Mais Aplicaes sobre clculo de probabilidades

Prof. Hemlio Fernandes Campos Colho

Departamento de Estatstica - Universidade Federal da Paraba - UFPB

Noes de Epidemiologia
Em algumas aplicaes de sade, a base do conhecimento de natureza probabilstica. Algumas aplicaes envolvem o que chamamos em sade de

indicadores epidemiolgicos

Uma aplicao importante da teoria das probabilidades em sade est relacionada avaliao da capacidade que um determinado exame tem de acertar o verdadeiro diagnstico. Isto acontece devido limitao que o pesquisador possui para elaborao do exame. Ou seja, um diagnstico emitido de acordo com a capacidade de um exame clnico para detectar o evento de interesse. O quadro a seguir mostra de maneira esquemtica os possveis resultados associados comparao do resultado de um exame que est sendo avaliado e o resultado denitivo ou diagnstico denitivo ou diagnstico de certeza.

continuao

Resultado de um exame diagnstico

versus

diagnstico de certeza

Resultado do Exame(+) Exame Exame() Totais

Diagnstico de Certeza Doena(+) Doena()

a(++) c (+) a+c b (+) d () b+d

Totais
a+b c +d a+b+c +d

Conceitos Iniciais
Falso-Positivo:

Indivduo sadio cujo exame resultou positivo. No

quatro anterior, corresponde letra

b a + b.

Para determinar a probabilidade do evento falso-positivo, basta dividir

pelo total de exames positivos,

Falso-Negativo:

Indivduo doente cujo exame resultou negativo.

No quatro anterior, corresponde letra

c c + d.

Para determinar a probabilidade do evento falso-negativo, basta dividir

pelo total de exames negativos,

continuao
Sensibilidade: a proporo de indviduos cujo exame revelou resultado positivo e que possuem a doena, no grupo de indivduos doentes. Ou seja:
Sensibilidade = S =
verdadeiro nmero de doentes. Quanto mais prximo de 1 estiver o valor da sensibilidade do teste, melhor ser esse teste.

a a+c

A sensibilidade avalia o total de acertos do exame sobre o

respondendo a seguinte pergunta:  Qual a

a proporo de indivduos doentes que o exame deixou de diagnosticar como tais? Essa proporo

Observao Importante:

Ao fazer

(1 S ),

o pesquisador est

proporo de falso-negativos no total de pessoas doentes.

continuao
Especicidade: a proporo do nmero de indivduos sadios cujo exame resultou negativo, no grupo de indivduos sadios.
Ou seja,

Especicidade = E =

d b+d

A especicidade expressa o total de exames corretamente negativos sobre o total de indivduos sadios. Quanto mais prxima de 1 estiver a especicadade, melhor ser esse teste.

Observao Importante: Ao fazer (1 E ), temos a proporo a proporo de falso-positivos no total de pessoas doentes.

continuao
Valor preditivo positivo:
a proporo de indivduos doentes com

exame positivo no grupo de exames positivos.

Valor Preditivo Positivo = VPD =

a a+b

Valor preditivo negativo:

a proporo de indivduos sadios com

exame negativo no grupo de exames negativos.

Valor Preditivo Negativo = VPN =

d c +d

continuao
Acuidade ou Ecincia Global do Teste:

Verica o percentual de

acerto do exame diagnstico no grupo total de pacientes analisados.

Acuidade = A =

a+d a+b+c +d

Prevalncia:

a proporo de pacientes doentes no grupo total de

pacientes analisados.

Prevalncia = P =

a+c a+b+c +d

Observaes Importantes

Cienticamente j foi constatado que um teste com alta especicidade deve ser usado quando a prevalncia da doena relativamente baixa (doena rara), mesmo que o teste tenha relativamente baixa sensibilidade.

O mesmo pode ser dito em relao a um teste com alta sensibilidade deve ser usado quando a prevalncia da doena alta (doena comum), mesmo que o teste tenha relativamente baixa especicidade.

Coeciente de Kappa ()
Coeciente utilizado quando se tem interesse em testar a concordncia entre dois diagnsticos diferentes, fornecidos por pesquisadores diferentes. Concordncia de diagnstico entre dois pesquisadores

Diagnstico (+) 1 () Totais

a(++) c (+) a+c

Diagnstico 2 (+) ( )

Totais
a+b c +d a+b+c +d

b (+) d () b+d

A proporo da concordncia observada dada por

PCO =

a+d a+b+c +d

Alm disso, precisamos da chamada

concordncia causal:

PCC =

(a + b )(a + c ) + (c + d )(b + d ) (a + b + c + d )2

Coeciente de Kappa ()
Logo:

PCO PCC 1 PCC

Quando h total concordncia, o coeciente igual a 1. Quando h discordncia total, o coeciente igual a 0. Para avaliar o grau de concordncia, possvel avaliar a seguinte classicao:

=0
0 0, 4

total discordncia concordncia leve concordncia moderada concordncia forte concordncia perfeita

< < 0, 4 < 0, 8 <1 =1

0, 8

Distribuies de Probabilidade
Denio: Denimos como uma varivel aleatria X uma caracterstica que pode assumir valores denidos em um conjunto de n valores:
X = {x1 , x2 , . . . , xn }

A relao

xi f (xi )
dene uma correspondncia entre todos os valores que a varivel aleatria pode assumir, ocorrncia,

funo de probabilidade da varivel aleatria X .

divididas em dois tipos:

f (xi ).

xi ,

e suas respectivas probabilidades de Analogamente ao

Esta relao o que chamamos em estatstica de

estuda da estatstica descritiva, as variveis aleatrias tambm podem ser

discretas e contnuas.

Modelos Probabilsticos Discretos

Exemplo
Suponha que o nmero mximo de leitos que uma unidade de terapia intensiva comporte seja 4. Denindo a varivel aleatria como nmero de bitos (na UTI), os valores que a varivel aleatria pode assumir, num certo perodo de tempo, so:

X = {0, 1, 2, 3, 4}

onde:

X X X X

=0 =1 =2 =3

signica nenhum bito (quatro pacientes vivos); signica um bito (trs pacientes vivos); signica dois bitos (dois pacientes vivos); signica trs bitos (um pacientes vivos);

Por m,

X =4

signica quatro bitos, nenhuma sobrevivncia.

Exemplo
Suponha que o nmero mximo de leitos que uma unidade de terapia intensiva comporte seja 4. Denindo a varivel aleatria como nmero de bitos (na UTI), os valores que a varivel aleatria pode assumir, num certo perodo de tempo, so:

X = {0, 1, 2, 3, 4}

onde:

X X X X

=0 =1 =2 =3

signica nenhum bito (quatro pacientes vivos); signica um bito (trs pacientes vivos); signica dois bitos (dois pacientes vivos); signica trs bitos (um pacientes vivos);

Por m,

X =4

signica quatro bitos, nenhuma sobrevivncia.

Exemplo
Supondo que as probabilidades associadas a cada um destes possveis resultados sejam

f (0) f (1) f (2) f (3) f (4)

= = = = =

0, 3164 0, 4219 0, 2109 0, 0461 0, 0039

possvel montar a funo mostrada no quadro a seguir:

X f (x )

0 0,3164

1 0,4219

2 0,2109

3 0,0461

4 0,0039

Soma
1

que funo de probabilidade do nmero de bitos.

continuao

Note que para

possveis valores da varivel aleatria

temos que

n i =1
n = 4. f (xi ) = 1

Em nosso exemplo,

Note que esse resultado algo j

esperado, pois estamos avaliando todas as possibilidades de ocorrncia da varivel aleatria

X.

Construo da funo de probabilidade

Suponha que a probabilidade de bito de um paciente, ao dar entrada na UTI, seja de 25% (risco de morte). Denindo a varivel aleatria

como no exemplo anterior, tem-se

X ={0,
Ou seja,

f (0) = 0, 75 f (1) = 0, 25

X f (x )

0 0,75

1 0,25

Soma
1

Construo da funo de probabilidade

Se dois pacientes ingressarem na UTI (n Sendo

= 2),
i
sobreviver e

p (vi )

a probabilidade do paciente

probabilidade do paciente

p (oi )

morrer, tem-se

X ={0,

f (0) f (1) f (2)

p (v1 )p (v2 ) = 0, 75 0, 75 = 0, 5625 p (v1 )p (o2 ) = 0, 75 0, 25 = 0, 1875 0, 3750 p (o1 )p (v2 ) = 0, 25 0, 75 = 0, 1875 p (o1 )p (o2 ) = 0, 25 0, 25 = 0, 0625

O quadro com as funes de probabilidade dado a seguir:

X f (x )

0 0,5625

1 0,3750

2 0,0625

Soma
1

Observaes Importantes:

A construo para um nmero maior de casos (n) pode ser realizado.

Porm, uma tarefa repetitiva e bastante trabalhosa.

De modo a sistematizar o clculo de probabilidades de um determinado nmero de ocorrncias em

Distribuio Binomial.

casos, considera-se a

Distribuio Binomial
Considere uma varivel aleatria denida em termos seja, com dois valores possveis de ocorrer em ensaios, ou

tentativas,

binrios, ou

experimentos, ou

casos, etc.

Denotando a probabilidade de ocorrncia(ou sucesso) de a probabilidade de no-ocorrncia de Note que

q = 1 p.

por

q,

tem-se

X por p p + q = 1.

Com base nessa informao, a probabilidade de varivel aleatria

em

ocorrncias da

casos dada por:

P (X = x ) =

n x nx p q x

continuao

Atravs de uma distribuio de probabilidade possvel calcular valores para o que chamamos em estatstica de

parmetro, ou seja,

um valor conceitualmente conhecido na populao com base nos valores da amostra. Dessa forma, para o modelo binomial:

Mdia = Valor Esperado = E [X ] = = n p Varincia = 2 = n p q Desvio Padro = =

exclusivamente.

npq p
e de

Note que o formato da distribuio binomial depende de

EXEMPLO

Suponha que a probabilidade de um indivduo do sexo masculino(M), com mais de 60 anos, sedentrio(S) e fumante(F), desenvolver uma doena cardiovascular nos prximos 8 anos seja de 40%. A partir de um estudo controle com 10 indivduos com essas caractersticas, qual a probabilidade de que nenhum desses indivduos sofra doenas cardiovasculares no perodo determinado?

EXEMPLO
Suponha que a probabilidade de um indivduo do sexo masculino(M), com mais de 60 anos, sedentrio(S) e fumante(F), desenvolver uma doena cardiovascular (DCV) nos prximos 8 anos seja de 40%. A partir de um estudo controle com 10 indivduos com essas caractersticas, qual a probabilidade de que nenhum desses indivduos sofra doenas cardiovasculares no perodo determinado?

Resposta:

Note que

n = 10.

Alm disso,

P (DCV |M (60+) S F ) = P (X ) = p = 0, 4
Logo, a probabilidade de nenhum caso de DCV resulta em

P (X = 0) =

10 0

(0, 4)0 (0, 6)10 = 0, 0060 = 0, 60%

continuao
Qual a probabilidade de menos de trs indivduos da amostra terem DCV?

P (X < 3) P (X = 0) P (X = 1) P (X = 2)

= P (X = {0, 1, 2}) = P (X = 0) + P (X = 1) + P (X = 2) = = =
10 0 10 1 10 2

(0, 4)0 (0, 6)10 = 0, 0060 = 0, 60% (0, 4)1 (0, 6)9 = 0, 0403 = 4, 03% (0, 4)2 (0, 6)8 = 0, 1209 = 12, 09%

P (X < 3)

= P (X = 0) + P (X = 1) + P (X = 2) = 0, 0060 + 0, 0403 + 0, 1209 = 0, 1672 = 16, 72%

continuao
Qual a probabilidade de pelo menos trs indivduos da amostra terem DCV?

P (X 3)

= P (X = {3, 4, 5, 6, 7, 8, 9, 10}) = P (X = 3) + P (X = 4) + + P (X = 10)

n
f (xi ) = 1,
podemos utilizar este

Contudo, como sabemos que

resultado para simplicar os clculos. Ou seja:

i =1

P (X 3)

P (X < 3) = 1 0, 1672 = 0, 8328

continuao

Qual a mdia (ou valor esperado) de casos de DCV?

= 10 0, 4 = 4 casos

Qual o desvio padro do nmero de casos de DCV?

10

0, 4 0, 6 = 1, 55 2casos .

Distribuio de Poisson
A distribuio de Poisson est associada com a do nmero de casos da varivel aleatria

X.

taxa de ocorrncia

A funo de

probabilidade de Poisson dada por

e x x!

P (X = x ) =

lembrando que e = 2, 71828...

A partir deste tipo de distribuio tambm possvel obter valores de mdia, varincia e desvio padro:

Varincia = 2 = Desvio Padro = =

continuao
= np ,

Ao substituir

Poisson dada por

por

note que a funo de

probabilidade de

P (X = x ) =

e (np ) (np )x (e ) x = x! x!

Esta expresso d uma aproximao da distribuio binomial, tanto mais precisa quanto menor for o valor de

p.

Em reas de sade, essa modelagem probabilstica utilizada em situaes de estudos relacionados patologias raras (valor de baixo).

EXEMPLO
Suponha que uma em cada mil pessoas que utilizam determinado anestsico sofra uma reao negativa. Num total de 500 cirurgias em que se empregou esse anestsico, qual a probabilidade de que 1 pessoa sofra a reao?

Resposta:

Primeiramente,

= = n p = 500 0, 001 = 0, 5

Logo,

P (X = 1) =

e 0,5 0, 51
1!

= 0, 3033 = 30, 33%

continuao
Qual a probabilidade de nenhum paciente sofrer reao?

Resposta:

P (X = 0) =

e 0,5 0, 50
0!

= 0, 6065 = 60, 65%

Qual a probabilidade de mais de um paciente sofrer reao?

Resposta:

P (X > 1) P (X > 1)

= =

1 1

P (X = {0 , 1}) = 1 [P (X = 0) + P (X = 1)] (0, 6065 + 0, 3033) = 0, 0902 = 9, 02%

Modelos Probabilsticos Contnuos

Modelos contnuos de probabilidade

Varivel Aleatria Contnua:
Assume valores num intervalo de nmeros reais. No possvel listar, individualmente, todos os possveis valores de uma varivel aleatria contnua. Dessa forma, associamos probabilidades a intervalos de valores da varivel. Ou seja, a probabilidade ser calculada como uma rea de interesse no grco da distribuio.

Distribuio Normal
Observemos por exemplo, o peso em Kg, de 1500 pessoas adultas selecionadas ao acaso em uma populao. O histograma do conjunto de dados dado a seguir:

Distribuio Normal
A anlise do histograma mostra que: a distribuio dos valores aproximadamente simtrica em torno de 70kg; a maioria dos valores (88%) encontra-se no intervalo (55;85); existe uma pequena proporo de valores abaixo de 48kg (1,2%) e acima de 92kg (1%).

Distribuio Normal
Denindo a varivel aleatria X : peso, em kg, de uma pessoa adulta escolhida ao acaso da populao. natural ento considerar a aleatria

X,

distribuio dos valores da varivel

X?

isto , qual a distribuio de probabilidades de

Distribuio Normal
A distribuio normal uma das mais importantes distribuies

contnuas de probabilidade, pois:

distribuio.

Muitos fenmenos aleatrios comportam-se de forma prxima a essa

Exemplos:
1. Altura; 2. Presso sangunea; 3. Peso. Pode ser utilizada para calcular, de forma aproximada, probabilidades para outras distribuies, como por exemplo, para a distribuio Binomial.

Observao Importante
Nem todos os fenmenos se ajustam distribuio Normal.

Exemplo:
1.

Y:

Durao, em horas, de uma lmpada de certa marca.

A experincia sugere que esta distribuio deve ser assimtrica - grande proporo de valores entre 0 e 500 horas e pequena proporo de valores acima de 1500 horas

Funo Densidade da Normal

da distribuio normal.
A rea na gura calculada a partir da chamada

funo densidade

A expresso da funo densidade da distribuio normal dada por 1 2

f (x ) =

exp

(x )2 2 2

a mdia e pode assumir valores em um campo de variao

amplo

( < < )
2

a varincia, e s assume valores positivos (

> 0)

Apesar da complexidade da expresso, a utilizaremos para clculo de probabilidades de uma forma fcil, atravs do uso de uma tabela de clculo de probabilidades, com base na chamada

normal padro.

distribuio

Grco da distribuio normal

Caractersticas da Distribuio Normal

Assinttica em relao ao eixo das abscissas; Simtrica em torno do seu valor central, ou seja: valores de mdia, mediana e moda so

iguais.

Temos uma notao apropriada para representar uma varivel aleatria com distribuio normal. Ou seja, quando

for uma

varivel aleatria que possuir distribuio normal, temos que

X N , 2
Valores concentrados em torno da tendncia central. No grco, as reas (probabilidades) para um, dois e trs desvios padres em torno da mdia so, respectivamente:

Parmetros da Distribuio Normal

A distribuio normal depende dos parmetros

Curvas normais com mesma varincia, porm com mdias diferentes (2

> 1 ).

Inuncia de na curva da Distribuio Normal

2

Curvas normais com mesma mdia, porm com varincias diferentes (2

2 ). > 1

Clculo de probabilidades
P (a < X < b )
rea sob a curva e acima do eixo horizontal(X ) entre

Distribuio Normal Padronizada

Para calcular probabilidades associadas distribuio normal apresentadas anteriormente, costuma-se transformar a varivel original do problema denida uma varivel

X , em unidades Z , onde Z =

padronizadas. Ou seja,

Com a transformao, temos um modelo bem simples:

Z N (0, 1),

chamada

distribuio normal padro.

Com isso, ca fcil determinar as probabilidades associadas uma determinada varivel aleatria, pois existe uma tabela especca de clculo de probabilidades com base na distribuio normal padronizada.

Uso da tabela da distribuio normal padro

Denotamos:

A(z ) = P (Z z ),

para todo

z 0.

EXEMPLO
Calcular

P (Z 0, 32)

Logo,

P (Z 0, 32) = A(0, 32) = 0, 6255

continuao

continuao

EXEMPLO
Calcular

P (0 < Z 1, 71)

Regra: P (x < Z < y ) = A(y ) A(x )

Logo,

P (0 < Z 1, 71) = A(1, 71) A(0) = 0, 9564 0, 5 = 0, 4564

EXEMPLO
Calcular

P (1, 32 < Z 1, 79)

Regra: P (x < Z < y ) = A(y ) A(x )

Logo,

P (1, 32 < Z 1, 79) = A(1, 79) A(1, 32) = 0, 9633 0, 9066 = 0, 0567

EXEMPLO
Calcular

P (Z 1, 5)

Logo,

P (Z 1, 5) = 1 P (Z < 1, 5) = 1 A(1, 5) = 1 0, 9332 = 0, 0668

EXEMPLO
P (Z 1, 3)

Calcular

Logo,

P (Z 1, 3) = A(1, 3) = 0, 0968

EXEMPLO
Calcular

P (1, 5 < Z 1, 5)

Regra: P (x < Z < y ) = A(y ) A(x )

Logo,

P (1, 5 < Z 1, 5) = A(1, 5) A(1, 5) = 0, 9331 0, 0668 = 0, 8664

EXEMPLO
Calcular

P (1, 32 < Z 0)

Regra: P (x < Z < y ) = A(y ) A(x )

Logo,

P (1, 32 < Z 0) = A(0) A(1, 32) = 0, 9066 0, 5 = 0, 4066

EXEMPLO
Calcular

P (2, 30 < Z 1, 49)

Regra: P (x < Z < y ) = A(y ) A(x )

Logo,

P (2, 30 < Z 1, 49) = A(1, 49) A(2, 30) =

0, 9066

0, 5 = 0, 4066

EXEMPLO
Calcular

P (1, 0 < Z 2, 0)

Regra: P (x < Z < y ) = A(y ) A(x )

Logo,

P (1, 0 < Z 2, 0) = A(2, 0) A(1, 0) = 0, 9772 0, 1586 = 0, 8186

EXEMPLO
Como encontrar o valor da distribuio

N (0, 1)

tal que

P (Z z ) = 0, 975?

Note que

tal que

A(z ) = 0, 975.

Pela tabela,

z = 1, 96.

EXEMPLO
Como encontrar o valor da distribuio

N (0, 1)

tal que

P (0 < Z z ) = 0, 4975?

Note que

P (0 < Z z ) = 0, 4975 = A(z ) A(0) = 0, 4975 = A(z ) = 0, 9975. Pela tabela, z = 2, 81.

EXEMPLO
Como encontrar o valor da distribuio

N (0, 1)

tal que

P (Z z ) = 0, 3?

Note que

Pela tabela,

P (Z z ) = 0, 3 = 1 P (Z < z ) = 0, 3 = A(z ) = 0, 7. z = 0, 53.

EXEMPLO
Como encontrar o valor da distribuio

N (0, 1)

tal que

P (Z z ) = 0, 975?

Note que

P (Z z ) = 0, 975 = 1 P (Z < z ) = 0, 975 = A(z ) = 0, 025. tabela, z = 1, 96.

Pela

EXEMPLO
Como encontrar o valor da distribuio

N (0, 1)

tal que

P (Z z ) = 0, 10?

Note que pela tabela,

z = 1, 28.

EXEMPLO
Como encontrar o valor da distribuio

N (0, 1)

tal que

P (z < Z z ) = 0, 80?

Note neste caso que P (Z < z ) = P (Z > z ) = 0, 1 P (Z < z ) = A(z ) = 0, 90 e assim, z = 1, 28.

Logo, pela tabela,

EXEMPLO
Seja

X N (10; 64) = 10, 2 = 64 e = 8 P (6 X 12)

Calcular

610 X 10 1210 = Note que P (6 X 12) = P 8 8 8 P (0, 5 < Z < 0, 25)

Logo,

P (0, 5 < Z < 0, 5) = A(0, 25) A(0, 5) =

0, 5987

0, 3085 = 0, 2902.

EXEMPLO
Suponha que o comprimento mdio de recm-nascidos do sexo feminino no-portadores de anomalias seja 48,54cm. Alm disso, sabemos que o desvio padro da varivel igual a 2,5cm. Qual a probabilidade de haver na populao indivduos com comprimento maior ou igual 48,54?

Resposta:

Queremos ento obter

P (X 48, 54).
48, 54

Logo:

P (X 48, 54)

48, 54

2, 5

= P (Z 0).
ou

A tabela fornecida calcula probabilidades da forma

P (X < x ).

P (X x )

Por isso, 1 2 1 2

P (Z 0) = 1 P (Z < 0) = 1

continuao

Qual a probabilidade do comprimento ser menor que 44,79cm?

Resposta:
P (X < 44, 79) = P X
44, 79

<

48, 54 2, 5

= A(1, 5) = 0, 0668

continuao

Qual a probabilidade do comprimento ser superior 47,29cm?

Resposta:
P (X > 47, 29) = P X
47, 29

>

48, 54 2, 5

= P (Z > 0, 5)

Novamente, importante lembrar que a tabela fornecida calcula probabilidades da forma

P (X x )

ou

P (X < x ).

Por isso,

P (Z > 0, 5) = 1 P (Z < 0, 5) = 1 0, 3085 = 0, 6915

continuao
Qual a probabilidade de indivduos terem comprimento entre 46,04cm e 51,04cm?

Resposta:
P (46, 04 X 51, 04) = P
46, 04

48, 54

2, 5

51, 04

48, 54

2, 5

No caso da distribuio normal padro, temos uma propriedade especial:

P (a Z b ) = P (Z b ) P (Z a)

Logo,

P (1 Z 1) = P (Z 1)P (Z 1) = 0, 86430, 1587 = 0, 7056

continuao
Qual o limite inferior nas crianas com maior comprimento, cujo percentual de 5% na populao?

Resposta:

Neste tipo de situao, faremos o caminho inverso. Ao

invs de encontrar a probabilidade, precisamos encontrar o menor valor dentre os maiores comprimentos. Sabemos que as maiores crianas correspondem 5%. Ou seja, precisamos ento encontrar o valor de

tal que

x 48, 54
2, 5

= 0, 95

Logo, pesquisando na tabela, vemos ento que

x 48, 54
2, 5

= 1, 65 x = 1, 65 2, 5 + 48, 54 = 52, 67cm

x

Ou seja, 5% das crianas nasce com comprimento superior 52,67. Neste exerccio o valor de chamado de

percentil 95.

Comentrios adicionais da distribuio normal

EXEMPLO

Suponha que temos

varivel aletria com distribuio normal com

mdia 60 e varincia igual a 64. Ou seja:

X N (60, 64).

Considerando as reas sob a distribuio (probabilidades) em relao ao desvio padro, seria possvel armar para este exemplo que

P ( ) = P (52 X 68) = 0, 6826 P ( 2 ) = P (44 X 76) = 0, 9546 P ( 3 ) = P (36 X 84) = 0, 9974