Dep.

Matemática Escola Superior de Tecnologia de Viseu

TESTES DE HIPÓTESES NÃO PARAMÉTRICOS

Testes Não Paramétricos
Nos testes abordados até agora, ditos testes paramétricos, as hipóteses envolvem apenas parâmetros populacionais, como a média, a variância, uma proporção, etc. Além disso, em geral, estes testes comportam uma diversidade de suposições fortes a que o seu emprego deve subordinar-se de que são exemplo: as observações devem ser extraídas de populações com distribuição especificada; as variáveis em estudo devem ser medidas em escala intervalar ou de rácios, de modo a que seja possível utilizar operações aritméticas sobre os valores obtidos das amostras (adição, multiplicação, ...), etc.
Carla Henriques e Manuel Reis
1

Tratamento Estatístico de Dados

Dep. Matemática Escola Superior de Tecnologia de Viseu

TESTES DE HIPÓTESES NÃO PARAMÉTRICOS

Vamos agora abordar um conjunto de testes que nos permitem testar outro tipo de hipóteses que não apenas sobre parâmetros populacionais (e.g., se a distribuição populacional em estudo pode ser considerada Normal). Estes são chamados testes não paramétricos. Estes testes são, em geral, fáceis de aplicar, pois podem ser usados quando as hipóteses exigidas por outras técnicas não são satisfeitas. Apesar de haver certas suposições básicas associadas à maioria das provas não paramétricas, essas suposições são em menor número e mais fracas do que as associadas às provas paramétricas. A maior parte das provas não paramétricas servem para pequenas amostras e, além disso, aplicam-se a dados medidos em escala ordinal, e alguns mesmo a dados em escala nominal.

Carla Henriques e Manuel Reis
2

Tratamento Estatístico de Dados

Dep. Matemática Escola Superior de Tecnologia de Viseu

TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento

Testes de Ajustamento (testes da bondade do ajustamento)
Os testes de ajustamento servem para testar a hipótese de que uma determinada amostra aleatória tenha sido extraída de uma população com distribuição especificada.

Hipóteses a testar: H0: a amostra provém de uma população com distribuição especificada H1: a população de onde provém a amostra não segue a distrib. especificada

Carla Henriques e Manuel Reis
3

Tratamento Estatístico de Dados

Uma das variáveis a considerar no modelo é a diferença entre a data de chegada dos navios provenientes dos EUA e a respectiva data planeada.6 -2 5 2.Dep.2.6 15.8 -1.6 -0.7 -2.1.8 8.4 12.2 4 Diferença entre a data de chegada e a data planeada para 30 navios.4 -8. -6.3 15 -7.2 -2. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Exemplo: Pretende-se construir um modelo de simulação das operações de um determinado terminal de um porto situado na Europa.1 e desvio padrão 7. Será mesmo de admitir que tais dados foram extraídos de uma pop.9 -5.8 4.4 -7.2 7. N(0.6 2. Há razões para supor que tal diferença é uma variável aleatória com distribuição Normal de média 0.8 -0.2)? Carla Henriques e Manuel Reis 4 Tratamento Estatístico de Dados .2 2.6 -3.2 -9 13. 7.8 1. Uma amostra de 30 navios revelou seguinte.6 os resultados que se apresentam na tabela -1.4 -6 -5.4 2.

Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Neste exemplo. entre os quais: o Teste de Ajustamento do Qui-quadrado sugerido por Karl Pearson. Carla Henriques e Manuel Reis 5 Tratamento Estatístico de Dados .Dep. que apresentamos a seguir. Existem vários testes de ajustamento que nos permitem fazer uma análise de problemas deste tipo. o teste de Kolmogorov ou Kolmogorov-Smirnov e o teste de normalidade de Lilliefors. estamos perante um problema de ajustamento de dados a uma determinada distribuição.

extraída de uma população com distribuição desconhecida. .Dep. A2. Am (serão intervalos da recta real se a característica é quantitativa e contínua). Os valores possíveis da característica em estudo são. A1. sobre os quais se observa uma característica (qualitativa ou quantitativa). num primeiro passo. Carla Henriques e Manuel Reis 6 Tratamento Estatístico de Dados . repartidas por m classes mutuamente exclusivas.. . Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Teste do Qui-quadrado Considere-se uma amostra aleatória de n elementos..

i=1. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Denote-se por: . . Hipóteses a testar: H0: pi=p0i ...m H1: pi≠p0i para algum i Carla Henriques e Manuel Reis 7 Tratamento Estatístico de Dados .p0i a probabilidade de obter uma observação na classe Ai ..Oi o nº de observações ou frequência absoluta observada da classe Ai.pi a probabilidade desconhecida de obter uma observação na classe Ai. assumindo que a observação foi extraída de uma população com a distribuição especificada em H0. .Dep..

A estatística de teste.Dep. sendo verdadeira a hipótese nula. a frequência esperada da classe Ai. é dada por Q=∑ m (Oi − ei )2 ei i=1 que. onde k é o número de parâmetros desconhecidos da distribuição proposta em H0. é dada por ei = n×p0i. estimados a partir da amostra. do teste de ajustamento do Qui-quadrado. Carla Henriques e Manuel Reis 8 Tratamento Estatístico de Dados . tem distribuição assimptótica do Quiquadrado com m-k-1 graus de liberdade (χ2m-k-1). Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Assim. quando H0 é verdadeira.

quanto maior for o valor observado de Q. De modo intuitivo. a estatística de teste terá um valor observado. Trata-se portanto de um teste unilateral à direita. a diferença entre cada valor observado e o respectivo valor esperado. Carla Henriques e Manuel Reis 9 Tratamento Estatístico de Dados . levando à rejeição desta. Qobs. isto é. consequentemente. mais nos encaminhamos de concluir que as frequências observadas não foram provenientes da população em que se baseou a hipótese nula. Oi–ei. também não muito grande. menos plausível é a hipótese nula. não deve ser muito grande e. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Se a hipótese nula for verdadeira.Dep.

São referidas na literatura várias regras práticas de aplicação do teste. ei’s.Dep. e iniciar novamente o teste. pois se estas forem muito pequenas a aproximação ao Qui-quadrado não é a mais apropriada. Carla Henriques e Manuel Reis 10 Tratamento Estatístico de Dados .alguma classe com ei inferior a 1 devemos proceder à agregação de algumas classes contíguas. . das quais avançamos a seguinte. Se tivermos: . agora com menos classes.mais de 20% das classes com ei inferior a 5 ou. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Na aplicação deste teste deve-se ter particular atenção às frequências esperadas.

1. deste modo. +∞[. a2[ A3=[ a2. i=1. as classes Ai. Exemplo: Denotando por X a diferença entre a data de chegada dos navios e a data planeada. a1[.22) H1: X ~ N(0. Am=[ am-1. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Retomemos o exemplo exposto atrás.1.. as hipóteses a testar são H0: X ~ N(0.. a3[ . A2=[ a1. 7. Carla Henriques e Manuel Reis 11 Tratamento Estatístico de Dados .m.Dep..22) / Neste caso a distribuição proposta em H0 é contínua e... são intervalos da forma A1=]-∞. 7.

2. Os limites dos intervalos são tais que as probabilidades decorrentes da hipótese nula sejam iguais a 1/m para todas as classes. donde p0i = P(Ai\H0) = 1/4. com m tal que n/m>5. Assim.3. Para o exemplo escolheu-se m=4 classes (ei=30/4=7.4. para i=1.5>5). Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Para a determinação das classes é sugerida a regra de Mann e Wald: Número de classes = m. as frequências esperadas são todas iguais a n/m>5.Dep. Carla Henriques e Manuel Reis 12 Tratamento Estatístico de Dados .

1/4 1/4 1/4 1/4 a1 a2 =0.25.1 e a1=0.2)).96 (EXCEL: INV.0.1-(4.1.1. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Cálculo dos limites dos intervalos de classe: a3: p03 = 0.1 a3 Da simetria da distribuição normal: a2=0.724 (EXCEL: INV.0.2)) Carla Henriques e Manuel Reis 13 Tratamento Estatístico de Dados .7.924-0.NORM(0.NORM(0.7.1)= -4.25 ⇔ a3=4.Dep.75.

25 -7.5 7 .1.1[ A3=[0.5 7 .4 -1.8 p0i 0.6 2.4 8.5 ) 2 Qobs= + + + = 0.Dep.6 -5.5 7.25 0.25 0.4 -0.2 -2 12.6 -7.5 ) 2 ( 7 − 7 .96. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento -6.5 Carla Henriques e Manuel Reis 14 Tratamento Estatístico de Dados .6 4.76.6 -3. -4.76[ A2=[-4.2 7.3 -2.9 1.0.25 0.2 2.96[ A4=[4.5 O valor observado da estatística de teste é ( 8 − 7 .5 7 . +∞ [ Frequências observadas 8 8 7 7 Frequências esperadas 7.8 15.5 7.2 2.8 -0.6 -2.4 -1.7 2.13 7 .5 ) 2 ( 7 − 7 .8 -5.5 7. 4.5 ) 2 ( 8 − 7 .2 4 Classes A1=]-∞.4 -9 5 -6 13.8 15 -8.

22). tem aproximadamente distribuição Qui-quadrado com m-1=4-1=3 graus de liberdade.3)) Como Qobs ∉R. somos levados a não rejeitar a hipótese de que a diferença entre os tempos de chegada e os tempos planeados tem distribuição N(0. Carla Henriques e Manuel Reis 15 Tratamento Estatístico de Dados .05.C. +∞[ ..1. (EXCEL: 7. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento A estatística teste.C.CHI(0. 7.81.81=INV.=[7. Para α=0.05: R. sob o pressuposto de H0 ser verdadeira.Dep.

no ajustamento de uma distribuição contínua a uma amostra usando o teste do Qui-quadrado. De facto. pois a tabela disponível para este teste só é exacta caso a distribuição em teste seja contínua. que além de serem sempre algo arbitrárias envolvem perdas de informação.Dep. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Teste de Kolmogorov-Smirnov (K-S) O teste de Kolmogorov-Smirnov (K-S) ao contrário do teste do Qui-quadrado. tem a vantagem de não estar dependente de classificações dos dados. sendo por isso mais adequado utilizar o teste K-S. temos de proceder à agregação dos dados em classes. Carla Henriques e Manuel Reis 16 Tratamento Estatístico de Dados . No entanto. não se aplica a dados qualitativos nem a variáveis discretas.

Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Por outro lado. o teste K-S só pode ser aplicado quando a distribuição indicada na hipótese nula está completamente especificada (o que não sucede com o teste do Qui-quadrado). No caso de pretendermos. enquanto que o teste K-S é aplicável a pequenas amostras. Carla Henriques e Manuel Reis 17 Tratamento Estatístico de Dados . o teste do Qui-Quadrado está orientado essencialmente para grandes amostras. podemos recorrer a outro teste. Além disso. efectuar um ajustamento de uma distribuição normal.Dep. neste caso o teste desenvolvido por Lilliefors (teste de normalidade de Lilliefors) que será abordado mais tarde. sem especificar µ e σ. por exemplo.

Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Seja F a função de distribuição da população em estudo e F0 a função de distribuição proposta. para algum x No teste de Kolmogorov-Smirnov comparam-se as frequências relativas acumuladas registadas na amostra com as que se esperariam se a distribuição populacional fosse a especificada na hipótese nula.Dep. para qualquer x H1: F(x)≠F0(x). Carla Henriques e Manuel Reis 18 Tratamento Estatístico de Dados . contínua e completamente especificada. Hipóteses a testar: H0: F(x)=F0(x).

Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento A Estatística do teste de K-S considera a maior das diferenças. entre a proporção de observações inferiores ou iguais a x.Dep. e a probabilidade de se observar um valor inferior ou igual a x se a distribuição populacional for a especificada em H0. em valor absoluto. F0(x): Dn = − ∞ < x < +∞ sup S ( x) − F0 ( x) F0(x) S (x) Carla Henriques e Manuel Reis 19 Tratamento Estatístico de Dados . S(x).

n Assim... o supremo ocorre num ponto onde se verifica um salto de S : Dn.α (os valores críticos Dn. se H0 for verdadeira. Então. F0 ( xi ) − S ( xi −1 ) }.. i =1.α podem ser consultados numa tabela). Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Uma vez que F0 é uma função (contínua) não decrescente e S é uma função em escada.Dep. para um nível de significância α. e logo espera-se que Dn. rejeita-se H0.obs = max { F0 ( xi ) − S ( xi ) . se o valor observado for superior ou igual ao ponto crítico Dn. a distância vertical máxima entre as imagens das duas distribuições não deve de ser muito grande.obs tome um valor pequeno.. Carla Henriques e Manuel Reis 20 Tratamento Estatístico de Dados .

tendo-se registado o seguinte: 198 254 262 272 275 278 285 287 287 292 Ao nível de significância de 5%. há evidência para rejeitar a hipótese de normalidade da referida variável? Carla Henriques e Manuel Reis 21 Tratamento Estatístico de Dados .Dep. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Exemplo: Acredita-se que o tempo despendido na execução de uma determinada tarefa é uma variável aleatória com distribuição normal de média 290 minutos e desvio padrão 56 minutos. Foram registados os tempos despendidos em 10 tarefas seleccionadas ao acaso.

/ O ponto crítico da estatística de teste D10 é. neste caso. H0: X∼N(290. Os cálculos estão efectuados na tabela seguinte.Dep.409 (consulte a tabela).0. Carla Henriques e Manuel Reis 22 Tratamento Estatístico de Dados . D10. começa-se por ordenar os valores da amostra por ordem crescente. 562). para α=0. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Denote-se por X o tempo despendido na execução de uma tarefa. 562) H1: X ~ N(290.05= 0. Para calcular o valor observado da estatística de teste. As hipóteses a testar são.05.

1602 0.4644 0.2214 0.56.5 0.3944 0.obs =0.S(xi-1)| 0.2602 0. ao nível de significância de 5%.6 0.1 0.1356 0.486 |F0(xi).NORM(198.4152 0.9 1 S(xi-1) 0 0.05 0.5 0.421 0.3 0.5142 F0(xi) |F0(xi).026 0.0056 0.3858 Como D10.1 0.185 0.VERDADEIRO) 198 254 262 272 275 278 285 287 292 xi S(xi) 0.3 0.0502 0. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento EXCEL: DIST.009 0.6 0.4 0.2 0.486>0.3739 0.106 0. Carla Henriques e Manuel Reis 23 Tratamento Estatístico de Dados .2 0.0502 0.4786 0.3085 0. rejeitamos a hipótese de o tempo despendido na execução de uma tarefa seguir distribuição N(290.S(xi) | 0.1085 0.9 0.Dep.06 0.7 0.290.0739 0.4 0.7 0.236 0.409.0848 0. 562).

isto é. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Teste de Normalidade Lilliefors Pretende-se testar se uma dada variável aleatória X tem distribuição N(µ. usando estimativas de µ e σ. para algum µ e algum σ. σ2) / Este teste processa-se como o teste de K-S. Hipóteses a testar H0: X ~ N(µ.Dep. σ2) sem especificar µ e σ. respectivamente. Carla Henriques e Manuel Reis 24 Tratamento Estatístico de Dados . x e s. σ2) H1: X ~ N(µ. Os pontos críticos são consultados na tabela elaborada por Lilliefors.

O senhor quer estimar o tempo médio pretendido através de um intervalo de confiança. mas nada sabe acerca da distribuição do tempo de entrega X. a dimensão da amostra é muito pequena (n=5). T ~ tn-1 Tratamento Estatístico de Dados 25 .Dep. n onde t: P(-t<T<t) =λ. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Exemplo: Um distribuidor pretende estimar o tempo médio de entrega dos seus produtos a um cliente bastante importante. e além disso. 36 e 36. Foi recolhida uma amostra aleatória de cinco tempos: 29. 33. o intervalo pode ser calculado usando a fórmula: X mt Carla Henriques e Manuel Reis S . 35. Poderá fazê-lo? Sabemos que caso a distribuição subjacente aos dados seja normal.

8 s=2. ao nível de significância de 0. Carla Henriques e Manuel Reis 26 Tratamento Estatístico de Dados . Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Assim. recorrendo às estimativas x =33.05 é * D5. em primeiro lugar.95 . interessa testar. σ2) H1: X ~ N(µ. podemos utilizar o teste de Lilliefors.Dep. σ2) / Uma vez que nada sabemos acerca de µ e σ.337 (consulte a tabela). as hipóteses H0: X ~ N(µ. O valor crítico da estatística teste.05 =0. 0.

2579<0.1721 * Como D5.6 1 S(xi-1) 0 0.772 |F0(xi). então.1931 0.2 0.2. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento EXCEL: DIST.S(xi-1)| 0. não rejeitamos a hipótese de a população em estudo ter distribuição normal.0519 0. Carla Henriques e Manuel Reis 27 Tratamento Estatístico de Dados .VERDADEIRO) Cálculo do valor observado da estatística de Teste: xi 29 33 35 36 S(xi) 0.6 F0(xi) 0.33.0069 0.2579 0.2 0.337.Dep.S(xi) | 0.2279 |F0(xi).4 0.4 0. obs =0. ao nível se significância de 5%.8.0519 0.NORM(29.6579 0.1481 0.95.0579 0.3931 0.

Ar e B1. A2. Carla Henriques e Manuel Reis 28 Tratamento Estatístico de Dados . respectivamente A1. uma com r e outra com s modalidades ou categorias........Dep. Bs.. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência Tabelas de Contingência Teste do Qui-quadrado de Independência Suponha que numa amostra aleatória de tamanho n de uma dada população são observados dois atributos ou características A e B (qualitativas ou quantitativas). B2.

.. Ors número de elementos classificados simultaneamente nas categorias Ai de A e Bj de B. Carla Henriques e Manuel Reis 29 Tratamento Estatístico de Dados .. O2s M M O M A1 A2 M Ar Oij (i=1..r e j=1... Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência Cada indivíduo da amostra é classificado numa e numa só categoria (ou classe) de A e numa e numa só categoria (ou classe) de B... O1s O21 O22 ... numa amostra de tamanho n. A classificação dos elementos da amostra dá origem a uma tabela de dupla entrada... designada por tabela de contingência r×s.... Bs O11 O12 . com o seguinte aspecto: B1 B2 .Dep..s) Or1 Or2 .

r) j=1 s nº de elementos na amostra com modalidade Ai.. Tem-se.... • O⋅j = ∑ Oij (j=1. Carla Henriques e Manuel Reis 30 Tratamento Estatístico de Dados .s) i=1 r nº de elementos na amostra com modalidade Bj. n = ∑ ∑ Oij =∑ Oi• = ∑ O • j i=1 j=1 i=1 j=1 r s r s onde n é a dimensão da amostra.Dep.... Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência Sejam: • Oi⋅ = ∑ Oij (i=1..

mais concretamente.Dep. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência O objectivo a que nos propomos é o de tentar inferir sobre a existência ou não de qualquer relação ou associação entre os atributos (variáveis) A e B. inferir se A e B são ou não independentes. Hipóteses a testar: H0: A e B são independentes H1: A e B não são independentes Carla Henriques e Manuel Reis 31 Tratamento Estatístico de Dados .

. • pi⋅=P(Ai) (i=1...s) a probabilidade (desconhecida) de um indivíduo da população ser classificado simultaneamente nas categorias Ai de A e Bj de B.. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência Denote-se por: • pij=P(Ai∩Bj) (i=1.... i=1 j=1 i=1 j=1 r s r s Carla Henriques e Manuel Reis 32 Tratamento Estatístico de Dados .. 1 = ∑ ∑ pij =∑ pi• = ∑ p • j ...r e j=1. • p⋅j=P(Bj) (j=1.Dep..s) a probabilidade (desconhecida) de um indivíduo da população ser classificado na categoria Bj de B....r) a probabilidade (desconhecida) de um indivíduo da população ser classificado na categoria Ai de A..

as hipóteses anteriores podem ser formuladas do seguinte modo: H0: pij= pi⋅× p⋅j (para todo i e j) H1: pij≠ pi⋅× p⋅j (para algum i≠j). P(Ai∩Bj) = P(Ai) P(Bj). Carla Henriques e Manuel Reis 33 Tratamento Estatístico de Dados .Dep. se os atributos são independentes. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência Ora. isto é. pij= pi⋅× p⋅j Assim. verifica-se a conhecida relação.

temos eij=n pij =n pi⋅× p⋅j ⎯⎯ ⎯ ⎯ → ⎯ estimado por ˆ ˆ ˆ e ij = n p i• p • j = O i• × O • j n Carla Henriques e Manuel Reis 34 Tratamento Estatístico de Dados . Quando H0 é verdadeira. pij= pi⋅× p⋅j . a partir dos dados amostrais.e. i. por O ˆ pi• = i• n Notação: eij=n pij e ˆ p• j = O• j n .Dep. número esperado de indivíduos na classe Ai de A e Bj de B. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência Os verdadeiros valores das probabilidades pi⋅ e p⋅j são estimadas.

mede o afastamento dos dados em relação à hipótese de independência. que. a estatística teste. a diferença entre Oij (frequência observada) e e ij (estimativa da frequência esperada supondo a independência) não deve ser grande. sob o pressuposto de H0 ser verdadeira. ˆ ˆ ˆ Vimos que quando H0 é verdadeira eij pode ser estimado por eij = n pi• p • j .Dep. Assim. Carla Henriques e Manuel Reis 35 Tratamento Estatístico de Dados . Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência A estatística do teste de independência é então: χ2 = ∑ ∑ r s ˆ (Oij − eij )2 ˆ eij i=1 j=1 . ˆ Logo. Trata-se então de um teste unilateral à direita. tem distribuição assimptótica do Qui-quadrado com (r-1)(s-1) graus de liberdade.

Dep. dinheiro e cartão de débito/crédito. Existem três modos de efectuar os pagamentos: por cheque. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência Exemplo: Um supermercado quer testar ao nível de significância de 5% a hipótese de que o modo de pagamento dos clientes nesse estabelecimento é independente do período do dia em que fazem as compras. A seguinte tabela de contingência 3×3 apresenta os resultados obtidos numa amostra de 4000 clientes: MODO DE PAGAMENTO Cheque Dinheiro Cartão de débito/Crédito PERÍODO DO DIA Manhã Tarde Noite 750 1500 750 125 300 75 125 200 175 Carla Henriques e Manuel Reis 36 Tratamento Estatístico de Dados .

4)).05.Dep.CHI(0. Ao nível de significância de 0. +∞[ (consulte tabela ou faça no EXCEL: INV. a estatística teste tem distribuição assimptótica do Qui-quadrado com (r-1)(s-1)=(3-1)(3-1)= 4 graus de liberdade. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência Denotando por A o atributo Modo de pagamento e por B o atributo Período do dia em que faz as compras. a região crítica é então [9. sob H0. Carla Henriques e Manuel Reis 37 Tratamento Estatístico de Dados . as hipóteses as testar são H0: A e B são independentes H1: A e B não são independentes Uma vez que A e B assumem cada uma 3 modalidades.05.49.

M Carla Henriques e Manuel Reis 38 Tratamento Estatístico de Dados .Dep. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência MODO DE PAGAMENTO Cheque Dinheiro Cartão de Crédito Totais PERÍODO DO DIA Manhã Tarde Noite 750 1500 750 125 300 75 125 200 175 1000 2000 1000 Totais 3000 500 500 4000 Oi• O • j Oi•O• j ˆ ˆ ˆ Cálculo das frequências esperadas: e ij = n p i• p • j =n = n n n ˆ e11 =(3000×1000)/4000=750 ˆ e12 =(3000×2000)/4000=1500 ˆ e13 =(3000×1000)/4000=750.

..49. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência Frequências esperadas PERÍODO DO DIA Manhã Tarde Noite 750 1500 750 125 250 125 125 250 125 1000 2000 1000 MODO DE PAGAMENTO Cheque Dinheiro Cartão de Crédito Totais Valor observado da estatística teste: 2 Totais 3000 500 500 4000 (750 − 750 )2 (1500 − 1500 )2 (200 − 250 )2 (175 − 125 )2 + +.05. χ obs = 750 1500 250 125 Uma vez que 60 excede o valor crítico 9.Dep.+ + =60. Carla Henriques e Manuel Reis 39 Tratamento Estatístico de Dados . ao nível de significância de 0. rejeitamos a hipótese de que o modo de pagamento é independente do período do dia em que as compras são feitas.

Uma vez que a estatística do teste mede o afastamento em relação à hipótese de independência. se for rejeitada a hipótese de independência entre os atributos. pode interessar medir a intensidade da associação entre os mesmos.Dep. o seu valor observado poderá ser usado para avaliar o grau de associação entre os atributos. Carla Henriques e Manuel Reis 40 Tratamento Estatístico de Dados . através de uma medida adequada. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência Medidas de Associação No teste do Qui-Quadrado apresentado.

s} e portanto nunca Valores pequenos de C indicam fraca associação entre os atributos. Para obviar este problema. Tshuprow propôs o seguinte coeficiente. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência Coeficiente de Contingência de Pearson: C = χ2 χ2 + n Este coeficiente varia entre 0 e assume o valor 1. O facto deste coeficiente não assumir o valor 1 no caso de associação completa é uma sua limitação. (q − 1) q onde q=min{r. Carla Henriques e Manuel Reis 41 Tratamento Estatístico de Dados . enquanto que valores grandes de C indicam forte associação.Dep.

tomando o valor 0 no caso de existir independência e o valor 1 quando r=s e houver associação completa. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência χ2 Coeficiente de Tshuprow: T = n (r − 1) × (s − 1) Este coeficiente varia entre 0 e 1.s} Coeficiente V de Cramer: V = n(q − 1) 0≤V≤1. Carla Henriques e Manuel Reis 42 Tratamento Estatístico de Dados . com q=min{r. χ2 . referimos o coeficiente proposto por Cramer que atinge o valor 1 quando há associação completa. Por último.Dep.

Para ter uma ideia da intensidade de associação entre estes dois atributos.122 60 + 4000 0≤C≤ (q − 1) q . Coeficiente de Contingência de Pearson: C = χ2 χ2 + n = 60 = 0. i.816.s}=3. 0 ≤C≤ 0.e. onde q=min{r.Dep. calculam-se os coeficientes que acabámos de descrever. Carla Henriques e Manuel Reis 43 Tratamento Estatístico de Dados . rejeitámos a hipótese de independência entre o modo de pagamento e o período do dia em que as compras eram efectuadas. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência Para o exemplo anterior.

087 4000 × 2 Verificamos.087 4000 2 × 2 χ2 Coeficiente V de Cramer: V = = n(q − 1) 60 =0. Carla Henriques e Manuel Reis 44 Tratamento Estatístico de Dados . Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência Coeficiente de Tshuprow: T= χ2 n (r − 1) × (s − 1) = 60 =0.Dep. que apesar de haver associação entre os atributos. esta pode considerar-se fraca. então.

.....r e j=1. A2. Carla Henriques e Manuel Reis 45 Tratamento Estatístico de Dados .. surge também uma tabela de contingência r×s: A1 A2 M B1 B2 ...s) Or1 Or2 . B2. O2s M M O M Ar Oij (i=1. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência Teste de Homogeneidade Suponha que são recolhidas amostras aleatórias de s populações (sub-populações ou estratos) B1.. O1s O21 O22 . Ar.... Neste contexto. Bs ..... Bs O11 O12 ....Dep. Ors número de elementos da amostra da população Bj classificados na categoria Ai de A.. nas quais se observa um atributo A com r categorias A1.....

Carla Henriques e Manuel Reis 46 Tratamento Estatístico de Dados . • O⋅j = ∑ Oij (j=1..Dep...r) j=1 s nº de elementos na categoria Ai de A em todas as amostras. e o que se pretende saber é se existe homogeneidade. isto é..s) i=1 r tamanho da amostra recolhida na população Bj.. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência Sejam: • Oi⋅ = ∑ Oij (i=1. cada Bj rotula uma sub-população cujos elementos se distribuem pelas r modalidades do atributo A. Neste caso.... se não há diferença entre as populações no modo como os seus elementos se distribuem pelas modalidades do atributo A.

que. Valores muito grandes da estatística de teste traduzem um grande afastamento dos dados em relação à hipótese nula. conduzindo à rejeição desta. a estatística do teste é χ2 = ∑ ∑ r s ˆ (Oij − eij )2 ˆ eij i=1 j=1 . Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência À semelhança do teste de independência. sob o pressuposto de H0 ser verdadeira. Carla Henriques e Manuel Reis 47 Tratamento Estatístico de Dados .Dep. Assim. tem distribuição assimptótica do Qui-Quadrado com (r-1)(s-1) graus de liberdade. a estatística de teste mede o afastamento dos dados em relação à hipótese de homogeneidade.

se tivermos: .mais de 20% das frequências esperadas. . Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência Para aplicar os testes de independência e de homogeneidade devem ser seguidas as mesmas regras que vimos para o teste de ajustamento do Quiquadrado. ei’s. isto é. Carla Henriques e Manuel Reis 48 Tratamento Estatístico de Dados .alguma frequência esperada inferior a 1 devemos proceder à agregação de algumas classes contíguas. inferiores a 5 ou.Dep.

existe uma alternativa ao teste do Qui-quadrado. Em tabelas de contingência 2x2. baseado numa distribuição assimptótica.Dep. Carla Henriques e Manuel Reis 49 Tratamento Estatístico de Dados . Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência Teste exacto de Fisher O teste do Qui-quadrado é. o que portanto limita a sua aplicação ao caso de grandes amostras (recorde as limitações sobre as frequências esperadas). o teste de Fisher. como já se disse. a distribuição da estatística é exacta (os pontos críticos e valores-p são calculados de forma exacta). i. que é um teste exacto..e.

Dep. pretende-se testar a hipótese H0 de que as duas distribuições populacionais são idênticas. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Ajuste entre duas Amostras Independentes AJUSTE ENTRE DUAS AMOSTRAS INDEPENDENTES Objectivo: Dadas duas amostras aleatórias e independentes provenientes de duas populações. isto é. Hipóteses a testar: H0: As duas amostras são retiradas de populações com a mesma distribuição H1: As duas amostras são retiradas de populações com distribuições diferentes Carla Henriques e Manuel Reis 1 Tratamento Estatístico de Dados . as duas amostras podem ser consideradas como provenientes de populações com a mesma distribuição.

as duas populações são homogéneas.. A hipótese H0 que se pretende testar é a de que as duas populações em estudo têm a mesma distribuição.Dep. Carla Henriques e Manuel Reis 2 Tratamento Estatístico de Dados .. Trata-se então do teste do Qui-quadrado de homogeneidade para duas populações (s=2).. A2. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Ajuste entre duas Amostras Independentes Teste do Qui-quadrado Os valores possíveis da característica em estudo são repartidos por m classes mutuamente exclusivas A1.Am. Por outras palavras.. não há diferença entre as duas populações no modo como os seus elementos se distribuem pelas diversas classes. isto é.

Carla Henriques e Manuel Reis 3 Tratamento Estatístico de Dados . em valor absoluto. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Ajuste entre duas Amostras Independentes Teste de Kolmogorov-Smirnov Este teste aplica-se a distribuições contínuas. não é rejeitada a hipótese nula de que as duas amostras provêm de populações com a mesma distribuição. SA(x)–SB(x). Se não se registarem diferenças significativas. Comparam-se as frequências relativas acumuladas registadas nas duas amostras (digamos A e B). Estatística de teste: D ' = sup S A ( x) − S B ( x) − ∞ < x < +∞ Para um nível de significância α. a hipótese H0 é rejeitada se o valor observado da estatística de teste for superior ao ponto crítico D'α (a ser consultado numa tabela). A estatística de teste considera a maior das diferenças. entre as proporções de valores inferiores ou iguais a x observadas em cada amostra.Dep.

Dep. VALORES N. obtendo-se os seguintes resultados VALORES N.º indivíduos 20 2 22 3 23 9 26 12 29 27 30 16 31 7 33 2 34 2 Seleccionaram-se aleatoriamente 70 indivíduos com a variante B da mesma doença. Os valores da análise para estes 70 indivíduos estão registados seguidamente.º indivíduos 23 1 24 2 26 3 28 6 30 15 31 20 32 13 33 4 34 3 36 2 38 1 Pode-se admitir que a distribuição dos valores da análise é a mesma para as duas variantes da doença? Servirá esta análise como meio de diagnostico da variante A ou B desta doença? (Use α=0.01) Carla Henriques e Manuel Reis 4 Tratamento Estatístico de Dados . Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Ajuste entre duas Amostras Independentes Exemplo: Registaram-se os valores de uma análise feita a 80 indivíduos com a variante A de uma dada doença.

Dep. Matemática Escola Superior de Tecnologia de Viseu

TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Ajuste entre duas Amostras Independentes

Variante A:
VALORES N.º indivíduos Freq. acumuladas SA(x) 20 2 2 2/80 22 23 26 29 30 31 33 3 9 12 27 16 7 2 5 14 26 53 69 76 78 5/80 14/80 26/80 53/80 69/80 76/80 78/80 34 2 80 1

Variante B:
VALORES N.º indivíduos Freq. acumuladas SB(x) 23 1 1 1/70 24 2 3 3/70 26 3 28 6 30 15 31 20 32 13 33 4 34 3 36 2 38 1 70 1

6 12 27 47 60 64 67 69 6/70 12/70 27/70 47/70 60/70 64/70 67/70 69/70

Carla Henriques e Manuel Reis
5

Tratamento Estatístico de Dados

Dep. Matemática Escola Superior de Tecnologia de Viseu

TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Ajuste entre duas Amostras Independentes

Cálculo do valor observado da estatística de teste:

Valores

20

22

23

24

26

28

29

30

31

32

33

34

36

38
1 1 0

2/80 5/80 14/80 14/80 26/80 26/80 53/80 69/80 76/80 76/80 78/80 1 1 SA(x) 0 0 1/70 3/70 6/70 12/70 12/70 27/70 47/70 60/70 64/70 67/70 69/70 SB(x) |SA(x)- SB(x)| 0,025 0,063 0,161 0,132 0,239 0,154 0,491 0,477 0,279 0,093 0,061 0,043 0,014

O valor observado da estatística de teste é então D’obs=0.491. 80 + 70 = 0.267 . 80 × 70

Para α=0.01, o ponto crítico é (consulte tabela): 1.63

Carla Henriques e Manuel Reis
6

Tratamento Estatístico de Dados

Dep. Matemática Escola Superior de Tecnologia de Viseu

TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Ajuste entre duas Amostras Independentes

Dado que o valor observado da estatística de teste é 0.491>0.267, então rejeita-se a hipótese nula de as duas variantes da doença não se distinguirem quanto à distribuição dos valores da análise. Há portanto evidência estatística, ao nível de significância de 0.01, de que os valores da análise de distribuem de forma diferente na variante A e B da doença.

Carla Henriques e Manuel Reis
7

Tratamento Estatístico de Dados

Carla Henriques e Manuel Reis 1 Tratamento Estatístico de Dados . Nota: O teste de Krukal-Wallis constitui uma alternativa à análise de variância com um factor. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Teste de Kruskal_Wallis TESTE DE KRUSKAL-WALLIS Objectivo: Dadas k populações nas quais se estuda uma característica comum e de onde foram extraídas k amostras aleatórias e independentes. quando os pressupostos desta não podem ser verificados. as k amostras podem ser consideradas como provenientes de populações com a mesma distribuição.Dep. pretende-se testar a hipótese H0 de que as distribuições populacionais são idênticas. a ser abordada mais tarde. isto é.

Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Teste de Kruskal_Wallis Hipóteses a testar: H0: As k amostras são retiradas de populações com a mesma distribuição H1: As k amostras não são retiradas de populações com a mesma distribuição. isto é.Dep. há pelo menos duas populações com distribuições diferentes O teste de Kruskal-Wallis é particularmente sensível a diferenças nas medidas de localização. Carla Henriques e Manuel Reis 2 Tratamento Estatístico de Dados . Por esta razão as hipóteses são geralmente formuladas em termos das médias ou das medianas populacionais.

Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Teste de Kruskal_Wallis Notação: µi média da i-ésima população mediana da i-ésima população (as médias populacionais são iguais para as k populações) (há pelo menos duas populações com médias diferentes) Mi H0: µ1=µ2=…=µk H1: µi≠µj . i≠j H0: M1=M2=…=Mk (as k medianas populacionais são iguais) H1: Mi=Mj .Dep. i≠j (há pelo menos duas populações com medianas diferentes) Carla Henriques e Manuel Reis 3 Tratamento Estatístico de Dados .

Procedimento: i =1 k ordenam-se todas as observações por ordem crescente dos seus valores..a j-ésima observação da amostra da população i. a cada observação Xij (a observação mais pequena fica com o nº de ordem.. 1 e a observação maior com o posto N).k).Dep..nº total de observações. para cada população i determina-se o valor Ri da soma dos postos das observações correspondentes a esse grupo populacional: Ri = ∑ Rij j =1 ni Carla Henriques e Manuel Reis 4 Tratamento Estatístico de Dados . atribui-se um nº de ordem.o tamanho da amostra retirada da população i (i=1. Rij. Xij . N = ∑ ni . Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Teste de Kruskal_Wallis Notação: ni . ou posto. ou posto.

os números de ordem seriam respectivamente.Dep.5. 102. que deve ser atribuído a cada valor empatado deve ser a média dos números de ordem que seriam atribuídos a estes valores se não estivessem empatados. ou posto. 6. 3. 8. 102. 103. Carla Henriques e Manuel Reis 5 Tratamento Estatístico de Dados .5. 102. Neste caso. 1. 5. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Teste de Kruskal_Wallis Quando há empates nos valores observados. suponhamos que ordenando os valores observados obtínhamos 100. Por exemplo. 3. 6. 103. o número de ordem. 102. 104. 3.5.

. superior ao ponto crítico (teste unilateral à direita).k.. sob H0.. exacta da estatística H.k. H tem aproximadamente 2 distribuição χ k −1 . consultar tabela da distribuição o Se ni≥5 para todo i=1. consultar tabela desta distribuição. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Teste de Kruskal_Wallis Quando não há empates nos valores observados das amostras.. Pontos críticos: o Se k=3 e ni≤5 para todo i=1...Dep. a estatística de teste é: k R2 12 H= ∑ i − 3(N + 1) N(N + 1) i=1 ni A hipótese nula deve ser rejeitada se o valor observado da estatística H for muito grande. ou o nº de empates é muito pequeno.. i..e.. Carla Henriques e Manuel Reis 6 Tratamento Estatístico de Dados . sob H0.

. 1 ⎡ k ni 2 N(N + 1)2 ⎤ S = ⎢ ∑ ∑ Rij − ⎥ N − 1 ⎣i=1 j=1 4 ⎦ 2 Pontos críticos: o Se ni≥5 para todo i=1.k. Carla Henriques e Manuel Reis 7 Tratamento Estatístico de Dados ... consultar tabela desta distribuição.Dep. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Teste de Kruskal_Wallis Quando há muitos empates nos valores observados das amostras a estatística de teste a usar deve ser: 1 ⎡ k Ri2 N(N + 1)2 ⎤ H'= 2 ⎢ ∑ − ⎥ 4 S ⎣i=1 ni ⎦ onde. H’ tem aproximadamente 2 distribuição χ k −1 . sob H0..

05) Carla Henriques e Manuel Reis 8 Tratamento Estatístico de Dados . cada um de 14 estudantes foi aleatoriamente matriculado em uma de três turmas. pediu-se a cada estudante que resolvesse o mesmo problema.Dep. Após algumas aulas. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Teste de Kruskal_Wallis Exemplo: Para avaliar o mérito de três métodos de ensino diferentes. Os tempos respectivos (em minutos) constam do quadro seguinte. Em cada turma utilizou-se um método de ensino diferente. Método 1 15 12 18 20 10 Método 2 21 16 13 9 Método 3 11 19 17 22 24 Será possível afirmar que os métodos de ensino produzem resultados diferentes no que diz respeito à rapidez de um aluno para resolver um problema? (Use α=0.

Rij Grupo (mét. registando o grupo (mét.Dep. ensino) a que pertencem.) R1=2+4+6+9+11=32 R2=1+5+7+12=25 R3=3+8+10+13+14=48 Carla Henriques e Manuel Reis 9 Tratamento Estatístico de Dados . Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Teste de Kruskal_Wallis Ordenam-se as observações. e determina-se o posto de cada uma: 9 1 2 10 11 12 13 15 16 17 18 19 20 21 22 24 2 1 3 3 4 1 5 2 6 1 7 2 8 3 9 1 10 11 12 13 14 3 1 2 3 3 Observação Posto .

Dep. a estatística de teste é H= ∑ i − 3(N + 1) cujo N(N + 1) i=1 ni ⎛ 32 2 25 2 48 2 ⎞ 12 ⎜ ⎟ − 3(14 + 1) = 1. retira-se o ponto crítico para α=0.963.05: 5. + + valor observado é: Hobs= 14(14 + 1) ⎜ 5 4 5 ⎟ ⎝ ⎠ Consultando a tabela da distribuição exacta de H.6429. Carla Henriques e Manuel Reis 10 Tratamento Estatístico de Dados . Dado que Hobs=1. sob H0.6429. Por outras palavras. não há evidência estatística de que o tipo de método de ensino influencie o desempenho dos estudantes na resolução de problemas.963<5. não se rejeita a hipótese nula dos três métodos de ensino produzirem efeitos idênticos. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Teste de Kruskal_Wallis k R2 12 Não havendo empates.

k Carla Henriques e Manuel Reis 11 Tratamento Estatístico de Dados . quais são as amostras onde se encontram diferenças significativas.Dep. i. dividindo a soma dos postos Ri pelo tamanho da amostra ni. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Teste de Kruskal_Wallis Testes de Comparações múltiplas Quando rejeitamos a hipótese H0. Para isso temos de comparar cada par de amostras da seguinte maneira: para cada amostra. i.j=1.e. surge a questão de identificar onde se encontram as diferenças. calcula-se o posto médio R i .….. Determinam-se as diferenças absolutas entre cada par de postos médios Ri − R j .

k −1 ⎜ ⎟⎜ ⎜ ⎝ 12 1 1⎞ + ⎟ ⎠⎝ n i n j ⎟ ⎠ 2 onde. χ α. então. evidência de existirem diferenças entre as populações de onde se extraíram estas amostras. havendo. Se R i − R j > c ij . Carla Henriques e Manuel Reis 12 Tratamento Estatístico de Dados . portanto.k −1 é o ponto crítico usado para o teste de Kruskal-Wallis. considera-se significativa a diferença entre as amostras i e j. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Teste de Kruskal_Wallis Cada diferença absoluta R i − R j é comparada com o valor crítico c ij = ⎛ N( N + 1) ⎞⎛ 2 χ α .Dep.

Sign up to vote on this title
UsefulNot useful