PROBABILIDADE

Disciplina: Bioestatística
médica
Professora: Jessica Pronestino
PPGCM – FM - UFRJ
 PROBABILIDADE
Conceitos probabilísticos são
necessários para se estudar
fenômenos aleatórios, isto é,
situações em que os resultados
possíveis são conhecidos, mas
não se pode saber a priori qual
ocorrerá.
 CONCEITOS
FUNDAMENTAIS

ESPAÇO
AMOSTRAL EVENTO

Subconjunto do
Conjunto de todos os espaço amostral.
resultados possíveis de
um experimento
aleatório.
Espaço ESPAÇO
amostral
AMOSTRAL
Evento
 EXEMPLO 1: LANÇAMENTO DE UM DADO
É um experimento aleatório.
Espaço amostral:

Exemplos de eventos:

Eventos simples: {1}, {2}, {3}, {4}, {5}, {6}

A= {1,3}
B: ocorrência de número par = {2,4,6}
C: ocorrência de número impar = {1,3,5}
 EXEMPLO 2: LANÇAMENTO DE DOIS DADOS
O espaço amostral agora é de 6 x 6 eventos: 36 eventos,
pois cada face de um dado pode ocorrer associada com
todas as outras do outro dado.

Exemplos de eventos de interesse:

F: Soma dos dois valores é 10 = {(4,6), (5,5),(6,4)}
G: Os dois valores são iguais = {(1,1),(2,2),(3,3),(4,4),(5,5),(6,6)}
CÁLCULO DE PROBABILIDADES
Em eventos equiprováveis:
Contagem do número de resultados favoráveis e dividido pelo número total de
possibilidades.

No exemplo: Lançamento de dados

Probabilidade de ocorrência de cada face: 1/6
A= {1,3} = P(A)=2/6
B: ocorrência de número par {2,4,6} = P(B)=3/6
C: ocorrência de número impar {1,3,5} = P(C)=3/6
TIPOS ESPECIAIS DE EVENTOS

Esta Foto de Autor Desconhecido está licenciado em CC BY-NC-ND

UNIÃO

Ocorrência de A ou de B, ou de E
ambos (A  B).
Elementos do espaço amostral
estão em, pelo menos, um dos
dois eventos.
 UNIÃO
Exemplo:

A = conjunto de pessoas que têm diabetes E

B = conjunto de pessoas que têm
hipertensão
A  B = conjunto de pessoas que tem pelo
menos uma doença (diabetes ou
hipertensão)
INTERSEÇÃO

Ocorrência simultânea dos E

eventos A e B (AB). Contém
todos os pontos do espaço
amostral comuns a A e B.
 INTERSEÇÃO
Exemplo: E

A = conjunto de pessoas que têm

diabetes
B = conjunto de pessoas que têm
hipertensão
A  B = conjunto de pessoas que
tem as duas doenças (diabetes e
hipertensão)
EVENTO COMPLEMENTAR DE A (Ā):

Contém todos os E Ā
elementos do espaço
A
amostral que não
pertencem a A (Ā).
EVENTO COMPLEMENTAR DE A (Ā):
Exemplo:

A = conjunto de pessoas com tuberculose

Ā = conjunto de pessoas sem tuberculose

E Ā
A
 EVENTOS MUTUAMENTE EXCLUSIVOS:
A ocorrência de um dos eventos
E
impossibilita a ocorrência do outro. B
Ou seja, os dois eventos não tem
A
nenhum elemento do espaço
amostral em comum (A  B=Ø).
Exemplo:

A = conjunto de pessoas do sexo masculino

B = conjunto de pessoas com câncer de útero
A  B=Ø
PROPRIEDADES DA PROBABILIDADE
 PROPRIEDADES DA PROBABILIDADE

0 ≤ P(A) ≤ 1
para qualquer evento A
 PROPRIEDADES DA PROBABILIDADE

0 ≤ P(A) ≤ 1 P(E) = 1
para qualquer evento A onde E é o espaço
amostral
(probabilidade de
um evento certo)
 PROPRIEDADES DA PROBABILIDADE
Se A e B são eventos
mutuamente exclusivos, então:

0 ≤ P(A) ≤ 1 P(E) = 1 P(A  B) = P(A) + P(B)

para qualquer evento A onde E é o espaço
amostral
(probabilidade de
um evento certo)
 PROPRIEDADES DA PROBABILIDADE mutuamente
Se A e B são eventos
exclusivos, então:

0 ≤ P(A) ≤ 1 P(E) = 1 P(A  B) = P(A) + P(B)

para qualquer evento A onde E é o espaço
amostral
(probabilidade de
um evento certo)
Se A e B são quaisquer
eventos, então:

P(A  B) = P(A) + P(B) – P(A  B)

 PROPRIEDADES DA PROBABILIDADE mutuamente
Se A e B são eventos
exclusivos, então:

0 ≤ P(A) ≤ 1 P(E) = 1 P(A  B) = P(A) + P(B)

para qualquer evento A onde E é o espaço
amostral
(probabilidade de
um evento certo)
Se A e B são quaisquer Para o evento
eventos, então: complementar, vale:

P(A  B) = P(A) + P(B) – P(A  B) P(Ā) = 1 - P(A)

PROBABILIDADE CONDICIONAL
 PROBABILIDADE CONDICIONAL

A probabilidade do evento B ocorrer, sabendo que o evento A

ocorreu.

𝑃(𝐴∩𝐵)
P(B|A) = , se P(A) > 0.
𝑃(𝐴)
 PROBABILIDADE CONDICIONAL

Exemplo: A probabilidade de um indivíduo ter hipertensão,

sabendo que ele é diabético, P(B|A), consiste em calcular a
probabilidade de hipertensão (B), em relação ao espaço reduzido
dos indivíduos diabéticos (A), e não mais em relação a todo
espaço amostral.
EXEMPLO: DISTRIBUIÇÃO DE PESO E PRESSÃO ARTERIAL
Distribuição de um conjunto de pacientes segundo peso e pressão arterial. Entre as
Pressão Peso pessoas
Total
arterial Excesso Normal Deficiente com
Elevada 0,10 0,08 0,02 0,20
excesso de
peso, 40%
Normal 0,15 0,45 0,20 0,80
tem
Total 0,25 0,53 0,22 1,00 pressão
elevada.
Qual a probabilidade de uma pessoa ter pressão elevada? 0,20
Dado que a pessoa tem excesso de peso, qual a probabilidade dela ter também pressão
elevada?
P(A)= Probabilidade de ter excesso de peso P(B|A)=P(AB)/P(A)=
P(B)= Probabilidade de ter pressão elevada 0,10/0,25=0,40
EVENTOS INDEPENDENTES
EVENTOS INDEPENDENTES
Dois eventos são independentes se o fato de um deles ter ocorrido não altera
a probabilidade do outro ocorrer.

P(A|B) = P(A) ou P(AB) = P(A).P(B)

A ocorrência do evento B
Em outras palavras: não fornece nenhuma
informação sobre a
ocorrência do evento A.
EXEMPLO: EXTRAÇÃO DE CARTAS DE UM BARALHO
Extrair 2 cartas de um baralho Probabilidade das duas serem “às”
EXEMPLO: EXTRAÇÃO DE CARTAS DE UM BARALHO
No início temos: 4 ases em 52 cartas.

Sem reposição: Com reposição:

P(A) =4/52 = 1/13 P(A) =4/52 = 1/13
P(B|A)=3/51
P(B|A)=4/52
P(A  B) = P(A).P(B|A) = 4/52.3/51 =
1/221 P(A  B) = P(A).P(B) = 4/52.4/52 = 1/169

Eventos não independentes Eventos independentes

 EXEMPLO: SEXO DOS FILHOS
Um casal possui 2 filhos. Qual a probabilidade de ambos serem do sexo
masculino?
Evento A: Primeiro filho é do sexo masculino Eventos independentes:
1/2
A ocorrência do nascimento do
Evento B: Segundo filho é do sexo masculino primeiro filho não influencia na
1/2 ocorrência do nascimento do
segundo filho.
P(AB)= P(A) .P(B) = ½. ½ = ¼
DISTRIBUIÇÕES TEÓRICAS DE
PROBABILIDADE
 DISTRIBUIÇÕES TEÓRICAS DE PROBABILIDADE
Variável

Variável Tem uma distribuição de

aleatória probabilidade correspondente

Especifica todos os Permite determinar as

resultados possíveis da Variável Variável probabilidades associadas
variável aleatória junto aleatória aleatória
com intervalos específicos
com a probabilidade de discreta contínua
de valores
que cada um ocorra
 DISTRIBUIÇÕES TEÓRICAS DE PROBABILIDADE
As distribuições de probabilidade de muitas variáveis de
interesse podem ser determinadas com base em considerações
teóricas. Principais:
Discreta: Contínua:

BINOMIAL POISSON NORMAL

NORMAL
Mais usada

Normalidade ocorre naturalmente

em muitas medidas:
• Biológicas;
• Físicas;
• Sociais; e
• nas medidas de produtos fabricados em
série
 Distribuição Normal simétrica
NORMAL em torno de μ e em formato de
sino.

Onde μ 𝑚é𝑑𝑖𝑎 𝑒
σ (𝑑𝑒𝑠𝑣𝑖𝑜 − 𝑝𝑎𝑑𝑟ã𝑜) são os
parâmetros da distribuição.
μ-σ μ μ+σ
NORMAL CARACTERÍSTICAS
A variável aleatória Parâmetros:
pode assumir μ 𝑚é𝑑𝑖𝑎 𝑒 σ (𝑑𝑒𝑠𝑣𝑖𝑜 −
qualquer valor 𝑝𝑎𝑑𝑟ã𝑜),
(-∞ < x < +∞); X ~N(μ, σ2)

A área total sob a

Média = mediana curva e acima do
= moda = μ eixo horizontal é
igual a 1.
NORMAL
DISTRIBUIÇÃO NORMAL PADRÃO
  Cálculo de probabilidades abaixo da
curva Normal → Não é elementar

 Uma distribuição Normal com média 0

DISTRIBUIÇÃO e desvio-padrão 1 é chamada de
distribuição normal padrão.
NORMAL PADRÃO
 Para o caso da distribuição
Onde μ 𝑚é𝑑𝑖𝑎Normal
𝑒
padrão, existem os valores
σ (𝑑𝑒𝑠𝑣𝑖𝑜 − 𝑝𝑎𝑑𝑟ã𝑜)das
são os
parâmetros
probabilidades da distribuição.
tabelados (tem em
vários livros de estatística).
 DISTRIBUIÇÃO NORMAL PADRÃO
 Quando uma variável aleatória tem distribuição Normal com
média μ ≠ 0 𝑒 σ ≠ 1, deve-se padronizar a variável por meio
da seguinte transformação.

𝑥−μ
Z=
σ
𝑥−μ
X ~N(μ, σ2) → Z= ~N(0, 1)
σ
DISTRIBUIÇÃO
NORMAL
PADRÃO
DISTRIBUIÇÃO
NORMAL
PADRÃO
 TABELA DA
DISTRIBUIÇÃO
NORMAL
DISTRIBUIÇÃO
NORMAL
PADRÃO
EXEMPLO: DISTRIBUIÇÃO NORMAL
PADRÃO
 Glicose no sangue de adultos:
μ=100mg/100ml e σ = 10𝑚𝑔/
100𝑚𝑙
 500 indivíduos escolhidos por acaso
 Qual o número esperado de
diabéticos (Glicose maior que 120)
entre os 500 indivíduos escolhidos?
 EXEMPLO: DISTRIBUIÇÃO NORMAL PADRÃO
X= conteúdo de glicose → X ~N(100,
102)
𝑥−μ 120−100
P(X>120) = P( > )=
σ 10
P(Z>2)=1-p(Z ≤ 2)=1-0,9772=0,0227
0,0227.500=11,35 pessoas.
11 pessoas.
MORAL DA
HISTÓRIA