A Natureza do Acaso

• A probabilidade é a ferramenta matemática para quantificar a incerteza.
• Na prática clínica, lidamos com eventos que não podem ser previstos com exatidão para um único paciente.
• Mas, em grandes populações, o acaso revela padrões estáveis.

Experimento e Espaço Amostral

• Experimento: Qualquer processo que gera resultados sujeitos ao acaso (ex: testar um fármaco).
• Espaço Amostral (\(\Omega\)): Conjunto de todos os resultados possíveis.

O Conceito de Evento

• Evento (\(E\)): Qualquer subconjunto do espaço amostral.
• Representa o resultado de interesse que o profissional de saúde quer investigar.
• Exemplo: Qual a chance de o sangue do paciente ser do tipo O?
• Aqui, o Evento \(E = \{O\}\).

A Regra de Laplace

• Como calcular a probabilidade clássica?
• Divisão do número de casos favoráveis pelo total de casos possíveis.
• Válida quando todos os resultados têm a mesma chance de ocorrer.

Exemplo: Banco de Sangue — Parte 1

Exemplo: Banco de Sangue — Resolução

• Casos favoráveis (Tipo O): 15
• Total de casos (doadores): 40

Eventos Mutuamente Exclusivos

• Ocorrem quando a realização de um evento impede a do outro.
• Quem pertence a uma categoria não pode pertencer à outra simultaneamente.
• Exemplo clínico: Estado de saúde do paciente.
• Um paciente não pode estar simultaneamente sadio e doente.

Eventos Mutuamente Exclusivos — Diagrama

Figura 1

Teorema da Soma — Regra do “OU”

• Utilizada para calcular a chance de ocorrer o Evento A “OU” o Evento B.
• Para eventos mutuamente exclusivos, basta somar as probabilidades individuais.

Exemplo: Tabagismo e Câncer — Parte 1

Estudo caso-controle com 19.077 pessoas.

Exemplo: Tabagismo e Câncer — Parte 2

• Evento A (20–29 cigarros): \(P(A) = \dfrac{5.235}{19.077} = 0{,}274\)

Exemplo: Tabagismo e Câncer — Resolução

\[P(A \cup B) = P(A) + P(B)\]

Eventos Não Mutuamente Exclusivos

• Ocorrem quando a realização de um evento NÃO impede a do outro.
• Existe uma interseção: o paciente pode possuir ambos os diagnósticos.
• Exemplo: Um paciente pode ser diabético e também hipertenso.
• Se simplesmente somarmos as probabilidades, contamos os casos da interseção duas vezes.

Eventos Não Mutuamente Exclusivos — Diagrama

Figura 2

Regra do “OU” — Não Mutuamente Exclusivos

• Para evitar a dupla contagem, subtraímos a interseção.
• Soma-se a chance de A, a chance de B, e retira-se a probabilidade dos casos simultâneos.

Exemplo: Infarto e Diabetes — Parte 1

Estudo sobre fatores de risco cardíaco. Total: 591 pessoas.

Exemplo: Infarto e Diabetes — Parte 2

• Evento A (Infarto): \(P(A) = \dfrac{299}{591} = 0{,}506\)
• Evento B (Diabetes): \(P(B) = \dfrac{114}{591} = 0{,}193\)

Exemplo: Infarto e Diabetes — Resolução

\[P(A \cup B) = P(A) + P(B) - P(A \cap B)\]

Teorema do Produto — Regra do “E”

• E se quisermos que dois eventos ocorram simultaneamente de forma independente?
• Eventos independentes: o resultado de um NÃO afeta o resultado do outro.
• A palavra “E” na estatística traduz-se na operação de multiplicação.

Exemplo: Cirurgia Pediátrica — Parte 1

• O risco cirúrgico de mortalidade para uma anomalia grave é de 20%.
• Logo, a chance de sobrevivência é de 80% (\(p = 0{,}80\)).
• Dois recém-nascidos são submetidos a essa cirurgia no mesmo dia.

Exemplo: Cirurgia Pediátrica — Resolução

• Evento A (Sobrevivência do RN 1): \(P(A) = 0{,}80\)
• Evento B (Sobrevivência do RN 2): \(P(B) = 0{,}80\)

Exemplo: Cirurgia Pediátrica — Interpretação

A Condição de Independência

• E se quisermos provar que duas doenças não têm relação entre si?
• Usamos a condição de independência de forma reversa.
• Se \(P(A \cap B) = P(A) \times P(B)\) → as doenças são independentes.
• Se os valores diferirem → há associação entre elas.

\[\text{Independência: } P(A \cap B) = P(A) \times P(B)\]

Exemplo: Implantes e Doenças — Parte 1

Suspeita: Implantes mamários causam doenças do tecido conjuntivo?

Estudo com 2.247 mulheres:

Exemplo: Implantes e Doenças — Parte 2

• \(P(\text{Implante}) = \dfrac{749}{2247} = \dfrac{1}{3}\)
• \(P(\text{Doença}) = \dfrac{15}{2247}\)

Exemplo: Implantes e Doenças — Resolução

\[P(A \cap B) = P(A) \times P(B) \implies \text{Eventos independentes}\]

Probabilidade Condicional — Ideia Geral

• Às vezes, o cenário muda porque já temos uma informação prévia sobre o paciente.
• É a probabilidade de um evento ocorrer sabendo que outro já ocorreu.
• Exemplo: Risco de câncer pulmonar dado que o paciente fumou por 30 anos.
• O espaço amostral é reduzido pela informação prévia disponível.

A Fórmula da Probabilidade Condicional

A probabilidade de \(A\) ocorrer dado que \(B\) já ocorreu:

\[P(A \mid B) = \frac{P(A \cap B)}{P(B)}, \quad P(B) > 0\]

Exemplo: Probabilidade Condicional — Parte 1

Em um hospital, 500 prontuários foram analisados:

Exemplo: Probabilidade Condicional — Parte 2

Calculando as probabilidades necessárias:

• \(P(C \cap H) = 120/500 = 0{,}240\)
• \(P(H) = 250/500 = 0{,}500\)

Exemplo: Probabilidade Condicional — Interpretação

Probabilidade Condicional e Independência

• Se A e B forem independentes, a ocorrência de B não altera a chance de A.
• Matematicamente: \(P(A \mid B) = P(A)\)
• Se \(P(A \mid B) \neq P(A)\), os eventos são dependentes (há associação).

A Regra da Multiplicação (forma geral)

Da definição de probabilidade condicional, isolando \(P(A \cap B)\):

\[P(A \cap B) = P(B) \cdot P(A \mid B)\]

Probabilidade Total

Quando o espaço amostral pode ser particionado em causas mutuamente exclusivas \(B_1, B_2, \ldots, B_k\):

\[P(A) = \sum_{i=1}^{k} P(A \mid B_i) \cdot P(B_i)\]

O Teorema de Bayes — Motivação

• Um teste diagnóstico volta positivo.
• Qual a probabilidade de o paciente estar realmente doente?
• Depende de quão prevalente é a doença e de quão bom é o teste.
• O Teorema de Bayes formaliza exatamente esse raciocínio de atualização de crença.

Sensibilidade, Especificidade e VPP

• Sensibilidade: \(P(\text{Teste}+ \mid \text{Doente})\) — detecta verdadeiros doentes.
• Especificidade: \(P(\text{Teste}- \mid \text{Sadio})\) — identifica verdadeiros sadios.
• Prevalência: \(P(\text{Doente})\) — proporção de doentes na população.
• Valor Preditivo Positivo (VPP): \(P(\text{Doente} \mid \text{Teste}+)\) — é o que Bayes nos dá!

Exemplo: Teste de HIV — Parte 1

Contexto clínico:

• Prevalência de HIV em população de baixo risco: 0,1% — \(P(D) = 0{,}001\)
• Sensibilidade do ELISA: 99% — \(P(+ \mid D) = 0{,}99\)
• Especificidade: 99% — \(P(- \mid \bar{D}) = 0{,}99\), logo \(P(+ \mid \bar{D}) = 0{,}01\)

Exemplo: Teste de HIV — Parte 2 (Prob. Total)

Calculamos primeiro a probabilidade de um resultado positivo na população:

\[P(+) = P(+ \mid D)\cdot P(D) + P(+ \mid \bar{D})\cdot P(\bar{D})\]

Exemplo: Teste de HIV — Parte 3 (Bayes)

Aplicando o Teorema de Bayes:

\[P(D \mid +) = \frac{P(+ \mid D)\cdot P(D)}{P(+)}\]

O Efeito da Prevalência no VPP

Figura 3

Bayes em Dois Momentos de Raciocínio

• Antes do teste → usamos a prevalência como probabilidade a priori: \(P(D)\).
• Após o teste positivo → atualizamos para a probabilidade a posteriori: \(P(D \mid +)\).
• Após um segundo teste positivo → a posteriori do primeiro vira a priori do segundo.
• O raciocínio bayesiano é iterativo: cada evidência nova atualiza a crença anterior.

Aplicações do Teorema de Bayes na Área da Saúde

• Triagem neonatal: Alta sensibilidade é essencial. O VPP pode ser baixo para doenças raras.
• Protocolos de rastreamento: A decisão de rastrear deve considerar a prevalência no grupo-alvo.
• Sequências de testes: Repetir o teste em positivos aumenta o VPP sem mudar a tecnologia.
• Medicina baseada em evidências: Cada estudo publicado atualiza a probabilidade a priori do efeito de uma intervenção.

Cuidado com a Interpretação de Riscos

• Risco absoluto não deve ser confundido com risco relativo.
• Uma doença rara passar de 1 para 2 casos por milhão representa 100% de aumento relativo.
• Contudo, a probabilidade absoluta continua ínfima.
• Profissionais da área da saúde devem contextualizar os percentuais para o paciente.

Resumo do Bloco 1

Do Acaso Isolado às Distribuições Teóricas

• Até aqui, calculamos probabilidades de eventos isolados a partir de tabelas já construídas.
• E se quisermos prever o risco de vários pacientes apresentarem o mesmo desfecho sem ter os dados brutos?
• Entraremos no mundo das distribuições teóricas de probabilidade.

Eventos discretos na saúde

Variáveis Aleatórias Discretas

• Variáveis discretas assumem valores inteiros resultantes de contagens.
• Quando um experimento só possui duas possibilidades excludentes, a variável é chamada de binária.
• Sucesso (o resultado de interesse) vs. Fracasso (todos os demais resultados).
• Exemplos: sobreviveu/não sobreviveu; curou/não curou; infectado/não infectado.

O que é a Distribuição Binomial?

• Modelo matemático para prever contagens de eventos binários em um grupo.

• Observamos o número de “sucessos” em uma série de \(n\) pacientes ou ensaios.
• Permite responder: se tratar 10 doentes, qual a chance de exatamente 3 se curarem?

Os Parâmetros da Binomial

A Lógica Combinatória — O Fatorial

• Ao testar vários pacientes, o sucesso pode ocorrer em diferentes ordens.
• Precisamos da matemática combinatória para não omitir nenhum arranjo possível.

A Fórmula da Distribuição Binomial

\[\boxed{P(X = x) = \frac{n!}{x!(n-x)!}\, p^x\, q^{n-x}}\]

Exemplo: Cárie Infantil — Parte 1

Exemplo: Cárie Infantil — Parte 2

Identificando os parâmetros:

• Número de crianças (\(n\)): 4
• Número de sucessos desejados (\(x\)): 2
• Probabilidade de cárie (\(p\)): 0,4
• Probabilidade de não ter cárie (\(q\)): \(1 - 0{,}4 = \mathbf{0{,}6}\)

Exemplo: Cárie Infantil — Parte 3

Substituindo na equação:

\[P(X=2) = \frac{4!}{2!\,(4-2)!} \times (0{,}4)^2 \times (0{,}6)^{2}\]

Exemplo: Cárie Infantil — Resolução

\[P(X=2) = 6 \times 0{,}0576 = \mathbf{0{,}3456}\]

Gráfico da Distribuição Binomial (n=4, p=0,4)

Figura 4

Exemplo: Daltonismo Genético — Parte 1

Cenário: A probabilidade de um menino nascer com daltonismo é de 8%. Quatro meninos chegam ao consultório de oftalmologia no mesmo dia.

Exemplo: Daltonismo Genético — Parte 2

Identificando os parâmetros:

• Meninos na amostra (\(n\)): 4
• Número de daltônicos desejados (\(x\)): 4
• Probabilidade de daltonismo (\(p\)): 0,08
• Probabilidade de visão normal (\(q\)): 0,92

Exemplo: Daltonismo Genético — Parte 3

Como \(x = n = 4\), a combinação vale 1 e \((q)^0 = 1\):

\[P(X=4) = 1 \times (0{,}08)^4 \times 1\]

Média da Distribuição Binomial

\[\mu = n \times p\]

Variância da Distribuição Binomial

\[\sigma^2 = n \times p \times q \qquad \sigma = \sqrt{n \cdot p \cdot q}\]

Exemplo: Mortalidade Cirúrgica — Parte 1

Cenário: A probabilidade de sobrevivência em uma cirurgia experimental de alto risco é de 25% (\(p=0{,}25\)). Planejam-se 4 cirurgias em sequência (\(n=4\)).

Exemplo: Mortalidade Cirúrgica — Parte 2

Como \(x = n = 4\), a combinação vale 1 e \((q)^0 = 1\):

\[P(X=4) = (0{,}25)^4\]

Exemplo: Mortalidade Cirúrgica — Interpretação

Aplicações na Área da Saúde

• Controle de qualidade: Prever quantos lotes de insumos podem estar fora dos padrões aceitáveis.
• Prognóstico assistencial: Estimar o número de pacientes com reações adversas a uma vacina.
• Dimensionamento de escala: Calcular a probabilidade de \(X\) profissionais faltarem ao plantão.
• Planejamento clínico: Estimar o número esperado de desfechos em ensaios piloto.

Recapitulando: O Mundo Discreto Binário

• A variável deve representar eventos independentes com dois desfechos possíveis (0 ou 1).
• A fórmula combina combinatória e probabilidades para mapear todos os cenários.
• Parâmetros essenciais: \(n\) (amostra), \(p\) (sucesso) e \(x\) (sucessos desejados).
• Quando o desfecho deixa de ser contável e passa a ser contínuo, precisamos de outro modelo.

Do Discreto ao Contínuo

• O peso de um recém-nascido não é “0 ou 1” — é 3,124 kg, 3,125 kg…
• Para variáveis contínuas, o número de valores possíveis é infinito.
• As colunas separadas da binomial fundem-se em uma curva contínua.

A curva da vida

A Variável Aleatória Contínua

• Variáveis contínuas (idade, altura, IMC, glicemia) geram histogramas com muitas classes estreitas.
• À medida que o tamanho da amostra cresce, as barras ficam cada vez mais estreitas.
• O contorno superior das barras passa a desenhar uma curva suave e contínua.
• Essa curva é a base de toda a análise biométrica humana.

A Curva de Gauss

Figura 5

Propriedades da Distribuição Normal

• O pico da curva representa simultaneamente a Média, a Mediana e a Moda.
• A curva se aproxima do eixo X para o infinito, mas nunca o toca.
• Toda a área sob a curva equivale a 1 (100% da população).
• Dois parâmetros definem completamente a curva: \(\mu\) (posição) e \(\sigma\) (dispersão).

\[N(\mu,\, \sigma)\]

Efeito de μ e σ sobre a Curva

Figura 6

A Regra Empírica (68-95-99,7)

Figura 7

Exemplo: QI na População — Parte 1

O Quociente de Inteligência (Escala Wechsler): \(\mu = 100\), \(\sigma = 15\).

Exemplo: QI na População — Resolução

A faixa dos 68% engloba \(\mu \pm 1\sigma\):

A Limitação da Regra Empírica

• A Regra Empírica funciona apenas para cortes exatos de 1, 2 ou 3 desvios-padrão.
• Na prática clínica, os limites raramente caem em valores redondos.
• Exemplo: Qual a proporção de pacientes com valor até 1,34 desvios da média?
• Existem infinitas curvas normais possíveis — uma para cada variável biométrica.

A Distribuição Normal Padronizada

• A Regra Empírica funciona apenas para cortes exatos de 1, 2 ou 3 desvios-padrão.
• Na prática clínica, os limites raramente caem em valores redondos.

A Tabela da Distribuição Normal Padrão

• Estatísticos calcularam previamente as áreas sob a curva Z para todos os valores possíveis.
• A tabela fornece a proporção da população entre a média (\(Z=0\)) e qualquer valor de \(Z\).

Como Ler a Tabela Z

• Na coluna da esquerda: parte inteira e primeiro decimal do escore Z (ex: 1,2).
• Na linha superior: segundo decimal (ex: 0,05).
• A célula na interseção fornece a área entre \(Z=0\) e o valor buscado.
• Exemplo: \(Z = 1{,}25\) → tabela devolve \(0{,}3944\) (\(39{,}44\%\)).

As Quatro Situações da Tabela Z

Figura 8

Exemplo: Glicemia Sanguínea — Parte 1

Cenário: Glicose em jejum em adultos saudáveis: \(\mu = 100\) mg/dL, \(\sigma = 6\) mg/dL.

Exemplo: Glicemia Sanguínea — Parte 2

Convertendo em escore Z:

\[z = \frac{110 - 100}{6} = \frac{10}{6} \approx 1{,}67\]

Exemplo: Glicemia Sanguínea — Resolução

\[P(Z > 1{,}67) = 0{,}5000 - 0{,}4525 = \mathbf{0{,}0475}\]

✅ Apenas 4,75% dos adultos saudáveis têm glicemia superior a 110 mg/dL pela variação biológica natural.

Exemplo: Internações Psiquiátricas — Parte 1

Cenário: Tempo de internação em hospital psiquiátrico: \(\mu = 50\) dias, \(\sigma = 10\) dias.

Exemplo: Internações Psiquiátricas — Parte 2

Convertendo os limites:

• Limite superior (\(X = 50\)): \(z = \dfrac{50 - 50}{10} = 0\) (coincide com a média)

Exemplo: Internações Psiquiátricas — Resolução

\[P(-2{,}0 \leq Z \leq 0) = \mathbf{0{,}4772} \; (47{,}72\%)\]

✅ Cerca de 48% dos pacientes têm alta entre 30 e 50 dias — informação valiosa para o giro de leitos.

Definindo um Limite Clínico — Parte 1

Cenário: Teste psicométrico: \(\mu = 58\) min, \(\sigma = 9{,}5\) min.

Pergunta inversa: O coordenador quer que 90% dos candidatos terminem a tempo. Qual o tempo limite?

Definindo um Limite Clínico — Parte 2

Buscando \(0{,}4000\) na tabela Z (leitura reversa):

Áreas entre Dois Valores

• Mesmo lado da média: \(P(Z_1 \leq Z \leq Z_2) = \text{tab}(Z_2) - \text{tab}(Z_1)\)
• Lados opostos: \(P(-Z_1 \leq Z \leq Z_2) = \text{tab}(Z_1) + \text{tab}(Z_2)\)

Figura 11

O Teorema do Limite Central

• Mesmo quando a variável original não tem distribuição normal, a média de amostras repetidas tende a se comportar como normal.
• Para amostras com \(n \geq 30\), essa aproximação é geralmente satisfatória.
• Isso permite aplicar os métodos da distribuição normal mesmo em situações onde a população original é assimétrica.

Quando a Variável NÃO é Normal

Figura 12

Aplicações da Normal na Área da Saúde

• Curvas de crescimento pediátrico (peso, altura, perímetro cefálico por idade).
• Definição de valores de referência laboratoriais (hemoglobina, glicemia, pressão arterial).
• Controle de qualidade (temperatura de refrigeradores de vacinas, concentração de soluções).
• Testes de hipótese em pesquisas clínicas (base de testes como o teste t e o teste z).

Resumo do Bloco 3

• Variáveis contínuas biológicas tendem a seguir o modelo de sino de Gauss.
• Dois parâmetros definem completamente a curva: \(\mu\) (posição) e \(\sigma\) (dispersão).
• O escore Z padroniza qualquer medida em uma escala universal adimensional.
• A tabela Z permite calcular probabilidades e definir limites de referência sem integrais.

Conectando os Três Blocos

• Probabilidades → estabelecem as regras do acaso — incluindo o Teorema de Bayes para raciocínio diagnóstico.
• Distribuição Binomial → modela contagens de eventos binários em grupos de tamanho fixo.
• Distribuição Normal → descreve o comportamento contínuo das variáveis biométricas humanas.
• Os três modelos compõem a base da inferência estatística em saúde.

A Estatística a Serviço da Vida

• Dominar a bioestatística não é um exercício matemático abstrato.
• É a capacidade de ler evidências, questionar dados e tomar decisões clínicas fundamentadas.
• Profissionais da área da saúde que compreendem probabilidades protegem pacientes com mais precisão e segurança.

Recursos para Continuar

• Tabela da Distribuição Normal Padrão: Apêndice A do livro-texto.
• Software Jamovi/Linguagem R: funções dbinom(), pbinom(), pnorm(), qnorm() para cálculos automáticos.
• Calculadoras online de distribuições de probabilidade para verificação dos resultados.

Referências Bibliográficas

VIEIRA, Sonia. Introdução à Bioestatística. 6. ed. Rio de Janeiro: Guanabara Koogan, 2021.

Capítulos utilizados:

• Capítulo 14 — Probabilidades
• Capítulo 15 — Distribuição Binomial
• Capítulo 8 — Distribuição Normal

Dúvidas e Discussão

• 🎲 Probabilidades: a lógica do acaso controlado.
• 🔢 Distribuição Binomial: a previsão de eventos discretos.
• 📈 Distribuição Normal: a lei que governa a variação biológica contínua.
• 🔬 Teorema de Bayes: a atualização de crença à luz de evidências.

O espaço é de vocês — perguntas, comentários e aplicações clínicas são bem-vindos.