Teste t de Student para o caso de uma amostra (Teste de hipóteses

para a média populacional)

Exemplo:
Quinze alunos foram inquiridos quanto ao seu grau de satisfação (numa escala de 0 a
100) em relação à sua Universidade, obtendo-se os seguintes resultados:

75 60 55 80 52 90 60 91 72 58 77 80 66 40 62

Teste a hipótese de que a média é 72, sendo α=5%.

Resolução usando o SPSS:

H 0 : µ1 = 72

H 1 : µ1 ≠ 72 (Teste bilateral)

1
Output

T-Test

One-Sample Statistics

Std. Error
N Mean Std. Deviation Mean
Grau de satisfação 15 67,87 14,451 3,731

One-Sample Test

Test Value = 72
95% Confidence
Interval of the
Mean Difference
t df Sig. (2-tailed) Difference Lower Upper
Grau de satisfação -1,108 14 ,287 -4,133 -12,14 3,87

2
Interpretação:
Neste exemplo, dado tratar-se de um teste bilateral, compara-se directamente o valor de
p-value=0.287 com α=0.05 (nível de significância). Como p-value=0.287 > 0.05 não se
rejeita H0. Assim, não há evidência estatística para rejeitar a hipótese de que a média de
satisfação (numa escala de 0 a 100) em relação à sua Universidade na população de
alunos que frequentam aquela Universidade é 72, com α=0.05.

Testes de hipóteses para a diferença entre duas médias

populacionais)

A) Teste t de Student para amostras independentes

Exemplo:
Com o objectivo de testar a influência do olfacto no sono dos recém nascidos, foi
registado o tempo (em minutos) que um bebé com uma semana demora a adormecer,
tendo sido considerados dois grupos de bebés: grupo I (em que se colocou no berço
uma peça de roupa utilizada pela mãe) e grupo II (em que se colocou no berço uma
peça de roupa utilizada por outra pessoa). Os resultados obtidos encontram-se no quadro
seguinte:

Grupo I 2 5 4 6 8 9 7 5 6 5
Grupo II 9 3 8 7 10 11 9 11 7 8

Sabendo que a variável em estudo segue uma distribuição normal, teste se existem
diferenças significativas entre o tempo que os dois grupos de bebés levaram a
adormecer (α=0.05).

Resolução usando o SPSS:

H 0 : µ1 − µ 2 = 0 ou H 0 : µ1 = µ 2

H1 : µ1 − µ2 ≠ 0 ou H1 : µ1 ≠ µ 2 (Teste bilateral)

3
Analyze/compare means/independent sample t-test

4
<Define Groups>

<Continue>

<OK>

T-Test

Group Statistics

Std. Error
Grupo N Mean Std. Deviation Mean
tempo levado 1 10 5,70 2,003 ,633
até adormecer 2 10 8,30 2,359 ,746

5
 Independent Samples Test

Levene's Test for

Equality of Variances t-test for Equality of Means
95% Confidence
Interval of the
Mean Std. Error Difference
F Sig. t df Sig. (2-tailed) Difference Difference Lower Upper
tempo levado Equal variance
,103 ,751 -2,657 18 ,016 -2,600 ,979 -4,656 -,544
até adormece assumed
Equal variance
-2,657 17,537 ,016 -2,600 ,979 -4,660 -,540
not assumed

Interpretação:
A primeira tabela apresenta as medidas descritivas dos dados (dimensão n de cada
amostra), média, desvio-padrão e erro-padrão amostrais) e o segundo quadro diz
respeito ao teste de Levene para a homogeneidade (igualdade) das variâncias e ao teste t
para a comparação de duas médias no caso de duas amostras independentes.

No teste de Levene, as hipóteses são:

H 0 : σ 12 = σ 22
H 0 : σ 12 ≠ σ 22

Note que neste caso no que concerne ao teste de Levene p=0.751, pelo que não se
rejeita a hipótese de que, neste exemplo, as variâncias são iguais. Assim, considera-se
que as variâncias populacionais, embora desconhecidas, são iguais.

O quadro anterior apresenta a seguir o valor da estatística do teste (t) para a igualdade
das médias, o número de graus de liberdade e a probabilidade de significância do teste
(nível de significância descritivo do teste/p-value - sig.).

Neste exemplo, dado tratar-se de um teste bilateral, compara-se directamente p-

value=0.016 com α=0.05 (nível de significância). Como p-value=0.016 ≤ 0.05 rejeita-se
H0. Assim, podemos afirmar com 95% de confiança que existem diferenças
significativas entre o tempo que os dois grupos de bebés levaram a adormecer.

Obs. Se o teste fosse unilateral comparava-se o valor de p-value/2 com o valor de α.

6
B) Teste t de Student para amostras emparelhadas;
Exemplo:
Um grupo de 10 pessoas é submetido a um tipo de dieta durante um mês, sendo
avaliado o peso no início da dieta (X) e no final da dieta (Y), tendo-se obtido os
seguintes resultados:
X 120 104 93 87 85 98 102 106 88 90
Y 116 102 90 83 86 97 98 108 82 85
Ao nível de 5%, podemos concluir que houve diminuição do peso médio pela aplicação
da dieta?

Resolução usando o SPSS:

H 0 : µ1 − µ 2 = 0 ou H 0 : µ1 = µ 2

H1 : µ1 − µ2 > 0 ou H1 : µ1 > µ 2 (Teste unilateral à direita)

7
<Ok>

Output

T-Test

Paired Samples Statistics

Std. Error
Mean N Std. Deviation Mean
Pair X 97,30 10 10,924 3,455
1 Y 94,70 10 11,499 3,636

Paired Samples Correlations

N Correlation Sig.
Pair 1 X&Y 10 ,975 ,000

Paired Samples Test

Paired Differences
95% Confidence
Interval of the
Std. Error Difference
Mean Std. Deviation Mean Lower Upper t df Sig. (2-tailed)
Pair 1 X - Y 2,600 2,591 ,819 ,747 4,453 3,174 9 ,011

Interpretação:
O valor da estatística do teste é 3.174.

8
Neste exemplo, como o teste é unilateral, o valor do p-value dado pelo output deve ser
p − value
dividido por 2 e comparado apenas com α. Assim, ≅ 0.0055 ≤ 0.05 , logo
2
rejeita-se H0, podendo afirmar-se, com 95% de confiança, que houve diminuição do
peso médio pela aplicação da dieta.

9
Teste de aderência do Qui-Quadrado - Resolução no SPSS

Exemplo 1:
Um modelo de carro de determinada marca é vendido no mercado em 5 cores:
vermelha, branca, preta, azul e cinzenta. Num estudo de mercado para saber a
popularidade das várias cores, analisou-se uma amostra casual tendo-se obtido os
seguintes resultados:

Cor v b p a c

Nº de Observações 88 65 52 45 50

Em face desta amostra, haverá razões para dizer que há preferência por determinada
cor ?

<Data> – <weight Cases>

10
Output:

NPar Tests
Chi-Square Test
Frequencies

11
 cor

Observed N Expected N Residual

v 88 60,0 28,0
b 65 60,0 5,0
p 52 60,0 -8,0
a 45 60,0 -15,0
c 50 60,0 -10,0
Total 300

Test Statistics

cor
Chi-Squarea 19,967
df 4
Asymp. Sig. ,001
a. 0 cells (,0%) have expected frequencies less than
5. The minimum expected cell frequency is 60,0.

Exercício 2:
Uma moeda foi lançada ao ar 100 vezes e observaram-se 42 caras e 58 coroas. Serão os
resultados compatíveis com a hipótese de que a moeda é não viciada.

Output:

NPar Tests
Chi-Square Test
Frequencies
face

Observed N Expected N Residual

cara 42 50,0 -8,0
coroa 58 50,0 8,0
Total 100

12
 Test Statistics

face
Chi-Squarea 2,560
df 1
Asymp. Sig. ,110
a. 0 cells (,0%) have expected frequencies less than
5. The minimum expected cell frequency is 50,0.

Exercício 3:
O último algarismo de 60 números telefónicos escolhidos ao acaso de uma lista foi:

Nº 0 1 2 3 4 5 6 7 8 9

Freq. 8 3 2 5 4 11 5 11 6 5

Será razoável admitir a equiprobabilidade dos números?

Output:

NPar Tests
Chi-Square Test
Frequencies

13
 NUMERO

Observed N Expected N Residual

0 8 6,0 2,0
1 3 6,0 -3,0
2 2 6,0 -4,0
3 5 6,0 -1,0
4 4 6,0 -2,0
5 11 6,0 5,0
6 5 6,0 -1,0
7 11 6,0 5,0
8 6 6,0 ,0
9 5 6,0 -1,0
Total 60

Test Statistics

NUMERO
Chi-Squarea 14,333
df 9
Asymp. Sig. ,111
a. 0 cells (,0%) have expected frequencies less than
5. The minimum expected cell frequency is 6,0.

14
Teste de Homogeneidade do Qui-Quadrado

Exemplo: Um investigador efectuou uma experiência para determinar o efeito da

idade de um conferencista sobre a disposição estudantil para assistir às suas
conferências. Para tal, foram eleitos ao acaso 50 estudantes. A todos os estudantes foi
feita uma descrição igual do professor conferencista excepto no que diz respeito à idade:
a metade foi dito que o professor tinha 65 anos e à outra metade foi dito que tinha 30
anos. Mais tarde foi pedido aos alunos que manifestassem a sua disposição para assistir
à conferência, obtendo-se os seguintes resultados:

Situação experimental
Disposição para Estudantes a quem se Estudantes a quem se Totais
assistir à conf. disse que o prof. disse que o prof. tinha 30
tinha 65 anos anos
Com disposição 8 15 23
Sem disposição 17 10 27
Totais 25 25 50

Será que existem diferenças entre os 2 grupos de estudantes quanto à disposição para
assistir à conferência (α=0.05) ?

Resolução no SPSS

Disp_conf- “disposição para assistir à conferência”

Idade – “Situação experimental”

15
16
Output:

Crosstabs
Case Processing Summary

Cases
Valid Missing Total
N Percent N Percent N Percent
Disposição para
assistir à conferência * 50 100,0% 0 ,0% 50 100,0%
Situação experimental

17
 Chi-Square Tests

Asymp. Sig. Exact Sig. Exact Sig.

Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 3,945b 1 ,047
Continuity Correctiona 2,899 1 ,089
Likelihood Ratio 4,000 1 ,045
Fisher's Exact Test ,088 ,044
N of Valid Cases 50
a. Computed only for a 2x2 table
b. 0 cells (,0%) have expected count less than 5. The minimum expected count is
11,50.

Teste de Independência do Qui-Quadrado

Exemplo: Inquiriu-se 200 pessoas sobre a frequência com que vêem TV e sobre o tipo
de analgésicos antipiréticos que consumiam. A informação obtida resultou na seguinte
tabela:

Frequência com Analgésicos Total

que vê TV A B C
Nunca 10 10 5 25
Por vezes 25 40 9 74
Com frequência 40 31 30 101
Total 75 81 44 200

18
Haverá alguma relação entre o consumo de analgésicos e a frequência com que se vê
televisão ? Comente.

Resolução no SPSS

Output:

Crosstabs
Case Processing Summary

Cases
Valid Missing Total
N Percent N Percent N Percent
Frequência com que
200 100,0% 0 ,0% 200 100,0%
vê TV * Analgésicos

19
 Chi-Square Tests

Asymp. Sig.
Value df (2-sided)
Pearson Chi-Square 12,215a 4 ,016
Likelihood Ratio 12,486 4 ,014
N of Valid Cases 200
a. 0 cells (,0%) have expected count less than 5. The
minimum expected count is 5,50.

20
Teste de Fisher

Exemplo: Um estudo sobre hábitos tabágicos e consumo de álcool pretendia comparar

dois grupos de indivíduos, fumadores e não-fumadores, quanto à proporção de
consumidores de álcool. Recolhida uma amostra de 9 pessoas, obtiveram-se os
seguintes dados:

Fumadores Não Fumadores Totais

Consumidor de álcool 1 3 4
Não consumidor de álcool 3 2 5
Totais 4 5 9

Pretende-se testar se (α=0.05):

a) a proporção de consumidores de álcool é menor no grupo de fumadores;

b) a proporção de consumidores de álcool é maior no grupo de fumadores;
c) a proporção de consumidores de álcool é igual nos dois grupos;

Resolução no SPSS

Output:

Crosstabs
Case Processing Summary

Cases
Valid Missing Total
N Percent N Percent N Percent
Alcool * Fumador 9 100,0% 0 ,0% 9 100,0%

Alcool * Fumador Crosstabulation

Count
Fumador
não sim Total
Alcool não 2 3 5
sim 3 1 4
Total 5 4 9

21
 Chi-Square Tests

Asymp. Sig. Exact Sig. Exact Sig.

Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 1,102b 1 ,294
Continuity Correctiona ,141 1 ,708
Likelihood Ratio 1,137 1 ,286
Fisher's Exact Test ,524 ,357
Linear-by-Linear
,980 1 ,322
Association
N of Valid Cases 9
a. Computed only for a 2x2 table
b. 4 cells (100,0%) have expected count less than 5. The minimum expected count is
1,78.

Nota: Para realizar o teste de Fisher usa-se os mesmos comandos do SPSS usados no
caso do teste do qui-quadrado.

A nota de rodapé do 2º quadro indica que 100% dos Eij são inferiores a 5. Neste caso
não se deve utilizar o teste do qui-quadrado. A alternativa é o teste de Fisher, cuja
probabilidade de significância unilateral é 0.357. O SPSS fornece também a
probabilidade de significância exacta para um teste bilateral, neste caso, igual a 0.524.
Para decidir sobre a rejeição ou não da hipótese nula deve-se, em ambos os casos,
comparar-se p-value com α, rejeitando-se a H0 quando p ≤ α.

22
Teste de McNemar
Exemplo: Suponha que uma determinada empresa decide fazer uma campanha
publicitária para promover um produto que tinha colocado no mercado há algum tempo.
A admininstração da empresa pretende saber se as preferências dos consumidores se
modificaram após a campanha publicitária. As respostas de 70 consumidores, aos quais
se perguntou, antes e depois da campanha, se consumiam o produto em causa,
encontram-se resumidas no quadro seguinte:

Depois da campanha
Não Sim
Antes da campanha Sim 5 12
Não 33 20

Terá existido uma mudança significativa no consumo do produto em causa (α=0.05) ?

Resolução no SPSS

Input:

<Analyse>- Nonparametric tests > - <two related samples tests>

23
Output:

NPar Tests
McNemar Test
Crosstabs
Antes & Depois

Depois
Antes 0 1
0 33 20
1 5 12

Test Statisticsb

Antes &
Depois
N 70
Exact Sig. (2-tailed) ,004a
a. Binomial distribution used.
b. McNemar Test

Sendo p = 0.004 < α = 0.05 rejeitamos H0 e concluímos que houve uma mudança
significativa do consumo após a campanha publicitária.

24