Distribuições de Probabilidades

3.1. Distribuições de Probabilidade 2

3.1. Probabilidade e Distribuição de Probabilidade

Probabilidade de um acontecimento ou evento: verosimilhança ou possibilidade de ob-

servação desse evento.

É expressa pela frequência relativa1 desse evento num grande número de observações
do fenómeno ou inferida pelo conhecimento prévio da ocorrência do acontecimento.

Um grande número de fenómenos biológicos/psicológicos é explicado por aconteci-

mentos de natureza intrinsecamente aleatória, podendo ser descritos como experiên-
cias aleatórias.

Experiência aleatória: procedimento que se pode repetir inúmeras vezes com resulta-
dos imprevisíveis, i.e. de natureza não determinística (aleatória)
e.g. formação de gametas, acontecimentos climáticos, eventos psicóticos, …

1
Definição frequencista de probabilidade, existem outras definições, e.g. a Clássica [P=X/N] e a Subjetivista/Bayesiana
3.1. Distribuições de Probabilidade 3

Distribuição Probabilidade: tabela ou função matemática que regista a probabilidade de

ocorrência de um evento ou conjunto de eventos de uma variável aleatória

Variável aleatória: variável cujas realizações (ou observações) resultam de um proces-

so aleatório (não determinístico).

1. v.a. aleatórias discretas: valores ou observações discretas (1, 2, 5, 9, …) finitos

ou infinitos (x  )
2. v.a. aleatórias contínuas: valores ou observações de um continuum de valores
(2.34, 2.54, 4.321, …) finitos ou infinitos x  ).
3.1. Distribuições de Probabilidade 4

Variáveis Aleatórias Discretas

Função de distribuição de probabilidades ou função massa de probabilidade: Repre-

sentam a probabilidade de um evento discreto:

X x1 x2 … xn f1 se x 1
f2 se x 2
P[X] f1 f2 … fn f (x ) P [X x]

fn se x n

Função de Distribuição: função de distribuição de probabilidades acumuladas de uma

v.a. discreta
F (0) se 0 x 1

x F (1) se 1 x 2
F (x ) P [X x] fi ; F (x ) P [X x]
i 1

F (n ) se n 1 x n
3.1. Distribuições de Probabilidade 5

Variáveis Aleatórias Contínuas

Em rigor para v.a. contínuas P[X=x ]= 1/ = 0…

Porém, faz sentido calcular a probabilidade de X pertencer a um determinado intervalo

de valores, p.e. P[a<X<b]  [0,1].

Função densidade de probabilidade (f.d.p.): probabilidade de X pertencer a um deter-

minado intervalo das realizações possíveis para a v.a. Esta função constrói-se a partir
do histograma de frequências para intervalos infinitesimais:

n+
k +
A 0
3.1. Distribuições de Probabilidade 6

As “probabilidades” são a área da função de densidade de probabilidade entre limites a

e b:

b
P[a X b] f (x )dx
a

A função de distribuição é a função de densidade de probabilidade acumulada:

a
F (X ) P[X a] f (x )dx

Área total f (x )dx 1

3.1. Distribuições de Probabilidade 7

Algumas distribuições de Probabilidade úteis em Psicologia e Ciência Sociais…

DISTRIBUIÇÃO BINOMIAL

• ‘experiências de Bernoulli’: experimento aleatório com 1 de 2 resultados possíveis

mutuamente exclusivos e independentes. e.g. sexo bebé; sobrevivência; aprova-
ção; …
• O resultado de interesse designa-se “sucesso” e a probabilidade do sucesso re-
presenta-se por p. O acontecimento complementar designa-se “insucesso” e a
sua probabilidade representa-se por q
• p+q=1 ou q=1p
• Usada para inferência sobre proporções
• XB(n, p) n – número de experiências de Bernoulli (nº tentativas)
• f.d.p: f (X ) P[X x] n
C x px q n x

E(X)=np; V(X)=npq
3.1. Distribuições de Probabilidade 8
 3.1. Distribuições de Probabilidade 9

EXEMPLO 1:
Num estudo sobre a gravidade da obesidade infantil, 45 sujeitos em cada100 adultos
amostrados aleatoriamente consideram o problema muito grave ou grave. Determine:
1.1. Numa amostra de 12 sujeitos a probabilidade de exatamente 3 considerarem o
problema muito grave ou grave
1.2. Numa amostra de 10 sujeitos mais de 2 considerarem o problema grave ou
muito grave
1.3. Numa amostra de 10 sujeitos, não mais de 5 considerarem o problema grave
 3.1. Distribuições de Probabilidade 10

EXEMPLO 2:
A probabilidade de um aluno ser aprovado, numa turma de 10 alunos, pode ser dada
por uma das 3 figuras seguintes:

2.1. Qual dos gráficos representa uma probabilidade equilibrada de aprovação?

2.2. Qual dos gráficos sugere maior probabilidade de reprovação?
2.3. Qual(is) dos gráficos representa(m) menor variância amostral?
3.1. Distribuições de Probabilidade 11

2.4. Defina o espaço de resultados possíveis. A probabilidade dos diferentes casos é

independente? Justifique.
 3.1. Distribuições de Probabilidade 12

EXEMPLO 3:
Sabe-se que determinado tratamento psicológico para a cinofobia (medo irracional e
persistente de cães) tem uma probabilidade de cura de 70%. Se o tratamento for apli-
cado a 20 pessoas com esta perturbação, qual a probabilidade de:
3.1. Obter 15 curas no máximo.
3.2. Obter 12 ou mais curas.
3.3. Obter um número de curas não inferior a 10 nem superior a 15.
3.4. Obter exatamente 10 curas?
 3.1. Distribuições de Probabilidade 13

EXEMPLO 4:
Num estudo realizado com crianças do ensino primário, concluiu-se que:” 60 em cada
100 crianças têm medo de trovoada”. Calcule a probabilidade:
4.1. De numa turma de 18 alunos, 5 crianças apresentarem este tipo de fobia.
4.2. De numa turma de 20 alunos, não mais de 3 crianças apresentarem este tipo de
fobia.
4.3. De numa turma 20 alunos, pelo menos 5 crianças apresentarem este tipo de fobia.
3.1. Distribuições de Probabilidade 14

DISTRIBUIÇÃO NORMAL

• Provavelmente a distribuição de probabilidades mais importante na Psicologia…

• Todos os fenómenos que resultam do acumular de muitos e pequenos efeitos
(e.g. Stress, Depressão, Burnout,…, apresentam distribuição de probabilidades
de tipo Normal
• Abraham de Moivre (Séc. XVIII) deduziu a f.d.p da Normal observando que a uma
B(n,0.5) tende para a curva normal à medida que n+ (Aproximação da Bino-
mial à Normal).
• Laplace e Gauss (outros nomes com que é conhecida a Distribuição Normal) ob-
servaram que os erros das medições astronómicas seguiam uma distribuição
normal.
• XN(,) onde  - média populacional,  - desvio-padrão populacional
• Uso frequente em inferência estatística (assunção que a variável sob estudo pro-
vém de uma população com Distribuição Normal)
3.1. Distribuições de Probabilidade 15
3.1. Distribuições de Probabilidade 16

DISTRIBUIÇÃO NORMAL REDUZIDA

Se X
então
Z=(X)  0,1
Z tem distribuição normal centrada e reduzida

Alguns valores de interesse:

 P(Z = c)
P(Z  -1.96)=0.025
P(Z 1.96)=0.025
P(Z  1.96)=0.975
P(Z  1.645)=0.95
3.1. Distribuições de Probabilidade 17

EXEMPLO 1:
De acordo com David Wechsler (1939)2 a inteligência define-se como “... a capacidade
global para agir com propósito, pensar de forma racional, e de lidar de forma eficaz
com o ambiente”.

2
Wechsler, D. (1939). The measurement of adult intelligence. Baltimore, MD: Williams & Witkins.
3.1. Distribuições de Probabilidade 18

Sabendo que na população normativa (... normal) o coeficiente de inteligência (FSIQ)

medido com a escala de Wechsler (WAIS) para adultos tem distribuição normal de mé-
dia 100 e desvio-padrão 15, determine:
1.1. A probabilidade de um indivíduo selecionado aleatoriamente da população norma-
tiva ter um FSIQ superior a 115
1.2. Num grupo de 30 candidatos à Academia da Força Aérea quantos se esperam ter
um FSIQ entre 115 e 130.
1.3. A probabilidade de um indivíduo selecionado da população normativa ter um
FSIQ superior a 130.
3.1. Distribuições de Probabilidade 19

EXEMPLO 2:
Baseando-se na distribuição do número de horas estudadas pelos alunos de Estatísti-
ca, diga a qual função de distribuição correspondente a cada média e cada variância:

A -> E (X) = 65.5 Var (X) = 400 C -> E (X) = 55.5 Var (X) = 100

B -> E (X) = 75.5 Var (X) = 100 D -> E (X) = 65.5 Var (X) = 100
3.1. Distribuições de Probabilidade 20

EXEMPLO 3:
Supondo que os resultados de um teste de aptidão para a matemática (X) seguem uma
distribuição aproximadamente normal e que no caso do sexo feminino, a distribuição
tem valor médio 62 e um desvio-padrão de 15, enquanto no sexo masculino, a distri-
buição tem parâmetros 65 e 8, respetivamente, responda às seguintes questões:
3.1. Qual a percentagem da população do sexo feminino que apresenta uma aptidão
matemática superior a 80.
3.2. Qual o percentil correspondente à cotação de 62 valores, obtida pelo João.
3.3. Qual é o valor correspondente ao percentil 75, num indivíduo do sexo feminino.
3.1. Distribuições de Probabilidade 21

EXEMPLO 4:
Num estudo efetuado com estudantes de uma escola concluiu-se que o “coeficiente de
inteligência apresentava distribuição aproximadamente normal com média 115 e desvio
padrão 5”. Calcule:
4.1. A probabilidade de selecionado aleatoriamente um aluno dentre os alunos dessa
escola, este apresentar um coeficiente de inteligência inferior a 100.
4.2. A probabilidade de selecionado aleatoriamente um aluno dentre os alunos dessa
escola, este apresentar um coeficiente de inteligência entre 108 e 118.
4.3. Numa turma de 20 alunos desta escola quantos alunos espera encontrar com um
coeficiente de inteligência superior a 112.
3.1. Distribuições de Probabilidade 22

DISTRIBUIÇÃO QUI-QUADRADO

• A soma de Normais reduzidas elevadas ao quadrado não tem Distribuição Nor-

mal, mas sim distribuição Qui-quadrado:
k
X Zi2 2
(k ) onde Z N (0,1)
i 1
• Graus de Liberdade (k): nº de realizações de uma variável que é necessário co-
nhecer para calcular uma estatística nessa variável.
• f.d.p. utilizada na inferência estatística para testes de ajustamento, testes a vari-
âncias e testes não paramétricos

1 X /2 (n /2 1)
f (X ) .e .X
n /2 n /2 1 X
2 . X .e .dX
0
3.1. Distribuições de Probabilidade 23

DISTRIBUIÇÃO T-STUDENT

• W. Gosset observou que em amostras de pequena dimensão, algumas variáveis

biométricas apresentavam distribuições que ficavam algo aquém da distribuição
normal.
• A razão entre uma Normal e um Qui-quadrado é uma distribuição t-Student
Z 2
X ~t student (k 1) onde Z ~ N (0,1) e Y ~ (k )
Y /k
• f.d.p. usada com frequência em infe-
rência estatística sobre médias.
3.2. Distribuições Amostrais

Para realizar inferência estatística é necessário conhecer as propriedades distribucio-

nais das estatísticas amostrais, a partir das quais se quer inferir para a população teó-
rica, i.e. é necessário conhecer a Distribuição Amostral da Estatística sob estudo.

Distribuição Amostral de uma Estatística:

Distribuição de probabilidades que caracteriza a probabilidade associada à realização
dessa estatística em múltiplas amostras aleatórias e independentes da população teó-
rica.

Por exemplo:

“Qual a distribuição amostral de X em muitas amostras aleatórias de dimensão n de

uma população”?
 3.2. Distribuições Amostrais 25

X N( , )
x1 n

.
x2
. N n
. X N( ,
N 1
)
n
x 999 x

x 1000 n/N > 0.05

X
3.2. Distribuições Amostrais 26

TEOREMA DO LIMITE CENTRAL

Um dos mais importantes teoremas em inferência estatística:

“a soma (ou média) de muitas variáveis aleatórias independentes e com mesma distri-
buição de probabilidade, qualquer que ela seja, tende para a distribuição normal à me-
dida que n+”

Por exemplo: seja X a v.a. que representa um lançamento de 10 000

3.2. Distribuições Amostrais 27

Se da população (N=10000) extrairmos k = 1000 amostras aleatórias de dimensão n,

(com reposição) então a distribuição amostral de X nessas 1000 amostras será:

Se n  então X N( , ) i.e.
n

“para amostras grandes (n  30) a distribuição da média, se  é conhecido, é de tipo

normal”...
3.2. Distribuições Amostrais 28

... se  é desconhecido (o que acontece quase sempre) então

X
t(n 1)
s'
n
Mas… para n grande t(n1) → N(,)

Outras distribuições amostrais de interesse:

p(1 p) Pˆ p
Proporção (P): Pˆ N (p, ) ou N (0,1) para n grande (np  7)
n p(1 p)
n
(n 1)S '2 2
Variância (S’2): 2
(n 1)

S 1 '2 / 2

Rácio de Variâncias:
2
1
2
F (n1 1, n2 1)
S2 ' / 2
3.2. Distribuições Amostrais 29

EXEMPLO 1
O departamento de Saúde e Nutrição dos USA na amostragem feita entre 1988-1994
observou que o nível médio de colesterol, para mulheres entre os 20-74 anos, é de 204
mg/dl com um desvio-padrão de 44 mg/dl.
1.1. Numa amostra aleatória de 10 mulheres deste escalão etário qual é o valor médio
e desvio-padrão esperado para o nível médio de colesterol?
1.2. Qual a probabilidade de na amostra anterior o nível médio ser superior a 220
mg/dl?
1.3. Quantas mulheres da amostra anterior se esperam observar com nível médio de
colesterol acima de 220 mg/dl?
3.2. Distribuições Amostrais 30

EXEMPLO 2
Imagine que possui uma amostra da nota final de 25 alunos de Estatística, da popula-
ção de alunos da Universidade X (N = 800):
1.1. Qual é a distribuição mais apropriada para a média?
1.2. Se aumentarmos a amostra para uma taxa amostral de 50%, qual será a distri-
buição mais apropriada para a média? Justifique.
1.3. A amostragem realizada é de uma população que se pode considerar pequena?
3.2. Distribuições Amostrais 31

EXEMPLO 3
Seja X uma v.a. com distribuição normal de média 20 e desvio-padrão 5, calcule a di-
mensão da amostra de modo a que seja pelo menos igual a 0.9 a probabilidade da
média da amostra se situar entre 18 e 22.
3.2. Distribuições Amostrais 32

EXEMPLO 4
Numa escola primária estão inscritos 100 alunos. Sabe-se que 60 destes alunos têm
medo de trovoada.
4.1. Caracterize a distribuição amostral das proporções relativamente a amostras de 30
alunos.
4.2. Calcule a probabilidade de entre as 30 crianças, menos de 50% terem medo de
trovoada.