---
title: "Como entender os testes t: valores-t e distribuições-t"
description: Como funcionam os testes t? Como fazer com que os valores-t se ajustem neles? Saiba como atrav'es de conceitos e gráficos, em vez de equações e números.
---

[Blog da Minitab](https://blog.minitab.com/pt/blog)

# [Como entender os testes t: valores-t e distribuições-t](https://blog.minitab.com/pt/blog/como-entender-os-testes-t-valores-t-e-distribuicoes-t)

 Written by [Minitab Blog Editor](https://blog.minitab.com/pt/blog/author/minitab-blog-editor) | 16/jul/2019 4:00:00

Os testes t são [testes de hipótese](https://blog.minitab.com/blog/adventures-in-statistics/understanding-hypothesis-tests:-why-we-need-to-use-hypothesis-tests-in-statistics?hsLang=pt) úteis na estatística quando é necessário comparar médias. Você pode comparar uma média amostral com um valor hipotético ou com um valor alvo usando um teste t para uma amostra. Você pode comparar as médias de dois grupos com um teste t para duas amostras. Se você tiver dois grupos com observações pareadas (por exemplo, antes e depois das medições), use o teste t pareado.

Como funcionam os testes t? Como fazer com que os valores-t se ajustem neles? Nesta série de posts, responderei a essas perguntas concentrando-me em conceitos e gráficos, em vez de equações e números. Afinal de contas, um dos principais motivos para usar um [software estatístico como o Minitab](http://www.minitab.com/products/minitab) é que você não fica atolado nos cálculos e pode se concentrar em compreender seus resultados.

Neste post, explicarei o que são valores-t, distribuições-t e como os testes t utilizam tudo isso para calcular probabilidades e avaliar hipóteses.

## Quais são os valores-t?

Os testes t recebem essa denominação porque os resultados do teste são todos baseados em valores-t. Os valores-t são um exemplo de o que os estatísticos chamam de estatísticas de teste. Uma estatística de teste é um valor padronizado que é calculado a partir de dados amostrais durante um teste de hipótese. O procedimento que calcula a estatística de teste compara seus dados com o que é esperado sob a [hipótese nula](https://support.minitab.com/en-us/minitab/18/help-and-how-to/statistics/basic-statistics/supporting-topics/basics/null-and-alternative-hypotheses/).

Cada tipo de teste t usa um procedimento específico para resumir todos os seus dados amostrais em um valor, o valor-t. Os cálculos por trás dos valores-t comparam sua(s) média(s) amostrais com a hipótese nula e incorporam o tamanho amostral e a variabilidade nos dados. Um valor-t de 0 indica que os resultados da amostra são exatamente iguais à hipótese nula. Conforme aumenta a diferença entre os dados amostrais e a hipótese nula, o valor absoluto do valor-t aumenta.

Suponha que realizemos um teste t e que ele calcule um valor-t de 2 para nossos dados amostrais. Afinal, o que isso quer dizer? Eu poderia muito bem ter lhe dito que nossos dados são iguais a 2 fizbins! Não sabemos se isso é comum ou raro quando a hipótese nula é verdadeira.

Por si só, um valor-t de 2 não nos diz nada. Os valores-t não estão nas unidades dos dados originais ou em qualquer outra coisa com a qual estejamos familiarizados. Precisamos de um contexto maior em que possamos colocar valores-t individuais para que seja possível interpretá-los. É aqui que entram as distribuições t.

## O que são distribuições t?

Quando você realiza um teste t para um único estudo, obtém um único valor-t. No entanto, se extraíssemos várias amostras aleatórias do mesmo tamanho da mesma população e realizássemos o mesmo teste t, obteríamos muitos valores-t e poderíamos representar graficamente uma distribuição de todos eles. Esse tipo de distribuição é conhecido como [distribuição de amostragem](https://support.minitab.com/en-us/minitab/18/help-and-how-to/statistics/basic-statistics/supporting-topics/data-concepts/what-are-parameters-parameter-estimates-and-sampling-distributions/).

Felizmente, as propriedades das distribuições t são bem compreendidas na estatística, então podemos representá-las graficamente sem ter que coletar muitas amostras! Uma distribuição t específica é definida por seus [graus de liberdade (GL)](https://support.minitab.com/en-us/minitab/18/help-and-how-to/statistics/basic-statistics/supporting-topics/tests-of-means/what-are-degrees-of-freedom/), um valor intimamente relacionado ao tamanho da amostra. Portanto, existem diferentes distribuições t para cada tamanho amostral. Você pode representar graficamente as distribuições t usando os [gráficos de distribuição de probabilidade](https://support.minitab.com/en-us/minitab/18/help-and-how-to/graphs/how-to/probability-distribution-plot/before-you-start/overview/) do Minitab.

As distribuições t assumem que você extrai amostras repetidas aleatórias de uma população em que a hipótese nula é verdadeira. Você coloca o valor-t do seu estudo na distribuição t para determinar em que medida seus resultados são consistentes com a hipótese nula.

O gráfico acima mostra uma distribuição t que tem 20 graus de liberdade, o que corresponde a um tamanho amostral de 21 em um teste t para uma amostra. É uma distribuição simétrica em forma de sino semelhante à distribuição normal, mas com caudas mais grossas. Este gráfico representa a função de densidade de probabilidade (FDP), que descreve a probabilidade de cada valor-t.

O pico do gráfico está bem no zero, o que indica que o mais provável é a obtenção de um valor de amostra próximo à hipótese nula. Isso faz sentido porque as distribuições t assumem que a hipótese nula é verdadeira. À medida que você se afasta do zero em qualquer direção, os valores-t se tornam menos prováveis. Em outras palavras, quando a hipótese nula é verdadeira, é menos provável que você obtenha uma amostra que seja muito diferente da hipótese nula.

Nosso valor-t de 2 indica uma diferença positiva entre nossos dados amostrais e a hipótese nula. O gráfico mostra que existe uma probabilidade razoável de obter um valor-t de -2 a +2 quando a hipótese nula é verdadeira. Nosso valor-t de 2 é um valor atípico, mas não sabemos exatamente *o quanto* ele é atípico. Nosso objetivo final é determinar se nosso valor-t é atípico o suficiente para justificar a rejeição da hipótese nula. Para fazer isso, será necessário calcular a probabilidade.

## Como usar os valores-t e as distribuições t para calcular probabilidades

Os alicerces que sustentam qualquer teste de hipótese é a capacidade de obter a estatística de teste de uma amostra específica e colocá-la dentro do contexto de uma distribuição de probabilidade conhecida. Para testes t, se você pegar um valor-t e colocá-lo no contexto da distribuição t correta, poderá calcular as probabilidades associadas a esse valor-t.

Uma probabilidade permite que determinemos em que medida nosso valor-t é comum ou raro sob a suposição de que a hipótese nula é verdadeira. Se a probabilidade for baixa o suficiente, podemos concluir que o efeito observado em nossa amostra é inconsistentes com a hipótese nula. A evidência nos dados amostrais é forte o suficiente para rejeitar a hipótese nula para toda a população.

Antes de calcularmos a probabilidade associada ao nosso valor t de 2, precisamos tratar de duas coisas importantes.

Primeiro, usaremos os valores-t de +2 e -2, porque faremos um teste bilateral. Um teste bilateral é aquele que consegue testar as diferenças nas duas direções. Por exemplo, um teste t bilateral para duas amostras pode determinar se a diferença entre o grupo 1 e o grupo 2 é estatisticamente significativa na direção positiva ou negativa. Um teste unilateral consegue fazer a avaliação apenas em uma dessas direções.

Segundo, podemos calcular apenas uma probabilidade diferente de zero para um intervalo de valores-t. Como você verá no gráfico abaixo, um intervalo de valores-t corresponde a uma proporção da área total sob a curva de distribuição, que é a probabilidade. A probabilidade de qualquer valor de ponto específico é zero porque não produz uma área sob a curva.

Com esses pontos em mente, sombrearemos a área da curva que tem valores-t maiores que 2 e valores-t menores que -2.

O gráfico mostra a probabilidade de observação de uma diferença da hipótese nula que seja pelo menos tão extrema quanto a diferença presente em nossos dados amostrais, enquanto assume que a hipótese nula é realmente verdadeira. Cada uma das regiões sombreadas tem uma probabilidade de 0,02963, que, somadas, resultam em uma probabilidade total de 0,05926. Quando a hipótese nula é verdadeira, o valor-t cai dentro dessas regiões quase 6% do tempo.

Essa probabilidade tem um nome que já deve ter ouvido falar — é chamada de valor-p! Embora a probabilidade de nosso valor t cair dentro dessas regiões seja relativamente baixa, ela não é baixa o suficiente para rejeitar a hipótese nula usando o [nível de significância](https://blog.minitab.com/blog/adventures-in-statistics/understanding-hypothesis-tests:-significance-levels-alpha-and-p-values-in-statistics?hsLang=pt) comum de 0.05.

[Aprenda a interpretar corretamente o valor-p](https://blog.minitab.com/blog/adventures-in-statistics/how-to-correctly-interpret-p-values?hsLang=pt).

## Distribuições t e tamanho amostral

Como mencionado acima, as distribuições t são definidas pelo GL, que está intimamente associado ao tamanho amostral. À medida que o GL aumenta, a densidade de probabilidade nas caudas diminui e a distribuição fica mais intensamente agrupada em torno do valor central. O gráfico abaixo mostra distribuições t com 5 e 30 graus de liberdade.

A distribuição t com menos graus de liberdade tem caudas mais grossas. Isso ocorre porque a distribuição t tem o objetivo de refletir a incerteza adicional associada à análise de amostras pequenas. Em outras palavras, se você tiver uma amostra pequena, a probabilidade de que a estatística da amostra fique mais distante da hipótese nula é maior mesmo quando a hipótese nula for verdadeira.

Amostras pequenas são mais propensas a serem atípicas. Isso afeta a probabilidade associada a qualquer valor-t. Para 5 e 30 graus de liberdade, um valor-t de 2 em um teste bilateral tem valores-p de 10,2% e 5,4%, respectivamente. As amostras grandes são melhores!

Mostrei como os valores-t e as distribuições t trabalham em conjunto para produzir probabilidades. Para ver como cada tipo de teste-t funciona e calcula realmente os valores-t, leia o outro post desta série, [Como compreender testes t: Testes t para uma amostra, para duas amostras e pareados](https://blog.minitab.com/blog/adventures-in-statistics/understanding-t-tests:-1-sample,-2-sample,-and-paired-t-tests?hsLang=pt).

Se você quiser saber como funciona o teste F com ANOVA, leia meu post, [Como compreender a análise de variância (ANOVA) e o teste F](https://blog.minitab.com/blog/adventures-in-statistics/understanding-analysis-of-variance-anova-and-the-f-test?hsLang=pt).

[View full post](https://blog.minitab.com/pt/blog/como-entender-os-testes-t-valores-t-e-distribuicoes-t)

```json
{
  "@context" : "http://schema.org",
  "@type" : "BlogPosting",
  "author" : {
    "@type" : "Person",
    "name" : "Minitab Blog Editor"
  },
  "dateModified" : "2025-07-05T22:34:30.415Z",
  "datePublished" : "2019-07-16T04:00:00Z",
  "headline" : "Como entender os testes t: valores-t e distribuições-t",
  "image" : {
    "@type" : "ImageObject",
    "height" : 268,
    "url" : "https://3447555.fs1.hubspotusercontent-na1.net/hubfs/3447555/B2BML%20-%20NEW%20FILE%20MANAGER%20STRUCTURE/Blog%20Images/Imported_Blog_Media/estimativa-da-diferenca-Jul-05-2025-10-27-18-6249-PM.jpg",
    "width" : 241
  },
  "mainEntityOfPage" : "https://blog.minitab.com/pt/blog/como-entender-os-testes-t-valores-t-e-distribuicoes-t",
  "publisher" : {
    "@type" : "Organization",
    "logo" : {
      "@type" : "ImageObject",
      "height" : 60,
      "url" : "/hs/hsstatic/content_shared_assets/static-1.4092/img/default-amp-logo.png",
      "width" : 60
    },
    "name" : "Blog da Minitab"
  }
}
```