Baixe o app para aproveitar ainda mais
Prévia do material em texto
Sabrina Reis 1 Conceitos básicos de probabilidade Probabilidade é uma medida de incerteza sobre o acontecimento de um fato ou evento. Experimento Aleatório: Situação ou acontecimento cujo resultado não pode ser previamente antecipado. Os resultados possíveis são conhecidos, mas não sabemos de antemão qual deles irá ocorrer. Exemplos: 1. Retirar uma carta de um baralho de 52 cartas e verificar seu naipe; 2. Número observado no lançamento de um dado; 3. Lançar dois dados e observar as faces voltadas para cima; 4. Sortear um estudante da lista de presença e verificar a sua altura; 5. Sortear uma mulher na cidade e verificar quantos filhos ela tem. Espaço amostral: É o conjunto de todos os resultados possíveis de um experimento aleatório. O espaço amostral é denotado por Ω. Evento: É qualquer subconjunto do espaço amostral Ω. Denotamos os eventos pelas letras A, B, C, D, etc. Quando constituído de apenas um elemento do espaço amostral, chama-se evento simples. Bioestatística Probabilidade Sabrina Reis 2 Tipos especiais de eventos União: O evento de A e B equivale à ocorrência de A ou de B, ou de ambos. Contém todos os elementos do espaço amostral que estão em pelo menos um dos dois eventos. Denotamos a união por A U B Interseção: O evento de A e B equivale à ocorrência simultânea dos eventos A e B. Contém todos os elementos do espaço amostral comuns a A e B. Denotamos a interseção por A ∩ B Complementar: O evento de A contém todos os elementos do espaço amostral que não pertencem a A. Denotamos o complementar por Ac Eventos disjuntos: Dois eventos A e B são disjuntos ou mutuamente excludentes se a ocorrência de um deles impossibilita a ocorrência do outro. Em outras palavras, os dois eventos não têm nenhum elemento do espaço amostral em comum, isto é, A ∩ B = Ø (onde Ø representa um conjunto vazio). Exemplo: Considere que o experimento aleatório de interesse é a face observada de um lançamento de um dado. Neste experimento, temos que o espaço amostral é Ω = {1, 2, 3, 4, 5, 6}. Sejam os eventos: A) Sair face par B) Sair face maior ou igual a 5 C) Sair face menor do que 2 Encontre: a) A U B b) A ∩ B c) A ∩ C d) Ac Sabrina Reis 3 Exemplo: Sendo A e B dois eventos em um mesmo espaço amostral, “traduza” para a linguagem da Teoria dos Conjuntos, as seguintes situações: a) Pelo menos um dos eventos ocorre; b) A ocorre mas B não ocorre; c) Nenhum deles ocorre. Definição de probabilidade Definição clássica Quando os eventos simples são equiprováveis, a definição clássica da probabilidade de um evento A ocorrer é dada por: Exemplo: Seja o experimento aleatório jogar um dado e observar a face de cima. Seja o evento A = {2,4,6}, sair face par. Encontre a probabilidade de A ocorrer. De acordo com a definição clássica, P(A) = 3/6. Definição frequentista Fornece uma estimativa da probabilidade do evento de interesse através de sua frequência em um grande número de realizações independentes do experimento. Exemplo: Suponha que deseja-se calcular a probabilidade de uma pessoa estar infectada com uma determinada bactéria. Tal probabilidade pode ser estimada obtendo-se uma grande amostra e calculando a proporção de infectados nessa amostra. Propriedades da Probabilidade i) 0 ≤ P A ≤ 1 para qualquer evento A de Ω ii) P(Ω) = 1 iii) Se A e B são disjuntos, então P(A U B) = P(A) + P(B) As propriedades anteriores implicam nos seguintes resultados: P(Ø) = 0 P(Ac ) = 1 – P(A) Sejam A e B eventos de Ω. Então P(A) = P(A ∩ B) + P(A ∩ Bc ) Sabrina Reis 4 Exemplo: Uma companhia de seguros analisou a frequência com que 2000 segurados usaram o hospital. Os resultados são apresentados na tabela. Suponha que vamos sortear uma pessoa aleatoriamente entre os 2000 segurados Regrada adição Sejam A e B eventos de Ω. Então: P(A U B) = P(A) + P(B) – P(A ∩ B) Exemplo:Uma turma de Bioestatística teve a seguinte distribuição por gênero e aprovação. 10% dos alunos são homens e foram reprovados; 5% são mulheres e foram reprovadas; 35% são homens e foram aprovados; 50% são mulheres e foram aprovadas. * Denote por M se o aluno escolhido for do sexo masculino e por A se o aluno foi aprovado. Para um aluno escolhido ao acaso, CALCULE: a) P(A ∩ M) b) P(A) c) P(M) d) P(A U M) Sabrina Reis 5 Probabilidade condicional Exemplo: Uma companhia de seguros analisou a frequência com que 2000 segurados usaram o hospital. Suponha que vamos sortear uma pessoa aleatoriamente. a) Sabendo que a pessoa sorteada foi um homem, qual a probabilidade de ter usado o hospital? Se sabemos que foi sorteado um homem, o espaço amostral se reduz aos homens. b) Sabendo que a pessoa sorteada usou o hospital, qual a probabilidade de ser uma mulher? Se sabemos que usou o hospital, o espaço amostral se reduz às pessoas que usaram o hospital. A probabilidade condicional de A dado B é definida como: P(A | B) = P(A ∩ B) P(B) se P(B) ≠ 0. A probabilidade P(A|B) revela a incerteza que se tem sobre o evento A supondo que ocorreu o evento B. Podemos interpretá-la como a chance relativa de A restrita ao fato que B ocorreu. Regra do produto A probabilidade de ocorrer (A ∩ B) é igual à probabilidade de B ocorrer e, dado que B ocorreu, A ocorrer. Ou, ao contrário, A ocorrer e, dado que A ocorreu, B ocorrer. Exemplo: Um grupo de pessoas foi classificado quanto ao peso e pressão arterial. Suponha que uma pessoa será escolhida ao acaso neste grupo. Calcule: a) A probabilidade de ter pressão elevada E excesso de peso. P(PE ∩ EP) = 0,10 b) A probabilidade de ter excesso de peso. P(EP) = 0,25 c) A probabilidade de ter pressão elevada sabendo que tem excesso de peso. Sabrina Reis 6 Exemplo: Uma turma de Bioestatística teve a seguinte distribuição de notas finais: 4 alunos do sexo masculino e 6 do feminino foram reprovados; 8 alunos do sexo masculino e 14 do feminino foram aprovados. Total: 32 alunos * Denote por M se o aluno escolhido for do sexo masculino e por A se o aluno foi aprovado. Para um aluno escolhido ao acaso, CALCULE: a) P(A | M) b) P(M | A) c) P(Mc | A) Eventos independentes Dois eventos A e B são independentes se a informação da ocorrência de B não altera a probabilidade de ocorrência de A, ou seja: P(A|B) = P(A) Consequentemente, tem-se que P(A ∩ B) = P(A) . P(B) Exemplo: Um casal possui 3 filhos. Suponha independência entre os nascimentos. a) Qual a probabilidade de todos serem do sexo feminino? b) E de serem duas meninas e um menino? (nessa ordem) Assumindo independência, a informação do sexo de um filho não altera a probabilidade do outro. Além disso, P(M) = P(Mc ) = 0,5 Teorema da probabilidade total Suponha que os eventos C1 , C2 , ... , Ck formam uma partição do espaço amostral Ω. Então: Os eventos C1 , C2 , ... , Ck formam uma partição de Ω se: 1. Eles não tem interseção entre si; e 2. Sua união é igual ao espaço amostral. Sabrina Reis 7 Exemplo: Três candidatos disputam as eleiçõespara o Governo do Estado. O candidato do partido de direita tem 30% da preferência eleitoral, o de centro tem 30%, e o da esquerda 40%. Ao ser eleito, a probabilidade de dar, efetivamente, prioridade para Educação e Saúde é de 0,4; 0,6 e 0,9 para os candidatos de direita, centro e esquerda, respectivamente. a) Qual é a probabilidade de não ser dada prioridade a essas áreas no próximo governo? b) Se a área teve prioridade, qual a probabilidade do candidato de direita ter ganho a eleição? Teorema de bayes Sabrina Reis 8 Avaliação de testes e diagnosticos Sensibilidade é a probabilidade do teste ter resultado positivo dado que o indivíduo está doente. Mede a capacidade de reação do teste em um paciente doente. Especificidade é a probabilidade do teste ter resultado negativo dado que o indivíduo não está doente. Mede a não reação do teste em pacientes Um teste muito sensível é útil não portadores da doença. Exemplo: Resultados do teste de Papanicolau na detecção de câncer de colo de útero: Considere que: T+ corresponde a teste positivo, e T- a teste negativo; D+ corresponde ao indivíduo ter a doença, e D- ao indivíduo não ter a doença. Um teste muito sensível é útil para detectar a presença da doença em indivíduos doentes. Um teste muito específico é um teste útil para excluir a presença da doença em indivíduos sadios. Prevalência é a proporção de indivíduos portadores da doença na população. Para estimar bem a sensibilidade, é necessário ter uma quantidade razoável de doentes – maior do que o esperado para a população geral. Por isso, esses estudos não podem ser usados para calcular os valores de predição apresentados a seguir. Considere uma população com uma prevalência de câncer de colo de útero de 5%. Com a prevalência de 5%, seria esperado apenas 0,05 x 373 = 18,65 doentes na amostra Valor de predição positiva VPP é a probabilidade do paciente estar realmente doente dado que o resultado do teste é positivo. E se no final das contas o paciente não estiver doente? O paciente não estar doente dado que o teste deu positivo é um FALSO POSITIVO. O evento (D-|T+) (o teste errou) é o COMPLEMENTAR do evento (D+|T+) (o teste acertou) Sabrina Reis 9 Proporção de falsos positivos é a probabilidade do paciente não estar doente dado que o teste teve resultado positivo. Valor de predição negativa VPN é a probabilidade do paciente não estar doente dado que o resultado do teste é negativo. E se no final das contas o paciente estiver doente? O paciente estar doente dado que o teste deu negativo é um FALSO NEGATIVO. O evento (D+|T-) (o teste errou) é o COMPLEMENTAR do evento (D-|T-) (o teste acertou) Proporção de falsos negativos é a probabilidade do paciente estar doente dado que o teste teve resultado negativo. Valores de predição Queremos calcular: Como a prevalência da tabela dos resultados anteriores não pode ser utilizada para a população geral, então é necessário utilizar o Teorema de Bayes. Utilizando os dados da Tabela, a prevalência na amostra é de 276 373 = 0,739 ! Também podemos escrever o Teorema em função de dois eventos A e B: Sabrina Reis 10 Exemplo: Resultados do teste de Papanicolau na detecção de câncer de colo de útero: Considere uma população com uma prevalência de câncer de colo de útero de 5%. Calcule: a) Valor de Predição Positiva b) Valor de Predição Negativa c) Proporção de Falsos Positivos d) Proporção de Falsos Negativos Esse VPP é diferente da proporção de testes positivos que são doentes! (265/312 = 0,85 Esse VPN é diferente da proporção de testes negativos que não são doentes! (50/61 = 0,82) Tanto uma paciente com um teste negativo como uma com teste positivo tem probabilidades baixas de estarem doentes Encontramos que o teste tem SENSIBILIDADE de 0,96. Isso significa que, caso a pessoa seja doente, o teste tem probabilidade de acertar (ser positivo) de 96% - e de errar (ser negativo) de 4%. Já a ESPECIFICIDADE encontrada foi de 0,51. O que quer dizer que, caso a pessoa não seja doente, a probabilidade do teste acertar (ser negativo) é de 51% - e de errar (ser positivo) de 49%. Já o Valor de Predição Positiva (VPP) encontrado foi de 0,093. Isso significa que, dado que o teste foi positivo, a probabilidade de estar doente é de apenas 9,3%. A probabilidade de vir a ser um falso positivo é 90,7%. O Valor de Predição Negativa (VPN) calculado foi 0,996. Ou seja, dado que o teste foi negativo, a probabilidade de não estar doente é 99,6%. A probabilidade de vir a ser um falso negativo é 0,04%.
Compartilhar