Questão 10. Um pesquisador está analisando o desempenho de dois grupos de estudantes em um teste de ciências. O Grupo A é composto por alunos que participaram de um programa de tutoria intensiva em ciências durante todo o semestre, enquanto o Grupo B consiste nos alunos que não participaram do programa de tutoria. O pesquisador coletou as pontuações dos testes finais de ambos os grupos e deseja realizar uma análise descritiva dos dados.
(a) Como você poderia interpretar a variabilidade nos resultados dos testes entre os alunos de cada grupo e que tipo de conclusões você poderia fazer com base na amplitude dos dados de cada grupo?
(b) Como os percentis 25 e 75 podem ser úteis para entender a distribuição dos resultados dos testes em cada grupo e que informações adicionais você poderia obter ao comparar os percentis entre os dois grupos?

Passo 1

O enunciado dá as pontuações de um teste final para dois grupos de estudantes:
  • Grupo A: participou do programa de tutoria.
  • Grupo B: não participou do programa de tutoria.
O pesquisador quer uma análise descritiva. As perguntas são:
(a) Como interpretar a variabilidade nos resultados dos testes dentro de cada grupo e que conclusões podemos tirar a partir da amplitude dos dados de cada grupo?
(b) Como os percentis 25 e 75 (ou seja, o primeiro e o terceiro quartis) ajudam a entender a distribuição dos resultados em cada grupo e que informações adicionais obtemos ao comparar esses percentis entre os grupos?

Passo 2

O que é “variabilidade” e por que ela importa?
  • Variabilidade é uma forma de medir o quanto as pontuações dos alunos estão espalhadas ao redor de uma tendência central. Se as pontuações estão todas muito próximas, a variabilidade é baixa; se estão bem espalhadas, a variabilidade é alta.
  • Medidas comuns de variabilidade:
    • Amplitude (range): \text{Range} = \max(x) - \min(x). É simples e mostra o intervalo total dos dados, mas é sensível a valores extremos (outliers).
    • Variância amostral: \displaystyle s^{2} = \frac{1}{n-1}\sum_{i=1}^{n}(x_i-\bar{x})^{2}, onde \bar{x} é a média amostral e n é o tamanho da amostra.
    • Desvio padrão: s = \sqrt{s^{2}}. Tem a mesma unidade das pontuações e é interpretável como “desvio típico” em torno da média.
  • Interpretação prática: se o Grupo A tem \text{Range} e s menores que o Grupo B, isso indica que os alunos do Grupo A obtiveram resultados mais homogêneos; se A tem média maior e variabilidade menor, isso sugere que o programa trouxe ganhos consistentes. Se A tem média maior mas variabilidade muito maior, significa que o programa pode ter ajudado alguns muito, outros pouco — efeito heterogêneo.

Passo 3

Como calcular e entender a amplitude na prática (passo a passo sem calculadora complicada)
  1. Ordene os dados de cada grupo do menor para o maior.
  2. Encontre \min(x) e \max(x).
  3. Calcule \text{Range} = \max(x)-\min(x).
    Exemplo rápido: se as pontuações do Grupo A forem \{68,73,80,85,92\} então
  • \min(x)=68, \max(x)=92
  • \text{Range}=92-68=24.
    Significado: o intervalo total de pontuações é de 24 pontos. Um range grande indica maior diferença entre piores e melhores.

Passo 4

Desvio padrão e variância — interpretação passo a passo
  1. Calcule a média: \bar{x}=\dfrac{1}{n}\sum_{i=1}^n x_i.
  2. Subtraia a média de cada observação e eleve ao quadrado: (x_i-\bar{x})^2.
  3. Some esses quadrados e divida por n-1 para obter s^2.
  4. Tire a raiz quadrada: s=\sqrt{s^2}.
    Exemplo rápido (muito pequeno) com \{70,80,90\}:
  • \bar{x}=\dfrac{70+80+90}{3}=80.
  • Somatório dos quadrados: (70-80)^2+(80-80)^2+(90-80)^2=100+0+100=200.
  • \displaystyle s^2=\frac{200}{3-1}=\frac{200}{2}=100.
  • s=\sqrt{100}=10. Interpretação: típico desvio em torno da média é 10 pontos.
Observações importantes:
  • O desvio padrão é mais informativo que o range porque usa todas as observações.
  • Ambos são sensíveis a outliers; IQR (próximo passo) é mais robusto.

Passo 5

Percentis, quartis e IQR — definição e cálculo prático
  • Percentil p é o valor abaixo do qual ficam p\% das observações. Os percentis 25 e 75 são os quartis Q_1 e Q_3.
  • Interquartile range (IQR): \mathrm{IQR} = Q_3 - Q_1. Mede a amplitude da “metade do meio” dos dados (50% centrais) e é resistente a outliers.
    Como calcular Q_1 e Q_3 (método prático e comum — posição L=p(n+1)):
  1. Ordene os dados e conte n.
  2. Calcule L = p\,(n+1) com p=0,25 ou p=0,75.
  3. Se L for inteiro, o percentil é o L-ésimo valor; se não, interpole entre o piso e o teto.
    Exemplo com \{60,70,75,80,90\} ( n=5):
  • Para Q_1: L=0{,}25\cdot(5+1)=1{,}5. Está entre o 1^\text{o} e 2^\text{o} valores: Q_1=60+0{,}5(70-60)=65.
  • Para Q_3: L=0{,}75\cdot6=4{,}5. Entre 4^\text{o} e 5^\text{o}: Q_3=80+0{,}5(90-80)=85.
  • \mathrm{IQR}=85-65=20.
    Interpretação: a “metade do meio” das pontuações está espalhada por 20 pontos.

Passo 6

O que dizem Q_1 e Q_3 sobre a distribuição e como comparar entre grupos
  • Q_1 (percentil 25): ponto abaixo do qual 25% dos alunos estão — indica o comportamento da cauda inferior.
  • Q_3 (percentil 75): ponto acima do qual 25% dos alunos estão — indica a cauda superior.
  • \mathrm{IQR}: largura da parte central; menor IQR → resultados mais consistentes entre os 50% centrais.
    Comparando grupos:
  • Se Q_1^{(A)} > Q_1^{(B)} e Q_3^{(A)} > Q_3^{(B)}, então toda a distribuição de A está deslocada para valores maiores (efeito geral de aumento).
  • Se mediana de A > mediana de B e \mathrm{IQR}_A < \mathrm{IQR}_B: A tem melhores resultados medianos e é mais consistente — sinal positivo para o programa.
  • Se mediana de A > mediana de B mas \mathrm{IQR}_A muito maior: o programa pode ter beneficiar alguns alunos muito, mas deixou outros para trás (efeito heterogêneo).
  • Se Q_1^{(A)} muito baixo comparado a Q_1^{(B)} (mas Q_3^{(A)} alto), então A tem forte dispersão e possíveis outliers baixos.

Passo 7

Outras interpretações úteis e limites do que o descritivo permite concluir
  • O descritivo (range, s, Q_1, Q_3, \mathrm{IQR}, mediana) descreve padrões, mas não prova causalidade. Para afirmar que a tutoria causou diferenças é preciso desenho experimental ou modelagem que controle vieses.
  • Tamanho da amostra importa: estimativas de variabilidade em amostras pequenas são ruidosas.
  • Outliers: sempre verifique pontos extremos; podem indicar erros de medição ou subgrupos com comportamento distinto.
  • Sugestões práticas para relatório: apresente média e desvio padrão, mediana e IQR, min/max e percentis 10,25,50,75,90, além de um boxplot e histograma para cada grupo. Isso dá imagem completa.

Passo 8

Como usar isso numa prova: lista de passos que você pode executar rapidamente
  1. Ordene os dados de cada grupo.
  2. Calcule \min, \max, \text{Range}.
  3. Calcule \bar{x} e s (se pedido).
  4. Calcule Q_1 e Q_3 via L=p(n+1) e encontre \mathrm{IQR}=Q_3-Q_1.
  5. Compare medianas, \mathrm{IQR} e range entre A e B e descreva o sentido da diferença (deslocamento, dispersão, outliers).
  6. Conclua com cautela: descreva padrões observados e indique que inferência causal exige análise adicional.
    Dica motivadora: comece sempre com a ordenação e o cinco-números (min, Q_1, mediana, Q_3, max). Isso já dá muita informação visual na prova e em poucos cálculos.

Resposta

(a) A variabilidade mostra o quanto as pontuações estão espalhadas: use \text{Range}=\max(x)-\min(x), a variância \displaystyle s^{2}=\frac{1}{n-1}\sum (x_i-\bar{x})^{2} e o desvio padrão s. Uma amplitude/ \,s menor no Grupo A sugere resultados mais homogêneos (programa consistente); amplitude/ \,s maior indica maior heterogeneidade de resposta ao programa. Não se pode afirmar causalidade apenas com descritivos.
(b) Os percentis 25 ( Q_1) e 75 ( Q_3) mostram onde estão os 25% inferiores e superiores; \mathrm{IQR}=Q_3-Q_1 mede a dispersão da metade central e é robusto a outliers. Comparando Q_1,Q_3 entre grupos detecta-se deslocamento da distribuição (se ambos maiores em A), mudança de consistência (IQR menor em A) e assimetrias/caudas diferentes — tudo isso fornece interpretação sobre efeito e heterogeneidade do programa.

Exercícios relacionados