Análise Inferencial

e
Teste de Hipóteses
Profa. Hilma Khoury
Psicóloga e Doutora em Psicologia
UFPA/IFCH/Faculdade de Psicologia
E-mail: hilmatk@yahoo.com.br
Fones: (91) 98112-4808/ 98800-5762/ 3201-8057/ 3201-7695

Quem faz pesquisa quantitativa, na
maioria das vezes quer Testar Hipóteses.

Seja para verificar se existe relação entre x e y.

Seja para verificar se existe diferença entre

grupos A e B.
Hipótese Nula (Ho):
Não existe relação entre x e y.
Hipótese Alternativa (Ha):
x e y estão relacionados.

Hipótese Nula (Ho):

Não existe diferença entre os grupos A e B
no que diz respeito a Z.
Hipótese Alternativa (Ha):
Os grupos A e B diferem com respeito a Z
NECESSIDADE DE TÉCNICAS PARA
TESTAR A HIPÓTESE

ESTATÍSTICAS INFERENCIAIS
Testam Hipóteses e Modelos
Trabalham com Testes de
Significância
 ESTATÍSTICAS
INFERENCIAIS

PARA VERIFICAR
CORRELAÇÃO
ENTRE ESCORES

PARA VERIFICAR
DIFERENÇA E ASSOCIAÇÃO
ENTRE FREQUENCIAS

PARA VERIFICAR
DIFERENÇA
ENTRE MÉDIAS
TESTES UNILATERAIS

TESTES BILATERAIS
 Ho: Não existe relação entre x e y.

TESTES UNILATERAIS (uni-caudal)

A hipótese é direcionada.
Ha: Quanto maior x, maior será y.

TESTES BILATERAIS (bicaudal)

A hipótese não aponta uma direção
Acredita-se que vai ter um efeito, mas não se
conhece o suficiente para dizer como vai ocorrer.

Ha: Existe relação entre x e y.

Ho: Não existe diferença entre os grupos A e
B no que diz respeito a Z.
TESTES UNILATERAIS (uni-caudal)
A hipótese é direcionada.
Ha: O grupo A terá desempenho superior ao
grupo B com respeito a Z
.

TESTES BILATERAIS (bicaudal)

A hipótese não aponta uma direção

Ha: Existe diferença entre os grupos A e B

no que diz respeito a Z.

Quem é testada é a Hipótese Nula:
Não existe relação entre X e Y na população.

Isto é feito por meio de um teste de
significância.
Correlação, por exemplo.

Seleciona-se um nível de significância,
convencionado em 5% ou menos.

O nível de significância refere-se à
PROBABILIDADE DO EFEITO OBSERVADO
TER OCORRIDO POR ACASO, ASSUMINDO-
SE Ho VERDADEIRA:
5% 1% 1/1000

O nível de significância é conhecido como
valor de p: p ≤ 0,05
5% - p = 0,05
1% - p = 0,01
1/1000 – p = 0,001

A decisão quanto à hipótese é tomada com
base na diferença entre o que foi observado
na amostra e o que era esperado pela Ho.

Confirma-se Ha por contraposição a Ho.

Se a probabilidade de ocorrer o efeito
observado, considerando-se Ho verdadeira,
for de 5% ou menos, aceita-se Ha e rejeita-se
Ho.
Podemos cometer 2 tipos de Erros

Erro do Tipo I Erro do Tipo II

Acreditamos que
Acreditamos que não
há um efeito na há um efeito na
população e, de população, mas, na
fato, não há. realidade, ele existe.

Rejeitamos Ho
Aceitamos Ho,
quando ela é quando ela é falsa.
verdadeira.
Testando Hipótese

O nível de satisfação com o trabalho tem alguma
relação com a percepção da aposentadoria?

APOSENTADORIA

Queremos saber se existe um efeito (p.ex.

relação) na população, por meio da amostra
estudada.
Hipótese Nula (Ho):
Não há qualquer relação entre satisfação com
o trabalho e percepção da aposentadoria.
Hipótese Alternativa (Ha):
Quanto maior a satisfação com o trabalho,
mais negativa a percepção da aposentadoria.
Identificando as Variáveis

Satisfação com o Trabalho

Percepção da Aposentadoria
 Medindo as Variáveis
Satisfação com o
Trabalho

20 itens

Avaliados em escala de 5
pontos:
1 = Muito Insatisfeito; 5 =
Muito Satisfeito.

Gerando Índice de 20 a 100
pontos.
Ponto Médio do índice = 60

O Pesquisador arbitra que:
> O escore no índice > a
Satisfação com o trabalho
Percepção da
Aposentadoria

30 itens

Avaliados em escala de 5
pontos:
1 = Discordo Fortemente; 5 =
Concordo Fortemente.

Gerando Índice de 30 a 150
pontos.
Ponto Médio do índice = 90

O Pesquisador arbitra que:
> O escore no índice, mais + a
percepção da aposentadoria
Testando a Relação entre X e Y

Variáveis Quantitativas
Medida Intervalar

CORRELAÇÃO
 1º Passo
Verificar se a distribuição é normal
(histograma + testes estatísticos)

Se a distribuição for normal e se tiver

utilizado medidas intervalares ou de razão,
o coeficiente indicado é o de Pearson.

Se a distribuição não for normal e/ou tiver

utilizado medida ordinal, o coeficiente
indicado é o de Spearmann.
 2º Passo
Verificar a direção da correlação
(diagrama de dispersão)

DIRETA INVERSA
OU OU
POSITIVA NEGATIVA
 3º Passo
Verificar a magnitude da correlação
(Coeficiente de Correlação)
FRACA MODERADA FORTE

Varia de –1,0 a +1,0.

Quanto mais próximo de 1, mais forte é a
correlação.

Reflete o grau da relação entre duas variáveis.

Quanto mais duas variáveis têm em comum,
tanto mais fortemente relacionadas serão uma
com a outra.
Perfeita +1 -1

Forte + 0,9 - 0,9

+ 0,8 - 0,8
+ 0,7 - 0,7

Moderada + 0,6 - 0,6

+ 0,5 - 0,5
+ 0,4 - 0,4

Fraca + 0,3 - 0,3

+0,2 - 0,2
+0,1 -0,1

Zero 0

Fonte: Dancey & Reidy, 2006, p. 187.

 r = 0,3 r = 0,8 r = 1,0
FRACA FORTE PERFEITA
 4º Passo
Avaliar a significância da relação encontrada
r = 0,4; p≤0,05
Pearson r = 0,8; p≤0,01
r = 0,6; p≤0,001
ρ = 0,4; p≤0,05
Spearman ρ = 0,8; p≤0,01
ρ = 0,6; p≤0,001

Não existe correlação entre X e Y na população (r = 0).

A chance da relação entre X e Y ter ocorrido devido ao
acaso, sendo Ho verdadeira, é de 5% ou menor (p≤0,05).
 5º Passo:
Verificar a variância explicada
(Coeficiente de determinação)
O QUANTO POSSO EXPLICAR UMA PELA OUTRA

Em que medida uma depende da outra?

Qual o grau de compartilhamento entre elas?
 VARIÂNCIA EXPLICADA

Se a correlação entre duas variáveis: satisfação

com o trabalho e percepção da aposentadoria é
de - 0,80.

O coeficiente de determinação é: 0,80 x 0,80=
0,64 ou 64%.

Assim, 64% da variância na percepção da
aposentadoria pode ser explicada pela variância
na satisfação com o trabalho.

36% da variância não é explicada por essa
relação e sim por outros fatores.
 Valor p ≠ Tamanho do Efeito

Um Valor p significativo (p≤0,05) não quer
dizer que o efeito medido é importante.

Isto é dado pelo Tamanho do Efeito.

Tamanho do Efeito é uma medida de
magnitude padronizada do efeito observado:
Coeficiente de Correlação: r = 0 / r = 1
Qui-quadrado: X2 <1 / X2 >1
Teste t de Student: t<1 / t>1
ANOVA: F <1 / F>1
 Observe estes dois exemplos
r=0,3; p=0,05 r=0,8; p=0,05

Em ambos os casos, o valor p indica

diferença significativa entre o que era
esperado pela Ho e o que foi observado na
amostra.

Mas, o que diz o Tamanho do Efeito? O
valor do coeficiente de correlação?

No primeiro caso, r=0,3 indica correlação fraca

entre as variáveis testadas

No segundo caso, r=0,8 indica correlação forte.

Com uma correlação fraca não se pode prever

a ocorrência de Y com base em X.

A variável explicativa jamais poderá ser

considerada um preditor.

Se informar apenas o valor de p, o leitor não
saberá nada sobre o tamanho do efeito (a
magnitude da correlação).

Assim, informe também, e sempre, o tamanho

do efeito:
Houve correlação inversa entre satisfação
com o trabalho e percepção da aposentadoria
(r= -0,80; p≤0,05).
Vejamos outro Exemplo de
Teste de Hipótese

Existe alguma associação entre satisfação com o
trabalho e percepção da aposentadoria?

APOSENTADORIA
Hipótese Nula (Ho):
Não há qualquer relação entre satisfação com
o trabalho e percepção da aposentadoria.
Hipótese Alternativa (Ha):
Entre os satisfeitos com o trabalho haverá
maior proporção de percepção negativa da
aposentadoria do que entre os insatisfeitos.
Identificando as Variáveis

Satisfação com o Trabalho

Satisfeitos/Insatisfeitos

Percepção da Aposentadoria

Positiva/Negativa
 Medindo as Variáveis
Satisfação com o
Trabalho

20 itens

Avaliados em escala de 5
pontos:
1 = Muito Insatisfeito; 5 =
Muito Satisfeito.

Gerando Índice de 20 a 100
pontos, com ponto médio = 60

Escores no índice
transformados em categorias:
< 60 pontos = Insatisfeitos
≥ 60 pontos = Satisfeitos
Percepção da
Aposentadoria

30 itens

Avaliados em escala de 5
pontos:
1 = Discordo Fortemente; 5 =
Concordo Fortemente.

Gerando Índice de 30 a 150
pontos, com ponto médio = 90

Escores no índice
transformados em categorias:
< 90 pts. = Percepção Negativa
≥ 90 pts. = Percepção Positiva
Testando a Relação entre X e Y

Variáveis Categóricas

Qui Quadrado – X2

ASSOCIAÇÃO ENTRE FREQUÊNCIAS

 SATISFEITOS INSATISFEITOS
PERCEPÇÃO 175 400
POSITIVA 35% 80%
PERCEPÇÃO 325 100
NEGATIVA 65% 20%
500 500
100% 100%

O Qui-quadrado compara as frequências
observadas (aquelas obtidas) com as frequências
esperadas (Fe) no caso de Ho ser verdadeira.

CÁLCULO DA FREQUENCIA ESPERADA

Fe = (total da linha x total da coluna)/N.
 SATISFEITOS INSATISFEITOS TOTAL
PERCEPÇÃO Fo 175 400 575
POSITIVA
Fe 287,5 287,5
PERCEPÇÃO Fo 325 100 425
NEGATIVA
Fe 212,5 212,5
TOTAL 500 500

Fe = (total da linha x total da coluna)/N

Fe = (575 x 500)/1000 = 287,5
Fe = (425 x 500)/1000 = 212,5
 Restrição ao Teste de Qui-quadrado

Não pode haver menos de 25% das células da

tabela com Fe < 5

Nesse caso, utiliza-se o Teste Exato de Fisher.

O teste de Fisher não é sensível a pequenas Fe.

Mas, o Teste de Fisher só é adequado para

tabelas 2 x 2 (2 colunas e 2 linhas).
 Teste de Qui Quadrado
Sig. Sig. Exata Sig. Exata
Valor gl Assintótica (bicaudal) (unicaudal)
(bicaudal)
Qui quadrado
de Pearson X2
45,17a 1 0,001
Teste Exato
de Fisher
0,003 0,001
N de casos
válidos
1000

a. 0 células (0,0%) tem frequência esperada menor que 5.

A frequência mínima esperada é de 212,5

Se o valor do Qui-quadrado (X2) for igual a zero, Ho é

verdadeira.

Em tabelas 2 x 2 a associação entre variáveis categóricas é
chamada correlação de atributos ou tetracórica).
 USOS DO QUI QUADRADO

X2 de 1 variável (teste de Aderência) – diferença entre
frequências
Tipos de chocolate preferidos
Fe = Número de Sujeitos/Número de categorias da variável

X2 de Independência 2 x 2 – associação entre 2

variáveis com 2 níveis
Satisfação com o Trabalho (satisfeitos/insatisfeitos) e Percepção
da Aposentadoria (positiva/negativa)

X2 de Independência r x 2 – associação entre 2

variáveis, uma com 2 níveis e outra com + de 2 níveis
Satisfação com o Trabalho (satisfeitos/insatisfeitos) e Percepção
da Aposentadoria (positiva, negativa, neutra)
 ANÁLISES BIVARIADAS

ANÁLISES MULTIVARIADAS
 ANÁLISE BIVARIADA

Inclui métodos de análise de duas variáveis,
uma dependente e outra independente, podendo
ser ou não estabelecida uma relação de
causa/efeito entre elas.
ANÁLISE MULTIVARIADA

Inclui os métodos de análise das relações de
múltiplas variáveis dependentes e/ou múltiplas
variáveis independentes, quer se estabeleçam
ou não relações de causa/efeito entre estes dois
grupos.
 ESTATÍSTICAS
INFERENCIAIS

PARA GRUPOS PARA GRUPOS

INDEPENDENTES RELACIONADOS

PARAMÉTRICAS
Exigem Normalidade na distribuição amostral
NÃO PARAMÉTRICAS
Não exigem Normalidade
 GRUPOS GRUPOS
INDEPENDENTES RELACIONADOS

HOMENS/MULHERES IDOSOS ANTES/DEPOIS

DO TREINO MEMÓRIA

Os participantes de um
grupo ou condição não
Os mesmos participantes
podem estar no outro estão em ambos os
grupo ou condição. grupos.

Testes são usados para
Testes são usados para

averiguar diferenças averiguar diferenças
significativas entre dois significativas entre dois
conjuntos de dados, de conjuntos de dados, do
grupos diferentes. mesmo grupo de sujeitos.
 ESTATÍSTICAS
PARAMÉTRICAS

Os testes incidem sobre
um ou vários parâmetros,
de uma ou mais populações
(p.ex. média).

Os dados precisam ter um
verdadeiro valor numérico.
Variáveis Quantitativas,
medidas no nível intervalar,
pelo menos.

São os testes mais
poderosos porque usam
mais informações dos
dados.
ESTATÍSTICAS NÃO
PARAMÉTRICAS

Não envolvem
parâmetros: Não exigem
que a população de onde a
amostra foi retirada
satisfaça certas condições.

Os testes se baseiam em
postos ou frequências de
ocorrência dos dados e
não nos próprios dados.

As variáveis podem ser
Categóricas, medidas no
nível nominal ou ordinal.
ESTATÍSTICAS INFERENCIAIS
Para Grupos Independentes
Análises Bivariadas
 NÃO
PARAMÉTRICAS
PARAMÉTRICAS

DIFERENÇA DIFERENÇA
CORRELAÇÃO CORRELAÇÃO
ENTRE ENTRE
MÉDIAS Pearson MÉDIAS Spearman

Teste t (2) ASSOCIAÇÃO

Mann Whitney (2) ENTRE
ANOVA (3+) FREQÜÊNCIAS
Kruskal Wallis (3+)

Qui Quadrado
ESTATÍSTICAS INFERENCIAIS
Para Grupos Relacionados
Análises Bivariadas
 NÃO
PARAMÉTRICAS PARAMÉTRICAS

DIFERENÇA DIFERENÇA
ENTRE ENTRE
MÉDIAS MÉDIAS

Teste t Pareado (2) Wilcoxon (2)

ANOVA (3+) Friedman (3+)
 Bibliografia Consultada e Recomendada
Dancey, C. P., & Reidy, J. (2006). Estatística sem matemática
para psicologia, 5ª Ed. Porto Alegre/RS: Artmed, 606pp.
Field, A. (2009). Descobrindo a estatística usando o SPSS. Porto
Alegre/RS: Artmed.
Levin, J. & Fox, J. A. (2004). Estatística para ciências humanas.
Prentice Hall Brasil.
Moore, D. S. (2011). A estatística básica e sua prática, 5a Ed. :
LTC.
Siegel, S. & Castellan Jr., N. J. (2006). Estatística Não-
Paramétrica para ciências do comportamento. Porto Alegre:
Artmed.
Gerrig, R. J., & Zimbardo, P. G. (2005). A psicologia e a vida, 16ª
Ed. (pp.51-70). Porto Alegre/RS: Artmed.