Estatística Aplicada à Medicina – 2023.

3 – Tópico 3: Probabilidades (1)

Profs. Ronaldo Rocha Bastos e Gisele de Oliveira Maia

Estatística Aplicada à Medicina – 2023.3

Tópico 3 – Probabilidades (1) – conceitos iniciais e exemplos

1 Introdução: por que estudar Teoria das Probabilidades?

- para servir de apoio à decisão (quantificação da incerteza)

- para dar a base matemática ao estudo da Inferência Estatística

1.1 Probabilidade como Apoio à Decisão

A probabilidade é usada como ferramenta de apoio à decisão:

O resultado de quase qualquer ação na área de saúde (teste, exame,

intervenção, procedimento etc.) é incerto: nunca podemos ter certeza do
resultado.
O que podemos fazer é analisar as probabilidades e escolher as ações que
tem mais probabilidade de terem bons resultados.

Ex. de incerteza:

“Um estudo registrou que a probabilidade de um exame de mamografia

como teste de triagem para detecção de câncer de mama dar positivo, para
pacientes sabidamente com câncer, é de 0,85, e a probabilidade de dar
negativo para pacientes sabidamente sem câncer é de 0,80...”

1.2 Probabilidade como base da “Inferência Estatística”

- não é possível tirar conclusões, a partir de um único caso, já que a

variabilidade entre as pessoas é muito grande; por outro lado, não é
possível examinar toda a população
- grande parte da pesquisa em Medicina é feita utilizando-se amostras
- qualquer resultado obtido numa amostra é incerto; o que podemos fazer
é buscar resultados altamente prováveis.
- como tirar conclusões a partir de uma amostra? Usando a teoria de
Inferência Estatística, que se baseia na Teoria das Probabilidades.
Estatística Aplicada à Medicina – 2023.3 – Tópico 3: Probabilidades (1)
Profs. Ronaldo Rocha Bastos e Gisele de Oliveira Maia

2. Probabilidades – Definições e conceitos iniciais

A Teoria das Probabilidades é a parte da Matemática que estuda os

experimentos aleatórios.

2.1. Experimento aleatório

• Experimento que, se repetido várias vezes sob as mesmas condições, dá

a cada vez resultados definidos mas imprevisíveis

Exemplos de experimentos: lançar uma moeda e observar se dá cara ou

coroa; lançar um dado não viciado e observar o resultado da face superior,
realizar uma cirurgia com uma determinada técnica e observar se o paciente
fica livre dos sintomas após um mês.

Exemplos nas ciências exatas:

- erro de medição

Exemplos nas ciências da vida:

- resultados do cruzamento de ervilhas de Mendel
- propriedades de um exame laboratorial (sens., espec., VPP, VPN)
- desfecho de uma cirurgia com determinada técnica
- inferência (a aleatoriedade é consequência do sorteio da amostra)

2.2. Porque estudar experimentos aleatórios?

- Porque existe uma regularidade ou padrão, que só se manifesta quando

o experimento é repetido um grande número de vezes (“regularidade
estatística”).

- A probabilidade nos permite fazer previsões aproximadas sobre o resul-

tado de um grande número de repetições de um experimento; mas não
diz muito sobre o que acontece com cada repetição individual, ou com
uma pequena quantidade de repetições.

2.3. Conceito inicial: o que é probabilidade?

• A probabilidade é um número entre 0 e 1 que mede quão incerta é a

ocorrência de um evento. Mede a chance de ocorrência.
P = 1 → a ocorrência é certa
P = 0 → a não-ocorrência é certa.
P = 0,5 → a ocorrência e a não-ocorrência têm a mesma
probabilidade
Estatística Aplicada à Medicina – 2023.3 – Tópico 3: Probabilidades (1)
Profs. Ronaldo Rocha Bastos e Gisele de Oliveira Maia

- Definição clássica:
número de casos favoráveis
P = --------------------------------------
número de casos equiprováveis

Exercícios (respostas ao final do material)

1) Determine as probabilidades de se obter:

a) no lançamento de um dado:
- a face 6
- uma face com número par de pontos
b) na retirada aleatória (aleatório significa "ao acaso") de uma carta de
um baralho completo:
- um rei
- uma figura qualquer
- uma carta qualquer do naipe de paus

3. Cálculo de probabilidades: cálculo por enumeração

3.1. Os problemas de probabilidades: o que exigem

- calcular a probabilidade de eventos complexos, criados pela combinação

de vários eventos elementares de probabilidade conhecida.

Ex: No lançamento de uma moeda, P(cara) = 1/2

No lançamento de duas moedas, P(2 caras) = ?

No lançamento de um dado, P(6) = 1/6

No lançamento de dois dados, P(soma = 7) =?

Na retirada de uma carta, P(K) = 1/13

Na retirada de quatro cartas, P (4 reis) =?

3.2. Maneiras de resolver problemas de probabilidades:

- por enumeração dos casos possíveis (se equiprováveis)

- pelo cálculo do número de casos possíveis, usando análise combinatória
- por operações sobre conjuntos
Estatística Aplicada à Medicina – 2023.3 – Tópico 3: Probabilidades (1)
Profs. Ronaldo Rocha Bastos e Gisele de Oliveira Maia

Exercícios (cont.)

2) Uma mulher tem duas crianças. Qual a probabilidade de que:

a) (exatamente) uma delas seja menina?
b) sejam duas meninas?
c) as duas crianças sejam do mesmo sexo?

3) Três moedas são lançadas simultaneamente.

a) Qual é a probabilidade de que sejam obtidas 3 caras?
b) Qual é a probabilidade de que sejam obtidas (exatamente) 2 caras?
c) Qual é a probabilidade de que as três moedas mostrem a mesma face?

4) Dois dados comuns são lançados. Qual a probabilidade de a soma dos

números mostrados ser
a) igual a 7?
b) igual ou maior que 10?

5) Dois dados comuns são lançados. Qual a probabilidade de os dois núme-

ros mostrados serem iguais?

6) Dez moedas são lançadas simultaneamente.

a) Qual é a probabilidade de que sejam obtidas 10 caras?
b) Qual é a probabilidade de as dez moedas mostrarem a mesma face?

7) Três dados são lançados simultaneamente.

a) Qual é probabilidade de dois deles mostrem a face "6"?
b) Qual é a probabilidade de que todos eles mostrem a face "6"?
Estatística Aplicada à Medicina – 2023.3 – Tópico 3: Probabilidades (1)
Profs. Ronaldo Rocha Bastos e Gisele de Oliveira Maia

As Definições de “Probabilidade”

Definir o que é “probabilidade” não é fácil, apesar de o conceito ser intuiti-

vamente simples de se entender. As definições têm mudado ao longo do tempo,
refletindo o aumento da complexidade e da abrangência da teoria.

 Os iniciadores do estudo de Probabilidades, Pascal e Fermat, usaram

implicitamente um conceito que foi mais tarde explicitado por Laplace no
primeiro livro escrito sobre o assunto (em 1812):

1) Probabilidade é o quociente do número de casos favoráveis

sobre o número de casos igualmente possíveis.

Esta definição é útil para calcular as probabilidades básicas em alguns proble-

mas elementares, mas tem vários defeitos.

Como saber, por exemplo, se os casos são "igualmente possíveis"? Quando

lançamos um par de dados e somamos os pontos mostrados obtemos um valor
entre 2 e 12. Será que podemos considerar que todos os valores neste intervalo
são “igualmente possíveis”?

Além disso, a definição não explica para que servem ou o que significam estes
valores. Quando digo que a probabilidade de nascer um menino é aproximada-
mente igual a de nascer uma menina, o que isto implica?

 Há uma outra definição que mostra mais claramente a utilidade do conceito

de probabilidade, e se baseia na freqüência relativa de um evento:

2) Se após n repetições de um experimento (n suficientemente grande),

se observam h repetições de um determinado evento,
então a probabilidade do evento é h/n.

Essa probabilidade (criada no final do século XIX) é chamada de probabili-

dade empírica, e deixa clara a utilidade do número calculado: se a probabilidade
de nascer um menino é aproximadamente igual a de nascer uma menina, isto
quer dizer que, num grande número de partos, posso prever que o número de
nascimentos de meninas será aproximadamente igual ao de meninos.

 Uma terceira definição (criado no século XX) considera a probabilidade

como a medida da intensidade de uma crença pessoal:

3) A probabilidade é um número entre 0 e 1 que expressa

minha crença na ocorrência de um evento.
Se digo que há 0,90 de probabilidade de meu time ganhar o campeonato,
isto quer dizer que estou quase certo de que ele vai ganhar.
Estatística Aplicada à Medicina – 2023.3 – Tópico 3: Probabilidades (1)
Profs. Ronaldo Rocha Bastos e Gisele de Oliveira Maia

Esta definição é chamada de definição bayesiana, em homenagem ao estatístico

Reverendo Bayes, que primeiro a utilizou.

 A maior parte dos livros prefere empregar atualmente uma definição

puramente matemática, a definição axiomática:

4) Seja E um experimento, e 𝜀 o espaço amostral a ele associado. A cada

evento A associaremos um número real representado por P(A) e denomi-
nado probabilidade de A, que satisfaça às seguintes propriedades:
1) 0 P(A) 1
2) P(𝜀) = 1
3) Se A e B forem eventos mutuamente excludentes,
P(AB) = P(A) + P(B)
4) Se A1, A2, A3, ... An forem, dois a dois, eventos mutuamente
excludentes, então
P(A1A2A3...An) = P(A1) + P(A2) + P(A3) + ... + P(An)

Resumindo as definições de probabilidades:

- Laplace
- Empírica, frequentista, ou frequência relativa
- Bayesiana ou subjetiva
- Axiomática
Estatística Aplicada à Medicina – 2023.3 – Tópico 3: Probabilidades (1)
Profs. Ronaldo Rocha Bastos e Gisele de Oliveira Maia

4. Cálculo de probabilidades usando teoria de conjuntos

4.1. Termos usados

- experimento / ponto amostral / espaço amostral / evento

4.2. Relações entre dois conjuntos: complemento, união e interseção

Existem quatro relações possíveis entre 2 conjuntos:

Complemento: A’ ou (= conjunto dos pts que não pertencem a A)

União: AB (= pts que pertencem a A, ou B, ou a ambos)
Exclusão: A‒B (= pts que pertencem a A mas não a B)
Interseção: AB ou AB (= pts que pertencem a A e B)

Correspondência:
Lógica Álgebra de conjuntos
e Interseção
ou União
não Complemento
Estatística Aplicada à Medicina – 2023.3 – Tópico 3: Probabilidades (1)
Profs. Ronaldo Rocha Bastos e Gisele de Oliveira Maia

4.3. Probabilidade da união de dois conjuntos

- Se os dois eventos são mutuamente exclusivos (não podem ocorrer jun-

tos): Para calcular a probabilidade de que ocorra ou o evento A ou o
evento B, somamos a probabilidade de A com a de B.
P(AB) = P(A) + P(B)

Exemplo 1 : No lançamento de 2 dados,

P(soma > 9) = P(10) + P(11) + P(12)

Exemplo 2 : Na retirada de uma carta de um baralho,

P(vermelha) = P(ouros ou copas) = P(ouros) + P(copas)

- Se dois eventos não são mutuamente exclusivos (ou seja, eles podem
ocorrer juntos): Para calcular a probabilidade de que ocorra ou o evento
A, ou o evento B ou ambos juntos, somamos a probabilidade de A com a
de B e subtraimos a probabilidade da interseção (AB) ou então
simplesmente AB.
P(AB) = P(A) + P(B) - P(AB)

Exemplo 3 : Na retirada de uma carta de um baralho,

- P(rei ou 10) = P(rei) + P(10)
- P(rei ou copas) = P(rei) + P(copas) - P(rei ∩ copas)
Estatística Aplicada à Medicina – 2023.3 – Tópico 3: Probabilidades (1)
Profs. Ronaldo Rocha Bastos e Gisele de Oliveira Maia

4.4. Probabilidade condicional

Exemplo 4 : A tabela abaixo mostra os resultados do levantamento do

número de casos de daltonismo (D+) numa amostra. Se uma pessoa é
escolhida aleatoriamente nesta amostra, qual é a probabilidade de que ela
1. seja uma mulher?
2. seja daltônica?
3. seja uma mulher daltônica?
4. seja um homem daltônico?
5. se uma mulher é escolhida aleatoriamente nesta amostra, qual é a
probabilidade de que ela seja daltônica?
6. se um homem é escolhido aleatoriamente, qual é a probabilidade de
que ele seja daltônico?

Sexo
Daltonismo Masculino (M) Feminino (F) Total
Presente (D+) 423 65 488
Ausente (D -) 4.848 4.664 9.512
Total 5.271 4.729 10.000

A probabilidade mencionada no item (5) é uma probabilidade condicional,

representada como P(D+|F).

De modo geral, podemos definir para dois eventos A e B quaisquer:

P(A|B) = Prob. condicional de ocorrer evento A, dado que evento B ocorreu

= Probabilidade de A, dado B

A probabilidade pedida no item (6) é a probabilidade condicional de a

pessoa ser daltônica, dado que ela é do sexo masculino, representada por:
P(D+|M)

Como a variável Sexo é dicotômica, podemos também representar M pelo

evento complementar de F, ou seja, F’. Logo:
P(D+|M) = P(D+|F’)

Observe que, na amostra acima, estas duas probabilidades condicionais ao

sexo são diferentes:
P(D+|F’)  P(D+|F)

Outro exemplo: suponha que desejamos verificar, a partir da tabela abai-

xo, se a probabilidade de ocorrência de resfriado é condicional ao sexo da
pessoa (R+: Resfriado presente; M: sexo masc.)
Estatística Aplicada à Medicina – 2023.3 – Tópico 3: Probabilidades (1)
Profs. Ronaldo Rocha Bastos e Gisele de Oliveira Maia

Sexo
Resfriado (M) (F) Totais
Presente (R+) 8 2 10
Ausente (R-) 40 10 50
Totais 48 12 60

P(R+ | M) = 8 / 48 = 1 / 6
P(R+ | M’) = P(R+ | F) = 2 / 12 = 1 / 6
P(R+) = 10 / 60 = 1 / 6

Conclusão:

4.5. Probabilidade da interseção de eventos (quando há redução do espaço

amostral)

P(A|B) = Prob. condicional de ocorrer evento A, dado que evento B ocorreu

= Probabilidade de A, dado B

Se P(B|A) = P(B|A’) = P(B) → A e B são independentes

Se P(B|A) ≠ P(B|A’) → A e B são dependentes
probabilisticamente

Dois eventos A e B são independentes se:

P(AB) = P(A) × P(B)

Caso contrário, A e B são dependentes probabilisticamente se:

P(AB) = P(A) × P(B|A)
P(AB) = P(B) × P(A|B)
Estatística Aplicada à Medicina – 2023.3 – Tópico 3: Probabilidades (1)
Profs. Ronaldo Rocha Bastos e Gisele de Oliveira Maia

Ao utilizarmos cálculo de probabilidades devemos sempre considerar as

relações entre dois eventos A e B quaisquer ilustradas na figura acima.

4.6. Probabilidade do evento complementar e da exclusão

a) se queremos que o evento A não aconteça, queremos A’

P(A’) = 1 – P(A)
Os eventos A e A’ são ditos complementares se AA’ =  e AA’ = 𝜀,
onde 𝜀 é o espaço amostral.

b) Se queremos que o evento A ocorra, mas B não ocorra, queremos o

evento A–B
P(A - B) = P(A) – P(A∩B)
Estatística Aplicada à Medicina – 2023.3 – Tópico 3: Probabilidades (1)
Profs. Ronaldo Rocha Bastos e Gisele de Oliveira Maia

Exemplo 5 : Suponha que 50% dos usuários de drogas injetáveis são VHC+
(positivo para o vírus C da hepatite) e que em um determinado país há 1%
da população total infectada pelo VHC. Além disso, que a literatura espe-
cializada informe que 1 em cada 10 pacientes VHC+ é usuário de droga
injetável. Defina os diferentes eventos definidos acima, suas respectivas
probabilidades e probabilidades condicionais. Calcule então o percentual de
usuários de droga injetável nesta população.

A: ser VHC+
B: ser usuário de drogas injetáveis
P(A) = 0,01
P(A|B) = 0,50
P(B|A) = 0,10
Sabemos que:
P(A|B) = P(AB)/P(B) e
P(B|A) = P(AB)/P(A), pela definição de Prob. Condicional
Logo:
P(B) ×P(A|B) = P(A) × P(B|A)
Como temos P(A|B), P(A) e P(B|A), podemos calcular:
P(B)×0,50 = 0,01×0,10
P(B) = 0,002 = 0,2%

Exemplo 6 : Suponhamos que um fundo de formatura faz uma rifa de uma

moto, com 100 bilhetes e outra de uma televisão, com 50. Se uma pes-
soa compra um bilhete de cada rifa e definimos os eventos
M = {a pessoa ganha a moto}; T = {a pessoa ganha a televisão}

a) Podemos dizer que os eventos M e T são complementares?

b) Podemos dizer que os eventos M e T são independentes probabilis-
ticamente?

Como se representam, em notação de conjuntos, os eventos onde a

pessoa:
a) ganha os dois prêmios?
b) ganha alguma coisa (um ou dois prêmios)?
c) não ganha nada?
d) ganha apenas a moto?
Calcule as probabilidades de ocorrência de cada um destes eventos.
Estatística Aplicada à Medicina – 2023.3 – Tópico 3: Probabilidades (1)
Profs. Ronaldo Rocha Bastos e Gisele de Oliveira Maia

5. Cálculo de probabilidades: experimentos repetidos, diagr. de árvore

- Quando o diagrama de árvore que representa um problema tem ramos

não-equiprováveis, é preciso calcular separadamente a probabilidade de
cada ramo;
- A probabilidade de ramo (caminho percorrido no diagrama) é calculada
pelo produto das probabilidades dos nós que o compõem.

Exemplo 7 : Lançamento de moedas: P(3 caras)

0,5
0,5 0,5

0,5 0,5 0,5

0,5

0,5
0,5 0,5 0,5

0,5 0,5
0,5

Exemplo 8: se temos dois eventos de interesse A: azul e B = A’=vermelho,

podemos representar a retirada aleatória de 2 elementos (a sequência de
duas retiradas sem reposição), onde nos “nós” foram representados os res-
pectivos espaços amostrais e nos “ramos” foram representadas os eventos e
as respectivas probabilidades:
Estatística Aplicada à Medicina – 2023.3 – Tópico 3: Probabilidades (1)
Profs. Ronaldo Rocha Bastos e Gisele de Oliveira Maia

Exemplo 9 : Lançamento de 3 dados (x: número mostrado por cada dado)

P(3 números pares)

P(666)

Exemplo 10 :Três cartas são retiradas aleatoriamente sem reposição de um

baralho completo. Quais são as probabilidades de serem:
P(3 ases) ?
P(3 figuras) ?
P(apenas 2 ases) ?

Exemplo 11 : Um animal foi treinado para executar uma tarefa. A probabi-

lidade de que ele falhe na sua primeira tentativa é de 0,40. Se o animal
falhar, ele faz nova tentativa; o animal aprende com cada erro cometido,
de modo que a probabilidade de um erro em cada tentativa é apenas
metade da probabilidade de erro na tentativa fracassada anterior. Se é
permitido ao animal fazer apenas 3 tentativas, qual é a probabilidade de
que ele consiga realizar a tarefa?

Conclusão: O diagrama de árvore serve para facilitar a enumeração de

todos os eventos possíveis em uma sequência de eventos, independentes
ou não.
Estatística Aplicada à Medicina – 2023.3 – Tópico 3: Probabilidades (1)
Profs. Ronaldo Rocha Bastos e Gisele de Oliveira Maia

6. Como obter as probabilidades elementares?

- pela definição clássica

- pela observação da frequência relativa num grande número de
repetições (definição frequentista ou frequência relativa ou empírica)

6.1. Definição com base na frequência relativa (prob. empírica)

- A probabilidade é o valor para o qual tende a frequência relativa de um

evento A, quando o número n de repetições de um experimento tende
para infinito.

- A probabilidade empírica é estimada por hA/n, para n suficientemente

grande, onde há é o número de resultados favoráveis ao evento A.

Exemplo 12 : Entre os 499 registrados no arquivo para um dado ano da

maternidade da USP, há 260 meninos e 235 meninas.
P(meninos)  260/499 = 0,52

Exemplo 13: De 4.065.014 nascimentos nos EUA em 1992, houve

2.081.287 meninos e 1.983.727 meninas (Pagano e Gauvreau, p.136).
P(meninos)  2081287/4065014 = 0,5120

Exemplo 14 : Uma mulher tem 3 crianças. Supondo P(menina)= 0.48

Qual é a probabilidade de que sejam todas meninas?
P = (0,48)^3 = 0,1106
Qual a probabilidade de que a mais velha seja um menino, e as outras
duas meninas?
P(m,f,f) = 0,52 x 0,48 x 0,48 = 0,1198

Comentários:

- Para os diversos tipos de estudos em saúde, tanto os descritivos quanto os

explicativos observacionais ou experimentais (transversal, caso-controle,
coortes, ensaio clínico), utiliza-se muito o indicador de proporções: de
doentes, de resultados positivos, de óbitos, de pacientes livres de sintomas,
de pacientes que não necessitaram de hospitalização, prevalências,
incidências etc.
Estatística Aplicada à Medicina – 2023.3 – Tópico 3: Probabilidades (1)
Profs. Ronaldo Rocha Bastos e Gisele de Oliveira Maia

-Tais proporções são usadas como estimativas de probabilidades, no caso

usando a definição de probabilidade como frequência relativa
(probabilidade empírica).

-Quanto maior o tamanho da amostra, ou seja, o número de observações

n, maior a possibilidade de que a frequência relativa observada
represente bem o que ocorre na realidade em termos do indicador de
proporção.

7. O Teorema de Bayes para Probabilidade Condicional

Já conhecemos a definição de probabilidade condicional entre dois

eventos A e B:

Logo, podemos reescrever em função de :

Sabemos que , ou seja, pode ser representado

pela união de dois eventos mutuamente exclusivos. Então, pelo Axioma 2,
temos que:

As duas parcelas do lado direito da igualdade acima podem ser reescritas a

partir da definição de probabilidade condicional:

......... (2)

Substituindo (2) em (1) temos:

Em (3) temos o que é conhecida como fórmula de Bayes ou representação

do Teorema de Bayes, que define uma probabilidade condicional em ter-
mos de outras probabilidades conhecidas.
Estatística Aplicada à Medicina – 2023.3 – Tópico 3: Probabilidades (1)
Profs. Ronaldo Rocha Bastos e Gisele de Oliveira Maia

Exemplo 15:

No ensaio feito para validação do teste ELISA para detecção de RBD IgG
para SARS-COV-2 do laboratório Emory foram analisadas amostras de
sangue de 30 pacientes sabidamente com Covid-19 e outras 638
amostras que estavam congeladas há muito tempo antes da descoberta do
vírus SARS-COV-2 (sabidamente negativas). 30 foram reagentes dentre
as amostras sabidamente positivas e dentre as 638 amostras sabidamente
negativas 615 não reagiram ao teste.

- Representar o evento E como ELISA + e E’ como ELISA -, assim com D

para os sabidamente acometidos pela Covid-19 e D’ para os sabidamente
não acometidos pela Covid-19.

Covid-19
Total
Sim (D) Não (D’)
+ (E) 30 23 53
IgG
- (E’) 0 615 615
Total 30 638 668

- Quais as probabilidades P (D), P(D’), P(E) e P(E’)

P(D) = 30/668= 0,0449;

P(D’) = 1- 0,0449= 638/668=0,9551;
P(E) = 53/668=0,0793;
P(E’) = 1- 0,0793= 615/668 = 0,9207

- Representar as probabilidades a seguir como probabilidades condicionais

e então calcular os valores obtidos:
Estatística Aplicada à Medicina – 2023.3 – Tópico 3: Probabilidades (1)
Profs. Ronaldo Rocha Bastos e Gisele de Oliveira Maia

668
pacientes

D (30) D' (638)

P(D) P(D')

E (30) E'(0) E (23) E'(615)

P(E|D) P(E'|D) P(E|D') P(E'|D')

Como vimos, poderíamos estar interessados nas probabilidades:

P(D) = 30/668 = 0,045 P(D’) = 638/668 = 0,955

P(E|D) = 30/30 = 1 P(E’|D’) = 615/638 = 0,9639

P(E’|D) = 0/30 = 0 P(E|D’) = 23/630 = 0,0361

Poderíamos também estar interessados nas probabilidades, que não estão

diretamente representadas no diagrama:

- Dado que o resultado do teste ELISA do laboratório Emory realizado

em uma amostra de sangue dentre as 668 disponíveis para o ensaio é
negativo, qual a probabilidade de ser um falso negativo?
Pela tabela: P(D|E’) = 0/615 = 0

- Dado que o resultado do teste ELISA do laboratório Emory realizado

em uma amostra de sangue dentre as 668 disponíveis para o ensaio é
negativo, qual a probabilidade de ser um verdadeiro negativo?
Estatística Aplicada à Medicina – 2023.3 – Tópico 3: Probabilidades (1)
Profs. Ronaldo Rocha Bastos e Gisele de Oliveira Maia

Pela tabela: P(D’|E’) = 1 – P(D|E’) = 615/615 = 1

- Dado que o resultado do teste ELISA do laboratório Emory realizado

em uma amostra de sangue dentre as 668 disponíveis para o ensaio é
positivo, qual a probabilidade de ser um falso positivo?

Pela tabela: P(D’|E) = 23/53 = 0,4340

- Dado que o resultado do teste ELISA do laboratório Emory realizado

em uma amostra de sangue dentre as 668 disponíveis para o ensaio é
positivo, qual a probabilidade de ser um verdadeiro positivo?

Pela tabela: P(D|E) = 1- P(D’|E) = 30/53 = 0,566

Poderíamos também ter raciocinado assim, usando o diagrama e a definição

de probabilidade condicional:

𝑃(𝐷𝐸) 𝑃(𝐷)×𝑃(𝐸|𝐷)
𝑃(𝐷|𝐸) = =
𝑃(𝐸) 𝑃(𝐷)×𝑃(𝐸|𝐷)+𝑃(𝐷′)×𝑃(𝐸|𝐷′ )

Veremos na próxima aula que o Teorema de Bayes tem uma importância

muito grande para a Medicina, em especial para avaliação de testes de
triagem (“screening”) e de testes e procedimentos diagnósticos.
Estatística Aplicada à Medicina – 2023.3 – Tópico 3: Probabilidades (1)
Profs. Ronaldo Rocha Bastos e Gisele de Oliveira Maia

RESOLUÇÃO DOS EXERCÍCIOS E EXEMPLOS DA AULA

EXERCÍCIOS:

1)

a) Face 6 -> 1 / 6. Uma face par -> 3/6 = 1/2.

b) (Assumindo 52 cartas) Um rei em um baralho completo -> 4/52 = 1/13.
Uma figura qualquer -> 12/52. Uma carta qualquer de paus -> 13/52.

EXEMPLOS ISOLADOS NO ITEM 3:

a) Probabilidade de duas caras em dois lançamentos de uma moeda

honesta (probabilidade de cara = probabilidade de coroa = 1 / 2:
- P (cara no primeiro) * P (cara no segundo) = 0,5 ^ 2.
b) No lançamento de dois dados, a probabilidade de soma 7:
- Enumeração dos casos favoráveis considerando a ordem: 1-6 (6-1); 2-5 (5-2);
3,4 (4-3). Ao todo, 6 combinações.
- Número de casos possíveis considerando a ordem: 6 ^ 2.
- Probabilidade = 6/36 = 1/6
c) Na retirada de quatro cartas de um baralho, qual a probabilidade de se
obter quatro reis?
- Se a retirada for com reposição: (4/52) ^ 2
- Se a retirada for sem reposição: 4/52 * 3/51 * 2/50 * 1/49.

2)

a) Casos equiprováveis para dois filhos: menina + menino; menina + menina;

menino + menina; menino + menino. (quatro casos possíveis portanto)
Casos favoráveis para a condição: menino + menina; menina + menino (dois
casos portanto).
Probabilidade = casos favoráveis / casos possíveis = 2/4 = 1 : 2.
b) Caso favorável: menina + menina.
Casos possíveis: os mesmos quatro.
Probabilidade: 1/4
c) Casos favoráveis: menino + menino; menina + menina.
Casos possíveis: os mesmos quatro.
Probabilidade: 2/4 = 1 : 2.

3)

a) 0,5 ^ 3
b) [3! : (2! * 1!)] * 0,5^3
c) 2 * (0,5)^3

4)

a) Casos favoráveis (6-1 ; 5-2 ; 4-3; 3-4; 2-5; 1-6)

Estatística Aplicada à Medicina – 2023.3 – Tópico 3: Probabilidades (1)
Profs. Ronaldo Rocha Bastos e Gisele de Oliveira Maia

Casos possíveis (36 casos)

Probabilidade (6 : 36 = 1 : 6)

b) P (soma 10) + P (soma 11) + P (soma 12).

casos favoráveis: (6-4; 5-5; 4-6); (6-5; 5-6); (6-6). Portanto, 6 casos.
casos possíveis: 6 ^ 2.
probabilidade: 6:36 = 1:6

5)

- 6 * (1:6)^2

6)

- a) (1 : 2) ^ 10
- b) 2 * (1 : 2) ^ 10

7)

a) interpretando como “exatamente dois deles mostrem 6”:

[3!/ (2! * 1!)] * (1 : 6) ^ 2 * (5 : 6)
b) (1 : 6) ^ 3

EXEMPLOS DESTACADOS EM AZUL NO MATERIAL:

1) (3:36) + (2:36) + (1:36) = 6 : 36 = 1 : 6

2) Probabilidade de carta vermelha = probabilidade de ouros ou copas =

probabilidade de ouros + probabilidade de copas - probabilidade da
intersecção= 13/52 + 13/52 - 0 = 1 : 2.

3) Probabilidade de rei ou 10 = probabilidade de rei + probabilidade de 10 -

probabilidade da intersecção = 4/52 + 4/52 - 0 = 8/52 = 2/13.
Probabilidade de rei ou copas = probabilidade de rei + probabilidade de copas -
probabilidade da intersecção = 4/52 + 13/52 - 1/52 = 16/52 = 4/13.

4)

- .1) P (mulher) = nº total de mulheres / nº total de indivíduos = 4729 / 10.000

- .2) P (daltônica) = nº total de daltônicos / nº total de indivíduos = 488 /
10.000
- .3) P (mulher daltônica) = p (mulher ∩ daltônica) = nº de mulheres

daltônicas / número de indivíduos = 65 / 10.000

Estatística Aplicada à Medicina – 2023.3 – Tópico 3: Probabilidades (1)
Profs. Ronaldo Rocha Bastos e Gisele de Oliveira Maia

- .4) P (homem daltônico) = P ( homem ∩ daltônico) = nº de homens

daltônicos / número de indivíduos = 423 / 10.000

- .5) P (entre as mulheres uma seja daltônica) = P (daltônica|mulher)
= nº de mulheres daltônicas / nº total de mulheres = 65 / 4729.
- .6) P (entre os homens de que um seja daltônico) = P
(daltônico|homem) = nº de homens daltônicos / nº total de homens
= 423 / 5271.

5)
A: ser VHC+
B: ser usuário de drogas injetáveis
P(A) = 0,01
P(A|B) = 0,50
P(B|A) = 0,10
Logo, P(AB) = P(BA) = P(B) ×0,50 = 0,01 ×0,10
Então P(B) = 0,002 = 0,2%”

6)

a) Diz-se que dois eventos A e B são complementares caso encerrem todo

o universo de desfechos possíveis de uma variável e não exista, entre
eles, intersecção possível. A soma das probabilidades de eventos
complementares é, portanto, sempre igual a um.
Os dois eventos descritos são independentes, não há relação alguma de
complementaridade.

b) Os eventos são independentes, pois são dois sorteios distintos, feitos

com base em amostras diferentes. Portanto, a princípio, o resultado de
um não guarda relação probabilística com o do outro.

- a) P (M ∩ T) = 1/100 * 1/50
- b) P (M U T) = 1/100 + 1/50 - 1/100 * 1/50
- c) P (M- ∩ T-) = 99/100 * 49/50
- d) P (M ∩ T-) = 1/100 * 49/50

7) 0,5 ^ 3.

8) Não é passível de resposta, foi apenas um exemplo, sem perguntas.

9) Probabilidade de 3 faces pares: (3/6) ^ 3 = (1: 2) ^ 3. Probabilidade dos 3

dados mostrarem 6: (1 : 6) ^ 3.
Estatística Aplicada à Medicina – 2023.3 – Tópico 3: Probabilidades (1)
Profs. Ronaldo Rocha Bastos e Gisele de Oliveira Maia

10) P (3 ases sem reposição): 4/52 * 3/51 * 2/50. Probabilidade (3 figuras

sem reposição): 12/52 * 11/51 * 10/50. Probabilidade (apenas 2 ases): [3!/
(2! * 1!)] * 4/52 * 3/51 * 48/50.

11) P (acertar em alguma das tentativas) = 1 - [P (errar a primeira) * P

(errar a segunda) * P (errar a terceira)] = 1 - 0,4 * 0,2 * 0,1.

12) “P(meninos) 260/499 = 0,52“

13) “P(meninos) 2081287/4065014 = 0,5120”

14) “ P(m,f,f) = 0,52 x 0,48 x 0,48 = 0,1198 ”