Teste de Hipóteses e Valores-p

• Enunciar a hipótese nula H₀ e a hipótese alternativa H₁ para uma dada alegação, e explicar o papel assimétrico que elas desempenham em um teste de hipóteses.
• Definir precisamente um valor-p, como uma probabilidade condicional calculada sob a suposição de que H₀ é verdadeira, nunca uma probabilidade anexada à própria H₀.
• Executar um teste de hipóteses completo em um exemplo real (testar se uma moeda é justa dados n lançamentos e um número observado de caras), das hipóteses ao valor-p até a conclusão.
• Explicar explicitamente, com uma ilustração concreta, por que "o valor-p é a probabilidade de H₀ ser verdadeira" é uma interpretação equivocada séria e comum, e enunciar o significado correto em seu lugar.
• Conectar um teste de hipóteses bilateral no nível de significância α ao intervalo de confiança correspondente coberto no conceito anterior.

O conceito anterior construiu um intervalo de confiança, uma faixa de valores plausíveis para um parâmetro desconhecido, diretamente a partir da distribuição amostral de uma estatística. O teste de hipóteses faz uma pergunta intimamente relacionada mas de formato diferente: em vez de "qual faixa de valores é plausível para μ?", ele pergunta "uma alegação específica e pré-comprometida sobre o parâmetro é consistente com os dados de fato observados, ou os dados fazem essa alegação parecer implausível?" Essa reformulação, testar uma alegação específica contra dados, em vez de estimar uma faixa, é a forma dominante pela qual alegações empíricas são formalmente avaliadas em quase toda ciência quantitativa: um ensaio clínico testando se um novo medicamento é melhor que um placebo, um teste A/B perguntando se um novo layout de site genuinamente melhora a conversão, um experimento de física perguntando se um efeito medido é distinguível de puro ruído, todos, por baixo de sua linguagem específica de domínio, estão executando um teste de hipóteses.

A lógica é uma forma de prova estatística por contradição, e vale a pena enunciá-la claramente antes do formalismo: assuma, provisoriamente, que não há nada acontecendo, nenhum efeito, nenhum viés, nenhuma diferença da alegação básica (essa suposição provisória é a hipótese nula, H₀). Depois pergunte: dado essa suposição, quão surpreendentes são os dados de fato observados? Se os dados observados seriam extremamente improváveis sob essa suposição provisória, isso conta como evidência contra a suposição, não prova de que é falsa, mas motivo de suspeita, quantificado precisamente pelo valor-p. Este conceito constrói essa lógica cuidadosamente, usando um exemplo concreto de justiça de moeda ao longo de todo o texto, e, assim como o conceito anterior dedicou esforço real ao significado correto de "95% de confiança", este conceito dedica igual esforço ao que um valor-p significa e não significa, porque a interpretação equivocada mais comum de um valor-p (tratá-lo como "a probabilidade de H₀ ser verdadeira") é sem dúvida ainda mais difundida, e mais consequente, do que a interpretação equivocada de intervalo de confiança já coberta.

A hipótese nula e a alternativa

Um teste de hipóteses começa com duas afirmações concorrentes sobre um parâmetro populacional:

• A hipótese nula, H₀, é a alegação padrão, provisória, tipicamente uma afirmação de "sem efeito", "sem diferença", ou "o parâmetro é igual a algum valor de referência específico". É a hipótese assumida verdadeira para fins de calcular probabilidades, não porque se acredite que seja verdadeira.
• A hipótese alternativa, H₁, é a alegação que seria interessante ou consequente se apoiada, tipicamente a negação de H₀, ou uma alegação direcional específica (o parâmetro é maior que, menor que, ou simplesmente diferente do valor de referência em H₀).

Para um teste de justiça de moeda: H₀: p = 0,5 (a moeda é justa, p, aqui, é a probabilidade de cara em um único lançamento, não deve ser confundida com o valor-p calculado depois), contra H₁: p ≠ 0,5 (a moeda é enviesada em qualquer direção, um teste bilateral), ou H₁: p > 0,5 especificamente (um teste unilateral, se houver uma razão prévia específica para suspeitar de viés apenas em direção a caras).

A assimetria entre H₀ e H₁ é deliberada e importante: um teste de hipóteses é construído para sempre produzir evidência contra H₀, nunca evidência a favor dela. "Falhar em rejeitar H₀" não é o mesmo que "provar que H₀ é verdadeira", significa apenas que os dados observados não foram suficientemente surpreendentes, sob H₀, para justificar abandoná-la. Isso espelha a presunção de inocência de um tribunal: o réu (H₀) é assumido inocente a menos que a evidência seja forte o suficiente para rejeitar essa suposição além de dúvida razoável; um veredito de não culpado não é uma certificação de inocência, apenas um reconhecimento de que a culpa não foi estabelecida de forma suficientemente convincente.

A estatística de teste e o valor-p

Dada uma amostra, uma estatística de teste é calculada, medindo quão longe os dados observados estão do que H₀ prevê, em unidades padronizadas. Para testar uma proporção (como justiça de moeda) com um n razoavelmente grande, a distribuição amostral da proporção amostral p̂ é aproximadamente Normal (pela mesma lógica do Teorema Central do Limite desenvolvida anteriormente neste agrupamento, aplicada aqui a uma proporção em vez de uma média), com média p₀ (o valor que H₀ alega) e erro padrão √(p₀(1 − p₀)/n). A estatística de teste é

Z = (p̂ − p₀) / √(p₀(1 − p₀)/n)

que, sob H₀, segue aproximadamente uma distribuição Normal padrão.

O valor-p é definido como: a probabilidade, calculada assumindo que H₀ é verdadeira, de observar uma estatística de teste pelo menos tão extrema quanto a de fato observada. Para um teste bilateral, "pelo menos tão extrema" significa pelo menos tão longe de zero em qualquer direção: valor-p = P(|Z| ≥ |z_observado| | H₀ verdadeira), onde a barra vertical denota exatamente o formalismo de probabilidade condicional já estabelecido em outro lugar nesta disciplina, isso não é uma figura de linguagem solta, é uma probabilidade condicional genuína, condicionada especificamente a H₀ ser verdadeira.

Um valor-p pequeno significa: se H₀ realmente fosse verdadeira, dados tão extremos (ou mais) seriam bastante raros, o que é tratado como evidência contra H₀. Um valor-p grande significa: dados assim não seriam surpreendentes mesmo sob H₀, sem dar nenhuma razão particular para duvidar dela.

Nível de significância e a regra de decisão

Antes de observar os dados, um nível de significância α (comumente 0,05) é escolhido como limiar: se o valor-p cai abaixo de α, H₀ é rejeitada em favor de H₁ ("estatisticamente significativo" no nível α); se o valor-p está em ou acima de α, H₀ não é rejeitada (não "aceita", apenas não contradita fortemente o suficiente). α também tem uma interpretação direta como uma taxa de erro controlada: é exatamente a probabilidade de rejeitar erroneamente uma H₀ verdadeira (um erro Tipo I) que o teste é projetado para tolerar, por construção, um análogo direto da garantia "5% dos intervalos vão errar" do conceito de intervalo de confiança, e de fato os dois estão formalmente ligados, como a próxima subseção mostra.

A ligação entre intervalos de confiança e testes de hipóteses bilaterais

Um teste de hipóteses bilateral no nível de significância α e um intervalo de confiança de (1 − α) são duas visões do mesmo cálculo subjacente. Especificamente: rejeitar H₀: μ = μ₀ no nível de significância α (bilateral) acontece exatamente quando μ₀ cai fora do intervalo de confiança correspondente de (1 − α) para μ construído a partir dos mesmos dados. Isso não é coincidência, ambos são derivados da mesma quantidade padronizada idêntica (X̄ − μ₀)/(σ/√n) comparada contra o mesmo valor crítico z; o intervalo de confiança inverte a regra de decisão do teste para mostrar toda a faixa de valores hipotéticos que não seriam rejeitados, em vez de testar um único valor hipotetizado por vez.

Exemplo 1 — testando se uma moeda é justa

Problema: Uma moeda é lançada n = 100 vezes, caindo em cara 62 vezes. Teste, no nível de significância α = 0,05, se a moeda é justa.

Hipóteses. H₀: p = 0,5 (moeda justa). H₁: p ≠ 0,5 (enviesada, bilateral, sem razão prévia para suspeitar de uma direção).

Estatística de teste. p̂ = 62/100 = 0,62. Erro padrão sob H₀: √(p₀(1−p₀)/n) = √(0,5 × 0,5 / 100) = √0,0025 = 0,05. Z = (p̂ − p₀)/EP = (0,62 − 0,5)/0,05 = 0,12/0,05 = 2,4.

Valor-p. Para um teste bilateral, valor-p = P(|Z| ≥ 2,4) = 2 × P(Z ≥ 2,4). Da tabela Normal padrão (ou cálculo), P(Z ≥ 2,4) ≈ 0,0082, então o valor-p bilateral ≈ 2 × 0,0082 = 0,0164.

Conclusão. Como 0,0164 < 0,05, rejeite H₀ no nível de significância de 5%: os dados fornecem evidência estatisticamente significativa de que a moeda não é justa. Formulação correta: "Se a moeda realmente fosse justa, obter 62 ou mais caras (ou, equivalentemente, 38 ou menos) em 100 lançamentos aconteceria apenas cerca de 1,6% das vezes por acaso, raro o suficiente para duvidarmos da suposição de justiça." Isso definitivamente não é o mesmo que "há 1,6% de probabilidade de a moeda ser justa", uma distinção desenvolvida completamente abaixo.

Exemplo 2 — um resultado não significativo, e o que ele estabelece e não estabelece

Problema: Uma moeda diferente é lançada n = 100 vezes, caindo em cara 54 vezes. Teste, em α = 0,05, se essa moeda é justa.

Estatística de teste. p̂ = 0,54. Z = (0,54 − 0,5)/0,05 = 0,04/0,05 = 0,8.

Valor-p. valor-p = 2 × P(Z ≥ 0,8) ≈ 2 × 0,2119 = 0,4238.

Conclusão. Como 0,4238 ≥ 0,05, não rejeite H₀. Formulação correta: "54 caras em 100 não é surpreendente se a moeda for de fato justa (tal resultado, ou um mais distante de 50, aconteceria cerca de 42% das vezes por acaso), então esses dados não dão razão forte para duvidar da justiça." Isso não é o mesmo que concluir que a moeda é definitivamente justa, uma moeda com um p verdadeiro de, digamos, 0,53 (levemente enviesada) também produziria facilmente 54 caras em 100 sem disparar a rejeição; o teste simplesmente não teve poder, nesse tamanho de amostra, para distinguir "justa" de "muito levemente enviesada". Falhar em rejeitar H₀ significa apenas que os dados foram consistentes com H₀, não que H₀ foi confirmada.

Exemplo 3 — por que o valor-p não é "a probabilidade de H₀ ser verdadeira", tornado concreto

Problema: Usando o resultado do Exemplo 1 (valor-p ≈ 0,0164), explique concretamente por que esse não é o mesmo número que "a probabilidade de a moeda ser justa".

A confusão-chave, enunciada precisamente. O valor-p é P(dados tão extremos | H₀ verdadeira), uma afirmação sobre quão surpreendentes os dados são, calculada sob a suposição de que H₀ é válida. O que "a probabilidade de H₀ ser verdadeira" exigiria é P(H₀ verdadeira | dados), o condicional reverso, uma afirmação sobre a própria hipótese, dados os dados de fato observados. Esses são, em geral, números muito diferentes, exatamente como P(evidência | causa) e P(causa | evidência) são quantidades diferentes relacionadas (não igualadas) pelo Teorema de Bayes, coberto em outro lugar nesta disciplina. Trocar os dois, aqui, é precisamente o mesmo erro lógico de aceitar P(A|B) = P(B|A) em geral, falso, exceto em casos especiais coincidentes.

Tornando isso concreto. Suponha que, antes de lançar qualquer moeda, houvesse uma crença prévia forte de que moedas distribuídas neste experimento específico são justas com 99% de probabilidade prévia (talvez porque sejam moedas recém-cunhadas, oficialmente certificadas, e moedas enviesadas sejam apenas raramente substituídas como um teste de estresse raro). O Teorema de Bayes (como coberto em outro lugar nesta disciplina) combinaria essa forte prévia de 99% com a verossimilhança dos dados observados para produzir uma probabilidade posterior de justiça que ainda poderia ser bastante alta, longe de tão baixa quanto 1,6%, mesmo que o valor-p calculado a partir dos dados isoladamente fosse 0,0164. O valor-p simplesmente nunca teve acesso a essa informação prévia; é puramente uma afirmação sobre quão extremos são os dados observados sob H₀, calculada em um vácuo sem nenhuma referência a quão plausível se acreditava que H₀ era de antemão. Tratar o próprio valor-p como "a probabilidade de H₀ ser verdadeira" silenciosamente (e erroneamente) elimina todo o papel que a crença prévia desempenha, exatamente o papel que o conceito final deste agrupamento, inferência Bayesiana, restaura explicitamente.

• "O valor-p é a probabilidade de H₀ ser verdadeira." Isso é falso, e o Exemplo 3 mostra concretamente por quê: o valor-p é P(dados | H₀), não P(H₀ | dados), essas são probabilidades condicionais diferentes, relacionadas apenas por meio do Teorema de Bayes e uma crença prévia que o valor-p nunca incorpora. Um valor-p de 0,0164 no Exemplo 1 diz que os dados seriam raros se H₀ fosse verdadeira; não diz nada por si só sobre quão provável H₀ realmente é.
• "Falhar em rejeitar H₀ significa que H₀ foi provada verdadeira." O resultado não significativo do Exemplo 2 (valor-p ≈ 0,42) não estabelece que a moeda é exatamente justa, mostra apenas que os dados não foram suficientemente surpreendentes, nesse tamanho de amostra, para justificar rejeitar a justiça. Uma moeda levemente enviesada poderia facilmente ter produzido os mesmos dados sem ser detectada; "não rejeitado" não é "confirmado".
• "Um valor-p menor significa um efeito maior ou mais importante." O valor-p mede quão surpreendentes os dados seriam sob H₀, o que depende fortemente do tamanho da amostra, não apenas do tamanho do efeito, um desvio minúsculo e praticamente sem significado de H₀ pode produzir um valor-p muito pequeno se o tamanho da amostra for grande o suficiente (mais dados tornam até pequenos desvios de H₀ estatisticamente detectáveis), e um desvio substancial pode não alcançar significância com uma amostra pequena, como no Exemplo 2. Significância estatística e importância prática são perguntas diferentes.
• "O nível de significância α é a probabilidade de H₀ ser de fato falsa." α é um limiar escolhido de antemão, representando a taxa tolerada de rejeitar erroneamente uma H₀ verdadeira (um erro Tipo I) ao longo de aplicação repetida do procedimento de teste, diretamente análogo à garantia "5% dos intervalos vão errar" dos intervalos de confiança. Não diz nada sobre a probabilidade de essa H₀ específica, neste estudo específico, acontecer de ser falsa.
• "Executar o mesmo teste em muitas variáveis diferentes e relatar apenas as significativas é um uso justo do limiar α = 0,05." Cada teste individual carrega uma chance de 5% de falso positivo por design; testar muitas hipóteses e relatar apenas as que acontecem de ultrapassar a barra (comparações múltiplas, sem correção) infla a chance geral de pelo menos uma "descoberta" falsa bem acima do 5% nominal, uma armadilha amplamente conhecida e séria em campos que executam muitos testes exploratórios, não derivada diretamente aqui mas que vale a pena sinalizar como consequência da mesma lógica.

Um teste de hipóteses formaliza "quão surpreendentes seriam esses dados se uma alegação específica (H₀) fosse verdadeira?" calculando uma estatística de teste a partir dos dados e convertendo-a em um valor-p: a probabilidade condicional, assumindo que H₀ é verdadeira, de observar dados pelo menos tão extremos quanto os de fato vistos. Um valor-p pequeno (abaixo de um nível de significância α pré-escolhido) leva a rejeitar H₀; um valor-p grande significa que os dados não foram surpreendentes sob H₀ e não dá razão forte para rejeitá-la, embora isso nunca seja o mesmo que provar que H₀ é verdadeira. A interpretação equivocada mais séria e difundida é tratar o valor-p como "a probabilidade de H₀ ser verdadeira": o valor-p é P(dados | H₀), enquanto essa alegação exigiria P(H₀ | dados), o condicional reverso, que exige uma crença prévia que o valor-p nunca incorpora, exatamente como o Teorema de Bayes distingue essas duas direções em outro lugar nesta disciplina. Testes de hipóteses bilaterais e intervalos de confiança, do conceito anterior, são duas visões do mesmo cálculo subjacente. Essa tensão entre "dados condicionados à hipótese" (o valor-p frequentista) e "hipótese condicionada aos dados" (o que uma posterior informada por uma prévia de fato daria) prepara diretamente o conceito final deste agrupamento: inferência Bayesiana versus frequentista.