Baixe o app para aproveitar ainda mais
Prévia do material em texto
Bioestatística Caracterização Estatística de Variáveis Emília M. do Nascimento 9 Pode assumir um nº infinito de valores, com probabilidades de ocorrência conhecidas 9Ex.: Nº de consultas médicas anuais de um associado a um plano de saúde, representado pela variável aleatória X, com probabilidade P(X=0) ou P(X=1) ou P(X=2) ... ¾ Variável Aleatória Discreta 9Exemplo Seja X a variável aleatória nº de meninos em uma família com 2 crianças ¾ Variável Aleatória Discreta Nº de meninos (x) P(X=x) 0 1/4 1 2/4 2 1/4 Total 1 9Prob. de X=0 meninos: P(F e F) = ½ * ½ = ¼ 9Prob. de X=1 menino: P(M e F) ou P(F e M) = (½ * ½) + (½ * ½) = 2/4 9Prob. de X=2 meninos: P(M e M) = ½ * ½ = ¼ 9Exemplo Seja Y a variável aleatória que representa a face voltada para cima em um lançamento de um dado ¾ Variável Aleatória Discreta Resultado (y) P(Y=y) 1 1/6 2 1/6 3 1/6 4 1/6 5 1/6 6 1/6 Total 1 9 Pode assumir todos os valores de um intervalo, com probabilidades calculadas como a área sob a curva de distribuição chamada função de densidade de probabilidade 9 Probabilidade de uma variável aleatória X assumir um valor no intervalo [a, b] P[a ≤ X ≤ b] ¾ Variável Aleatória Contínua 9Ex.: Distribuição da pressão diastólica de 158.906 pessoas entre 30 e 60 anos ¾ Variável Aleatória Contínua 9 Mesmo pertencendo a um grupo homogêneo, observam-se valores diferentes, daí serem considerados variáveis aleatórias. 9Apesar da diversidade natural, observa-se um comportamento com clara estrutura. 9Ex.: Peso ao nascer de 100 meninas ¾ Variável Aleatória Contínua 9 Embora o comportamento da variável possa ser sugestivo, o tamanho da amostra é pequeno para se determinar a distribuição do peso ao nascer, pois o histograma não apresenta forma bem definida. 9Ex.: Peso ao nascer de 1500 meninas ¾ Variável Aleatória Contínua 9 Elevando-se o tamanho da amostra, obtém-se um histograma que apresenta a forma da distribuição de maneira bem mais clara 9 Por maior que seja o nº de recém-nascidos, só conhecemos de fato a distribuição desta variável aleatória quando identificamos a expressão matemática de sua distribuição, i.é, a sua função de densidade de probabilidade 9 Não é um conjunto genérico de pessoas 9 São todos os valores possíveis de uma medida específica, com as respectivas frequencias 9Ex: Pressão diastólica de todos os alunos admitidos numa faculdade em determinado ano ¾ População ¾ Amostra 9 Conjunto de observações extraídas da população 9 Amostragem processo para se obter uma amostra visando garantir representatividade da população. 9Na prática, dispomos de apenas uma amostra e a partir dela, fazemos inferências para a população. 9 Com base na amostra, estimamos os parâmetros populacionais (ex: média, variância e proporção com determinada característica) ¾ Modelo de Poisson 9 Usado para descrever variáveis aleatórias expressas por contagens 9Seja X uma variável aleatória que representa o nº de ocorrências de um evento em um período de tempo ! )( x exXP xλλ−== 9 x = 0, 1, 2, ... 9 e ≈ 2,7183 9 x! = 1 * 2 * ... * x 9λ é a taxa média de ocorrências, i.é, nº médio de ocorrências por unidade de tempo; por unidade de volume; ou por unidade de área ¾ Modelo de Poisson Exemplos 9Nº de registros anuais de câncer 9Nº de óbitos diários em um hospital 9Nº de bactérias por ml de urina 9Nº de pacientes que chegam diariamente em um centro de saúde ¾ Modelo de Poisson 9 Ex.: Chegadas de pacientes em um pronto socorro, de madrugada 9 Suponha que cheguem em média 3 pacientes por madrugada ⇒ λ = 3 9 Probabilidade de chegada de x pacientes: 9 x = 0, 1, 2, ... 9 e ≈ 2,7183 9 x! = 1 * 2 * ... * x ! 3 ! )( 3 x e x exXP xx −− === λ λ ¾ Modelo de Poisson 9 Ex.: Chegadas de pacientes de madrugada (cont.) x P(X=x) 0 0.050 1 0.149 2 0.224 3 0.224 4 0.168 5 0.101 6 0.050 7 0.022 8 0.008 9 0.003 10 0.001 11 0.000 12 0.000 ≥ 13 ≈ 0 9 P(X=0)= 0,050 ⇒ muito pouco provável que nenhum paciente chegue em determinada madrugada 9 P(X≥1) = 1 - P(X=0) = 1 – 0,050 = 0,950 ⇒ muito provável que pelo menos 1 paciente chegue em determinada madrugada 9 P(X≥13) ≈ 0 ⇒ não é provável que cheguem 13 ou mais pacientes em determinada madrugada ¾ Modelo de Poisson 9 Ex.: Chegadas de pacientes de madrugada (cont.) x P(X=x) 0 0.050 1 0.149 2 0.224 3 0.224 4 0.168 5 0.101 6 0.050 7 0.022 8 0.008 9 0.003 10 0.001 11 0.000 12 0.000 ≥ 13 ≈ 0 9 A maior concentração da distribuição está em torno de x = 3, que é o nº médio de chegadas 9 Se fossem consideradas 2 madrugadas, o nº médio de chegadas seria 3 * 2 = 6 pacientes 9 Em 1 mês o nº esperado de chegadas é 3 * 30 = 90 pacientes ¾ Modelo de Poisson 9 5.694 associados 9 Ex.: Nº de consultas médicas de um associado a um plano de saúde no final de 1 ano 9 O associado faz em média λ = 2,3 consultas por ano. 0 589 1 1274 2 1542 3 1144 4 663 5 304 6 126 7 39 8 10 9 3 Total 5694 FrequenciaNº de consultas 13098 ⇒ λ = 2,3 5694 = nº total de consultas nº total de associados 1 * 1274 + 2 * 1542 + ... + 8 * 10 + 9 * 3 589 + 1274 + 1542 + ... + 10 + 3 λ = = 913.098 consultas ¾ Modelo de Gauss 9 Caracteriza-se por 2 parâmetros: μ (média populacional) e σ (desvio-padrão populacional) 9 X ~ N(μ, σ) 9 Simétrica em torno da média 9 Área total abaixo da curva vale 1 2 2 1 2 1)( ⎟⎠ ⎞⎜⎝ ⎛ −−= σ μ πσ x exf ¾ Modelo de Gauss 9 Exemplos 9 Valores de hemoglobina em pacientes sadios 9 Pressão arterial sistólica 9 Temperatura corporal 9 Altura de crianças de mesma idade ¾ Distribuição Gaussiana Padrão 9 Caracteriza-se por média populacional μ = 0; e desvio-padrão populacional σ = 1 9 Z ~ N(0, 1) ¾ Modelo de Gauss Tabela: Distribuição Gaussiana Padrão ¾ Área fornecida pela tabela da distribuição Gaussiana padrão ¾ Modelo de Gauss 9 P(Z ≤ x) ¾ Probabilidade de ocorrência de valores entre a e b ¾ Modelo de Gauss 9 P(a ≤ Z ≤ b) = P(Z ≤ b) – P(Z ≤ a) ¾ Modelo de Gauss: Áreas sob a curva N(0, 1) Exemplo 1 P(Z ≤ -1) = 0,1587 ¾ Modelo de Gauss Exemplo 2 P(Z ≤ 1) = 0,8413 9 Exemplo 3: P(-1 ≤ Z ≤ 1) = = P(Z ≤ 1) - P(Z ≤ -1) = 0,8413 – 0,1586 = 0,6827 968,27% dos valores da distribuição estão contidos no intervalo [-1, 1] ¾ Modelo de Gauss 9 Exemplo 4: P(1 ≤ Z ≤ 2) = = P(Z ≤ 2) - P(Z ≤ 1) = 0,9773 – 0,8413 = 0,1360 9 13,6% dos valores da distribuição estão contidos no intervalo [1, 2] 9 Exemplo 5: P(Z ≥ 2,33) Alternativa 1: como a curva é simétrica, P(Z ≥ 2,33) = P(Z ≤ -2,33) = 0,0099 ou Alternativa 2: como a área total é igual a 1 P(Z ≥ 2,33) = 1 - P(Z ≤ 2,33) = 1 – 0,9901 = 0,0099 ¾ Modelo de Gauss 9 Exemplo 5 (alternativa 2): P(Z ≤ 2,33) = 0,9901 92,33 é o percentil de ordem 0,99 da gaussiana padrão 9 Exemplo 6: P(Z < 1,64) ≈ 0,95 ¾ Modelo de Gauss 9 Exemplo 7: P(Z < 1,96) ≈ 0,975 9 1,64 é o percentil de ordem 0,95 9 1,96 é o percentil de ordem 0,975 9 2,33 é o percentil de ordem 0,99 9 Área sob a curva com parâmetros μ e σ quaisquer ¾ Modelo de Gauss ( ) ( )1,0~,~ NXNX σ μσμ −⇒ 9 Exemplo: ( ) ⎟⎠ ⎞⎜⎝ ⎛ −≤=⎟⎠ ⎞⎜⎝ ⎛ −≤−=≤ σ μ σ μ σ μ aZPaXPaXP 9 Correspondência entre os percentis de uma curva geral (x) e os da curva padrão (z) ¾ Modelo de Gauss Probabilidades de que as variáveis estejam contidas nos intervalos: ¾ Modelo de Gauss 9média ± 1 desvio-padrão: 9média ± 2 desvios-padrão: 9média ± 3 desvios-padrão: P(μ− σ ≤ X ≤ μ + σ) = P(-1 ≤ Z ≤ 1) = 0,6826 P(μ − 2σ ≤ X ≤ μ + 2σ) = P(-2 ≤ Z ≤ 2) = 0,9544 P(μ − 3σ ≤ X ≤ μ + 3σ) = P(-3 ≤ Z ≤ 3) = 0,9973 Em uma distribuição gaussiana: ¾ Modelo de Gauss 9 O intervalo contém cerca de 68% das obs. sx ± 9 O intervalo contém cerca de 95% das obs. 9 O intervalo contém quase todas as obs. sx 2± sx 3± Exemplo: Pressão sistólica em jovens saudáveis distribuição N(120, 10) ¾ Modelo de Gauss 1) Qual a prob. de se encontrar uma pessoa com pressão sistólica acima de 140 mmHg? 92,28% das pessoas têm pressão sistólica acima de 140mmHg. ( ) ( ) =≥=⎟⎠ ⎞⎜⎝ ⎛ −≥−=≥ 2 10 120140 10 120140 ZPXPXP ( ) 0228,09772,0121 =−=≤−= ZP P(Z ≤ 2) = 0,9772 Exemplo: Pressão sistólica em jovens saudáveis distribuição N(120, 10) ¾ Modelo de Gauss 2) Quais os limites de um intervalo simétrico em relação à média que engloba 95% dos valores das pressões sistólicas? 9 Encontrar a e b tais que P(a ≤ X ≤ b) = 0,95 9 Padronizando: ( ) 95,0 10 120 10 120 10 120 =⎟⎠ ⎞⎜⎝ ⎛ −≤−≤−=≤≤ bXaPbXaP ⇒ P(a’ ≤ Z ≤ b’) = 0,95 10 120' −= aa 10 120' −= bbFazendo e 10 120−= XZonde Ex: Pressão sistólica em jovens saudáveis ¾ Modelo de Gauss 9 Escolhendo uma solução simétrica: -a’ = b’ P(Z ≤ b’) = 0,975 ⇒ b’ = 1,96 P(Z ≤ b’) = 0,975 como -a’ = b’⇒ a’ = -1,96 Ex: Pressão sistólica em jovens saudáveis (cont) ¾ Modelo de Gauss 96,1 10 120' −=−= aa Cálculo de a e b: ⇒ a = 100,4 96,1 10 120' =−= bb ⇒ b = 139,6 9 Para essa população, o intervalo que engloba 95% dos valores é [100,4; 139,6], i.é, aproximadamente, entre 100 mmHg e 140 mmHg. 9 Exemplo: Investigação de infecção por H.pylori teste com uso da uréia marcada com carbono-14 (C14) ¾ Modelo de Gauss 9 A quantidade de CO14 liberada sob a forma de CO2 para pacientes sem a bactéria é uma variável gaussiana com média 0,07 unidades de C14; e desvio-padrão de 0,03 unidades de C14 distribuição N(0,07; 0,03) Exemplo: Infecção por H.pylori (cont) ¾ Modelo de Gauss 1) Prob. de uma pessoa não infectada liberar: a) Entre 0,04 e 0,10 unidades de C14 ( ) =⎟⎠ ⎞⎜⎝ ⎛ −≤≤−=≤≤ 03,0 07,010,0 03,0 07,004,010,004,0 ZPXP ( ) ( ) 6826,01587,08413,011 =−=−≤−≤= ZPZP Exemplo: Infecção por H.pylori (cont) ¾ Modelo de Gauss 1) Prob. de uma pessoa não infectada liberar: b) Mais que 0,15 unidades de C14 ( ) ( )67,2 03,0 07,015,015,0 >=⎟⎠ ⎞⎜⎝ ⎛ −>=> ZPZPXP 9 Duas soluções: 1ª) P(Z > 2,67) = P(Z < -2,67) = 0,0038 2ª) 1 – P(Z < 2,67) = 1 – 0,9962 = 0,0038 Exemplo: Infecção por H.pylori (cont) ¾ Modelo de Gauss 2) Quais valores, simétricos em relação à média, incluem 80% dos pacientes não infectados? ( ) 80,0 03,0 07,0 03,0 07,0 =⎟⎠ ⎞⎜⎝ ⎛ −≤≤−=≤≤ bZaPbXaP ⇒ P(a’ ≤ Z ≤ b’) = 0,80 ¾ Modelo de Gauss 9 Escolhendo uma solução simétrica: -a’ = b’ 0,10 0,10 0,10 1 - 0,10 = 0,9 P(Z ≤ b’) = 0,9 Exemplo: Infecção por H.pylori (cont) ⇒ b’ = 1,28 P(Z ≤ b’) = 0,9 como -a’ = b’⇒ a’ = -1,28 ¾ Modelo de Gauss Cálculo de a e b: ⇒ a = 0,03 ⇒ b = 0,11 9 O intervalo que engloba 80% dos indivíduos não infectados é [0,03; 0,11]. Exemplo: Infecção por H.pylori (cont) 28,1 03,0 07,0' −=−= aa 28,1 03,0 07,0' =−= bb 9 Comparar as proporções observadas com as probabilidades obtidas pelo modelo; ou ¾ Verificação da adequação do modelo – Modelo de Poisson 9 Comparar as frequencias observadas com as esperadas segundo o modelo. 9 Se as discrepâncias forem “pequenas” há evidências de um bom ajuste do modelo aos dados. ¾ Verificação da adequação do modelo – Modelo de Poisson Exemplo: Número de consultas médicas (cont) 9 λ = 2,3 (O associado faz em média λ = 2,3 consultas por ano) 9 Probabilidades ! 3,2)( 3,2 x exXP x− == ¾ Verificação da adequação do modelo – Modelo de Poisson Exemplo: Número de consultas médicas (cont) 1003,0 !0 3,2)( 03,2 === −exXP 9 % observado próximo do % esperado ⇒ o modelo de Poisson parece adequado 589 / 5694 = 0,1034 Frequencia observada observado esperado 0 589 10.34 10.03 1 1274 22.37 23.06 2 1542 27.08 26.52 3 1144 20.09 20.33 4 663 11.64 11.69 5 304 5.34 5.38 6 126 2.21 2.06 7 39 0.68 0.68 8 10 0.18 0.19 9 3 0.05 0.05 Total 5694 Nº de consultas Percentual ¾ Verificação da adequação do modelo – Modelo de Poisson Exemplo: Número de consultas médicas (cont) 9 Número esperado de consultas 1003,0 !0 3,2)( 03,2 === −exXP 0,1003*5964 = 571 9 Nº esperado de associados com 0 consultas: 571 Frequencia Frequencia observada Prevista 0 589 0.1003 571 1 1274 0.2306 1313 2 1542 0.2652 1510 3 1144 0.2033 1158 4 663 0.1169 666 5 304 0.0538 306 6 126 0.0206 117 7 39 0.0068 39 8 10 0.0019 11 9 3 0.0005 3 Total 5694 Nº de consultas Probabilidades 9 Examinar graficamente a distribuição dos dados histograma ¾ Verificação da adequação do modelo – Modelo de Gauss 9 Se o gráfico apresentar simetria e forma aproximada da curva gaussiana, há evidências de adequacidade do modelo aos dados. ¾ Verificação da adequação do modelo – Modelo de Gauss 9 Verificar as proporções de observações em determinados intervalos que envolvem à media, i.é, verificar se: 9O intervalo x ± s contém cerca de 68% das obs. 9O intervalo x ± 2s contém cerca de 95% das obs. 9O intervalo x ± 3s contém quase todas as obs. ¾ Verificação da adequação do modelo – Modelo de Gauss Exemplo: Pressão sistólica de estudantes 142 142 134 110 98 130 136 120 118 130 116 140 118 122 128 128 114 138 104 116 110 100 128 128 124 140 108 146 116 114 152 118 140 128 116 110 138 132 118 120 122 120 108 112 94 130 130 118 120 128 108 120 124 110 124 132 132 130 102 118 9Embora ligeiramente assimétrico, tem aproximadamente a forma gaussiana. ¾ Verificação da adequação do modelo – Modelo de Gauss Exemplo: Pressão sistólica de estudantes (cont.) x = 122,7 9 Espera-se que 68,3% da população esteja contida no intervalo x ± s = 122,7 ± 12,21 = (122,7-12,21; 122,7+12,21) = (110,49; 134,91) 9Há 38 obs. nesta faixa⇒ 38/60 = 63% s = 12,21 n = 60 Exemplo: Pressão sistólica de estudantes (cont.) ¾ Verificação da adequação do modelo – Modelo de Gauss 9 Espera-se que 95,4% da população esteja contida no intervalo x ± 2s = 122,7 ± 2*12,21 = (98,28; 147,12) 9 Há 57 obs. nesta faixa⇒ 57/60 = 95% 9 Espera-se que 99,7% da população esteja contida no intervalo x ± 3s = 122,7 ± 3*12,21 = (86,07; 159,33) 9 Todas as obs. nesta faixa⇒ 100% ¾ Verificação da adequação do modelo – Modelo de Gauss Exemplo: Pressão sistólica de estudantes (cont.) 9 Q-Q plot há boa aderência dos dados ao modelo gaussiano, pois as obs. estão alinhadas em torno da reta. 9 Como não há grande discrepância entre os percentuais observados e as probabilidades, conclui-se que o modelo de Gauss é razoável 9 O intervalo (μ-2σ, μ+2σ) engloba 95,6% da área sob a curva de Gauss. 9 I.é, uma variável com distribuição de Gauss produzirá, em média, 95,6% de valores naquela faixa. 9 Na prática trabalhamos com uma amostra e a distribuição não é completamente conhecida ⇒ intervalo de referência: (x-2s, x+2s) ¾ Faixa de referência – Método da curva de Gauss 9 Outros intervalos de referência ¾ Faixa de referência – Método da curva de Gauss Cobertura Faixa de referência 90% (x - 1,64; x + 1,64) 95% (x - 1,96; x + 1,96) 99% (x - 2,58; x + 2,58) 9 Exemplo: Teor de gordura fecal em crianças ¾ Faixa de referência – Método da curva de Gauss 3.7 1.6 2.5 3.0 3.9 1.9 3.8 1.5 1.1 1.8 1.4 2.7 2.1 3.3 3.2 2.3 2.3 2.4 0.8 3.1 1.8 1.0 2.0 2.0 2.93.2 1.9 1.6 2.9 2.0 1.0 2.7 3.0 1.3 1.5 4.6 2.4 2.1 1.3 2.7 2.1 2.8 1.9 x = 2,303 s = 0,872 n = 43 9 Valores de referência com cobertura ≈ 95% Limite inf. de referência: 2,303-2(0,872)=0,559 Limite sup. de referência: 2,303+2(0,872)=4,047 9 Ordenam-se os valores 9 Para cada um deles, calcula-se ¾ Faixa de referência – Método dos percentis i - 0,5 n i = nº de ordem n = nº total de obs. onde 9 Procuram-se os percentis mais próximos aos percentuais fixados. 9 Ex: Teor de gordura fecal em crianças (cont.) Valor observado 1 0.78 0.012 2 1.00 0.035 3 1.00 0.058 4 1.12 0.081 5 1.28 0.105 6 1.31 0.128. . . . . . . . . 36 3.12 0.826 37 3.22 0.849 38 3.24 0.872 39 3.27 0.895 40 3.68 0.919 41 3.81 0.942 42 3.91 0.965 43 4.58 0.988 Nº de ordem Ordem do percentil i - 0,5 2 - 0,5 n 43 = = 0,035 ¾ Faixa de referência – Método dos percentis 9 faixa razoável: (1 – 3,91) percentis 3,5% e 96,5% 9 método de Gauss: (0,559 – 4,047) 9 métodos diferentes produzem faixas diferentes 9 Manter o resultado mensurável e importante do processo dentro dos limites. ¾ Cartas para controle de processos em hospitais 9 Ex.: No processo de controle de infecção hospitalar, pode-se contar o nº de infecções por certo período. 9 Forma de se avaliar se o processo está sob controle carta de controle ¾ Cartas para controle de processos em hospitais 9 Carta de controle gráfico de linhas, adicionando-se linhas paralelas ao eixo do tempo na altura de: x, x ± 2s e x ± 3s. Limite de atenção sup. Limite de atenção inf. Limite de controle sup. Limite de controle inf. ¾ Cartas para controle de processos em hospitais 9 Podem indicar processo fora de controle: 9 Um ponto acima de LCS ou abaixo de LCI 9 2 ou 3 pontos consecutivos entre LAS e LCS ou entre LAI e LCI 9 4 ou 5 pontos consecutivos entre x + s e LAS ou entre x – s e LAI 9 9 pontos consecutivos acima ou abaixo de x 9 6 pontos consecutivos crescentes ou decrescentes 9 15 pontos consecutivos entre x e x + s ou entre x e x - s 9 Ex.: Exame de fezes para Clostridium difficile ¾ Cartas para controle de processos em hospitais Mês Nº de resultados positivos Janeiro 2 Fevereiro 4 Março 1 Abril 3 Maio 1 Junho 4 Julho 0 Agosto 3 Setembro 4 Outubro 3 Novembro 6 Dezembro 3 Total 34 9 Novembro: maior nº de resultados positivos ≈ 2 vezes maior que a média mensal 9 x = 2,8 s = 1,6 9 Esses resultados são contagens estatisticamente improváveis? 9 Ex.: Exame Clostridium difficile (cont.) ¾ Cartas para controle de processos em hospitais 9 Nenhum ponto atinge os critérios do teste de variação significante 9 Isso não significa que a média mensal de resultados positivos seja apropriada ou aceitável. 9Significa apenas que, com base na experiência anterior, o nº está dentro da variação esperada. 9 Ex.: Rastreamento de doadores de sangue ¾ Cartas para controle de processos em hospitais 9 Rastreamento através do ALT 9 Transmissão da hepatite virótica na transfusão de sangue 9 log(ALT) tem aproximadamente distribuição gaussiana nas populações sadia e doente População Média Desvio-padrão Sadia 1.25 0.12 Doente 1.55 0.13 Parâmetros na escala do log 9 Ex.: Rastreamento de doadores de sangue (cont.) ¾ Cartas para controle de processos em hospitais 9 Definir ponto de corte X = log (ALT), tal que: 9 se x abaixo do ponto de corte ⇒ aceitação 9 se x acima do ponto de corte ⇒ rejeição 9 Decidiu-se que seriam aceitos 95% dos doadores da pop. sadia 9 Como P(Z < 1,64) = 0,95 : 45,1=⇒ x 95,0 12,0 25,1 =⎟⎠ ⎞⎜⎝ ⎛ −< xZP 64,1 12,0 25,1 =−x 9 Ex.: Rastreamento de doadores de sangue (cont.) ¾ Cartas para controle de processos em hospitais Região de aceitação na pop. doente ⇒ aceitos indevidamente Região de rejeição na pop. sadia ⇒ rejeitados indevidamente (5% da pop. sadia) sadios doentes 9 Ex.: Rastreamento de doadores de sangue (cont.) ¾ Cartas para controle de processos em hospitais 9 Qual o percentual de amostras aceitas indevidamente? ( ) 2206,077,0 13,0 55,145,1 =−<=⎟⎠ ⎞⎜⎝ ⎛ −< ZPZP 9 Ex.: Rastreamento de doadores de sangue (cont.) ¾ Cartas para controle de processos em hospitais 9 Para uma amostra de 1000 indivíduos e prevalência populacional de 12%: 9 12% de 1000 = 120 doentes 9 1000 – 120 = 880 sadios 9 Espera-se que: 9 amostras aceitas indevidamente: 22,06% de 120 doentes = 26 9 amostras rejeitadas indevidamente: 5% de 880 sadios = 44 9 Ex.: Rastreamento de doadores de sangue (cont.) ¾ Cartas para controle de processos em hospitais Aceito Rejeitado Sadia 836 44 880 Doente 26 94 120 Total 862 138 1000 TotalSangueDoador de População 9 Dos 862 aceitos, apenas 26 (3%) são doentes ⇒ falsos negativos 9 Dos 138 rejeitados, 44 (32%) são sadios e as amostras poderiam ser aceitas ⇒ alto percentual de falsos positivos 9 Ex.: Rastreamento de doadores de sangue (cont.) ¾ Cartas para controle de processos em hospitais 9 Tentativa para minimizar a rejeição de sangue em doadores saudáveis variar o ponto de corte e avaliar o % de rejeição e aceitação indevida 9 Aceitar 97,5% dos doadores da pop. sadia ⇒ ponto de corte = 1,49 ⇒ 2,5% de sangue rejeitado indevidamente mas 32,3% de sangue aceito indevidamente Referência Soares, J. F., Siqueira, A. L. Introdução à Estatística Médica, UFMG, 1999.
Compartilhar