BIOESTATISTICA 2

Prévia do material em texto

Disciplina: Bioestatística Aplicada à Saúde
Tutora: Kelin Luana Casagranda
UNIDADE 1 
NOÇÕES DE PROBABILIDADE E APLICAÇÕES
A probabilidade é uma área fundamental da matemática e desempenha 
um papel crucial em muitos campos, incluindo estatísticas, ciência de 
dados, jogos de azar e tomada de decisões. Neste artigo, vamos 
explorar os conceitos-chave relacionados à probabilidade, incluindo o 
espaço amostral, eventos, a probabilidade de um evento acontecer e os 
axiomas que regem o cálculo da probabilidade.
Conceitos de probabilidade
Experiência
Na teoria da probabilidade, um “experimento” refere-se a um 
processo ou procedimento que gera um conjunto de resultados 
possíveis. É uma representação abstrata de uma situação que pode 
ser observada, medida ou demonstrada para determinar a 
probabilidade de diferentes resultados. Exemplos: Lançamento de 
um Dado, lançamento de uma moeda, entre outros.
Experimentos determinísticos ou aleatórios
Experimentos determinísticos os resultados são previsíveis e 
completamente determinados pelas condições iniciais e pelas leis físicas 
subjacentes. Isso significa que, dadas as mesmas condições iniciais e 
aplicando as mesmas leis, o resultado sempre será o mesmo. Por 
exemplo, vamos imaginar que estamos esquentando água para 
fazermos um café. Sabemos que quando a água atinge 100º ela começa 
a ferver. Neste caso, os experimentos são caracterizados por sua 
previsibilidade e repetibilidade. Os resultados são consistentes e podem 
ser cálculos com precisão.
Experimentos aleatórios, os resultados não podem ser previstos com certeza 
antes de ocorrerem. Em vez disso, eles são influenciados por fatores aleatórios e 
estão sujeitos a incertezas. Trata-se dos experimentos mencionados como 
exemplo no início do artigo (lançamento de dados e moedas). Embora saibamos 
que um dado tem seis faces numeradas de 1 a 6, não podemos prever com 
certeza qual número será rolado em um lançamento específico. Portanto os 
experimentos aleatórios são caracterizados por sua imprevisibilidade, ou seja, os 
resultados estão sujeitos a probabilidades e variação de uma tentativa para 
outro, mesmo com as condições mesmas iniciais.
Espaço amostral
O espaço amostral, muitas vezes denotado como “S”, é o conjunto de todos 
os resultados (eventos) possíveis de um experimento aleatório. Por 
exemplo, se lançarmos uma moeda, o espaço amostral consistirá em dois 
resultados possíveis: cara (c) ou coroa (K). Se jogarmos um dado de seis 
faces, o espaço amostral será composto pelos números de 1 a 6.
Ponto amostral
É um elemento que pertence ao espaço amostral, ou seja, um entre os 
vários resultados possíveis do experimento aleatório. Por exemplo, ao 
lançar-se uma moeda para o alto, o resultado coroa é um ponto amostral 
assim como o resultado cara, a depender de qual dos lados aparece após 
a queda do objeto. Dessa forma, um ponto amostral de um experimento 
aleatório nada mais é do que um dos seus resultados possíveis.
EVENTO
Um evento é um subconjunto do espaço amostral. Em outras palavras, um 
evento é um resultado específico ou uma combinação de resultados 
possíveis do experimento. Por exemplo, ao lançar um dado, o evento “obter 
um número par” consiste nos resultados 2, 4 e 6.
Geralmente o evento é o conjunto de resultados satisfatórios, ou seja, é um 
subconjunto do espaço amostral que contém os elementos com os quais se 
calcula a probabilidade
EVENTO
Exemplo:
Em um experimento aleatório, será sorteado ao acaso um estado brasileiro. Nesse experimento 
podemos tirar vários possíveis eventos, por exemplo, podemos pensar no resultado ser um 
estado do Sul, logo, meu evento pode ser representado pelo conjunto A: {Rio Grande do Sul, 
Paraná, Santa Catarina}. Outro possível evento é o conjunto de estados cujos nomes comecem 
com a letra s, nesse caso o evento será o conjunto B: {Santa Catarina, Sergipe, São Paulo}.
● Evento certo - possui 100% de chance de ocorrer.
Exemplo: Ao lançaR um dado um evento certo é que encontraremos nela um número menor 
que 7, logo, meu conjunto E será {1,2,3,4,5,6}, pois, ao lançar-se um dado, não existe outra 
opção a não ser um desses resultados, o que torna esse evento certo.
● Evento impossível -possui 0% de chance de ocorrer, ou seja, que não ocorrerá.
Exemplo: Utilizando-se do mesmo experimento de lançamento de um dado comum, um evento 
impossível será obter-se um número maior que 6.
O que é probabilidade?
Em termos simples, probabilidade é a medida da chance de um 
evento ocorrer em um experimento. É assim que avaliamos as 
possibilidades de diferentes resultados em situações incertas.
Cálculo de probabilidade
A probabilidade de um evento acontecer é calculada através da divisão 
entre o número de casos planejados e o número de casos possíveis. 
Vamos exemplificar isso com um problema comum: jogar um dado.
Exemplo Prático: Lançamento de um Dado
Imagine que estamos jogando um dado com seis faces numeradas de 1 
a 6. Para calcular a probabilidade de obter o número 4 em um único 
lançamento, seguimos a fórmula da probabilidade:
Neste caso, há apenas um caso favorável (obter o número 4) e seis casos 
possíveis (os números de 1 a 6). Portanto, a probabilidade é:
Assim, a chance de obter o número 4 em um lançamento único de dado é de 
1/6, ou seja, a probabilidade disso acontecer é de um em 6. Ou ainda, há uma 
variação de 16,666% desse evento ocorrer em um lançamento do dado.
Cálculo de probabilidade
Precisão estatística
À medida que o tamanho da amostra aumenta, as estimativas estatísticas tendem a se 
tornar mais precisas. Isso ocorre porque uma amostra maior fornece uma visão mais 
abrangente da população da qual foi extraída. Com uma amostra maior, é mais 
provável que a média, a variância e outras medidas estatísticas se aproximem das 
configurações reais da população.
Já amostras pequenas podem ser altamente influenciadas por valores atípicos 
(outliers) ou flutuações esperadas. À medida que o tamanho da amostra aumenta, 
essas flutuações parecem tender a se equilibrar, tornando as estimativas mais 
resultados e robustas.
Com amostras maiores, é possível construir intervalos de confiança mais estreitos. Isso 
significa que podemos ter maior confiança de que o parâmetro populacional real está 
contido dentro do intervalo estimado. Nossas menores resultam em intervalos de 
confiança mais amplos, o que leva a uma maior incerteza.
No contexto de testes de hipóteses, o tamanho da amostra afeta a capacidade de 
detectar diferenças ou efeitos estatisticamente significativos. Com amostras pequenas, 
pode ser mais difícil detectar diferenças reais, enquanto amostras maiores aumentam a 
probabilidade de encontrar diferenças importantes.
Em pesquisa científica, um tamanho de amostra protegido é fundamental 
para garantir que os resultados sejam representativos e 
generalizáveis para toda a população. Um tamanho de amostra inadequado 
pode levar a conclusões imprecisas e não confiáveis.
Concluindo, o tamanho da amostra desempenha um papel crítico na 
estatística e na probabilidade, afetando a precisão das estimativas, a 
confiabilidade das conclusões e a capacidade de detecção de efeitos 
significativos.
Probabilidade condicional
A condicional é um conceito fundamental na teoria da probabilidade que descreve a 
probabilidade de um evento ocorrer, dado que outro evento já ocorreu. Ela permite que você 
ajuste as probabilidades com base em informações adicionais disponíveis. Uma probabilidade 
condicional é denotada por P(A|B), que representa a probabilidade do evento A ocorrer dado que 
o evento B ocorreu.
A fórmula geral para a probabilidade condicional é: P(A|B) = P(A e B) / P(B)
Onde:
● P(A|B) é uma probabilidade condicional de A dado B.
● P(A e B) é a probabilidade de ambos os eventos A e B ocorrerem juntos.
● P(B) é a probabilidade de o evento B ocorrer.
Probabilidade condicional
No caso do exemplo do dado, ele tem3 faces pares. Logo a probabilidade do resultado ser 
um número par, é uma em três possibilidades, ou seja, 1/3.
Na probabilidade condicional resumimos o espaço amostral.
PROBABILIDADE CONJUNTA
descreveu a probabilidade de dois ou mais eventos ocorrerem simultaneamente. Ela é usada para 
calcular a chance de que múltiplos eventos ocorram juntos. Uma probabilidade conjunta é 
frequentemente denotada como P(A e B), onde “A” e “B” são os eventos que estamos 
considerando.
Para calcular a probabilidade conjunta de dois eventos, você pode usar a fórmula:
P(A e B) = P(A) * P(B|A)
Onde:
● P(A e B) é uma probabilidade conjunta de A e B ocorrerem juntos.
● P(A) é a probabilidade do evento A.
● P(B|A) é uma probabilidade condicional de B ocorrer dado que A já ocorreu.
Exemplo do lançamento de dois dados:
Suponha que você esteja lançando dois dados de seis faces. 
Evento A: Obter um número no primeiro dado. Evento B: Obtenha um número ímpar no segundo dado.
Agora, vamos calcular a probabilidade conjunta de obter um número par no primeiro dado (A) e um número ímpar no 
segundo dado (B).
P(A): A probabilidade de obter um número par em um dado é de 3/6 (porque há três números pares: 2, 4, 6) ou 1/2.
P(B|A): Agora, dado que já obtivemos um número por no primeiro dado (A ocorreu), a probabilidade de obter um 
número ímpar no segundo dado é de 3/6 (porque há três números ímpares: 1, 3, 5) ou 1/2.
Agora, podemos calcular a probabilidade conjuntamente:
P(A e B) = P(A) * P(B|A) P(A e B) = (1/2) * (1/2) P(A e B) = 1/4
Portanto, a probabilidade conjunta de obter um número par no primeiro dado e um número ímpar no segundo dado é de 
1/4.
Isso significa que, em uma série de lançamentos de dois dados, você tem uma chance de 1/4 de obter simultaneamente 
um número par no primeiro dado e um número ímpar no segundo dado. A probabilidade conjunta nos ajuda a entender 
as chances de eventos ocorrerem em conjunto.
Distribuição normal - Distribuição Gaussiana
Distribuições de probabilidade mais importantes e amplamente 
utilizadas em estatísticas e análise de dados. Ela é caracterizada por sua 
forma de sino e é fundamental em muitos contextos, pois descreve a 
distribuição de dados em torno de uma média e é influenciada por duas 
cláusulas principais: a média (μ) e o desvio padrão (σ).
Curva de Gauss
A propriedade de ser uma curva suave e contínua torna a curva de Gauss uma representação visual e 
eficaz da distribuição normal e ajuda a compreender a frequência relativa de diferentes valores 
dentro de uma distribuição.
Aspectos fundamentais da Distribuição Normal:
1. Formato de Sino: A Distribuição Normal possui uma forma de sino 
simétrica, onde a maioria dos dados é treinada em torno da média e 
diminui à medida que nos afastamos dela. Isso significa que a maioria 
das observações será próxima da mídia, com uma menor quantidade de 
dados nos extremos.
2. Média e Mediana Igualmente Centradas: A média e a mediana de 
uma distribuição normal são iguais e estão localizadas no centro da 
distribuição, coincidindo com o ponto de simetria.
3. Desvio Padrão Definir a Dispersão: O desvio padrão (σ) é um 
parâmetro que controla a dispersão dos dados. Quanto maior o desvio 
padrão, mais dispersos os dados serão em relação à média. Um desvio 
padrão menor indica que os dados estão mais agrupados em torno da 
média.
4. Distribuição Contínua: A Distribuição Normal é uma distribuição 
contínua, o que significa que pode assumir qualquer valor em um intervalo 
contínuo. Não há limites superiores ou inferiores para os valores possíveis.
5. Probabilidade em Área Sob a Curva: A probabilidade de um valor 
específico ocorrer é infinitesimal (ou seja, zero) em uma distribuição 
contínua. Em vez disso, a probabilidade é calculada como a área sob a curva 
da distribuição normal entre dois pontos. A área total sob a curva é igual a 
1, representando 100% de probabilidade.
6. 68–95–99,7 Regra: Esta regra empírica sugere que, em uma distribuição 
normal, aproximadamente 68% dos dados estão dentro de um desvio 
padrão da média, cerca de 95% estão dentro de dois desvios padrão, e 
cerca de 99,7% estão dentro de três desvios padrão.
7. Padronização: É comum padronizar os dados de uma distribuição normal, 
transformando-os em unidades de desvio padrão da média. Isso permite a 
comparação de valores em diferentes distribuições normais e simplificar 
cálculos de probabilidades.
A Distribuição Normal é amplamente utilizada em estatísticas inferenciais, 
testes de hipóteses, análise de regressão, estimativas estatísticas e muitos 
outros campos. Ela também é uma suposição comum em muitos modelos 
estatísticos devido à sua aplicabilidade em descrever a variabilidade natural 
de muitas características na natureza e na sociedade.
Tarefa aula de segunda-feira 01/04
Resumo da Unidade 1 - 
 
MODELOS PROBABILÍSTICOS E APLICAÇÕES
Para discussão em aula
MODELOS PROBABILÍSTICOS E APLICAÇÕES
Os modelos probabilísticos são ferramentas da Estatística muito 
utilizados para descrever e analisar incertezas e variações em eventos 
e fenômenos e podem ser aplicados em diversas áreas tais como: 
finanças, ciências, engenharias e na saúde.
Distribuição de Bernoulli ou Binomial
Consiste na realização de um número finito e conhecido n de 
ensaios (ou repetições); cada um dos ensaios tem apenas dois 
resultados possíveis: “sucesso” ou “fracasso” (estão entre aspas, 
porque a definição de sucesso não quer necessariamente algo 
“positivo”, e também porque poderá significar um grupo de 
resultados); 
e os ensaios são independentes entre si, apresentando 
probabilidades de “sucesso” (p) e de “fracasso” (1–p) constantes.
X = é a variável aleatória.
n = número total de tentativas.
k = valor específico dentro do intervalo de 0 a n.
p = é a probabilidade/taxa do sucesso.
q = é a probabilidade/taxa do fracasso.
A Distribuição Binomial é amplamente aplicada em situações em que é 
necessário contar o número de ocorrências de um evento específico
Neste caso, estamos interessados no número de “sucessos” obtidos 
nos n ensaios: como o espaço amostral é finito (vai de 0 a n), uma 
variável aleatória associada seria discreta
Então, a variável aleatória discreta* X, número de “sucessos” nos n 
ensaios, apresenta uma distribuição (modelo) binomial com os 
seguintes parâmetros: n = número de ensaios p = probabilidade de 
“sucesso” Com esses dois parâmetros, é possível calcular as 
probabilidades de um determinado número de sucessos, bem como 
obter o valor esperado e a variância da variável
 X: E(X) = n x p V(X) = x p x (1–p)
EXEMPLO
Distribuição de Poisson
A distribuição de Poisson descreve resultados de experiências nos quais contamos 
acontecimentos que ocorrem aleatoriamente mas a uma taxa média definida.
Esta é uma distribuição associada a “eventos raros”. As razões para isso se 
tornarão mais claras à medida que a aplicação desse modelo foi descrita. Os 
eventos podem ser:
● acidentes automotivos
● erros de digitação
● chegada de um cliente em um banco
● entre outros eventos…
A distribuição de Poisson é aplicável quando o número de possíveis ocorrências discretas é 
muito maior do que o número médio de ocorrências em um determinado intervalo de tempo 
ou espaço. Os resultados devem ocorrer de forma aleatória, ou seja, totalmente por acaso e 
da probabilidade de ocorrência não deve ser afectado por se ou não os resultados ocorrido 
anteriormente, de modo que as ocorrências são independentes. Em muitos casos, embora 
possamos contar as ocorrências, como a de uma tempestade, não podemos contar as não 
ocorrências correspondentes. 
● A probabilidade de um evento ocorrendo em um determinado subintervalo é aproximadamente λ/n
● A probabilidade de dois ou mais eventos ocorrerem em qualquer subintervalo tende a zero (0)
● As ocorrências em subintervalos mutuamente exclusivos são independentes.
Fórmula
e é base do logaritmo natural (e = 2.71828...),
● k! é o fatorialde k,
● λ é um número real, igual ao número esperado de ocorrências que ocorrem 
num dado intervalo de tempo. Por exemplo, se o evento ocorre a uma média 
de 4 minutos, e estamos interessados no número de eventos que ocorrem 
num intervalo de 10 minutos, usamos como modelo a distribuição de Poisson 
com λ=10/4= 2.5.
Como função de k, esta é a função de probabilidade. A distribuição de Poisson pode 
ser derivada como um caso limite da distribuição binomial.
https://pt.wikipedia.org/wiki/N%C3%BAmero_de_Euler
https://pt.wikipedia.org/wiki/Fatorial
https://pt.wikipedia.org/wiki/N%C3%BAmero_real
https://pt.wikipedia.org/wiki/Minuto
https://pt.wikipedia.org/wiki/Fun%C3%A7%C3%A3o_de_probabilidade
https://pt.wikipedia.org/wiki/Distribui%C3%A7%C3%A3o_binomial
DISTRIBUIÇÃO EXPONENCIAL
A Distribuição Exponencial oferece uma abordagem matemática para entender e estimar 
intervalos de tempos entre eventos em um contexto de incerteza, sendo uma ferramenta 
valiosa na análise de processos aleatórios ao longo do tempo. A fórmula dessa distribuição é 
dada por
Onde:
 x = tempo entre os eventos.
 = taxa média de ocorrência.
 = é a base do logaritmo natural.
 A relação entre a distribuição exponencial e a de Poisson é que, enquanto na distribuição de Poisson podemos 
calcular o número de ocorrências em um determinado tempo ou espaço, na distribuição exponencial estimamos o 
tempo ou espaço entre uma ocorrência e outra. Assim, na distribuição de Poisson estimamos a ocorrência da 
variável aleatória discreta e na distribuição exponencial a variável aleatória contínua.
Se um processo com distribuição de Poisson tem média de λ ocorrências durante um intervalo (de tempo ou 
espaço), então o espaço entre as ocorrências naquele intervalo será de 1/λ. Exemplificando, se as chamadas 
telefônicas ocorrem em média à razão de 6 por hora, então o tempo médio entre as chamadas será de 10 
minutos.
As probabilidades exponenciais são expressas em termos de tempo ou distância entre ocorrências.
UNIDADE 2 
● ESTATÍSTICA INFERENCIAL
● TÉCNICAS ESTATÍSTICAS VARIADAS
● TÉCNICAS DE AMOSTRAGEM E CÁLCULO DE TAMANHO 
AMOSTRAL
Inferência estatística
A inferência estatística é um ramo da estatística que se concentra em 
tirar conclusões sobre uma população com base em informações 
obtidas de uma amostra dessa população. Ela desempenha um papel 
fundamental em muitos aspectos da ciência, pesquisa, negócios e 
tomada de decisões, pois permite generalizar informações limitadas de 
uma amostra para fazer afirmações ou análise sobre a população maior 
da qual a amostra foi retirada.
Figura 1 – Atuação da estatística descritiva e estatística inferencial
Existem duas abordagens principais na inferência estatística:
1.Inferência Estatística Descritiva: Esta abordagem envolve a descrição e o resumo dos 
dados encontrados a partir de uma amostra. Ela inclui a criação de gráficos, cálculos de 
médias, medianas, variâncias e outras estatísticas descritivas para compreender melhor 
as características da amostra. Embora esta abordagem não tenha instruções específicas 
sobre a população, ela fornece informações valiosas para entender o comportamento 
dos dados.
2. Inferência Estatística Indutiva: Essa é a parte mais importante da inferência 
estatística, que lida com a generalização de informações da amostra para a população. 
Envolve uma aplicação de técnicas estatísticas para fazer afirmações sobre parâmetros 
populacionais desconhecidos, como médias, proporções, desvios padrão, etc. A 
inferência estatística indutiva inclui dois principais tipos de raciocínio:
● Estimação de Parâmetros: Consiste em estimar o valor de um parâmetro 
populacional com base em informações da amostra. Um exemplo comum é a 
estimativa da média populacional com base na média amostral.
● Teste de Hipóteses: Envolve uma avaliação da validade das afirmações feitas 
sobre parâmetros populacionais. Isso é formular uma hipótese nula (H0) e 
uma hipótese feita alternativa (H1), coletando dados da amostra e usando 
testes estatísticos para determinar se há evidências suficientes para rejeitar 
a hipótese nula em favor das hipóteses alternativas.
Principais conceitos e técnicas de inferência estatística:
● Intervalos de Confiança: São intervalos estimados que fornecem uma faixa 
de valores dentro de qual o parâmetro populacional provavelmente se 
encontra, com um nível de confiança especificado. Por exemplo, um 
intervalo de confiança de 95% para a média populacional significa que, em 
95% das vezes, o valor real da média estará dentro desse intervalo.
● Testes de Hipóteses: São procedimentos estatísticos que ajudam a tomar 
decisões com base em evidências amostrais. Eles envolvem a definição de 
hipóteses nulas e alternativas, a realização de cálculos estatísticos e a 
interpretação dos resultados para determinar se as hipóteses nulas devem 
ser rejeitadas.
● Erro Tipo I e Erro Tipo II: Em testes de hipóteses, um erro tipo I ocorre 
quando uma hipótese nula é erroneamente rejeitada quando é 
verdadeira. Um erro tipo II ocorre quando uma hipótese nula é 
erroneamente aceita quando é falsa. O equilíbrio entre esses dois tipos 
de erros é um aspecto crítico na construção de testes de hipóteses.
● Tamanho da Amostra: O tamanho da amostra desempenha um papel 
crucial na inferência estatística. Amostras maiores geralmente resultam 
em estimativas mais precisas e maior poder estatístico para detectar 
diferenças importantes. No entanto, amostras muito grandes podem ser 
dispensáveis e desnecessárias.
● Distribuições Estatísticas: Diferentes distribuições, como a Distribuição 
Normal, a Distribuição de Poisson e a Distribuição Binomial, são usadas 
em várias situações na inferência estatística. A escolha da distribuição 
depende da natureza dos dados e do problema em questão.
POPULAÇÃO, AMOSTRA E AMOSTRA ALEATÓRIA
população é o conjunto de indivíduos 
amostra é um subconjunto dessa população
Em uma amostra aleatória, a seleção dos elementos é casual, sendo que a escolha de um dado 
elemento não interfere na escolha de outro. Isso significa que em uma amostra aleatória todos os 
elementos são independentes entre si (MARTINEZ, 2015).
SIGNIFICÂNCIA ESTATÍSTICA
A análise da significância estatística é considerada um procedimento 
para verificar a discrepância de uma hipótese estatística em relação 
aos dados observados, utilizando uma medida de evidência (p-valor)
A significância estatística é uma forma de medir a probabilidade da 
sua hipótese testada não ter sido pura coincidência (FIELD, 2009).
https://pt.wikipedia.org/wiki/Testes_de_hip%C3%B3teses
https://pt.wikipedia.org/wiki/Valor-p
A Probabilidade de rejeitar a hipótese nula quando ela é verdadeira (conhecido como erro 
do tipo I).
Em testes de hipóteses estatísticas, diz-se que há significância estatística ou que o 
resultado é estatisticamente significante quando o p-valor observado é menor que o nível 
de significância definido para o estudo.
O nível de significância é geralmente determinado pelo pesquisador antes da coleta dos 
dados e é tradicionalmente fixado em 0,05 ou menos, dependendo da área de estudo. 
Em muitas áreas de estudo, resultados com nível de significância de 0,05 (probabilidade 
de erro de 5%) são considerados estatisticamente relevantes.
https://pt.wikipedia.org/wiki/Hip%C3%B3tese_nula
https://pt.wikipedia.org/wiki/Erro_tipo_I
https://pt.wikipedia.org/wiki/Erro_tipo_I
https://pt.wikipedia.org/wiki/Testes_de_hip%C3%B3teses
O p-valor (nível descritivo ou probabilidade de significância) é a 
probabilidade de se obter uma estatística de teste igual ou mais extrema 
que a estatística observada a partir de uma amostra aleatória de uma 
população quando a hipótese nula é verdadeira. 
Quando se seleciona uma amostra de uma população em um 
experimento, sempre há possibilidade que um efeito observado ocorra 
devido a um erro amostral (diferença entre a estimativa da amostra e o 
parâmetro da população).No entanto, quando o p-valor do efeitofor menor 
que o nível de significância, pode-se concluir que o efeito reflete as 
características de toda a população e, consequentemente, rejeitar a 
hipótese nula.
https://pt.wikipedia.org/wiki/Hip%C3%B3tese_nula
Tamanho de efeito
 tamanho de efeito é, uma medida que sempre deve ser apresentada junto 
com o valor da significância estatística.
significa o impacto que o fator em estudo tem no desfecho. Também pode 
ser chamada de força da associação. Quanto maior é o tamanho de efeito 
(ou maior é a força da associação), mais impacto o fator em estudo tem no 
desfecho
Artigo 1 
1.Qual o objetivo do artigo? 
2. Quais os principais problemas que o 
artigo aborda?
3. Como são tratados os dados?
Artigo 2 
1.Qual o objetivo do artigo? 
2. Quais os principais problemas que o artigo 
aborda?
3. Qual a forma de apresentação dos dados?