TESTE T

- Uma amostra
- Duas amostras independentes
- Duas amostras pareadas
- Teste de Normalidade
Distribuição t
• Para o teste Z são necessárias duas informações da
população: média e desvio padrão

• Quando só se possui a informação da média da

população, substitui-se o erro padrão pelo erro padrão
estimado (EP).

• Assume-se, portanto, que a variação na amostra é

semelhante à variação da população
Teste t de Student: uma amostra
• Desconhecendo-se σ
• A variação amostral deve seguir uma normal

• Na prática:
• O teste t e o z são similares, entretanto a distribuição t é levemente
diferente da normal e dependente de n. Quando n é
suficientemente grande, ambas distribuições comportam-se de
forma similar
Teste t de Student: uma amostra
• Desconhecendo-se σ
• A variação amostral deve seguir uma normal

• Exemplo:
• Suponha um teste de QI, cuja amostra de 10 indivíduos obteve os
seguintes valores: 65, 78, 88, 55, 48, 95, 66, 57, 79, 81. Sabendo-
se que a média da população é 75, conclua se a amostra difere
significativamente da população.
• H0: não há diferença entre a média amostral e a populacional

> a = c(65, 78, 88, 55, 48, 95, 66, 57, 79, 81)
> t.test (a, mu = 75)
Exemplo
> t.test(a, mu=75)

One Sample t-test

data: a
t = -0.78303, df = 9, p-value = 0.4537
alternative hypothesis: true mean is not equal to 75
95 percent confidence interval:
60.22187 82.17813
sample estimates:
mean of x
71.2

• Conclusão: A média amostral não difere significativamente da média

da população, aceitando-se portanto, a hipótese nula.
Estimativa da Média da População
• Suponha um teste de QI, cuja amostra de 10 indivíduos
obteve os seguintes valores: 65, 78, 88, 55, 48, 95, 66, 57,
79, 81.
• Média da amostra: 71,2
• Estimativa pontual da média da população: 71.2 -> entretanto essa
média populacional é simplista, imagine que uma nova amostra
provavelmente terá uma nova média.
• Estimação da média por intervalo: μ - t0,05;glEP e μ + t0,05;glEP

EP

> EP = sd(a)/sqrt(length(a))
> c(71.2+qt(0.025, df=9)*EP, 71.2+qt(0.975, df=9)*EP)
Exercício

• Livro Bioestatística
• 20; 22; 23; 25; 28

• Livro OpenIntro Statistics - Third Edition

• Pag 257: 5.5; 5.7
Teste t de Student:
Duas Amostras Independentes
• Comparar duas amostras independentes
• Amostras aleatórias que não dependem de outras observações
• As amostras devem seguir distribuições normal ou
aproximadamente Normal
• A variância das distribuições devem ser iguais
Teste t: Exemplo
am1 = c(16.6,13.4,14.6,15.1,12.9,15.2,14.0,16.6,15.4,13.0)
am2 = c(15.8,17.9,18.2,20.2,18.1,17.8,18.3,18.6,17.0,18.4)
t.test(am1, am2, var.equal = TRUE)

• Opções
• alternative: string indicando a hipótese alternativa desejada. Valores
possíveis: "two-sided", "less" ou "greater".
• mu: valor indicando o verdadeiro valor da média populacional para o
caso de uma amostra, ou a diferença entre as médias para o caso de
duas amostras.
• paired:
• TRUE – realiza o teste t pareado.
• FALSE – realiza o teste t não pareado.
• var.equal:
• TRUE – indica que a variância populacional é a igual nas duas amostras.
• FALSE – indica que a variância populacional de cada amostra é diferente.
• conf.level: coeficiente de confiança do intervalo.
Comparação entre Variâncias
• A comparação entre duas variâncias é um teste sempre
bilateral
• Se as variâncias populacionais são iguais, então :
• σA2/σB2 = 1
Teste de Normalidade das Amostras

• Normal Probability Plot

• Um Q-Q plot é um gráfico no qual os quartilhes das amostras são
ordenados e plotados.
• Um Normal Probavbility Plot é um Q-Q plot no qual um dos eixos
são os quartilhes teóricos de uma curva normal

> qqnorm(am1)
> qqline(am1)
Teste de Normalidade das Amostras
• Teste para normalidade das amostras
• Shapiro-wilk – teste formal para identificar se uma amostra se
desvia significativamente de uma distribuição normal

#em R
> shapiro.test(am1)
> shapiro.test(am2)
 Exemplo 135b 135b
Normal Cancer
• Moreira et al. (2015), analisaram por rt-
1 0,704 2,897
PCR a expressão do microRNA hsa-
miR-135b em amostras de câncer 2 2,187 4,791
gástrico e amostras de estômago de 3 0,045 9,489
pacientes sem câncer. Ao lado seguem 4 0,042 0,132
as expressões (2-Δct) encontradas em 11 5 0,026 26,785
amostras. Faça: 6 0,310 38,467
7 0,064 0,441
8 0,136 5,464
9 9,495 101,796
10 0,368 2,124
11 0,243 0,585
 Exemplo 135b 135b
Normal Cancer
1. Gere dados descritivos a respeito dos
conjuntos controle e da amostra de câncer 1 0,704 2,897
2. Gere um gráfico boxplot que contenha ambas 2 2,187 4,791
amostras lado a lado 3 0,045 9,489
3. Crie um histograma para cada amostra e
4 0,042 0,132
plote a normal correspondente para
comparação 5 0,026 26,785
4. Crie gráficos quantil-quantil, comparando 6 0,310 38,467
cada amostra com a normal 7 0,064 0,441
5. Faça teste de variância entre as amostras 8 0,136 5,464
6. Faça teste de normalidade das amostras 9 9,495 101,796
7. Verifique se as amostras diferem
10 0,368 2,124
significativamente
11 0,243 0,585
8. Infira sobre os resultados.
Teste t
Quando a variância das amostras diferem
• Quando a variância entre as amostras diferem, ambas
devem ser levadas em consideração e o cálculo do grau
de liberdade é alterado

• No R, uma vez identificado que as variâncias diferem,

basta alterar o parâmetro var.equal
Teste t Pareado
• Em estudos envolvendo amostras pareadas o controle é
feito indivíduo a indivíduo, isto é, cada um tem um par
com as mesmas características.
• O teste t com amostras independentes, testa se a média
de uma amostra independente difere significativamente
da média de outra amostra independente.
• O teste t pareado testa se a diferença entre as amostras
difere significativamente de zero.
 Test t Pareado
• Um professor pretende avaliar se as notas de seus
alunos melhoraram de um bimestre para o outro

>> nota1bim = c(4.9, 8.4, 8.4, 5.8, 6.3, 3.9,

5.9, 6.6, 4.5, 7.3, 6.1, 2.8, 4.1, 9.3, 5.4,
4.2, 5.8, 4.0, 6.8, 9.8)
>> nota2bim = c(5.1, 10.0, 9.3, 5.8, 5.9, 5.1,
6.1, 6.8, 5.4, 8.2, 6.4, 3.0, 5.1, 9.1, 5.1,
5.5, 5.3, 4.2, 7.2, 10.0)
>> mean(nota2bim) – mean(nota1bim)
t.test(nota1bim, nota2bim, paired = F) #errado
t.test(nota1bim, nota2bim, paired = T)
Exercício
• Utilizando o dataset mtcars do R, determine se existe
diferença significativa entre o consumo de carros manual
e automático. Faça:
1. Separe em vetores os valores referentes ao consumo de carros
(mpg) e o tipo de câmbio (am): manual(1) e automático(0)
2. Gere um gráfico boxplot que contenha ambas amostras lado a
lado
3. Crie um histograma para cada amostra e plote a normal
correspondente para comparação e infira sobre a normalidade
4. Crie gráficos quantil-quantil, comparando cada amostra com a
normal e infira sobre a normalidade
5. Faça o teste de normalidade para cada amostra
6. Faça o teste de variância entre as amostras
7. Verifique se as amostras diferem significativamente
8. Infira sobre os resultados.
Exercício
• Utilize o dataset anorexia do pacote MASS do R e faça:
1. Utilizando os dados pós tratamento, crie dois vetores, um com a
amostra controle e outro contendo a amostra do conjunto CBT
2. Gere dados descritivos a respeito dos conjuntos controle e CBT
3. Gere um gráfico boxplot que contenha ambas amostras lado a
lado
4. Crie um histograma para cada amostra e plote a normal
correspondente para comparação
5. Crie gráficos quantil-quantil, comparando cada amostra com a
normal
6. Faça teste de normalidade
7. Faça teste de variância entre as amostras
8. Verifique se as amostras diferem significativamente
9. Infira sobre os resultados.
Exercício
• Utilize o dataset anorexia do pacote MASS do R e faça:
1. Utilizando os dados pré e pós tratamento, gere dados descritivos
a respeito dos conjuntos
2. Gere um gráfico boxplot que contenha ambas amostras lado a
lado
3. Crie um histograma para cada amostra e plote a normal
correspondente para comparação
4. Crie gráficos quantil-quantil, comparando cada amostra com a
normal
5. Faça teste de normalidade
6. Faça teste de variância entre as amostras
7. Verifique se as amostras diferem significativamente
8. Infira sobre os resultados.