Epidemiologia I

Introduo Probabilidade
UNIVERSIDADE FEDERAL FLUMINENSE
Graduao em Medicina
Abril 2014

Frequncia e Probabilidade
Vimos que a distribuio de frequncia de um
fenmeno casual ajuda a entender a variabilidade do
mesmo;
Com suposies adequadas possvel criar um modelo
terico que reproduza muito bem a distribuio de
frequncias mesmo quando o fenmeno no
observado diretamente;
Esses modelos so chamados de MODELOS DE
PROBABILIDADES;
Exemplo do DADO
Queremos estudar a proporo de ocorrncias que
uma face de um dado acontece, como fazemos?
Opo 1: Lanar o dado n vezes e contar quantas vezes
saiu a face de interesse (i). As propores n
i
/n
determinam a distribuio de frequncia do
fenmeno; com outro tamanho de amostra teramos
algo similar;
Opo 2: Construir a distribuio de frequncias com
base em suposies tericas;
Opo 2 Exemplo do DADO
1. S podem ocorrer 6 faces: 1, 2, 3, 4, 5 ou 6;
2. Podemos admitir que o dado no tem vis, ou seja,
cada face tem a mesma probabilidade de ocorrncia;
Modelo terico:

Face Total
Frequncia
terica
1
6

1
6

1
6

1
6

1
6

1
6

1
Exemplo: De um grupo de 20 mulheres e 30 homens,
uma pessoa ser sorteada para exames de colesterol.
Queremos estudar as probabilidades de que essa pessoa
seja do sexo masculino ou feminino;
S h 2 possibilidades: masculino (M) ou feminino(F);
Supondo que o sorteio seja honesto, onde cada pessoa tem
a mesma probabilidade de ser sorteada, temos o seguinte
modelo terico:


Sexo M F Total
Frequncia terica:
30
50
=
3
5

20
50
=
2
5

1
Probabilidades
Dos exemplos vemos que os experimentos ou
fenmenos que envolvem um elemento aleatrio (do
latim, aleatoriu: sujeito ao acaso) ter um modelo
terico se estabelecemos:
Um espao amostral (), que no caso discreto consiste
na enumerao de todos os resultados possveis do
experimento em questo. ={
1
,
2
,
3
,...}, onde
i
so os
pontos amostrais;
Uma probabilidade (P()) para cada ponto amostral, de
tal sorte que seja possvel encontrar a probabilidade P(A)
de um subconjunto A de , isto , a probabilidade de um
evento;
Probabilidade
...uma razo na qual o numerador o nmero de casos
favorveis e o denominador o nmero total de casos
possveis. Laplace, 1795.

diferente da frequncia relativa uma vez que estamos
falando de casos possveis e na frequncia de casos
observados;

E quando o Universo de eventos no acessvel?
Algumas Propriedades
Sendo o modelo probabilstico um modelo terico para
frequncias relativas, das propriedades destas
podemos verificar:

i. 0P(A)1
ii. P()=1 : evento certo;
iii. P()=0 : evento impossvel;
Exemplo
Suponha que a seguinte tabela represente os pacientes
que deram entrada em uma emergncia em um dado
ms.
Sintoma / sexo Homens (H) Mulheres(M) Total
Dor no peito (P) 70 40 110
Falta de ar (A) 15 15 30
Cansao (C) 10 20 30
Desmaio (D) 20 10 30
Total 115 85 200
P(A) = 30/200
P(H)=115/200
Podemos considerar um novo evento AUH: reunio de A e
H, que quando pelo menos um dos dois eventos acontece;
Outro evento seria AH: interseco de A e H, que ocorre
quando A e H acontecem simultaneamente;
Sintoma / sexo Homens (H) Mulheres(M) Total
Dor no peito (P) 70 40 110
Falta de ar (A) 15 15 30
Cansao (C) 10 20 30
Desmaio (D) 20 10 30
Total 115 85 200

P(A )=15/200




Sintoma / sexo Homens (H) Mulheres(M) Total
Dor no peito (P) 70 40 110
Falta de ar (A) 15 15 30
Cansao (C) 10 20 30
Desmaio (D) 20 10 30
Total 115 85 200
P(AUH)=?
=P(A)+P(H)=
30
200
+
115
200
=? ? ?
A interseco est contada duas vezes!
P(AUH)=
30
200
+
115
200

15
200
=
130
200



Sintoma / sexo Homens (H) Mulheres(M) Total
Falta de ar (A) 15 15 30
Outros 100 70 170
Total 115 85 200
A
H

Diagrama de Venn
P(AUC)=
30
200
+
30
200
=
60
200
Eventos disjuntos
ou mutuamente exclusivos!
Sintoma / sexo Homens (H) Mulheres(M) Total
Dor no peito (P) 70 40 110
Falta de ar (A) 15 15 30
Cansao (C) 10 20 30
Desmaio (D) 20 10 30
Total 115 85 200
A C

Regra da adio de probabilidade
P(MUN)=P(M)+P(N)-P(MN)
que se reduz a P(MUN)=P(M)+P(N) se os eventos M e N
so mutuamente exclusivos;
Probabilidade complementar
Suponha que no estamos interessados no sexo,
somente no sintoma. O espao amostral ento =P
U A U C U D;
Os eventos P e B (B= A U C U D) so chamados
complementares;
P U B = e A = ;
P(P)=
30
200
e P(B) =
110
200
+
30
200
+
30
200
=
170
200

P(P)+P(B)=1;
Vamos indicar A
c
o complementar do evento A, ento
P(A
c
)=1-P(A)


Probabilidade Condicional e
Independncia
Dado que um paciente escolhido ao acaso, apresentou
cansao, a probabilidade dele ser mulher de
20/30=2/3. Isso porque, dos 30 pacientes que
apresentaram cansao, 20 eram mulheres.
P(M\C)=2/3
Sintoma / sexo Homens (H) Mulheres(M) Total
Dor no peito (P) 70 40 110
Falta de ar (A) 15 15 30
Cansao (C) 10 20 30
Desmaio (D) 20 10 30
Total 115 85 200
Probabilidade Condicional e
Independncia
Para dois eventos quaisquer A e B, sendo P(B)>0,
definimos a probabilidade condicional de A, dado B,
P(A\B), como sendo:
\B =
()
()


Do exemplo temos:
\C =
()
()
=
20/200
30/200
=
2
3


Independncia
Vamos supor agora que os eventos no sejam
mutuamente exclusivos, mas independentes, ou seja, a
presena de um evento em nada interfere na presena
do outro;
Exemplo: Em uma populao a probabilidade de ser
mulher de 0,50 e a probabilidade de ser fumante de
0,30, independentemente do sexo (tanto homens
como mulheres tm a mesma probabilidade de 0,30 de
serem fumante);
Exemplo
Os 30% de fumantes esto igualmente distribudos entre
homens e mulheres. Dado que os eventos j no mais so
mutuamente exclusivos, a probabilidade de mulher ou
fumante no mais a simples soma das probabilidades de
ser mulher ou ser fumante; Isso porque as mulheres que
fumam seriam computadas duas vezes:
P(M U F) = P(M) + P(F) P(MF)=0,5+0,3-0,15=0,65

p = 0,5


p = 0,5
F: p =0,30
p=0,15 + p=
0,15
Diagrama de Venn
Exemplo
Note que dado que fumar e sexo so independentes, a
probabilidade da interseco o produto das
probabilidades dos eventos:
Probabilidade de ser mulher E fumante:
P(MF)=0,5*0,3=0,15

Regra da multiplicao para eventos independentes!

p = 0,5


p = 0,5
F: p =0,30
p=0,15 + p=
0,15
Diagrama de Venn
Exemplo: quando os eventos no so independentes
(mulheres fumando menos que homens)
A probabilidade de fumar para mulheres metade da dos
homens;
A probabilidade de ser fumante dado que mulher:
P(F\M)=
()
()
=
0,10
0,50
=0,20 P(A\B)=
()
()

Est de acordo com a regra da multiplicao:
= \B (), onde P(A\B)=P(A) quando A e B
forem independentes.

p = 0,5


p = 0,5
F: p =0,30
p=0,10 + p=
0,20
Diagrama de Venn
Exemplo: quando os eventos no so independentes
(mulheres fumando menos que homens)
Qual a probabilidade de mulher dado que fumante?
P(B\A)=
()
()
, ento: P(M\F)=
0,10
0,30
=
1
3


p = 0,5


p = 0,5
F: p =0,30
p=0,10 + p=
0,20
Diagrama de Venn
Teorema de Bayes: 1702-1761
Desses dois clculos de probabilidade P(A\B) e de
P(B\A), podemos concluir que
P(A\B)P(B)=P(B\A)P(A)=P(AB)!
Dessa igualdade, se dividimos ambos os lados por P(B)
temos:

\B ()
()
=
\A ()
()
\B =
\A ()
()



Do exemplo: P(A\B)=
0,1
0,3
0,3
0,5
=0,20
Probabilidades condicionais
Diagrama de rvore de probabilidades
P(H)=0,50
Homem
Mulher
P(M)=0,50
P(F\H)=0,4
P(F\H)=0,6
P(FH)=0,2
P(FH)=0,3
P(F\M)=0,2
P(F\M)=0,8
P(F M)=0,1
P(F M)=0,4
P(F)=0,30
P(F)=0,70
P(H)=0,5
P(M)=0,5
Tabela de dupla entrada final




P
Fuma Sim 0,2 0,1 0,3
No 0,3 0,4 0,7
P 0,5 0,5
Exerccio 1
Numa dada populao com prevalncia de 20% para
Hipertenso Arterial faz-se campanhas de screening
(uma tomada de PA obtida na rua) para identificar
doentes e encaminh-los para tratamento. Encontrou-se
que 90% dos hipertensos testam positivos (PA elevada na
medida realizada na rua), mas que tambm 30% de
pessoas no hipertensas testam positivos (estavam com
PA elevada no momento que foram abordadas na rua,
mas essa era apenas uma elevao aleatria). Se um
indivduo abordado na rua pela campanha tiver um teste
positivo, uma PA elevada, qual a probabilidade de ele ser
mesmo hipertenso.

Exerccio 2
Eventos mutuamente exclusivos so sempre eventos
independentes e eventos no mutuamente exclusivos
so sempre dependentes?
Exerccio 3
Tanto frequncia relativa quanto probabilidade
descreve ocorrncias como uma medida no intervalo
[0, 1]. Qual a diferena entre elas?
Exerccio 4
Sabe-se que os exames de screening para AIDS baseados
na deteco de anticorpos por ELISA reconhecem
corretamente pelo menos 98% das pessoas infectadas e
98% das pessoas no infectadas, ou seja, entre os que
tm HIV positivo 98% so testam positivo, assim como
entre os que tem HIV negativo 98% testam negativo.
Suponha que se estime a prevalncia (probabilidade) de
pessoas infectadas por AIDS numa dada populao seja
de 1% e responda qual a probabilidade de uma pessoa
desta populao estar infectada se ela tiver um teste
positivo.


Epidemiologia I
Variveis aleatrias discretas

UNIVERSIDADE FEDERAL FLUMINENSE
Graduao em Medicina
Abril 2014

Varivel Aleatria
Na aula anterior tivemos uma introduo a modelos de
probabilidade bem simples;
Para situaes prticas gerais precisamos de modelos
que representem todos os tipos de variveis que vimos
na 1 aula;
Essas descries de probabilidade descritas na aula
anterior adaptam-se bem a variveis qualitativas;
Aula de hoje: varivel aleatria quantitativa discreta;
Exemplo: Lanamento de uma
moeda duas vezes.
Definimos Y: nmero de caras obtidas nos dois
lanamentos, temos:

K
1/2
1/2
C
C
C
K
K
1/2
1/2
1/2
1/2
Resultado Probabilidade Y
CC 2
CK 1
KC 1
KK 1/4 0
Y P(Y)
0
1 1/4+1/4
2
Exemplo: Lanamento de uma
moeda duas vezes.
A


B C
0 1 2
A={KC,CK}
B={KK}
C={CC}
Varivel aleatria
Definio: Varivel aleatria (v.a.) uma funo X
definida no espao amostral e com valores em um
conjunto enumervel de pontos da reta;
Exemplo: X = valor mximo de dois dados
Disponvel em:
http://www.professores.uff.br/patricia/images/stories/arquivos/2_vadiscreta.
pdf
Exemplo
Em uma pesquisa domiciliar, o espao amostral
formado pelos domiclios de uma determinada
localidade e simplesmente anotarmos os domiclios
sorteados para uma amostra no constitui uma varivel
aleatria ( apenas uma varivel de identificao).
Na realizao da pesquisa estamos interessados em
diversas caractersticas: renda domiciliar mensal (R$);
nmero de moradores; grau de instruo do chefe (em
anos), etc.
Deste exemplo identificamos, por exemplo, que o
nmero de morados e o grau de instruo do chefe so
v.a. discretas e a renda, contnua;
Exemplos
1. Observar o sexo das crianas em famlias com
trs filhos:
={(MMM),(MMF),(MFM),(FMM),(MFF),(FMF)
,(FFM),(FFF)}. X: n de crianas do sexo
masculino (M). Ento X uma v.a. discreta que
assume os valores no conjunto {0,1,2,3}.
2. Observar o tempo de reao a um certo
medicamento. X: tempo de reao ao
medicamento (em dias completos). X uma v.a.
que assume qualquer valor inteiro maior ou igual
a zero;

Varivel aleatria discreta
O termo aleatrio indica que a cada possvel valor da
v.a. atribumos uma probabilidade de ocorrncia;
Cada x
i
da v.a. X esta associado P(X=x
i
)=P(A) onde A
um subconjunto de .
Funo de Probabilidade
Essa funo P(X=x
i
)=p(x
i
)=p
i
chamada funo de
probabilidade e pode ser apresentada pela tabela:





Uma f.p. deve satisfazer:
0P(X=x
i
)1 e ( =

=1
)=1
X x
1
x
2
... x
n
P(X=x) P(X=x
1
) P(X=x
2
) P(X=x
n
)
Exemplo
O departamento de Epidemiologia de uma certa
Universidade formado por 35 professores, sendo 21
homens e 14 mulheres. Uma comisso de 3 professores
ser formada sorteando-se, ao acaso, trs professores.
Qual a probabilidade da comisso ser formada por
pelo menos duas mulheres?
Definindo a v.a. X: n de mulheres na comisso
Exemplo disponvel em http://www.ime.unicamp.br/~hlachos/
Ex: X: n de mulheres na comisso
Espao Amostral Probabilidade X
(HHH) 0
(HHM) 1
(HMH) 1
(MHH) 1
(HMM) 2
(MHM) 2
(MMH) 2
(MMM) 3
Ex: X: n de mulheres na comisso
Espao Amostral Probabilidade X
(HHH)
21
35
20
34
19
33
=0,203
0
(HHM)
21
35
20
34
14
33
=0,150
1
(HMH)
21
35
14
34
20
33
=0,150
1
(MHH)
14
35
21
34
20
33
=0,150
1
(HMM)
21
35
14
34
13
33
=0,097
2
(MHM)
14
35
21
34
13
33
=0,097
2
(MMH)
14
35
13
34
21
33
=0,097
2
(MMM)
14
35
13
34
12
33
=0,056
3
X 0 1 2 3
P(X) 0,203 0,450 0,291 0,056
2 = = 2 + = 3 = 0,291 +0,056 = 0,347
Mdia para v.a. Discreta
Similar a mdia apresentada para frequncias relativas,
aqui as p
i
(e no f
i
) decorrem de um modelo terico
pressuposto (f
i
eram valores observados). Como p
i
e f
i

tem a interpretao similar, todas as medidas e grficos
discutidos para f
i
tem o seu correspondente na
distribuio de uma v.a.
Dada uma v.a. X discreta, assumindo os valores x
1
,...,x
n
,
chamamos valor mdio ou esperana matemtica de X
ao valor
=

=1

=1

Varincia de v.a. Discreta
A varincia o valor esperado da varivel aleatria (X-
E(X))
2
, ou seja, se X assume os valores x
1
,...x
n
, ento
= [

]
2
=

=1

Tambm pode ser escrita na forma:

=
2
[ ]
2
=

=1
2

=1

Notao:
2
=V(X)
Algumas propriedades
Se h(X) uma funo de X, por exemplo, h(X)=aX+b,
ento,
E(aX+b)=aE(X)+b;
e V(aX+b)=a
2
V(X).

Notao:
2
=V(X) e =E(X)
Desvio-padro
definido como a raiz quadrada positiva da varincia,
isto ,
= ()



Notao:
2
=V(X) e =E(X) e =DP(X)


Funo de Distribuio Acumulada
A funo de distribuio acumulada (f.d.a) ou
simplesmente funo de distribuio (f.d) F(x) a
funo
F(x)=P(Xx).
Observe que o domnio de F o conjunto dos reais,
enquanto que o contradomnio o intervalo [0,1].
Exemplo
X: n de mulheres na comisso.



F(x)=
X 0 1 2 3
P(X) 0,203 0,450 0,291 0,056
0,000 se x < 0
0,203, se 0 x < 1
0,653, se 1 x < 2
0,944, se 2 x < 3
1,000, se x 3


Se estamos interessados na
probabilidade de se ter at
duas mulheres na comisso, a
resposta imediata
F(2) =0,944
x
F(x)
Principais Modelos
Probabilsticos Discretos
X 1 2 3 4 5 6
P(X=x
i
)
1
6

1
6

1
6

1
6

1
6

1
6

1. Modelo Uniforme Discreto
S podem ocorrer 6 faces quando jogamos um dado:
1, 2, 3, 4, 5 ou 6;
X: n da face obtida;
Todas as faces tm a mesma probabilidade de
ocorrncia, podemos dizer que a probabilidade se
distribui uniformemente entre os diversos
resultados, ou seja, podemos escrever a seguinte f.p:

Distribuio de uma v.a. Uniforme
Discreta
Seja X uma v.a., dizemos que X segue um modelo
Uniforme discreto se atribui a mesma probabilidade
(1/k) a cada um dos k possveis valores de X. Isto , sua
f.p. dada por

P(X=x
i
)= 1/k se i=1,2,3,.....,k.
0, caso contrrio;
Distribuio de uma v.a. Uniforme
Discreta
=
1

=
()

)

Exemplo
Do exemplo:







X 1 2 3 4 5 6
P(X=x
i
)
1
6

1
6

1
6

1
6

1
6

1
6

Distribuio de Bernoulli
Muitos experimentos so tais que admitem apenas dois
resultados, apresentam ou no uma determinada
caracterstica;
Exemplos:
O resultado de um exame mdico para deteco de uma
enfermidade positivo ou negativo;
Uma pessoa escolhida ao acaso entre 1000, ela do sexo
feminino ou masculino;
Um paciente escolhido entre um grupo de 300
tratados, ele se recuperou ou no da doena;

Distribuio de Bernoulli
Em todos esses casos o interesse no sucesso ou
fracasso. Esse tipo de experimento que tem
alternativas dicotmicas, so chamados de Ensaios de
Bernoulli e originam uma v.a. com distribuio de
Bernoulli.
Defini-se uma v.a. X que assume valor 1 se ocorrer
sucesso e 0 se ocorrer fracasso. Indicaremos por p a
probabilidade de sucesso, isto P(sucesso)=P(S)=p,
0<p<1.
Distribuio de Bernoulli
P(X=0)=p(0)=1-p
P(X=1)=p(1)=p

E(X)=p
V(X)=p(1-p)
F(x)= 0, se x < 0
1-p, se 0 x < 1
1, se x 1
X 0 1
P(X=x) 1-p p
Distribuio Binomial
Repeties independentes de um Ensaio de Bernoulli do origem ao
modelo Binomial;
Uma amostra particular ser construda de uma sequncia de sucessos e
fracassos, ou seja, de zeros e uns.
Exemplos:
Uma moeda lanada trs vezes; qual a probabilidade de se obter
duas caras;
Cinco pessoas so escolhidas ao acaso entre 1000; qual a probabilidade
de que duas sejam do sexo masculino?
Sabe-se que 5% da populao de uma cidade HIV positivo.
Escolhendo-se 100 pessoas ao acaso, qual a probabilidade de que pelo
menos 10 seja HIV positivo?
OBS. A amostra dos indivduos sem reposio pode ser feita neste caso
devido ao fato da amostra ser grande implicando em praticamente
independncia entre os ensaios.
Exemplo
Uma moeda lanada 3 vezes e a probabilidade de
cara p (sucesso). X: n de caras nos 3 lanamentos.
={FFF, FFS, FSF, SFF, FSS, SFS, SSF, SSS}
Seja X
i
a v.a de Bernoulli (i=1,2,3), ento a varivel
X=X
1
+X
2
+X
3
, representa o nmero de caras.

Exemplo
A f.p. dada por:
Distribuio Binomial
Exemplo disponvel em http://www.ime.unicamp.br/~hlachos/
Distribuio Binomial com
parmetros n=10 e p
Distribuio Binomial com
parmetros n=20 e p
Distribuio Binomial com
parmetros n=30 e p
Distribuio de Poisson
Os valores de X~B(n,p) para n=1,2,.19 podem ser
consultados em Tabelas ou calculados no excel
(=DISTR.BINOM()).
Para n grande e p pequeno, podemos aproximar essas
probabilidades por:

()

!
, x=0,1,2,,n.
Essa aproximao boa quando np 7.
Distribuio de Poisson
A distribuio de Poisson largamente empregada
quando se deseja contar o nmero de eventos de certo
tipo que ocorrem em um intervalo de tempo, ou
superfcie, ou volume.
Exemplos:
Nmero de consultas mdicas em uma hora de
atendimento;
Nmero de casos de dengue por Km
2
no estado de SP;

Distribuio de Poisson
A distribuio pode ser usada para monitoramento de
problemas de Sade Pblica;
Surtos de doenas;
Controle de infeces hospitalares;
Nmero de acidentes por ms;
Nmero de pessoas na fila de espera diariamente;
Nmero de mortes por HIV, por trimestre ,de janeiro de
1983 1986;
Nmero de incidentes violentos em 12 meses em um
hospital psiquitrico;
Nmero de homicdios dirios em So Paulo;

Distribuio de Poisson
De um modo geral, dizemos que a v.a. N tem uma
distribuio de Poisson com parmetro >0 se
= =

!
, k=0,1,2,....
E(N)=V(N)=
O representa o nmero mdio de eventos ocorrendo no
intervalo considerado (taxa mdia de ocorrncia ou
nmero mdio de ocorrncias por unidade de tempo);
Obs: e=2,7183..
Distribuio de Poisson para alguns
Exerccio 1
Suponha que a chegada ao pronto atendimento de uma
cidade em uma certa madrugada tenha distribuio de
Poisson com mdia 3. Qual a distribuio de
probabilidade? E a Distribuio acumulada? Construa
uma tabela para f.p e um grfico para f.d.a.
O que se pode concluir dessa tabela e grfico?

Lembrando que se X~Poisson, ento:
= =

!
, k=0,1,2,..... E >0

Exerccio 2
Uma companhia de seguros vendeu aplices a cinco
pessoas, todas da mesma idade e com boa sade. De
acordo com as tbuas atuariais, a probabilidade de que
uma pessoa daquela idade esteja viva daqui 30 anos
de 2/3. Calcular as probabilidades de que daqui 30
anos:
a) Exatamente duas pessoas estejam vivas;
b) Todas as pessoas estejam vivas; e
c) Pelo menos trs pessoas estejam vivas.
d) (Indique as suposies necessrias para a resoluo
do problema).

Exerccio 3
Em mdia, 5% de uma medicao vendida por uma
farmcia so devolvidas. Qual a probabilidade de que,
das quatro prximas unidades dessa medicao
vendidas nessa farmcia, duas sejam devolvidas?
Exerccio 4
Se X~B(n,p), sabendo-se que E(X)=12 e
2
= 3,
determinar:
a) n
b) p
c) P(X<12)
d) P(X14)
e) P(Y14/16), onde Y=X/n
Exerccio 5
Suponha que a probabilidade de que um item produzido
por uma mquina seja defeituoso de 0,2. Se dez itens
produzidos por essa mquina so selecionados ao acaso,
qual a probabilidade de que no mais do que um
defeituoso seja encontrado? Use a distribuio binomial
e a distribuio de Poisson e compare os resultados.
Exerccio 6
Um fabricante de seringas garante que uma caixa de suas
peas conter, no mximo, duas defeituosas. Se a caixa
contm 18 peas, e a experincia tem demostrado que esse
processo de fabricao produz 5% das peas defeituosas, qual
a probabilidade de que uma caixa satisfaa a garantia?
Exerccio 7
Em uma cidade no interior da Inglaterra o nmero de
pacientes que chegam na UTI do hospital municipal em cada
dia segue uma distribuio de Poisson, com =2. As atuais
instalaes podem atender, no mximo, a trs pacientes por
dia. Se mais de trs chegarem em um dia, o excesso enviado
para outro hospital.
a) Em um dia, qual a probabilidade de se enviar pacientes
para outro hospital?
b) De quanto devero ser aumentadas as instalaes para
permitir atender a todos os pacientes que chegarem pelo
menos em 95% dos dias?
c) Qual o nmero mdio de pacientes que chegam em
mdia por dia?