Teste

Estatísticos
Paramétricos
 Teste Z é qualquer teste estatístico no qual a
distribuição do teste estatístico sob a hipótese nula
pode ser aproximada por uma distribuição normal.

Teste Z
É um este usado para inferência, capaz de determinar
se a diferença entre a média da amostra e da
população é grande o suficiente para ser estiticamente
significativa
Teste Z

• Com base no Teorema do Limite Central, muitos testes estatísticos são

normalmente distribuídos para grandes amostras.
• Para cada nível de significância, o Teste Z tem um único valor crítico.
 O teste Z é um método estatístico para determinar se
a distribuição das estatísticas de teste pode ser
aproximada por uma distribuição normal.

Teste Z É o método para determinar se duas médias amostrais

são aproximadamente iguais ou diferentes quando sua
variância é conhecida e o tamanho da amostra é
grande (deve ser> = 30).
 O tamanho da amostra deve ser maior que 30, caso
contrário, devemos usar o teste t.

As amostras devem ser retiradas aleatoriamente da

população.

Quando usar o O desvio padrão da população deve ser conhecido.

teste Z
As amostras retiradas da população devem ser
independentes umas das outras.

Os dados devem ser distribuídos normalmente, no

entanto, para tamanho de amostra grande, presume-
se que haja uma distribuição normal.
Teste Z
• Em primeiro lugar formulamos a hipótese nula de que as médias do atributo são iguais nas duas
populações e a hipótese alternativa de qua as médias do atributo são diferentes nas duas populações
H0: 𝝁1-𝝁2 =0 e HA: 𝝁1-𝝁2 ≠0
• Posteriormente temos de obter duas amostras aleatórias, uma de cada população. Calculamos para
cada uma delas a média e o desvio padrão.
• As médias serão sempre diferentes, devido à variação amostral
• Se hipótese nula é verdadeira, qual é a probabilidade de observarmos uma diferença tão grande entre
as duas médias que como a que foi observada?
Teste Z

• Se a probabilidade for muito pequena rejeitamos a hipótese nula e concluiremos por uma
diferença entre as médias populacionais.
• Se a probabilidade for razoável o resultado obtido na amostragem terá de ser aceite como
plausível sob a hipótese nula e não podemos rejeitá-la.
• Como podemos calcular a probabilidade da diferença observada, assumindo que a
hipótese nula é verdadeira?
Teste Z
• Recapitulando…sabemos
• Pelo limite central, que as médias amostrais têm distribuição normal
• As diferenças das médias entre duas médias amostrais pelas propriedades da distribuição
normal, têm também distribuição normal e…
• A variância da diferença entre as médias amostrais é igual à soma das variâncias das
médias amostrais…
• Até agora…é tudo igual quando determinamos os limites de confiança (aula anterior)
Teste Z
• Agora não pretendemos estimar parâmetros, mas testar a hipótese
• Qual o raciocínio agora?!
• Se a hipótese nula é verdadeira – dizemos que a média das diferenças entre as médias
amostrais será zero.
• Assim sendo, em 95% dos casos a diferença entre as médias amostrais distará menos de
1,96 erros padrão de zero
Nível de significância

• Nível de significância: significa o grau de significância em que aceitamos ou rejeitamos a

hipótese nula.
• Como na maioria dos estudos, 100% de precisão não é possível para aceitar ou rejeitar
uma hipótese , portanto, selecionamos um nível de significância.
• É chamado por alfa (∝) .
Região crítica de Z
A região crítica -1,96 z 1,96
 Nível de significância
• Primeiro, identifique as hipóteses nula e alternativa.
• Determine o nível de significância (∝).
• Encontre o valor crítico de z no teste z usando a
tabela
• Calcule as estatísticas do teste z.
• Ao lado está a fórmula para calcular as estatísticas
do teste z.
Tipos de teste Z – cauda á esquerda

• Teste de cauda esquerda: neste teste, nossa região de rejeição está localizada na extremidade
esquerda da distribuição.
• Aqui, nossa hipótese nula é que o valor reivindicado é menor ou igual ao valor médio da
população.
Teste z cauda à
esquerda
Teste Z cauda à
direita
Teste Z
bicaudal
Teste Z para duas amostras
• Neste teste, fornecemos 2 populações normalmente distribuídas e independentes,
e retiramos amostras aleatoriamente de ambas as populações.
• Aqui, consideramos u 1 e u 2 a média da população X 1 e X 2 a média da amostra
observada.
• Aqui, nossa hipótese nula poderia ser:
• H0: 𝜇1 − 𝜇2 = 0
E a hipótese alternativa
• HA: 𝜇1-𝜇2≠ 0

• A fórmula seria
Teste-t Student
Teste-t de Student
• Quando tudo o que temos são duas amostras pequenas, não podemos utilizar o teste-z para testar
diferenças entre as médias
• Se a distribuição do atributo na população for desconhecida não podemos assumir a distribuição normal
das médias amostrais e mesmo que saibamos que a distribuição na população é normal, uma estimativa
do erro padrão da diferença entre médias amostrais baseadas nos desvios padrão amostrais não tem a
precisão necessária
• Estão perante a mesma situação quando determinamos os limites de confiança para a diferença entre
duas médias populacionais com pequenas amostras
Teste-t de Student

• Se assumirmos que duas populações têm variância iguais então podemos testar a hipótese nula
de não existir diferença entre as médias populacionais com um teste estatístico – Teste-t de
Student
• O teste-t de Student funciona examentamente da mesma forma que o test-z exceto pela razão
de pequenas amostras.
• Temos que assumir que um atributo tem distribuição normal e que a sua variância é igual nas
duas populações.
• Usamos as estimativas das variâncias das amostras para estimar um variância populacional
comum.
• Com variância calculamos uma estimativa do erro padrão da diferença entre as médias
amostrais.
Teste-t de Student

• Estabelecemos o limiar para a rejeição da hipótese nula da mesma forma que se faz
para grandes amostras
• Em vez de utilizar-se sempre 1,96 erros padrão vamos utilizar o número de erros
padrão dado pela tabela de distribuição-t
• Calculamos o valor da diferença observada expresso em erros padrão estimados, e
verificamos se esse valor está dentro da região de rejeição
Teste-t de Student
Distribuição t-Student
Teste t
Teste t – para uma amostra (one sample T test)
Teste t – para duas amostra independentes (independente-samples t
test)
Teste t para duas amostras emparelhadas ( paired-sample T test)
t-Student : exercícios
• Imaginemos que para comparação de dois regimes com medicamentos para a
redução do colesterol tínhamos duas amostras de 16 e 12 indivíduos. As médias e
desvio padrão é de 190mg/dl ± 38mg/dl e 170mg/dl ± 42mg/dl.
• As amostras são pequenas mas sabemos que a distribuição do colesterol sérico
total é normal e que a sua variância é igual nas duas populações.
• Para aplicarmos o teste-t de Student começamos por obter uma estimativa do erro
padrão da diferença entre as médias amostrais a partir do desvio padrão do
atributo.
• Usaremos as duas variâncias amostrais para obter uma estimativa combinada da
variância populacional do atributo.
Exemplificando
• S2= 382(16-1)+422 (12-1)/16+12-2=1.579,4
•
1.579,4 1.579,4
• EP= + = 15,18
16 12
• A diferença entre as médias foi de 20mg/dl ( 190-170)= 20
• Isto corresponde a 20/15,18= 1,32 erros padrão
• Verificar se o valor está dentro da região de rejeição. Na tabela da distribuição-t no
limiar de rejeição de 26 graus de liberdade e para um nível de significância de
0,05% é 2,056.
• A diferença entre as médias amostrais, medidas em erros padrão 1,32, é muito
menor do que o limite de rejeição e não podemos concluir uma rejeição entre as
médias populacionais
Exemplificando
• Podemos determinar o valor-p exato usando a mesma tabela. Para isso,
procuramos na linha correspondendo a 26 graus de liberdade o valor da estatística
do teste 1,32. O valor mais próximo é 1,315 na coluna com o título 0,20.
• Este é valor-p.
• Se a hipótese nula for verdadeira, cerca de 20% das amostras irão diferir pelo
menos 20mg/dl, pelo que o resultado observado na amostragem, é muito
plausível com essa hipótese.
Teste t para duas amostras emparelhadas (paired-
sample T test)
Bibliografia
▪ Borges, R. B. et al. (2021). Power and Sample Size for Health Researchers: uma ferramenta para cálculo de
tamanho amostral e poder do teste voltado a pesquisadores da área da saúde. Clinical & Biomedical Research,
40, 4. https://doi.org/10.22491/2357-9730.109542>.
▪ Bussab, W.O. & Morettin, P.A. (2010). Estatística Básica. 6ª ed. Edutora Saraiva.
▪ Guimarães, R.C.; Cabral, J.A.S. (2011). Estatística. Verlag Dashofer
▪ Hill, M.M., & Hill, A. (2016).Investigação por questionário. Edições Sílabo.
▪ Oliveira, A. G. (2014). Bioestatística Descodificada. Bioestatística, Epidemiologia e Investigação. LIDEL.
▪ Vieira, S. (2016). Introdução à Bioestatística. Elsevier.
▪ Katz, D., et al. (2014). Describing variation in data. In Katz, D. et al. (Eds.), Jekel’s Epidemiology, Biostatistics,
Preventive Medicine, and Public Health. Elsevier. Pp. 105–118.
▪ Psiegel, M.R. (1984).Estatística. 2ª Ed, McGraw-Hill.
▪ Weisberg H. F. (1992) Central tendency and variability. Sage University Paper Series on Quantitative
Applications in the Social Sciences. SAGE Publications.