Estatística on kenji.blog

Um 'teste positivo' não significa necessariamente 'doença'? A Falácia da Taxa Base

Thu, 10 Sep 2026 21:00:00 +0900

Se você receber um resultado “positivo” (anormal) em um exame de rotina ou de câncer, qualquer um entraria em pânico. No entanto, com conhecimento de estatística e probabilidade, você pode respirar fundo e manter a calma. Isso ocorre porque “testar positivo em um teste altamente preciso” não significa necessariamente que “há uma alta probabilidade de você realmente ter a doença”.

Isso é conhecido como a “Falácia da Taxa Base (Base Rate Fallacy)” ou “Negligência da Probabilidade Prévia”, um viés cognitivo típico onde a intuição humana julga erroneamente os cálculos de probabilidade.

O Assustador Problema dos Exames de Saúde

Imagine a seguinte situação.

Em uma determinada cidade, há uma doença desconhecida que infecta 1 em cada 10.000 pessoas (0,01%). Para detectar essa doença, foi desenvolvido um excelente kit de teste com “99% de precisão”. (*99% de precisão significa que se uma pessoa doente fizer o teste, há 99% de chance de ser avaliada corretamente como “positiva”, e se uma pessoa saudável fizer o teste, há 99% de chance de ser avaliada corretamente como “negativa”.)

Se por acaso você fez esse teste e o resultado foi “positivo”. Agora, qual é a probabilidade de você realmente estar infectado com esta doença?

Muitas pessoas respondem intuitivamente: “Já que a precisão do teste é de 99%, a probabilidade de eu estar doente também deve ser de 99%.” Porém, a resposta matemática correta é “aproximadamente 0,98% (menos de 1%)”.

Por que, apesar de uma precisão de 99%, a probabilidade real acaba sendo inferior a 1%?

Teorema de Bayes e a Visualização do Todo

A chave para desvendar esse problema está em considerar não apenas a precisão do teste, mas também “quão rara é a doença em primeiro lugar (taxa base/probabilidade prévia)”. Vamos visualizar esse fenômeno contraintuitivo usando uma grande população de 1 milhão de pessoas.

População Total: 1.000.000 de pessoas
Pessoas Realmente Doentes (1 em 10.000): 100 pessoas
Pessoas Saudáveis: 999.900 pessoas

Aplicaremos o teste com “99% de precisão” a todas essas 1 milhão de pessoas.

1. Quando Pessoas Realmente Doentes (100 pessoas) Fazem o Teste

Com 99% de precisão, aquelas avaliadas corretamente como “positivas” são: 100 pessoas × 99% = 99 pessoas (Verdadeiros Positivos)

2. Quando Pessoas Saudáveis (999.900 pessoas) Fazem o Teste

Com 99% de precisão, há pessoas (falsos positivos) que serão incorretamente avaliadas como “positivas” com uma probabilidade de 1%: 999.900 pessoas × 1% = 9.999 pessoas (Falsos Positivos)

graph TD A["População Total (1.000.000 pessoas)"] --> B["Pessoas Doentes (100 pessoas)"] A --> C["Pessoas Saudáveis (999.900 pessoas)"] B -->|99% Acertos| B1["Verdadeiros Positivos (99 pessoas)"] B -->|1% Falhas| B2["Falsos Negativos (1 pessoa)"] C -->|99% Acertos| C1["Verdadeiros Negativos (989.901 pessoas)"] C -->|1% Falhas| C2["Falsos Positivos (9.999 pessoas)"] B1 -.-> D{"Total de pessoas que testaram 'Positivo': 10.098 pessoas"} C2 -.-> D style A fill:#ECEFF1,stroke:#333 style B fill:#FFCDD2,stroke:#333 style C fill:#C8E6C9,stroke:#333 style B1 fill:#F44336,stroke:#333,color:#fff style C2 fill:#FF9800,stroke:#333,color:#fff style D fill:#FFF9C4,stroke:#333,stroke-width:2px

A Verdadeira Probabilidade de Você Estar Doente

Agora, o médico informou a você que o resultado “é positivo”. Isso significa que você se juntou ao grupo no canto inferior direito do diagrama, “Total de pessoas que testaram ‘Positivo’ (10.098 pessoas)”.

Dentro deste grupo, qual é a proporção de “pessoas que estão realmente doentes (verdadeiros positivos)”?

$$ \text{Probabilidade de estar realmente doente} = \frac{\text{Verdadeiros Positivos}}{\text{Total de positivos}} = \frac{99}{99 + 9.999} = \frac{99}{10.098} \approx 0,0098 $$

O resultado do cálculo é de aproximadamente 0,98%. Apesar de ser informado de que testou “positivo”, a probabilidade de você estar saudável (falso positivo) é esmagadoramente maior (cerca de 99%).

Por Que a Intuição Erra?

Embora esse fenômeno seja explicado matematicamente pelo “Teorema de Bayes”, que calcula a probabilidade condicional, o cérebro humano é muito ruim em lidar com esse tipo de cálculo.

O motivo pelo qual cometemos erros é que nos distraímos com as informações individuais e fortes fornecidas imediatamente diante de nós (“O resultado do seu teste é positivo! A precisão é de 99%!”), e ignoramos os imensos e monótonos dados estatísticos ao fundo (“Em primeiro lugar, apenas 1 em 10.000 pessoas contrai essa doença (taxa base)”).

Como a “raridade da doença (0,01%)” é muito mais extrema do que a “imprecisão do teste (1%)”, até o menor erro no teste engole rapidamente o número original de pessoas doentes.

A “Falácia da Taxa Base” Escondida na Sociedade

Essa ilusão causa pânico e julgamentos equivocados não apenas na medicina, mas em várias outras situações.

Sistemas de Reconhecimento Facial e Terroristas: Mesmo que uma câmera de reconhecimento facial com 99,9% de precisão encontre um “terrorista” em um aeroporto, como a probabilidade base de terroristas é extremamente baixa, a maioria das pessoas detidas será de cidadãos comuns inocentes (falsos positivos) com rostos parecidos.
Acidentes de Trânsito e Motoristas Idosos: Mesmo que você sinta que há perigo ao ver as notícias de que “〇〇% dos carros que causaram acidentes eram de idosos”, a menos que considere a “proporção de motoristas idosos entre todos os motoristas que trafegam nas estradas (taxa base)”, você não saberá se essa faixa etária específica tem mais probabilidade real de causar acidentes.

A “Falácia da Taxa Base” nos ensina a importância do pensamento estatístico, ou seja, voltar a refletir sobre “quão provável é que isso aconteça na totalidade em primeiro lugar (taxa base)” precisamente quando vemos números chocantes e casos individuais.

Paradoxo de Simpson: O misterioso fenômeno de ganhar nas partes, mas perder no todo

Thu, 10 Sep 2026 07:00:00 +0900

1. Em qual hospital você deve fazer a cirurgia?

Você contraiu uma doença grave e precisa passar por uma cirurgia. Diante de você, há duas opções: Hospital A e Hospital B. Você solicitou os dados da “taxa de sucesso” das cirurgias de cada hospital.

【Taxa de sucesso geral】

Hospital A: De 1000 pessoas, 900 tiveram sucesso (Taxa de sucesso 90%)
Hospital B: De 1000 pessoas, 800 tiveram sucesso (Taxa de sucesso 80%)

Ao ver isso, qualquer um pensaria: “O Hospital A é melhor!”. No entanto, como você tem uma personalidade cautelosa, decidiu investigar mais a fundo como os dados mudam dependendo da condição da doença (leve ou grave).

【Taxa de sucesso para pacientes com sintomas leves】

Hospital A: De 100 pessoas, 99 tiveram sucesso (Taxa de sucesso 99%)
Hospital B: De 900 pessoas, 870 tiveram sucesso (Taxa de sucesso 96%) $\rightarrow$ Em casos leves, vitória do Hospital A (99% > 96%)

【Taxa de sucesso para pacientes com sintomas graves】

Hospital A: De 900 pessoas, 801 tiveram sucesso (Taxa de sucesso 89%)
Hospital B: De 100 pessoas, 70 tiveram sucesso (Taxa de sucesso 70%) $\rightarrow$ Mesmo em casos graves, vitória do Hospital A (89% > 70%)

Ué? Não acha estranho?

Para os pacientes com sintomas “leves”, a taxa de sucesso do Hospital A é maior. Para os pacientes com sintomas “graves”, a taxa de sucesso do Hospital A também é maior. Mesmo assim, ao calcular a taxa de sucesso “geral” combinando todos os pacientes…?

Hospital A Geral: $(99 + 801) / 1000 =$ 90%
Hospital B Geral: $(870 + 70) / 1000 =$ 94%… não, de acordo com o cálculo anterior era 80%?

Espere, vamos olhar os dados iniciais mais uma vez. Os dados iniciais eram assim:

Taxa de sucesso geral do Hospital A: 90%
Taxa de sucesso geral do Hospital B: 80%

No entanto, se recalcularmos com os dados divididos detalhadamente, a taxa de sucesso geral do Hospital B deveria ser $(870 + 70) / 1000 = 940 / 1000 = $ 94%.

…Não, você foi enganado! Na verdade, esse truque numérico é exatamente a assustadora armadilha estatística que explicarei desta vez. Deixe-me mostrar os dados corretos novamente.

2. Para você que foi enganado: Os dados verdadeiros

【Taxa de sucesso para pacientes com sintomas leves】

Hospital A: De 900 pessoas, 870 tiveram sucesso (Taxa de sucesso 96%)
Hospital B: De 100 pessoas, 99 tiveram sucesso (Taxa de sucesso 99%) $\rightarrow$ Em casos leves, vitória do Hospital B (99% > 96%)

【Taxa de sucesso para pacientes com sintomas graves】

Hospital A: De 100 pessoas, 30 tiveram sucesso (Taxa de sucesso 30%)
Hospital B: De 900 pessoas, 315 tiveram sucesso (Taxa de sucesso 35%) $\rightarrow$ Mesmo em casos graves, vitória do Hospital B (35% > 30%)

Ou seja, seja para sintomas leves ou graves, o Hospital B é esmagadoramente superior.

Então, vamos somar isso no “geral”.

Hospital A Geral: $(870 + 30) / (900 + 100) = 900 / 1000 =$ Taxa de sucesso 90%
Hospital B Geral: $(99 + 315) / (100 + 900) = 414 / 1000 =$ Taxa de sucesso 41%

Por incrível que pareça, embora o Hospital B vença em todas as “partes”, ao combiná-las no “geral”, o Hospital A obteve uma vitória esmagadora! Este fenômeno é chamado de “Paradoxo de Simpson”.

graph TD subgraph "Dados parciais (Vitória do B)" Light["Sintomas leves: Vitória do Hospital B (99% > 96%)"] Heavy["Sintomas graves: Vitória do Hospital B (35% > 30%)"] end subgraph "Dados gerais (Vitória do A)" Total["Soma geral: Vitória esmagadora do Hospital A (90% > 41%)"] end Light -->|Por algum motivo inverte ao somar| Total Heavy -->|Por algum motivo inverte ao somar| Total style Total fill:#ff9999,stroke:#333,stroke-width:2px

3. Por que ocorre essa estranha inversão?

A verdadeira identidade desse paradoxo está no “viés do parâmetro (denominador)” e na “variável oculta (fator de confusão)”.

Olhe os dados com atenção.

O Hospital A recebe uma grande quantidade (900 pessoas) de “pacientes com sintomas leves e fáceis de curar”.
O Hospital B recebe uma grande quantidade (900 pessoas) de “pacientes com sintomas graves e difíceis de curar”.

Como o Hospital B tem bons médicos, acabou se tornando uma espécie de “último recurso”, aceitando muitos pacientes graves e difíceis que seriam recusados em outros lugares. Naturalmente, a taxa de sucesso para pacientes graves é mais baixa (35%). A “taxa de sucesso geral” do Hospital B foi arrastada para baixo pela baixa taxa de sucesso dessa grande quantidade de pacientes graves, parecendo baixa (41%) no geral.

Por outro lado, como o Hospital A lida principalmente com pacientes leves e simples, sua taxa de sucesso geral parecia alta (90%). No entanto, quando comparados nas mesmas condições (graves com graves, leves com leves), a competência deles era inferior à do Hospital B.

Expressando matematicamente, a causa é a propriedade da adição de frações. Geralmente, mesmo que $\frac{a}{b} < \frac{A}{B}$ e $\frac{c}{d} < \frac{C}{D}$,

$$ \frac{a+c}{b+d} < \frac{A+C}{B+D} $$

nem sempre é verdadeiro. Quando os tamanhos dos denominadores são extremamente diferentes, a direção da desigualdade pode se inverter.

4. O “Paradoxo de Simpson” que ocorreu no mundo real

Este paradoxo não é apenas um simples quebra-cabeça matemático; ele ocorre com frequência na sociedade real e já causou grandes debates.

Suspeita de discriminação de gênero na Universidade da Califórnia em Berkeley, em 1973

Ao investigar a taxa de admissão na pós-graduação da UC Berkeley, descobriu-se que a “taxa de admissão dos homens (44%)” era significativamente maior do que a “taxa de admissão das mulheres (35%)”, o que se tornou um problema como aparente discriminação contra as mulheres. No entanto, quando os dados foram divididos e analisados detalhadamente “por departamento”, um fato surpreendente foi revelado. Em quase todos os departamentos, a taxa de admissão das mulheres era maior do que a dos homens.

Por que os números gerais se inverteram? Na verdade, as mulheres simplesmente se inscreviam mais em “departamentos com baixas taxas de admissão (mais concorridos)”, enquanto os homens se inscreviam mais em “departamentos com altas taxas de admissão (mais fáceis de entrar)”.

Dados sobre a eficácia da vacina contra a COVID-19

Houve um momento em que dados circularam dizendo que “a taxa de mortalidade entre pessoas vacinadas é maior do que entre pessoas não vacinadas”, o que causou um alvoroço. Isso também foi o resultado de ignorar os dados por faixa etária (variável oculta). A vacina foi administrada com prioridade aos “idosos (que originalmente têm uma taxa de mortalidade mais alta)”, portanto, ao somar simplesmente a taxa de mortalidade geral, o grupo vacinado teve uma proporção extremamente tendenciosa de idosos, fazendo com que a taxa de mortalidade parecesse artificialmente maior.

Quando comparado por faixa etária, confirmou-se que “as pessoas vacinadas têm uma taxa de mortalidade menor” em todas as faixas etárias.

5. Conclusão: Os dados não mentem, mas as pessoas podem mentir com dados

O Paradoxo de Simpson nos adverte sobre o “perigo de tomar decisões observando apenas dados gerais, como médias e totais”.

O mundo está cheio de empresas, políticos e meios de comunicação que pegam apenas os “números gerais” para se promoverem de maneira que os favoreça. Mesmo que lhe digam “Nosso produto A tem uma taxa de satisfação geral maior do que o produto B de outra empresa!”, se você os dividir em “jovens” e “idosos”, o produto B da outra empresa pode vencer em ambos os grupos.

Ao analisar dados, não se deixe enganar pelos números “gerais” superficiais. Ter um olhar crítico e questionar “não há um viés extremo nas proporções dos grupos devido a variáveis ocultas por trás (como idade, sexo, gravidade, etc.)?” se torna a arma mais forte para sobreviver na sociedade da informação moderna.