O teste t de amostras independentes é usado quando queremos comparar as médias de duas amostras independentes. Essas amostras são consideradas independentes quando não há relação entre os indivíduos em cada amostra.
Geralmente, um nível de significância (denotado como α ou alfa) de 0,05 funciona bem. Um nível de significância de 0,05 indica que o risco de se concluir que existe uma diferença, quando, na verdade, não existe nenhuma diferença real, é de 5%.
A estatística t, também conhecida como valor t ou t de Student, é uma medida que nos ajuda a determinar quão grande é a diferença entre as médias de duas amostras, considerando a variabilidade nos dados.
O procedimento de teste T de uma amostra testa se a média de uma variável única difere de uma constante especificada e automatiza o cálculo de tamanho do efeito do teste t. Exemplos: Um pesquisador pode querer testar se o escore médio de QI para um grupo de estudantes difere de 100.
Um teste-t pareado simplesmente calcula a diferença entre observações emparelhadas (por exemplo, antes e depois) e, em seguida, realiza um teste-t para 1 amostra sobre as diferenças.
O primeiro é quando estamos lidando com proporções e o segundo é quando estamos lidando com médias. No caso das proporções, quando estamos lidando com testes de significância, nós temos uma hipótese nula e ela geralmente lida com a proporção da população.
O teste-t independente é usado para comparar as médias de dois grupos independentes. O que significa dizer que dois grupos são independentes? Significa que os valores obtidos em um dos grupos não dependem dos valores obtidos no outro.
A Tabela t-student difere da tabela Z por apresentar duas variáveis (graus de liberdade e erro permissível) ao invés de apenas uma (Z). Assim, para se encontrar o valor “t” é preciso procurar na linha correspondente ao grau de liberdade e na coluna correspondente ao erro permissível adotado.
Existem três fatores principais que regem a escolha do teste estatístico. 1) o tipo de distribuição de dados (normal e não normal), 2) a classificação do tipo de dado (qualitativo ou quantitativo) e 3) o tipo de amostras (dependentes ou independentes).
O que é Anova? A Análise de Variância, ou ANOVA, é um método estatístico utilizado para determinar se há diferenças significativas entre as médias de três ou mais grupos independentes. Essa técnica foi desenvolvida pelo estatístico e geneticista britânico Ronald Fisher no início do século XX.
O teste de Mann-Whitney (Wilcoxon rank-sum test) é indicado para comparação de dois grupos não pareados para se verificar se pertencem ou não à mesma população e cujos requisitos para aplicação do teste t de Student não foram cumpridos.
Como interpretar o resultado do teste t de Student?
Se o nível do teste for 5%, como amplamente utilizado pelos pesquisadores, um p-valor abaixo de 0.05 dá evidências a favor da hipótese alternativa. Caso a hipótese nula seja a usual, médias iguais, p-valor abaixo de 0.05 dá indícios de que são diferentes, mas sempre em função da hipótese alternativa.
O teste é utilizado para: Verificar se a frequência com que um determinado acontecimento observado em uma amostra se desvia significativamente ou não da frequência com que ele é esperado.
Qual a diferença entre teste t independente e teste t emparelhado?
O objetivo é o mesmo que o do teste t utilizado para comparar duas amostras, porém, a diferença é que no teste t pareado as amostras são dependentes. No caso acima, por exemplo, um mesmo indivíduo foi medido mais de uma vez – uma antes e outra depois da dieta.
Se as amostras são independentes e há apenas duas amostras (dois grupos independentes), o teste t de amostras independentes é mais apropriado. Por outro lado, se houver três ou mais grupos independentes, a ANOVA é uma opção melhor.
As fases do método estatístico são: ❖ Definição do problema ❖ Planejamento ❖ Coleta dos dados ❖ Crítica dos dados ❖ Apuração dos dados ❖ Exposição ou Apresentação dos dados ❖ Análise e Interpretação dos resultados 1.
Um teste t de amostras pareadas (também conhecido como medidas repetidas ou em pares) é usado quando você tem apenas um grupo de pessoas (ou empresas, ou máquinas etc.) e coleta dados delas em duas ocasiões diferentes ou sob duas condições diferentes.
Mas há uma regra bem simples para nos ajudar nessa identificação: se os valores de alguma amostra são afetados por outra amostra, elas serão dependentes. Caso os valores não sejam afetados, elas serão independentes.
Testes paramétricos exigem para sua utilização que seja pressuposto que distribuição dos dados (na saúde, a maioria exige pressuposto da distribuição normal) Já os testes não paramétricos não requerem o pressuposto da distribuição.
