Dica do autor: Em testes de hipótese trabalhamos com duas hipóteses: H0 (hipótese nula) e H1 (hipótese alternativa). A decisão do estudo pode dar quatro resultados possíveis, que é o ponto-chave para entender alfa e beta: acerto quando H0 é verdadeira (verdadeiro negativo), erro tipo I (alfa) quando rejeitamos H0 que na verdade é verdadeira, acerto quando rejeitamos H0 que é falsa (isso é bom — é a sensibilidade do teste) e erro tipo II (beta) quando aceitamos H0 que na verdade é falsa. O erro beta, portanto, é o “falso negativo” do mundo estatístico: existe efeito ou diferença, mas o estudo não consegue detectar e conclui que não existe. O pulo do gato para o clínico é lembrar que beta está diretamente ligado ao poder do estudo (power = 1 − beta): diminuir beta (aumentar poder) exige, geralmente, aumentar o tamanho amostral, reduzir variabilidade ou trabalhar com efeitos maiores/mais bem definidos.

Alternativa A: INCORRETA. Rejeitar H0 quando ela é falsa é justamente o que queremos — é a decisão correta, não um erro. Esse resultado corresponde à sensibilidade do estudo ou ao poder (1 − beta). Então não confunda ação correta do teste com erro.

Alternativa B: INCORRETA. Dizer que o estudo rejeita H0 “independente de ser verdadeira ou falsa” não faz sentido lógico nem estatístico: o objetivo do teste é decidir com base nos dados, não rejeitar automaticamente. Não existe um conceito de erro que seja “independente” da veracidade da hipótese — os erros são sempre condicionados à verdade da hipótese.

Alternativa C: INCORRETA. Aceitar H0 quando ela é verdadeira é uma decisão correta (verdadeiro negativo), não é erro. É o cenário desejável quando a hipótese nula realmente se sustenta nos dados.

Alternativa D: INCORRETA. Rejeitar H0 quando ela é verdadeira é o erro tipo I, conhecido como alfa. É o falso positivo — declarar efeito/diferença que na realidade não existe. Confundir alfa com beta é um erro conceitual comum, então fique ligado.

Alternativa E: CORRETA. Aceitar H0 sendo ela falsa descreve exatamente o erro beta (tipo II): o estudo falha em identificar uma diferença ou efeito real. Na prática, isso significa perder a chance de detectar um benefício ou risco verdadeiro. Para reduzir beta aumenta-se o tamanho amostral, melhora-se o delineamento e controla-se variabilidade; o objetivo é aumentar o poder (1 − beta).

Resposta: Alternativa E