https://marcoarmello.wordpress.

com/2012/05/17/qualteste/

Qual teste estatístico devo usar?

Como comentei em outro texto, a Estatística, uma ciência independente, é usada como
ferramenta por ecólogos e vários outros cientistas. Não é necessário fazer uma
graduação na área para rodar um qui-quadrado. Porém, é fundamental estudar direito os
fundamentos dessa ciência e a lógica dos testes mais comuns, para ser um bom usuário.

Para você, que precisa aplicar a Estatística na sua pesquisa científica, escrevi este passo-
a-passo e adaptei um road map com os testes mais populares. Este material visa ajudar
você a escolher o melhor teste para o seu caso. O texto está estruturado na forma de
perguntas que você deve responder a si mesmo a cada passo do planejamento das suas
análises.

Aqui trato apenas dos casos mais comuns em Ecologia, usando uma abordagem clássica
baseada em Zar (2009), mas mesclada com uma visão integrada filosófica a
la Magnusson et al. (2015) e uma pitada de GLM a la Dobson & Barnett (2008) e
GLMM à moda de Zuur et al. (2009).

Evitei aqui algumas abordagens heterodoxas ou desnecessariamente complicadas

(statistical machismo) que atualmente estão na moda na Ecologia. Por exemplo, seleção
de modelos feita às cegas. Minha opinião é que testes simples atendem a esmagadora
maioria dos estudos em Ecologia. O que faz um estudo ser interessante são o problema e
a pergunta, não as análises.

Antes de prosseguir na leitura, lembre-se:

“To consult the statistician after an experiment is finished is often merely to ask him to
conduct a post mortem examination. He can perhaps say what the experiment died of.”

Sir Ronald Fisher

É bom lembrar que este guia não substitui um bom curso de Estatística aplicada à
Biologia, seja presencial ou online, e nem a leitura de livros especializados. Este guia
serve apenas para dar uma introdução aos novatos ou como material de apoio para quem
já tem uma noção.

Observe também esta máxima:

“Você só aprende de verdade um teste, depois que ele se torna necessário em um

estudo que você está fazendo e depois de estudar a lógica matemática por trás dele.”

Sabedoria acadêmica milenar

É fundamental também pedir conselhos a estatísticos profissionais. Faça isso de tempos

em tempos para os testes mais corriqueiros e sempre que for fazer um teste novo.
Bom, passemos agora às perguntas que você deve responder a si mesmo, antes de rodar
um teste estatístico.

1. Qual é a sua pergunta?

Esse é o primeiro e mais importante passo em qualquer pesquisa científica. A motivação
para um projeto de pesquisa vem do problema de interesse, que é o quebra-cabeças que
você quer ajudar a montar.

E o cerne de um projeto é a pergunta. Fazemos pesquisas para matarmos a nossa

curiosidade sobre como funciona a natureza, para resolvermos um problema prático ou
para gerarmos tecnologia.

Não é possível atingir esses objetivos, se você não planejar muito bem aonde quer
chegar. Não comece sem direção, apenas para ver no que vai dar. Em 99,73% dos casos,
isso leva à desistência no meio do caminho ou a resultados completamente irrelevantes.

Considere também, com base na sua pergunta, a possibilidade de usar a Estatística

apenas para descrever os seus resultados, e não para testar hipóteses que você fingiu ter
criado a priori.

Para exemplificar, vamos trabalhar com a seguinte pergunta:

 Dentre morcegos nectarívoros de uma mesma espécie, o tamanho do indivíduo

influencia sua eficiência como polinizador?

2. O que você espera observar?

Não basta bolar uma pergunta original e relevante. Com base no que já se sabe sobre o
fenômeno, organismo ou ambiente de interesse, faça um exercício dedutivo e imagine
qual deve ser a resposta à pergunta feita.

Ou seja, a partir da pergunta de trabalho, crie uma hipótese. Quanto mais complexa a

pergunta, mais respostas alternativas ela pode ter. Na verdade, as perguntas mais
interessantes levam a uma estrutura de inferência forte, com múltiplas hipóteses
concorrentes.

Para criar uma hipótese original e interessante, você precisa estudar a fundo a literatura
relacionada, além de ter experiência com as entidades envolvidas no projeto. Estudando
o que já se sabe sobre o assunto de interesse é possível saber onde estão as fronteiras do
conhecimento e decidir em que direção você quer expandí-las.

Tomando como base a pergunta formulada anteriormente, uma possível hipótese seria:

 Em morcegos da espécie A, quanto maior o indivíduo, maior sua eficiência como

polinizador.
Note que essa é apenas uma das hipóteses possíveis para a pergunta de trabalho, que é
mais ampla do que parece. Os principais tipos de raciocínio usados para elaborar
hipóteses são a dedução, a abdução e a indução.

Poderíamos imaginar que a justificativa para essa hipótese específica seria baseada nas
seguintes informações:

1. Morcegos maiores precisam beber mais néctar para suprirem suas necessidades
energéticas diárias;
2. Visitantes florais que precisam beber um volume grande de néctar tendem a visitar um
número maior de flores por noite;
3. Em muitas espécies de plantas, quanto mais flores e plantas individuais forem visitas
pelo mesmo animal na mesma noite, maiores as chances de ocorrer fecundação;
4. Conclusão: morcegos maiores têm maior probabilidade de fecundar flores.

Note que essa hipótese foi construída usando raciocínio abdutivo. Ou seja, a conclusão
não é necessariamente verdadeira com base nas premissas 1, 2 e 3, como seria em um
argumento dedutivo. Contudo, essa conclusão é bastante provável.

Tenha sempre em mente que o significado e a relevância dos dados coletados em um

projeto de pesquisa são dados pela hipótese e sua justificativa. Os resultados do teste
estatístico, estejam eles de acordo ou não com o que você esperava, só fazem sentido à
luz desse contexto biológico.

3. Como exatamente você vai medir o fenômeno?

Depois de criada a hipótese, pense o seguinte: se essa hipótese for mesmo uma boa
resposta para a minha pergunta de trabalho, o que eu espero observar de concreto no
campo, no laboratório ou no computador?

Essa expectativa se chama previsão e o processo de criá-la é conhecido

como operacionalização (leia um outro artigo sobre isso). Essa é a base do método
hipotético-dedutivo, o mais usado na ciência contemporânea.

A operacionalização é um passo crucial, pois nenhuma hipótese pode ser testada

diretamente, já que hipóteses são feitas de conceitos abstratos (variáveis teóricas). O que
é testado de fato são as previsões derivadas da hipótese, estas, sim, concretas e
palpáveis (feitas de variáveis operacionais).

Quando a maioria das previsões derivadas de uma hipótese é confirmada, ela passa a ser
aceita como uma tese. Caso contrário, a hipótese é abandonada ou reformulada. Se você
não operacionalizar direito a sua hipótese, será impossível saber qual teste estatístico
precisará usar. Na verdade, será impossível até medir as variáveis operacionais.

Vamos pegar a hipótese proposta e dela derivar uma previsão testável. Em outras
palavras, vamos imaginar uma conseqüência dessa hipótese e definir que medidas
precisamos tomar.
Contudo, antes de prosseguirmos, note que, para ser eficiente, um polinizador precisa
primeiro ser legítimo. Ou seja, ele precisa ter um comportamento de visitação às flores
com potencial concreto de resultar em fecundação. Esta é uma premissa, ou seja, algo
que tem que ser verdade, para a sua hipótese fazer sentido. O conjunto de premissas de
uma hipótese acaba definindo suas condições de contorno, ou seja, seu domínio de
validade.

Uma possível previsão da hipótese levantada poderia ser:

 Se, dentro de uma mesma espécie, morcegos maiores são de fato polinizadores mais
eficientes, então eu espero observar que, quanto maior a massa corporal do indivíduo
(em g), maior deve ser o número de flores que ele visita de maneira legítima  em uma
mesma noite.

Geralmente, o que se chama de hipótese em Estatística, na verdade, é uma representação

matemática de uma previsão biológica (leia Farji-Brener 2003 e 2004). Cuidado com as
diferenças de terminologia e seu sentido lógico. A hipótese biológica você apresenta
logo na introdução, já a hipótese estatística (previsão) você explica nos métodos.

4. Como as minhas ideias se encaixam umas nas outras?

Neste ponto, faça um mapa mental do seu projeto, incluindo o seu problema de
interesse, pergunta de trabalho, hipótese, premissas e previsão. Essa é uma técnica
excelente para desenvolver o seu brainstorming e tranformá-lo em um plano de
pesquisa concreto.

5. Que tipos de variáveis estão envolvidos?

Agora que você já tem uma previsão testável, examine a estrutura lógica dela com
cuidado. A primeira coisa a checar é a natureza das variáveis escolhidas. Há diferentes
classificações na Estatística.

Na maioria dos casos, primeiro você deve checar se a sua variável é qualitativa ou
quantitativa.

As variáveis qualitativas não são mensuráveis. Elas se dividem em nominais, quando

não há um ranking de valores (e.g., macho ou fêmea, cor dos olhos), e ordinais, quando
há uma ordem entre os estados da variável (e.g., doença em estado inicial, intermediário
ou terminal).

As variáveis quantitativas podem ser medidas e se dividem em discretas e contínuas.

As variáveis discretas são resultado de contagens e só têm valores inteiros; e.g., número
de filhotes, anos de idade, tamanho populacional. Por sua vez, as
variáveis contínuas geralmente resultam de medidas com instrumentos ou índices, e
assumem valores na escala real, onde frações fazem sentido; e.g., altura, massa corporal,
carga alar.
Também se chama de não-paramétricas as variáveis nominais, ordinais e discretas, e
de paramétricas as variáveis contínuas.

 No nosso caso hipotético, temos então duas variáveis, sendo ambas quantitativas,

porém uma discreta (número de visitas) e a outra contínua (massa).

6. Qual é a relação entre as variáveis?

Agora você precisa pensar sobre qual variável é a causa (independente ou fator) e qual
é o efeito (dependente ou resposta).

 Pegando o nosso exemplo, podemos imaginar que a massa corporal é a variável

independente (X) e que o número de flores visitadas legitimamente em uma noite é a
variável dependente (Y).

Isso porque só tem sentido supor que a massa causa o número de visitas legítimas e não
o contrário.

A maioria dos testes estatísticos supõe implicitamente uma relação de causa e efeito.
Mesmo os testes em que a variável independente é qualitativa (nominal ou ordinal),
como o teste t e a ANOVA. A exceção são testes como a correlação, sem premissa de
causalidade.

Aqui neste exemplo, há apenas uma variável dependente, a eficiência do morcego.

Quando a sua hipótese e a sua previsão envolvem mais de uma variável dependente,
você está no terreno perigoso das análises multivariadas, um tema mais complexo que
eu não abordo neste artigo.

Este é o momento para fazer um mapa mental das relações entre as suas variáveis.

7. No final das contas, qual teste se adequa melhor ao

exemplo?
Agora que você já tem uma pergunta, uma hipótese e uma previsão, sabe que tipo de
variáveis tem em mãos e sabe como elas se relacionam entre si, então pode escolher
com segurança o melhor teste estatístico para a sua previsão.

 Continuando com o nosso exemplo, dentre todos os testes adequados, o mais simples
e bem sintonizado, neste caso, seria uma regressão linear simples, tomando a massa
corporal como X e o número de visitas legítimas de cada morcego individual como Y.

Anúncios

DENUNCIAR ESTE ANÚNCIO

Através de um teste de regressão, saberíamos não apenas se a relação entre essas

variáveis existe de fato ou não (significância ou P), como também se ela é positiva
(maior massa, mais visitas) ou negativa (maior massa, menos visitas), e quão forte ela é
(r²).
As assim chamadas “hipóteses estatísticas” seriam: hipótese nula – não há relação
entre X e Y; hipótese alternativa 1 – há relação positiva entre X e Y; hipótese
alternativa 2 – há uma relação negativa entre X e Y.

É bom ressaltar que, neste exemplo didático, considerando a forma como a nossa
previsão biológica foi formulada, apenas a hipótese alternativa 1 confirma nossas
expectativas. Relembrando, uma hipótese estatística, no fundo, é uma previsão
científica, do ponto de vista epistemológico.

Antes de rodar uma regressão linear simples, é preciso também testar a normalidade da
distribuição de erros. Em alguns tipos de teste estatístico, caso a distribuição dos dados,
erros ou diferenças não seja normal, é preciso fazer algum tipo de transformação ou
então usar uma versão não-paramétrica.

Note que, via de regra, testes não-paramétricos têm poder estatístico menor do que
testes paramétricos, então sempre que possível prefira os segundos aos primeiros.

Uma outra alternativa, quando a distribuição de erros não é normal, é usar um modelo
linear generalizado (GLM), usando no modelo uma distribuição mais adequada aos seus
dados, sem transformá-los.

Defina também o nível de significância do teste (α). Na Ecologia, costuma-se usar 5%,
mas isso varia muito entre áreas. Na verdade, o valor de P não é a “moral da história” de
um teste e nunca pode ser usado sozinho para tecer interpretações. Decisões binárias do
tipo “significativo vs. não-significativo” aos poucos vão caindo em desuso.

Veja se o teste escolhido tem mais algum outro pressuposto além da normalidade dos
erros (e.g., homocedasticidade) e cheque tudo mais que for necessário.

Rode o teste e não se esqueça de prestar atenção também ao tamanho do efeito e ao

poder estatístico, além dos graus de liberdade e tamanho amostral.

8. E, no meu caso, qual caminho devo seguir?

Considere tudo o que foi dito até este ponto. Depois, para facilitar a sua escolha, use
este road map adaptado por mim a partir de um mapa usado no curso de Estatística para
Biólogos ministrado pela Dra. Jutta Schmid na Universidade de Ulm, Alemanha.

Anúncios

DENUNCIAR ESTE ANÚNCIO

Este mapa não cobre todas as possibilidades existentes, que são várias, mas abrange a
esmagadora maioria dos testes rotineiramente usados por ecólogos.

Vale lembrar também que este mapa segue uma abordagem mais clássica, como a de
Zar (2009), além de um pouco de abordagens mais complexas. Recomendo fortemente a
leitura de Magnusson et al. (2015) para fortalecer a sua base conceitual.
Clique na imagem para aumentá-la.

9. Resumo dos passos necessários para fazer um teste

estatístico
1. Defina um problema de interesse. Esse é o quebra-cabeças que você quer ajudar a
montar;
2. Elabore um mapa mental do seu projeto, contendo problema, pergunta, hipóteses,
premissas e previsões;
3. Identifique a natureza das variáveis envolvidas em cada previsão: elas são qualitativas
ou quantitativas? Nominais ou ordinais? Discretas ou contínuas?
4. Pense sobre a relação entre as variáveis: há causalidade ou não? Use um mapa
mental de análise de dados para clarear suas ideias;
5. Defina a sua previsão matemática (hipótese estatística) de forma mais precisa e
escolha o teste mais adequado para testar essa previsão;
6. Planeje quantas amostras serão necessárias para ter um bom poder estatístico;
7. Colete os dados no campo, laboratório, biblioteca ou computador;
8. Plote gráficos para examinar visualmente a relação entre as variáveis e ganhar um
feeling sobre seus resultados. Sempre plote um ou mais gráficos, antes de rodar
qualquer teste, pois estatísticas descritivas podem ser enganosas!
9. Cheque todos os pressupostos do teste escolhido (e.g., normalidade dos erros,
homocedasticidade etc.);
 10. Se necessário, aplique alguma transformação aos dados, troque para um teste não-
paramétrico ou use um GLM, dependendo da escola que preferir;
11. Defina o nível de significância do teste e rode-o;
12. Ao conferir os resultados, preste atenção principalmente ao tamanho do efeito e ao
poder estatístico, além dos graus de liberdade e tamanho amostral;
13. Elabore uma interpretação biológica baseada principalmente no tamanho do efeito.

10. Pressupostos dos testes

No fundo, o pressuposto mais importante de qualquer teste estatístico é a qualidade da
coleta dos dados: as observações têm que ter sido feitas dentro do maior rigor possível,
bem afinadas com a orientação dada pela previsão biológica, com a precisão necessária
a cada caso, e de forma que as unidades amostrais sejam independentes entre si.

Anúncios

DENUNCIAR ESTE ANÚNCIO

Vale lembrar que a normalidade dos dados brutos ou dos erros não é um pressuposto tão
fundamental assim em todos os testes estatísticos. Portanto, muitas vezes, pode-se
aplicar um teste paramétrico mesmo em casos de não-normalidade, sem grandes
diferenças no resultado, especialmente quando o efeito é forte.

Na grande família dos modelos lineares, que incluem o teste t e a ANOVA, testes mais
complexos, como os modelos lineares generalizados simples ou mistos (GLM e
GLMM), permitem ainda escolher outros tipos de distribuição além da normal para
estimar a significância da estatística.

Há também diferentes transformações que tornam normal a distribuição de erros

dos dados.

Também é possível calcular alguns testes por reamostragem, contornando esse

problema da distribuição dos dados.

11. Sinta o “jeitão” dos dados

Não confie cegamente nos resultados numéricos dos testes! Dados diferentes às vezes
geram as mesmas estatísticas descritivas. Além disso, pode ter havido algum erro de
cálculo por culpa sua ou do pacote estatístico. Muitas vezes, há diferenças de cálculo
para um mesmo teste entre pacotes e programas estatísticos. Portanto, cuidado.

Primeiro, faça histogramas para examinar a distribuição dos dados e dos erros. Segundo,
faça gráficos para inspecionar as relações entre as variáveis de interesse (gráficos de
colunas, diagramas de dispersão, box-plots etc.). Só depois de ter um feeling melhor
sobre os seus dados, rode as análises numéricas.

Outro erro muito comum é insistir em testar modelos lineares, quando na verdade a

relação entre as variáveis é claramente não-linear. Também por isso a análise visual
preliminar é fundamental.
Pode ser ainda que haja mais de uma relação (curva) embutida na sua nuvem de dados,
o que cria a necessidade de usar modelos aditivos (GAM).

12. Conselhos finais

1. Sendo você um biólogo, não dê ênfase demais às análises estatísticas no seu projeto
ou artigo. Fale sobre os fenômenos biológicos estudados, usando os números como
apoio;
2. Não confunda hipótese biológica com hipótese estatística. Lembre-se de que os seus
dados só farão sentido, se você elaborar uma hipótese interessante para lhes dar
contexto, independente do resultado do teste estatístico;
3. Escolha as análises estatísticas antes de iniciar o projeto e não depois de ter coletado
os dados. A estatística faz parte do planejamento e envolve questões fundamentais,
como o modelo a ser usado e o número de amostras que serão necessárias para testar
as previsões feitas.

13. Mensagem de auto-ajuda

14. Sugestões de leitura
1. Como pedir ajuda em estatística – alguns conselhos
2. Is statistical software harmful?
3. Softwares estatísticos livres para ecologia
4. How do you learn new skills in R?
5. De quantos dados eu preciso na minha tese?
6. On the Appropriate Use of Statistics in Ecology: an interview with Ben Bolker
7. In praise of exploratory statistics
8. What’s a “small” effect, anyway, and when are they worth caring about?
9. ¿Son hipótesis las hipótesis estadísticas?
10. Uso correcto, parcial e incorrecto de los términos “hipótesis” y “predicciones” en
ecología
11. Ecologists need to do a better job of prediction – part I – the insidious evils of ANOVA

Anúncios

DENUNCIAR ESTE ANÚNCIO

(Fonte da imagem destacada: Matrix, 1999 – Wachowski)

Aviso:
Eu sou biólogo, não estatístico. Portanto, posso estar errado em um ou mais pontos
abordados neste texto. Minha intenção é apenas ajudar colegas menos experientes a
darem seus primeiros passos no tema. Nada substitui ler livros especializados e fazer
cursos com profissionais da área.

Anúncios

DENUNCIAR ESTE ANÚNCIO

Compartilhe:

 Clique para compartilhar no Twitter(abre em nova janela)

 Clique para compartilhar no Facebook(abre em nova janela)
 Clique para compartilhar no LinkedIn(abre em nova janela)
 Clique para compartilhar no Telegram(abre em nova janela)
 Clique para compartilhar no WhatsApp(abre em nova janela)
 Clique para compartilhar no Skype(abre em nova janela)
  Clique para compartilhar no Reddit(abre em nova janela)
 Clique para compartilhar no Tumblr(abre em nova janela)
 85Clique para compartilhar no Pinterest(abre em nova janela)85
 Clique para compartilhar no Pocket(abre em nova janela)
 Clique para enviar por e-mail a um amigo(abre em nova janela)
 Clique para imprimir(abre em nova janela)

Relacionado

Os perigos do abuso da estatística e da modelagem matemática por ecólogos25/04/2012Em

"Projetos"

Por que vale a pena usar o R?03/06/2019Em "Formação"

Como elaborar um projeto de pesquisa13/03/2012Em "Projetos"

CATEGORIASPROJETOSTAGSANÁLISES, ARTIGOS, CIÊNCIA, ESTATÍS
TICA, FERRAMENTAS, MÉTODOS, MODELOS, PLANEJAMENTO, PROJ
ETOS, PUBLICAÇÕES, RSTATS, STATISTICS

69 respostas para “Qual teste estatístico devo usar?”

1. Elias T. Krainski

11/04/2021 ÀS 10:21

A figura “Qual teste estatístico devo usar?” é tão útil quanto uma receita
de um chefe 3 estrelas Michelin.

Curtir
Responder

2. Pingback: De quantos dados preciso no meu projeto? – Sobrevivendo na

Ciência

3. Pingback: Como usar gráficos para análises exploratórias? –

Sobrevivendo na Ciência

4. Pingback: Como fazer o cronograma de um projeto – Sobrevivendo na

Ciência

5. Pingback: Qual gráfico devo fazer? – Sobrevivendo na Ciência

6. Elias Carvalho

09/10/2019 ÀS 16:27

Excelente material Marco, tenho estudado estatística a um bom tempo,

faço muitas coisas no R.
Sou da informática, por isso para mim é fácil usar o R.
Ajudo pesquisadores na área da pesquisa clínica, andei olhando livros
com base nas suas sugestões e pensei em comprar esses:
– Estatística Sem Matemática para Ciências da Saúde
– Bioestatística Para os Cursos de Graduação da área da Saúde
– Epidemiologia E Bioestatística: Fundamentos Para A Leitura Crítica
– Introdução à Ciência de Dados: Mineração de dados e big data
O que o senhor dir desses livros e se puder sugerir mais algum, eu
gosto de livros com exemplos práticos preferencialmente usando o R

Curtir
Responder

7. Pingback: Por que vale a pena usar o R? – Sobrevivendo na Ciência

Anúncios

DENUNCIAR ESTE ANÚNCIO

8. Paulo Felipe

23/04/2019 ÀS 11:12

Olá, Marco. Conteúdo maravilhoso. Gostaria de pedir uma pequena

ajuda. Por mais que eu leia mais de uma referência, não consigo
entender de jeito nenhum significância e estatísticas de teste. Estou para
surtar. Poderia me indicar algum conteúdo/site/link/livro?

Curtir
Responder
1. Marco Mello

23/04/2019 ÀS 12:31

Oi Paulo, você se refere a um teste específico ou a esses

conceitos em geral? Bom, para dar os primeiros passos em
Estatística, leia:
1. Magnusson, William E, and Gulherme Mourão. 2003.
Estatística Sem Matemática: A Ligação Entre as Questões e a
Análise. 1st ed. Londrina: Planta.
2. Zar, J H. 2009. Biostatistical Analysis. 5th ed. Upper Saddle
River: Prentice-Hall.

Curtir
Responder

2. Pavel Dodonov

23/04/2019 ÀS 13:16

Posso me intrometer? 
Significância estatística é um conceito meio complicadinho e
cabeludo mesmo, rs. Mas a ideia geral é a seguinte:
Digamos que você quer saber se unicórnios macho são mais
pesados do que unicórnios fêmeas. (Se quiser, substitua os
unicórnios por qualquer espécie de seu interesse, rs). Mas isso é
algo muito vago – vai ter alguns unicórnios machos mais pesados
do que algumas fêmeas, e vice-versa, e não é isso que queremos
saber.
O que podemos querer saber é se, em média, unicórnios machos
são mais pesados. Ou seja, se o peso médio dos unicórnios
machos é maior do que o das fêmeas.
Como saber isso? Simples! Tudo que precisamos fazer é pesar
todos os unicórnios machos, pesar todas as unicórnios fêmeas
(unicórnias? o.O), e comparar as médias.
Só que no caso de animais que de fato existem*, via de regra nós
não conseguimos fazer isso. Afinal, como medir todos os ratos
que vivem em uma cidade? Não dá. Precisamos fazer uma
amostragem.
Então, se, por exemplo, temos uma população total de 2000
unicórnios macho e 1500 fêmeas, podemos, talvez, amostrar 100
machos e 100 fêmeas, e calcular o peso médio desses
indivíduos. Podemos, então, calcular a diferença entre as médias:
Diferença = Média_machos – Média_fêmeas.
A diferença seria então a nossa estatística de teste – ela que vai
nos dar a resposta se unicórnios macho são mais pesados que
unicórnias fêmeas.
O problema é que nós fizemos uma amostragem, ou seja, não
temos a população completa. E como fizemos uma amostragem
aleatória, é possível encontrarmos uma diferença entre machos e
fêmeas pelo acaso, sem que isso represente uma diferença real.
Por exemplo, vamos supôr que machos e fêmes de unicórnio têm
o mesmo peso, em média. Mas pode acontecer que, pelo acaso,
medimos unicórnios machos mais pesados e unicórnias fêmeas
mais leves. Isso sempre é possível. A questão é, qual a
probabilidade disso acontecer?
Então, digamos que encontramos que o peso médio de machos é
55 kg e de fêmeas é de 50 kg. Então:
Diferença = Média_machos – Média_fêmeas = 55 – 50 = 5 kg.
A pergunta é, essa diferença de 5 kg poderia ser observada se
não houver diferença real? Ou seja, se unicórnios machos e
unicórnias fêmeas tiverem o mesmo peso médio, o simples fato
de termos selecionado indivíduos aleatoriamente pode fazer com
que observemos uma diferença de 5 kg?
A resposta é: Sim, poderia!
E a pergunta seguinte é: Qual a probabilidade disso acontecer?
Qual a probabilidade da hipótese nula resultar em algo parecido
(ou mais extremo) com o que foi observado no nosso estudo?
Essa probabilidade, de que a diferença que nós observamos (ou
uma diferença maior) surja pelo acaso quando a hipótese nula for
verdadeira (ou seja, quando não houver diferenças reais), é a
significância.
Significância é basicamente a probabilidade de que dados como
os nossos sejam observados SE a hipótese nula for verdadeira.
Valores baixos de significância (sei lá, p=0.001) indicam que a
hipótese nula dificilmente iria gerar um resultado como o nosso,
então provavelmente ela é falsa. Valores altos de significância
(tipo p=0.42) indicam que um resultado como o nosso é
compatível com a hipótese nula, então não temos bons motivos
para rejeitar ela.
Em linhas gerais é isso. Qualquer teste de significância segue
este princípio; o que muda é como a estatística de teste é

calculada e como a significância é calculada a partir dela. 

* Nunca vi provas da inexistência de unicórnios! rs