigma} = \frac{20.5 - 12}{2.8983} = \frac{8.5}{2.8983} \approx 2.9329 \]

Ahora, buscamos la probabilidad acumulada para este valor Z en la tabla de la distribución normal estándar o usando una calculadora:

\[ P(X \le 20) \approx P(Y \le 20.5) = P(Z \le 2.9329) \]

Consultando la tabla Z, encontramos que:

\[ P(Z \le 2.9329) \approx 0.9983 \]

Resultado (a): La probabilidad de que como máximo el 50% de los hogares en la muestra (es decir, 20 hogares o menos) estén por debajo del nivel de habitabilidad es aproximadamente 0.9983 (o 99.83%). Es un evento muy probable.

b) Probabilidad de que como mínimo el 25% esté por debajo del límite

Calculamos cuántos hogares representa el 25% de la muestra:

\[ \text{Número de hogares} = 0.25 \times 40 = 10 \]

Queremos calcular la probabilidad \(P(X \ge 10)\). Aplicando la corrección por continuidad, buscamos la probabilidad en la distribución normal aproximada \(P(Y \ge 9.5)\).

Estandarizamos el valor 9.5:

\[ Z = \frac{y - \mu}{\sigma} = \frac{9.5 - 12}{2.8983} = \frac{-2.5}{2.8983} \approx -0.8626 \]

Buscamos la probabilidad \(P(Z \ge -0.8626)\). Utilizando las propiedades de la distribución normal estándar (simetría):

\[ P(Z \ge -0.8626) = 1 - P(Z < -0.8626) = P(Z \le 0.8626) \]

Consultando la tabla Z o una calculadora:

\[ P(Z \le 0.8626) \approx 0.8058 \]

Resultado (b): La probabilidad de que como mínimo el 25% de los hogares en la muestra (es decir, 10 hogares o más) estén por debajo del nivel de habitabilidad es aproximadamente 0.8058 (o 80.58%). Es un evento bastante probable.

Visualización de Parámetros Clave

El siguiente gráfico radar ilustra la importancia relativa o el impacto percibido de los diferentes parámetros y umbrales utilizados en este análisis probabilístico. Las puntuaciones (de 3 a 10) son subjetivas y buscan reflejar cómo cada elemento influye en la configuración y el resultado del problema.

Este gráfico ayuda a comprender que tanto la proporción poblacional (p) como el tamaño de la muestra (n) son fundamentales, y que la corrección por continuidad juega un papel importante al usar la aproximación normal.

Resumen de los Pasos del Cálculo

El siguiente mapa mental resume el proceso lógico seguido para resolver el problema, desde la definición inicial hasta la obtención de las probabilidades finales.

mindmap root["Problema de Probabilidad
Habitabilidad Madrid"] id1["Definición del Problema"] id1a["Población: Hogares Madrileños"] id1b["Parámetro Clave: p = 0.30 (30% por debajo del límite)"] id1c["Muestra: n = 40 hogares"] id1d["Variable: X = nº hogares muestra < límite"] id2["Modelo Estadístico"] id2a["Distribución Binomial: X ~ B(n=40, p=0.30)"] id3["Aproximación Normal"] id3a["Verificar Condiciones: np=12 ≥ 5, n(1-p)=28 ≥ 5"] id3b["Calcular Parámetros Normal"] id3b1["Media: μ = np = 12"] id3b2["Desv. Estándar: σ = sqrt(np(1-p)) ≈ 2.8983"] id3c["Aplicar Corrección por Continuidad"] id4["Cálculo Probabilidades"] id4a["Pregunta (a): P(X ≤ 20)"] id4a1["Corregir: P(Y ≤ 20.5)"] id4a2["Estandarizar: Z = (20.5 - 12) / 2.8983 ≈ 2.9329"] id4a3["Buscar en Tabla Z: P(Z ≤ 2.9329) ≈ 0.9983"] id4b["Pregunta (b): P(X ≥ 10)"] id4b1["Corregir: P(Y ≥ 9.5)"] id4b2["Estandarizar: Z = (9.5 - 12) / 2.8983 ≈ -0.8626"] id4b3["Buscar en Tabla Z: P(Z ≥ -0.8626) ≈ 0.8058"] id5["Resultados Finales"] id5a["Probabilidad (a) ≈ 99.83%"] id5b["Probabilidad (b) ≈ 80.58%"]

Este diagrama visualiza la secuencia de pasos, incluyendo la selección del modelo, la justificación de la aproximación, el cálculo de parámetros y la aplicación de la corrección por continuidad para llegar a las respuestas.

Ejemplo de interior de vivienda, relevante para las condiciones de habitabilidad.

Tabla Resumen de Resultados

La siguiente tabla consolida los parámetros clave, las preguntas realizadas y los resultados obtenidos mediante la aproximación normal con corrección por continuidad.

Parámetro / Cuestión	Valor / Descripción	Cálculo Aplicado	Resultado Probabilístico
Proporción poblacional (p)	0.30	Dato del estudio	N/A
Tamaño de la muestra (n)	40	Dato del estudio	N/A
Modelo inicial	Binomial B(40, 0.30)	Teoría de probabilidad	N/A
Modelo aproximado	Normal N(12, 2.8983)	μ = np, σ = sqrt(np(1-p))	N/A
Pregunta (a)	P(X ≤ 20) - Máximo 50%	P(Z ≤ (20.5 - 12) / 2.8983)	0.9983
Pregunta (b)	P(X ≥ 10) - Mínimo 25%	P(Z ≥ (9.5 - 12) / 2.8983)	0.8058

Preguntas Frecuentes (FAQ)

¿Por qué se utiliza la aproximación normal a la binomial?

Calcular probabilidades binomiales acumuladas (sumar P(X=k) para varios k) puede ser computacionalmente intensivo o requerir tablas extensas, especialmente para tamaños de muestra grandes como n=40. La distribución normal ofrece una excelente aproximación cuando se cumplen las condiciones (np ≥ 5 y n(1-p) ≥ 5), simplificando los cálculos al usar la distribución normal estándar (Z) y sus tablas o calculadoras ampliamente disponibles.

¿Qué es exactamente la corrección por continuidad?

Es un ajuste que se realiza al usar una distribución continua (como la normal) para aproximar una distribución discreta (como la binomial). La variable binomial solo toma valores enteros (e.g., 9, 10, 11 hogares), mientras que la normal toma cualquier valor real. La corrección "expande" cada valor entero k a un intervalo (k-0.5, k+0.5). Por ejemplo, para P(X ≤ 10) que incluye el entero 10, usamos el límite superior del intervalo de 10, que es 10.5, en la normal (P(Y ≤ 10.5)). Para P(X ≥ 10), que también incluye el 10, usamos el límite inferior del intervalo de 10, que es 9.5 (P(Y ≥ 9.5)). Esto mejora significativamente la precisión de la aproximación.

¿Cuán sensibles son estos resultados al dato inicial del 30%?

Los resultados son bastante sensibles al valor de p=0.30. Si la proporción real de hogares por debajo del límite fuera diferente (e.g., 25% o 35%), la media (μ) y la desviación estándar (σ) de la distribución cambiarían, lo que a su vez modificaría los puntajes Z y las probabilidades calculadas. Un valor de 'p' más alto aumentaría la probabilidad de encontrar hogares por debajo del límite en la muestra, y viceversa. La validez del análisis depende de la precisión del estudio original que estableció el 30%.

¿Qué significan estas probabilidades en la práctica?

La probabilidad de ~0.9983 para (a) sugiere que es extremadamente improbable encontrar una muestra de 40 hogares donde más de la mitad (más de 20) estén por debajo del límite de habitabilidad, asumiendo que la tasa poblacional es del 30%. Por otro lado, la probabilidad de ~0.8058 para (b) indica que es bastante común (más del 80% de las veces) que en una muestra de 40 hogares, al menos una cuarta parte (10 o más) estén por debajo del límite. Estos resultados reflejan que, aunque la media esperada es 12 hogares (30% de 40), hay una variabilidad considerable (σ≈2.9), pero es mucho más probable quedarse por debajo del 50% que superar el 25%.