Calculadora de Teste t
Calcule um teste t de uma amostra ou de duas amostras a partir de dados brutos ou de estatísticas resumidas. Introduza os seus valores, escolha a hipótese alternativa e o nível de significância e obtenha a estatística t, os graus de liberdade, o valor p e a conclusão.
Executar um Teste t
Fórmula do Teste t
Onde:
- \(\bar{x}\) — média amostral
- \(\mu_0\) — média populacional hipotetizada sob H0
- \(s\) — desvio padrão amostral (com \(n - 1\) no denominador)
- \(n\) — tamanho da amostra
- \(\bar{x}_1, \bar{x}_2\), \(s_1, s_2\), \(n_1, n_2\) — médias, desvios padrão e tamanhos das duas amostras independentes
A estatística t mede a quantos erros padrão a média amostral se encontra do valor hipotetizado sob H0. É comparada com a distribuição t de Student com \(df\) graus de liberdade para obter o valor p: a probabilidade de observar um resultado pelo menos tão extremo se H0 fosse verdadeira. Para um teste bicaudal, \(p = 2\,P(T_{df} \ge |t|)\); os testes unicaudais usam uma única cauda. Se a opção de variância agrupada for selecionada para duas amostras, o erro padrão usa a variância agrupada \(s_p^2\) e \(df = n_1 + n_2 - 2\).
Teste t – Exemplo de Cálculo
{shortcode_start}
Exemplo: uma máquina deveria encher garrafas até 100 ml. Dez volumes de enchimento são medidos: 99.2, 98.7, 100.3, 101.1, 99.5, 98.9, 100.8, 99.6, 100.2, 97.9. O enchimento médio difere de 100 ml ao nível \(\alpha = 0.05\)? (Estes são os valores predefinidos da calculadora.)
\[ n = 10, \quad \bar{x} = \frac{996.2}{10} = 99.62, \quad s = \sqrt{\frac{\sum (x_i - \bar{x})^2}{n - 1}} \approx 0.994 \]
\[ t = \frac{99.62 - 100}{0.994/\sqrt{10}} = \frac{-0.38}{0.314} \approx -1.209, \quad df = 10 - 1 = 9 \]
\[ p = 2\,P(T_9 \ge |-1.209|) \approx 0.258 \]
Resultado: \(t \approx -1.209\), \(df = 9\), \(p \approx 0.258\). Como \(p > 0.05\), não rejeitamos H0: não há evidência estatisticamente significativa de que o enchimento médio difira de 100 ml.
{/shortcode_start}
Como Utilizar a Calculadora de Teste t
- Em Configurações do teste, escolha o Tipo de teste: uma amostra (comparar uma média amostral com um valor hipotetizado) ou duas amostras (comparar as médias de duas amostras independentes).
- Selecione a Hipótese alternativa (H1) — bicaudal (\(\neq\)), cauda direita (\(>\)) ou cauda esquerda (\(<\)) — e o Nível de significância (\(\alpha\)): 0.05, 0.01 ou 0.10.
- Para um teste de uma amostra, introduza a Média hipotetizada (\(\mu_0\)).
- Para um teste de duas amostras, escolha a Assunção de variância: Welch (variâncias desiguais, a predefinição mais segura) ou agrupada (variâncias iguais).
- Defina o Modo de introdução. Com Dados brutos, cole os seus valores em Dados da amostra (e Dados da amostra 2 para um teste de duas amostras), separados por espaços, ponto e vírgula ou novas linhas. Com Estatísticas resumidas, introduza a média, o desvio padrão e o tamanho de cada amostra.
- Leia a estatística t, os graus de liberdade, o valor p e a Conclusão que indica se H0 é rejeitada ao nível \(\alpha\) escolhido.
O Que É um Teste t e Como Interpretar o Resultado
Um teste t é um teste de hipóteses estatístico que compara uma média (ou a diferença entre duas médias) com um valor afirmado quando o desvio padrão populacional é desconhecido e tem de ser estimado a partir da amostra. Esta é a situação típica com conjuntos de dados pequenos em ciência, controlo de qualidade, medicina e testes A/B. A estatística t resultante expressa a diferença observada em unidades de erro padrão; valores afastados de zero sugerem que os dados contradizem a hipótese nula.
O valor p responde à pergunta: se a hipótese nula fosse verdadeira, qual é a probabilidade de um resultado pelo menos tão extremo quanto o observado? Um valor p pequeno significa que os dados seriam surpreendentes sob H0, fornecendo evidência contra ela. Por convenção, o resultado é considerado estatisticamente significativo quando \(p \le \alpha\) (geralmente 0.05), e H0 é rejeitada. Um valor p grande não prova que H0 é verdadeira — apenas significa que não há evidência suficiente contra ela.
Escolha a direção da cauda com base na sua pergunta de investigação. Um teste bicaudal verifica qualquer diferença (\(\mu \ne \mu_0\)). Um teste de cauda direita pergunta se a média é maior do que o valor hipotetizado; um teste de cauda esquerda pergunta se é menor. Os testes unicaudais são mais potentes na direção escolhida, mas devem ser justificados antes de observar os dados — mudar de cauda depois infla a taxa de falsos positivos.
Para duas amostras independentes, a calculadora oferece por defeito o teste de Welch. Não assume variâncias iguais e usa a aproximação de Welch–Satterthwaite para os graus de liberdade, o que é mais fiável quando as duas amostras têm dispersões ou tamanhos diferentes. A versão agrupada é adequada apenas quando se acredita que as populações têm variâncias iguais.
Assunções, Limitações e Dicas Práticas
- Normalidade: o teste t assume que a população subjacente (ou os resíduos) é aproximadamente normalmente distribuída. Com amostras pequenas, verifique um histograma ou um gráfico de normalidade; com amostras grandes (aproximadamente \(n \ge 30\)), o teorema central do limite torna o teste robusto a não-normalidade moderada. Dados muito enviesados com valores atípicos exigem uma alternativa não paramétrica.
- Independência: as observações devem ser independentes entre si. Dados emparelhados ou de medidas repetidas (antes/depois nos mesmos sujeitos) não devem ser analisados com um teste de duas amostras — use, em vez disso, as diferenças num teste de uma amostra sobre as diferenças emparelhadas.
- Tamanho da amostra: são necessários pelo menos 2 valores por amostra, e os valores não podem ser todos idênticos (DP = 0). Amostras pequenas dão incerteza ampla, pelo que um resultado não significativo pode simplesmente refletir baixa potência — consulte a Calculadora de Tamanho de Amostra ao planear um estudo.
- Significância vs. importância: um valor p minúsculo apenas diz que a diferença dificilmente é zero, não que seja grande ou relevante na prática. Reporte sempre o tamanho do efeito e complemente o teste com uma Calculadora de Intervalo de Confiança para ver o intervalo plausível da diferença das médias.
- Dados brutos vs. estatísticas resumidas: os dados brutos permitem que a calculadora calcule a média e o DP por si (com um denominador \(n-1\)); o modo de estatísticas resumidas é prático ao ler resultados publicados. Para verificar valores individuais, a Calculadora de Desvio Padrão e a Calculadora de Pontuação Z (para \(\sigma\) conhecido ou amostras grandes) são companheiras úteis.
Perguntas frequentes
Qual é um bom valor ou um valor significativo para a estatística t?
Não existe um valor t "bom" universal — o seu significado depende dos graus de liberdade e de o teste ser unicaudal ou bicaudal. Aproximadamente, com cerca de 20 graus de liberdade, um t bicaudal além de ±2.09 é significativo a \(\alpha = 0.05\). Valores de \(|t|\| maiores indicam evidência mais forte contra a hipótese nula. Avalie sempre a significância pelo valor p e não apenas pela estatística t.
Como calculo uma estatística t à mão?
Para um teste de uma amostra, subtraia a média hipotetizada da média amostral e divida pelo erro padrão \(s/\sqrt{n}\). Primeiro calcule a média, depois o desvio padrão amostral usando um denominador \(n-1\). Por exemplo, com \(\bar{x} = 12\), \(\mu_0 = 10\), \(s = 3\), \(n = 9\): \(t = (12-10)/(3/\sqrt{9}) = 2\). Compare com a distribuição t com \(df = n-1\) para obter o valor p.
Devo usar um teste t unicaudal ou bicaudal?
Use um teste bicaudal quando qualquer diferença importa (maior ou menor). Use um teste unicaudal apenas quando especificou uma previsão direcional antes de recolher os dados — por exemplo, "o novo medicamento baixa a pressão arterial". Escolher a cauda depois de ver o resultado infla artificialmente a taxa de falsos positivos. Em caso de dúvida, o teste bicaudal é a escolha conservadora e amplamente aceite na maioria dos contextos de investigação.
Qual é a diferença entre um teste t e um teste z?
Um teste z é usado quando o desvio padrão populacional \(\sigma\) é conhecido ou quando as amostras são muito grandes; um teste t é usado quando \(\sigma\) tem de ser estimado a partir da amostra, o que acrescenta incerteza. A distribuição t tem caudas mais pesadas do que a distribuição normal, especialmente com poucos graus de liberdade. À medida que \(n\) cresce (aproximadamente além de 30), os dois testes dão resultados quase idênticos.
Posso usar um teste t com dados emparelhados ou de antes/depois?
Não como um teste de duas amostras comum. Medidas emparelhadas — como a pressão arterial antes e depois do tratamento nas mesmas pessoas — violam a assunção de independência. Em vez disso, calcule a diferença para cada sujeito e faça um teste t de uma amostra sobre essas diferenças, testando se a sua média é igual a zero. Usar um teste de duas amostras independentes com dados emparelhados geralmente perde potência estatística.
Porque é que o meu valor p difere ligeiramente de outro software?
Pequenas diferenças resultam normalmente de arredondamentos nos valores introduzidos ou de assunções de variância diferentes. Verifique se a outra ferramenta usou variâncias agrupadas enquanto esta usou Welch, ou se assumiu variâncias iguais por defeito (como faz o T.TEST do Excel com tipo 2). Arredondar o desvio padrão para menos casas decimais antes de o introduzir também pode alterar visivelmente a estatística t e o valor p, por isso introduza a precisão completa.
De que tamanho de amostra preciso para um teste t ser válido?
Tecnicamente, o teste funciona com apenas 2 observações, mas amostras muito pequenas têm baixa potência e são sensíveis à não-normalidade. Com \(n \ge 30\), o teorema central do limite torna o teste razoavelmente robusto mesmo para dados enviesados. Para o planeamento, o tamanho de amostra necessário depende do tamanho do efeito que se pretende detetar, do nível de significância e da potência desejada — uma análise de potência é a forma adequada de o escolher.