<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by psi.Momentum on Medium]]></title>
        <description><![CDATA[Stories by psi.Momentum on Medium]]></description>
        <link>https://medium.com/@psimomentum?source=rss-2c6800d5598c------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*QVx-1uJpUTpiSQDTzTugpQ.png</url>
            <title>Stories by psi.Momentum on Medium</title>
            <link>https://medium.com/@psimomentum?source=rss-2c6800d5598c------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 00:24:13 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@psimomentum/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[É só multiplicar?]]></title>
            <link>https://medium.com/@psimomentum/pare-com-isso-o-uso-indevido-de-multiplica%C3%A7%C3%A3o-de-probabilidades-em-eventos-dependentes-da9c2ea69af1?source=rss-2c6800d5598c------2</link>
            <guid isPermaLink="false">https://medium.com/p/da9c2ea69af1</guid>
            <category><![CDATA[statistical-learning]]></category>
            <category><![CDATA[dados]]></category>
            <category><![CDATA[statistical-error]]></category>
            <category><![CDATA[basic-statistics]]></category>
            <category><![CDATA[statistics]]></category>
            <dc:creator><![CDATA[psi.Momentum]]></dc:creator>
            <pubDate>Thu, 11 Jul 2024 16:20:18 GMT</pubDate>
            <atom:updated>2025-02-03T10:50:44.888Z</atom:updated>
            <content:encoded><![CDATA[<p><em>por Tiago Sestari</em></p><p>Muito da ciência, pelo menos em suas origens mais fundamentais, é ligada a uma necessidade de resolver problemas. Mais do que resolver problemas, resolvê-los de forma definitiva e replicável. Desse modo, compreender alguns fundamentos do método científico é algo útil para qualquer um, não apenas cientistas.</p><p>Agora, imagine quando o especialista científico, convidado como testemunha no tribunal, carece dos fundamentos do método. Em se falando de ser definitivo, as consequências podem ser terríveis e alterar a vida de alguém para sempre.</p><p>Esse foi o caso de Sally Clark, que por um erro de multiplicação passou 3 anos na prisão e teve sua imagem pública destruída.</p><h4><strong>O Erro de Multiplicação</strong></h4><p>No mundo da estatística e da matemática aplicada, é crucial entender quando é possível multiplicar probabilidades. De modo bem direto, não devemos fazer isso quando os eventos para os quais estamos calculando as probabilidades têm dependência um do outro. Isso pode levar a conclusões erradas por uma ordem de grandeza muito significativa. E ainda assim, é um erro comum tratar eventos dependentes como se fossem independentes, resultando em cálculos errôneos e potencialmente catastróficos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*VtRU05ttnilEfaPS" /></figure><p>Para ilustrar, vamos considerar o exemplo simples de dois dados. A probabilidade de sair 4 ao lançar um dado é de 16%, ou seja, P (4) = 1/6. Desse modo, a probabilidade de, ao jogar dois dados, sair 4 em ambos é de 16<em>% E 16%</em>, que podemos representar pelo produto das duas probabilidades:</p><pre>P(4 em 2 dados) = P(4) * P(4) = 1/6 * 1/6 = 1/36</pre><p>Este cálculo é correto apenas se os lançamentos dos dois dados forem eventos totalmente independentes. Aqui é o caso, um dado não afeta de nenhuma forma o resultado do outro. Mas e quando o primeiro evento impacta os eventos subsequentes?</p><h4>O Caso de Sally Clark</h4><p>Um exemplo notório de uso indevido de probabilidades é o caso de Sally Clark. A Dra. Clark, ex-advogada, foi injustamente condenada por assassinar seus dois filhos, bebês, após um testemunho baseado em estatísticas falhas.</p><p>O pediatra Sir Roy Meadow, considerado o principal descobridor da condição chamada Munchausen by Proxy e que já havia testemunhado como especialista em diversos julgamentos contra pais de crianças que haviam morrido, argumentou que a probabilidade de duas mortes súbitas infantis (SIDS) em uma família como a de Sally era o quadrado da probabilidade de um único caso. Ou seja, assim como fizemos anteriormente:</p><pre>Dadas as características sociais da Dra. Clark, a probabilidade levantada <br>em pesquisas do Dr. Meadow de uma morte súbitas infantil na família era <br>e 1/8543. <br><br>P(SIDS) = 1/8543<br><br>O racíocinio do Dr. Meadow então era que:<br><br>P(2 SIDS na mesma família) = P(SIDS) * P(SIDS) = 1/8543 * 1/8543 = 1/73.000.000</pre><p>Aqui valem alguns pontos muito importantes:</p><p>1- A probabilidade citada por Meadow assume que os dois eventos de SIDS são independentes, ignorando fatores genéticos ou ambientais que poderiam aumentar a probabilidade de um segundo caso em uma mesma família.</p><p>2- SIDS não é um diagnóstico nem uma conclusão. Na verdade, SIDS é uma classificação utilizada quando a causa da morte não pode ser identificada, e é mudada uma vez que essa causa for efetivamente identificada. Desse modo, além de dois casos de SIDS poderem ser altamente dependentes, há o risco de que 2 casos de SIDS recebam diagnósticos completamente diferentes quando as causas forem descobertas.</p><p>Nesse sentido, segundo um estudo conduzido pelo professor Peter Fleming, fatores como fumar, desemprego dos pais e a idade da mãe são correlacionados com a ocorrência de SIDS, tornando os eventos dependentes. Este erro do Dr. Meadow foi descrito pela Royal Statistical Society como “estatisticamente inválido”, porque a independência dos eventos não foi empiricamente justificada, e há razões fortes para acreditar que a suposição seja falsa. Contudo, o juri já estava comprado na ideia proposta pelo Dr. Meadow, ainda mais vinda de um médico.</p><p><strong>Ainda que a defesa tenha apresentado a falha estatística, não foi suficiente para convencer o júri.</strong></p><h4>O Caso de Lucia de Berk</h4><p>Outro exemplo notório de uso inadequado de estatísticas em contextos legais é o caso de Lucia de Berk, uma enfermeira holandesa que foi acusada e condenada injustamente por múltiplos homicídios. O caso de Lucia de Berk também ilustra como a interpretação errada de probabilidades pode levar a conclusões errôneas e condenações injustas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/515/0*NqeJIuuEWZn4WyBG.png" /><figcaption>Lucia de Berk</figcaption></figure><p>Lucia de Berk trabalhava em vários hospitais em Haia e, em 2001, foi acusada de ser responsável por uma série de mortes e colapsos de pacientes. As acusações foram baseadas em parte na suposição de que a presença de Lucia no local durante esses incidentes indicava uma probabilidade muito alta de envolvimento criminoso.</p><p>O principal argumento estatístico contra Lucia de Berk foi a improbabilidade dos incidentes de morte ocorrendo durante seus turnos, que foi calculada como extremamente baixa. No entanto, este cálculo foi baseado na suposição de independência dos eventos. Assim como no caso de Sally Clark, o erro aqui foi tratar os eventos como independentes quando poderiam estar correlacionados por outros fatores, como a gravidade dos pacientes ou práticas de cuidados hospitalares.</p><h4>Consequências da Interpretação Errônea</h4><p>A lógica apresentada no julgamento de Sally Clark, que baseou a culpa na baixa probabilidade calculada, não considerou a possibilidade de uma causa médica não identificada. Além disso, mesmo que a probabilidade de 1 em 73 milhões fosse correta, a interpretação de que isso praticamente prova a culpa é uma falácia lógica. O mesmo vale no caso de Lucia de Berk, em que análises posteriores do caso revelaram que os cálculos estatísticos usados na condenação de Lucia estavam profundamente falhos. Em 2010, Lucia de Berk foi absolvida de todas as acusações após revisões judiciais, que incluíram análises mais rigorosas das evidências estatísticas e outras provas.</p><p>Já o caso de Sally Clark, ela também foi inocentada. Após passar 3 anos presa, o marido, que nunca desistiu de tentar provar sua inocência, conseguiu a liberação dos exames do filho que havia morrido. Assim foi descoberta a causa como uma infecção severa. Entretanto, Sally Clark teve muita dificuldade de se readaptar a vida que tinha após a sequência de eventos traumáticos e faleceu em 2007 por intoxicação alcoólica.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/358/0*QQOCEVyASQkfd2br.png" /><figcaption>Sally Clark e seu marido.</figcaption></figure><p>Os casos de Sally Clark e Lucia de Berk servem como avisos sobre os perigos de usar estatísticas de maneira imprudente. É imperativo assegurar que eventos dependentes sejam tratados como tais em análises probabilísticas. Isso não só evita erros matemáticos, mas também pode prevenir injustiças severas.</p><h4>Referências</h4><ul><li>Schneps, Leila. <em>Math on Trial: How Numbers Get Used and Abused in the Courtroom</em>.</li><li>Meester, Ronald, et al. “Lucia de Berk: From statistical witch-hunt to the Court of Appeal.” <em>Law, Probability and Risk</em>, vol. 9, no. 2, 2010, pp. 169–187.</li><li><a href="https://pt.wikipedia.org/wiki/Sally_Clark">https://pt.wikipedia.org/wiki/Sally_Clark</a></li><li><a href="https://en.wikipedia.org/wiki/Lucia_de_Berk_case">https://en.wikipedia.org/wiki/Lucia_de_Berk_case</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=da9c2ea69af1" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>