Questão I8) Você concorda com a seguinte afirmativa? Experimentos pareados são usados, dentre outras situações, quando é difícil controlar todos os fatores que podem influenciar a variável em estudo. Justifique sua resposta com base no exemplo a seguir. Sugestão: Compare os resultados obtidos entre os testes pareados e testes para amostras independentes.
Exemplo: Deseja-se testar dois métodos de análise ( A e B ), que são realizados as segundas, quartas e sextasfeiras (Seg, Qua, Sex). Dados levantados referentes aos métodos são apresentados na tabela abaixo
\begin{tabular}{|l|c|c|c|}
\cline { 2 - 3 } \multicolumn{1}{c|}{} & \multicolumn{2}{c|}{ Método } & \multicolumn{1}{c}{} \
\hline Dia & A & B & Diferença \
\hline Seg & 5 & 3 & 2 \
\hline Qua & 7 & 5 & 2 \
\hline Sex & 8 & 6 & 2 \
\hline Médias & 6,67 & 4,67 & 2 \
\hline Variâncias & 2,3 & 2,3 & 0 \
\hline

Passo 1

O enunciado pergunta se concordo com a afirmativa: “Experimentos pareados são usados, dentre outras situações, quando é difícil controlar todos os fatores que podem influenciar a variável em estudo.” Ele pede justificativa usando o exemplo dado e sugere comparar resultados entre teste pareado e teste para amostras independentes.
Dados fornecidos (peguei-os da tabela do enunciado):
  • Valores do método A nos dias Seg, Qua, Sex: 5,\;7,\;8.
  • Valores do método B nos dias Seg, Qua, Sex: 3,\;5,\;6.
  • Diferenças por dia (A menos B): 2,\;2,\;2.
  • Médias reportadas: \text{média}_A=6,67é, \text{média}_B=4,67é, \text{média}_{\text{dif}}=2é.
  • Variâncias reportadas: s_A^2=2,3, s_B^2=2,3, s_{\text{dif}}^2=0.
O que será feito: calcular e explicar os dois testes (amostras independentes e pareado), comparar resultados e interpretar o porquê de o pareamento ser apropriado quando há fatores difíceis de controlar (por exemplo, efeito do dia).

Passo 2

Relembrando fórmulas básicas (explicação didática):
  • Média amostral: para uma amostra x_1,\dots,x_n,
\bar{x}=\frac{1}{n}\sum_{i=1}^{n} x_i.
Aqui \bar{x} é a média, n é o tamanho da amostra e x_i são as observações.
  • Variância amostral (não-viesada):
s^2=\frac{1}{n-1}\sum_{i=1}^{n}(x_i-\bar{x})^2.
Essa fórmula mede a dispersão das observações em torno da média.
Vou mostrar os cálculos para checar as médias e variâncias dadas.
Cálculo da média de A:
\bar{x}_A=\frac{5+7+8}{3}=\frac{20}{3}=6,\!67.
Cálculo da média de B:
\bar{x}_B=\frac{3+5+6}{3}=\frac{14}{3}=4,\!67.
Cálculo da variância de A:
Desvios: 5-6,\!67=-1,\!67, 7-6,\!67=0,\!33, 8-6,\!67=1,\!33.
Quadrados: 2,\!7778,\;0,\!1111,\;1,\!7778. Soma =4,\!6667.
s_A^2=\frac{4,\!6667}{3-1}= \frac{4,\!6667}{2}=2,\!3333\approx2,\!3.
Mesmo resultado para s_B^2 (os desvios são os mesmos em módulo), então s_B^2\approx2,\!3.
Cálculo das diferenças (pareadas): d_i = A_i-B_i 2,2,2.
Média das diferenças:
\bar{d}=\frac{2+2+2}{3}=2.
Variância das diferenças:
os desvios em relação a \bar{d} são todos zero, logo
s_d^2=0.

Passo 3

Teste para amostras independentes (explicando a ideia):
  • Quando tratamos as duas amostras como independentes, assumimos que as observações de A não estão emparelhadas com as de B. O teste compara \bar{x}_A e \bar{x}_B usando um erro padrão que combina as variâncias das duas amostras.
  • Fórmula do estimador de variância combinada (pool), quando assumimos variâncias iguais:
s_p^2=\frac{(n_A-1)s_A^2+(n_B-1)s_B^2}{n_A+n_B-2}.
Aqui n_A=n_B=3, s_A^2=s_B^2=2,\!3.
Cálculo de s_p^2:
s_p^2=\frac{(3-1)\cdot 2,\!3+(3-1)\cdot 2,\!3}{3+3-2} =\frac{2\cdot2,\!3+2\cdot2,\!3}{4} =\frac{9,\!2}{4}=2,\!3.
Erro padrão da diferença de médias:
\text{se}_{\text{ind}}=\sqrt{s_p^2\left(\frac{1}{n_A}+\frac{1}{n_B}\right)} =\sqrt{2,\!3\left(\frac{1}{3}+\frac{1}{3}\right)} =\sqrt{2,\!3\cdot\frac{2}{3}}.
Cálculo numérico:
2,\!3\cdot\frac{2}{3}=1,\!5333\quad\Rightarrow\quad \text{se}_{\text{ind}}=\sqrt{1,\!5333}=1,\!2383.
Estatística t para amostras independentes:
t=\frac{\bar{x}_A-\bar{x}_B}{\text{se}_{\text{ind}}} =\frac{2}{1,\!2383}=1,\!615.
Graus de liberdade: n_A+n_B-2=4.
Interpretação: para df=4, o valor crítico aproximado para \alpha=0,05 (bicaudal) é t_{0,025;4}\approx2,\!776. Como 1,\!615<2,\!776, não rejeitamos H_0 de igualdade de médias ao nível 5\%. O p-valor aproximado é maior que 0,1 (próximo de 0,18), logo sem evidência suficiente para concluir diferença significativa neste teste independente.

Passo 4

Teste pareado (explicando a ideia):
  • No teste pareado, cada observação de A é comparada diretamente com a observação correspondente de B (aqui, mesmo dia). O teste analisa as diferenças d_i=A_i-B_i como uma única amostra e testa se a média das diferenças \mu_d é zero.
  • Fórmula do t pareado:
t_{\text{pareado}}=\frac{\bar{d}-\mu_{d,0}}{s_d/\sqrt{n}},
onde \bar{d} é a média das diferenças, s_d é o desvio-padrão amostral das diferenças, n é o número de pares, e \mu_{d,0} é o valor sob H_0 (normalmente 0).
Aplicando ao exemplo:
  • Temos d_i=2,2,2, então \bar{d}=2 e s_d=0.
  • O denominador s_d/\sqrt{n}=0, portanto a estatística t_{\text{pareado}} não é numérica (divisão por zero). Isso ocorre porque não há variabilidade nas diferenças — todas são exatamente iguais a 2.
Interpretação prática desse caso: se em todas as repetições a diferença observada é exatamente 2 com nenhuma variação, então os dados mostram de forma perfeita que A excede B por 2 unidades em todas as observações. Em termos práticos isso significa evidência máxima contra H_0:\mu_d=0 — é impossível explicar essas observações por flutuação aleatória se assumirmos que há alguma variação natural. Matematicamente, o teste t clássico falha por divisão por zero; entretanto, o resultado é intuitivamente extremante significativo (p-valor efetivamente zero no modelo com erro aleatório), já que probabilidade de observar diferenças idênticas se a diferença verdadeira fosse zero é zero sob um modelo contínuo.
Observação: em situações reais sempre existe alguma variabilidade experimental; aqui o exemplo é extremo e ilustra como o pareamento remove a variabilidade entre pares, destacando a diferença sistemática entre métodos.

Passo 5

Explicação conceitual (por que o pareamento ajuda quando não se consegue controlar fatores):
  • Imagine que além do método existem fatores de dia que afetam ambos os métodos de forma similar (por exemplo, temperatura do laboratório, operador do equipamento). Modele observação como
A_i = \mu_A + \delta_i + \varepsilon_{A,i},\qquad B_i=\mu_B + \delta_i + \varepsilon_{B,i},
onde \delta_i é um efeito do dia i (comum a A e B no mesmo dia) e \varepsilon são erros independentes menores.
  • Ao considerar a diferença por par,
d_i=A_i-B_i=(\mu_A-\mu_B)+(\varepsilon_{A,i}-\varepsilon_{B,i}),
o termo \delta_i (efeito do dia) cancela. Ou seja, ao emparelhar por dia, elimina-se a variação causada por \delta_i, que poderia ser difícil de controlar. Isso reduz a variância dos dados usados no teste e aumenta o poder do teste (maior chance de detectar diferença real entre \mu_A e \mu_B).
No exemplo fornecido, o cancelamento foi total (as diferenças ficaram constantes), mostrando dramaticamente o benefício do pareamento.

Passo 6

Comparação prática entre os dois testes neste exemplo:
  • Teste para amostras independentes: não rejeita H_0 ao nível 5\% (estatística t\approx1,\!615, df=4).
  • Teste pareado: revela diferenças constantes d_i=2, variação das diferenças s_d^2=0; isso mostra evidência forte e clara de que os métodos diferem em 2 unidades. Mesmo que o teste t clássico seja indefinido por divisão por zero, a interpretação é que o pareamento tirou toda a variabilidade devida ao dia, deixando a diferença sistemática evidente.
Resultado prático: usando o pareamento (comparando métodos no mesmo dia) a conclusão sobre diferença entre métodos fica muito mais clara; tratando como amostras independentes perde-se essa vantagem e pode-se não detectar a diferença.

Passo 7

Conclusão e recomendação (tom amigo e encorajador):
Concordo com a afirmativa. Experimentos pareados são especialmente indicados quando não se consegue controlar fatores externos que afetam as medições (como dia, operadora, lote, etc.), porque o pareamento cancela esses efeitos comuns e reduz a variabilidade do teste, aumentando muito a sensibilidade para detectar diferenças entre tratamentos. No exemplo, o pareamento mostrou diferença sistemática de 2 unidades (diferenças idênticas em todos os pares), enquanto o teste para amostras independentes, que não explora o emparelhamento, não conseguiu detectar essa diferença ao nível usual de significância.
Força aí nos estudos — pegar esse tipo de ideia (modelo com efeito comum que cancela nas diferenças) é uma das melhores maneiras de lembrar quando usar pareado na prova!

Resposta

Concordo. No exemplo, o teste para amostras independentes dá t\approx1,\!615 ( df=4) e não rejeita H_0 ao nível de 5\%, enquanto o teste pareado mostra diferenças constantes d_i=2 (variância das diferenças 0), evidenciando de forma direta que A excede B em 2 unidades; o pareamento cancela variações comuns ao dia e aumenta o poder do teste.

Exercícios relacionados