Distribuição t vs Distribuição Normal

A distribuição t e a distribuição normal parecem gémeas: ambas têm forma de sino, são simétricas e estão centradas na média. A diferença está nas caudas. A t é mais larga e mais pesada quando a amostra é pequena, e converge para a normal à medida que os graus de liberdade crescem. Este guia mostra quando usar cada uma, com tabela de valores críticos, exemplos resolvidos e a história de Gosset.

Em resumo: use a distribuição normal (z) quando conhece o desvio padrão da população ou quando a amostra é grande; use a distribuição t quando estima o desvio padrão a partir de uma amostra pequena. Para gl ≥ 30, as duas são praticamente iguais: o valor crítico de 95% é 2,042 com gl = 30 e 1,960 na normal.

A confusão entre as duas distribuições é uma das mais comuns em estatística — e uma das mais caras. Escolher a distribuição errada muda o valor-p de um teste e a largura de um intervalo de confiança. Com amostras grandes, o erro é pequeno; com amostras pequenas, pode ser a diferença entre rejeitar e não rejeitar uma hipótese.

Neste guia, comparamos as duas distribuições lado a lado: a forma, as fórmulas, a tabela de valores críticos, dois exemplos resolvidos com os mesmos números e a história do cervejeiro que inventou a distribuição t. No fim, vai saber exatamente quando usar cada uma — e porquê.

Quando usar a distribuição t?

Use a distribuição t quando o desvio padrão da população (σ) é desconhecido e tem de ser estimado a partir da amostra — o caso mais comum na prática. É a situação de quase todos os testes t: teste t de uma amostra, teste t de duas amostras e intervalos de confiança para a média com amostras pequenas.

A regra prática é simples:

  • σ conhecido: use a distribuição normal (z). Isto acontece sobretudo em exercícios e em processos industriais com histórico longo, onde σ já é conhecido.
  • σ desconhecido e amostra pequena (n < 30): use a distribuição t, com gl = n − 1 graus de liberdade.
  • σ desconhecido e amostra grande (n ≥ 30): a t e a normal dão praticamente o mesmo resultado — pode usar qualquer uma. A calculadora de distribuição t mostra os valores-p e os valores críticos para qualquer grau de liberdade.

Se os dados não forem aproximadamente normais e a amostra for pequena, nem a t nem a normal são adequadas — nesse caso, considere um teste não paramétrico ou uma transformação dos dados. A distribuição t corrige a incerteza de estimar σ, mas não corrige uma distribuição muito assimétrica.

Qual é a diferença entre t e z?

A diferença central é o que se sabe sobre o desvio padrão. O escore z usa o desvio padrão verdadeiro da população, σ; a estatística t usa o desvio padrão amostral, s, que é uma estimativa. Como s varia de amostra para amostra, a estatística t tem mais variabilidade — e é essa variabilidade extra que alarga as caudas da distribuição t.

z = (x̄ − μ) ÷ (σ ÷ √n)   ·   t = (x̄ − μ) ÷ (s ÷ √n)

As duas fórmulas são gémeas: a única diferença é σ contra s. Mas as consequências são reais: para o mesmo valor da estatística, o valor-p da t é sempre maior do que o da normal, e o intervalo de confiança da t é sempre mais largo. É o preço de não conhecer σ.

CaracterísticaDistribuição normal (z)Distribuição t
Desvio padrãoσ conhecidos estimado da amostra
FormaSino padrãoSino mais baixo e mais largo
CaudasMais levesMais pesadas (valores extremos mais prováveis)
Depende deNada (μ e σ fixos)Graus de liberdade (gl = n − 1)
Valor crítico 95%1,960 (sempre)12,706 (gl = 1) → 2,042 (gl = 30) → 1,960 (gl = ∞)
Quando usarσ conhecido ou n grandeσ estimado e amostra pequena

Para ver os valores lado a lado, use a calculadora de valor crítico z e a calculadora de distribuição t. O gráfico de escore z e a tabela z ajudam a visualizar onde cai cada valor.

Por que a distribuição t tem caudas mais pesadas?

Porque o denominador da estatística t é aleatório. No escore z, o denominador σ ÷ √n é um número fixo: a única fonte de variação é a média amostral x̄. Na estatística t, o denominador s ÷ √n também varia — em algumas amostras, s sai pequeno por acaso e a estatística t dispara para valores extremos. É essa variabilidade extra que engrossa as caudas.

Os graus de liberdade controlam o quanto as caudas são pesadas. Com gl = 1, a distribuição t é tão pesada que nem sequer tem variância definida (é a distribuição de Cauchy): o valor crítico de 95% é 12,706, mais de seis vezes o valor da normal. Com gl = 5, já é 2,571. Com gl = 30, é 2,042 — apenas 4% acima de 1,960. À medida que gl cresce, s aproxima-se de σ, a variabilidade extra desaparece e a t converge para a normal.

É por isso que a regra de ouro é n ≥ 30: a partir daí, a diferença entre t e z é tão pequena que, na maioria das aplicações, tanto faz. Abaixo disso, a diferença importa — e é exatamente aí que a distribuição t protege contra conclusões demasiado confiantes.

Tabela de valores críticos: t* contra z*

Esta tabela mostra o valor crítico de 95% (bicaudal) para vários graus de liberdade, comparado com o valor fixo da normal. Repare como a diferença encolhe rapidamente: de gl = 1 para gl = 10, o valor cai de 12,706 para 2,228; de gl = 30 em diante, a diferença é inferior a 0,1.

Graus de liberdade (gl)t* (95%, bicaudal)Diferença para z* = 1,960
112,70610,746
52,5710,611
102,2280,268
202,0860,126
302,0420,082
602,0000,040
1001,9840,024
∞ (normal)1,960—

Para outros níveis de confiança, use a calculadora de valor crítico z (que inclui a tabela completa de 80% a 99,9%) e a calculadora de distribuição t.

Exemplo resolvido: o mesmo teste, dois valores-p

Um investigador obtém uma estatística de teste de +2,00. Se a tratar como z (normal), o valor-p bicaudal é 0,0455 — abaixo de 0,05, e a hipótese nula é rejeitada. Mas se a estatística é um t com gl = 10, o valor-p bicaudal é 0,0734 — acima de 0,05, e a hipótese nula não é rejeitada.

  1. Como z: p = 2 × P(Z > 2,00) = 2 × 0,0228 = 0,0455. Rejeita-se H₀ a 5%.
  2. Como t (gl = 10): p = 2 × P(T > 2,00) = 0,0734. Não se rejeita H₀ a 5%.
  3. Conclusão: a mesma evidência, duas decisões. A distribuição t é mais conservadora porque reconhece a incerteza de estimar σ — e é essa a decisão correta quando σ é desconhecido.

Confirme os dois valores-p na calculadora de valor-p e na calculadora de distribuição t.

Exemplo resolvido: intervalo de confiança com t e com z

Uma amostra de n = 30 tem média 50 e desvio padrão amostral s = 10. O erro-padrão é 10 ÷ √30 = 1,83. O intervalo de confiança de 95% é a média ± valor crítico × erro-padrão.

  1. Com t (gl = 29): t* = 2,045; margem = 2,045 × 1,83 = 3,73; IC = [46,27; 53,73].
  2. Com z: z* = 1,960; margem = 1,960 × 1,83 = 3,58; IC = [46,42; 53,58].
  3. Conclusão: o intervalo t é mais largo 0,15 de cada lado. Com n = 30, a diferença é pequena — mas com n = 10, a diferença seria muito maior. Para construir o seu próprio intervalo, use a calculadora de intervalo de confiança e leia o que é intervalo de confiança.

A história de Gosset e o "Student"

A distribuição t foi criada por William Sealy Gosset (1876–1937), químico da cervejaria Guinness em Dublin. Gosset trabalhava com amostras muito pequenas — lotes de cevada e de cerveja — e percebeu que a distribuição normal subestimava a variabilidade quando o desvio padrão era estimado a partir de poucos dados. Em 1908, publicou a solução num artigo intitulado "The Probable Error of a Mean".

Gosset publicou sob o pseudónimo "Student" porque a Guinness proibia os seus empregados de publicarem segredos comerciais. O nome pegou: até hoje, a distribuição chama-se "distribuição t de Student". O "t" vem da própria estatística de teste que Gosset definiu. A ironia é que um dos conceitos mais usados da estatística moderna nasceu numa cervejaria, para resolver um problema de amostras pequenas de cevada.

Visualizando: as curvas t e normal

O gráfico abaixo sobrepõe a curva normal (azul, sólida) com duas curvas t: gl = 5 (índigo, tracejada) e gl = 1 (vermelha, pontilhada). Note três coisas: a curva t é sempre mais baixa no centro, mais larga nos ombros e mais alta nas caudas. Com gl = 1, o pico é muito mais baixo e as caudas são tão pesadas que a curva quase não desce até zero nos extremos do gráfico.

Normal t, gl = 5 t, gl = 1 −4 −2 0 2 4
Curva normal (azul, sólida) contra a distribuição t com gl = 5 (índigo, tracejada) e gl = 1 (vermelha, pontilhada). Quanto menor o grau de liberdade, mais baixo o pico e mais pesadas as caudas.

Para desenhar as suas próprias curvas, use a calculadora de distribuição normal e a calculadora de distribuição t. Para planear o tamanho da amostra antes de recolher os dados, leia como calcular tamanho de amostra.

Erros comuns

  • Usar z quando σ é estimado: se estimou o desvio padrão a partir da amostra, use t — usar z produz valores-p demasiado pequenos e intervalos demasiado estreitos.
  • Esquecer os graus de liberdade: gl = n − 1 para um teste t de uma amostra. Usar gl = n ou gl = ∞ muda o valor crítico.
  • Assumir que n ≥ 30 torna tudo normal: a regra dos 30 é uma aproximação útil, não uma lei. Com dados muito assimétricos, mesmo n = 30 pode não bastar.
  • Confundir t com o teste: a distribuição t é a distribuição de referência; o teste t é o procedimento que a usa. O valor-p vem sempre da distribuição, não do nome do teste.

Perguntas frequentes

A distribuição t tem caudas mais pesadas do que a normal e depende dos graus de liberdade. Usa-se a t quando o desvio padrão da população é estimado a partir da amostra; usa-se a normal quando o desvio padrão é conhecido ou a amostra é grande. À medida que os graus de liberdade crescem, a t converge para a normal.

Use a distribuição t quando o desvio padrão da população é desconhecido e estimado a partir de uma amostra pequena, tipicamente com menos de 30 observações. É o caso dos testes t e dos intervalos de confiança para a média com amostras pequenas.

Os graus de liberdade (gl) medem quantos valores independentes há na amostra. Num teste t de uma amostra, gl é n menos 1. Quanto maior o gl, mais próxima a distribuição t está da normal: com gl = 30, o valor crítico de 95% é 2,042, contra 1,960 na normal.

Para 95% bicaudal: gl = 1 dá 12,706; gl = 5 dá 2,571; gl = 10 dá 2,228; gl = 30 dá 2,042; e com gl infinito o valor é 1,960, o valor da normal.

Sim. À medida que os graus de liberdade tendem para infinito, a distribuição t converge para a distribuição normal padrão. Na prática, a partir de gl = 30 as duas são praticamente iguais.

William Sealy Gosset foi um químico da cervejaria Guinness em Dublin. Em 1908, publicou a distribuição t sob o pseudónimo "Student", porque a Guinness proibia os empregados de publicarem segredos comerciais.

O teste z usa o desvio padrão conhecido da população; o teste t usa o desvio padrão estimado da amostra. Para a mesma estatística, o teste t dá um valor-p maior e um intervalo de confiança mais largo, porque reconhece a incerteza de estimar o desvio padrão.

Só se o desvio padrão da população for conhecido. Se o desvio padrão for estimado a partir de uma amostra pequena, use a distribuição t: usar a normal subestima o valor-p e estreita o intervalo de confiança de forma incorreta.

Fontes: NIST, Engineering Statistics Handbook, 1.3.6.6.4. t Distribution; NIST, Engineering Statistics Handbook, 1.3.6.6.1. Normal Distribution. Metodologia: nossa metodologia.

Por Afan Shafiq — BS AI student

Confira as Ferramentas

Confira os Artigos