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

8 4. 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.6 -0. Será mesmo de admitir que tais dados foram extraídos de uma pop.7 -2.4 12. Uma amostra de 30 navios revelou seguinte. -6.2)? Carla Henriques e Manuel Reis 4 Tratamento Estatístico de Dados .2 4 Diferença entre a data de chegada e a data planeada para 30 navios.2 -9 13.8 -0.1. N(0.6 2.6 os resultados que se apresentam na tabela -1.1 e desvio padrão 7.4 -6 -5.6 -3.2 7.6 15.8 8.9 -5.8 1.3 15 -7.2.4 -8. 7.Dep.4 2.6 -2 5 2.4 -7.2 2.8 -1. 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.2 -2. Há razões para supor que tal diferença é uma variável aleatória com distribuição Normal de média 0.

que apresentamos a seguir. o teste de Kolmogorov ou Kolmogorov-Smirnov e o teste de normalidade de Lilliefors.Dep. estamos perante um problema de ajustamento de dados a uma determinada distribuição. Carla Henriques e Manuel Reis 5 Tratamento Estatístico de Dados . Existem vários testes de ajustamento que nos permitem fazer uma análise de problemas deste tipo. 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.

Dep. . A1. Am (serão intervalos da recta real se a característica é quantitativa e contínua).. extraída de uma população com distribuição desconhecida. A2.. Carla Henriques e Manuel Reis 6 Tratamento Estatístico de Dados . . 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. sobre os quais se observa uma característica (qualitativa ou quantitativa). repartidas por m classes mutuamente exclusivas. Os valores possíveis da característica em estudo são. num primeiro passo.

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

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

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

das quais avançamos a seguinte. São referidas na literatura várias regras práticas de aplicação do teste. Se tivermos: . e iniciar novamente o teste. pois se estas forem muito pequenas a aproximação ao Qui-quadrado não é a mais apropriada.mais de 20% das classes com ei inferior a 5 ou. agora com menos classes.Dep. Carla Henriques e Manuel Reis 10 Tratamento Estatístico de Dados . ei’s. . 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.alguma classe com ei inferior a 1 devemos proceder à agregação de algumas classes contíguas.

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

3. Carla Henriques e Manuel Reis 12 Tratamento Estatístico de Dados . donde p0i = P(Ai\H0) = 1/4.2. as frequências esperadas são todas iguais a n/m>5. Assim. 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. para i=1. com m tal que n/m>5.4.Dep. Para o exemplo escolheu-se m=4 classes (ei=30/4=7. Os limites dos intervalos são tais que as probabilidades decorrentes da hipótese nula sejam iguais a 1/m para todas as classes.5>5).

NORM(0. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Cálculo dos limites dos intervalos de classe: a3: p03 = 0.25 ⇔ a3=4.924-0.7.1-(4.1.75.NORM(0.7.25.0.1 e a1=0.Dep.2)).2)) Carla Henriques e Manuel Reis 13 Tratamento Estatístico de Dados .96 (EXCEL: INV.724 (EXCEL: INV.1)= -4.1 a3 Da simetria da distribuição normal: a2=0.1. 1/4 1/4 1/4 1/4 a1 a2 =0.0.

4 8.6 -5.6 -2.96[ A4=[4.5 ) 2 Qobs= + + + = 0.6 2.6 4.1[ A3=[0.2 4 Classes A1=]-∞.6 -7.25 0.5 Carla Henriques e Manuel Reis 14 Tratamento Estatístico de Dados .2 2.4 -1.3 -2.8 15.4 -0.8 p0i 0.76.6 -3.2 7.7 2.8 -5.4 -1.13 7 . -4.9 1.25 -7.5 7 .Dep.5 7.8 -0. 4.25 0.5 7 .5 7 .5 ) 2 ( 7 − 7 . +∞ [ Frequências observadas 8 8 7 7 Frequências esperadas 7.4 -9 5 -6 13.5 7.1.5 ) 2 ( 7 − 7 . Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento -6.5 7.8 15 -8.5 ) 2 ( 8 − 7 .96.76[ A2=[-4.0.2 -2 12.5 O valor observado da estatística de teste é ( 8 − 7 .25 0.2 2.

C.05: R.81=INV.Dep. Para α=0. tem aproximadamente distribuição Qui-quadrado com m-1=4-1=3 graus de liberdade.22). (EXCEL: 7.C.=[7. Carla Henriques e Manuel Reis 15 Tratamento Estatístico de Dados .81..1. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento A estatística teste. +∞[ . somos levados a não rejeitar a hipótese de que a diferença entre os tempos de chegada e os tempos planeados tem distribuição N(0.3)) Como Qobs ∉R. sob o pressuposto de H0 ser verdadeira. 7.05.CHI(0.

Dep. sendo por isso mais adequado utilizar o teste K-S. que além de serem sempre algo arbitrárias envolvem perdas de informação. 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. De facto. No entanto. pois a tabela disponível para este teste só é exacta caso a distribuição em teste seja contínua. não se aplica a dados qualitativos nem a variáveis discretas. temos de proceder à agregação dos dados em classes. no ajustamento de uma distribuição contínua a uma amostra usando o teste do Qui-quadrado. Carla Henriques e Manuel Reis 16 Tratamento Estatístico de Dados .

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

contínua e completamente especificada. 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. para qualquer x H1: F(x)≠F0(x). 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. Carla Henriques e Manuel Reis 18 Tratamento Estatístico de Dados . Hipóteses a testar: H0: F(x)=F0(x).Dep.

e a probabilidade de se observar um valor inferior ou igual a x se a distribuição populacional for a especificada em H0. F0(x): Dn = − ∞ < x < +∞ sup S ( x) − F0 ( x) F0(x) S (x) Carla Henriques e Manuel Reis 19 Tratamento Estatístico de Dados .Dep. entre a proporção de observações inferiores ou iguais a x. S(x). em valor absoluto. 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.

Então. rejeita-se H0. F0 ( xi ) − S ( xi −1 ) }. se H0 for verdadeira... o supremo ocorre num ponto onde se verifica um salto de S : Dn.α podem ser consultados numa tabela).. n Assim.α (os valores críticos Dn. se o valor observado for superior ou igual ao ponto crítico Dn. 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.obs tome um valor pequeno.Dep. para um nível de significância α.. a distância vertical máxima entre as imagens das duas distribuições não deve de ser muito grande.obs = max { F0 ( xi ) − S ( xi ) . i =1. Carla Henriques e Manuel Reis 20 Tratamento Estatístico de Dados . e logo espera-se que Dn.

Foram registados os tempos despendidos em 10 tarefas seleccionadas ao acaso.Dep. há evidência para rejeitar a hipótese de normalidade da referida variável? Carla Henriques e Manuel Reis 21 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%. 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.

Para calcular o valor observado da estatística de teste. Os cálculos estão efectuados na tabela seguinte.05= 0.0. 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. / O ponto crítico da estatística de teste D10 é. para α=0. 562) H1: X ~ N(290.409 (consulte a tabela).Dep. neste caso. 562). começa-se por ordenar os valores da amostra por ordem crescente.05. H0: X∼N(290. Carla Henriques e Manuel Reis 22 Tratamento Estatístico de Dados . As hipóteses a testar são. D10.

4 0. 562).5 0.3 0.1356 0.4644 0.obs =0.6 0.1602 0.421 0.2214 0.7 0.3739 0.026 0.409.290.185 0.7 0.4786 0.0502 0.Dep. ao nível de significância de 5%.NORM(198.5 0.2602 0.05 0.6 0.9 1 S(xi-1) 0 0.5142 F0(xi) |F0(xi).0502 0.4152 0.0848 0.06 0.3858 Como D10.009 0. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento EXCEL: DIST.1085 0.486>0.3944 0.3085 0.486 |F0(xi).3 0.S(xi-1)| 0.2 0.0056 0.1 0.S(xi) | 0. rejeitamos a hipótese de o tempo despendido na execução de uma tarefa seguir distribuição N(290.0739 0.236 0.VERDADEIRO) 198 254 262 272 275 278 285 287 292 xi S(xi) 0. Carla Henriques e Manuel Reis 23 Tratamento Estatístico de Dados .9 0.106 0.2 0.56.4 0.1 0.

isto é. usando estimativas de µ e σ. respectivamente.Dep. Hipóteses a testar H0: X ~ N(µ. x e s. σ2) / Este teste processa-se como o teste de K-S. para algum µ e algum σ. σ2) H1: X ~ N(µ. Carla Henriques e Manuel Reis 24 Tratamento Estatístico de Dados . σ2) sem especificar µ e σ. 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. Os pontos críticos são consultados na tabela elaborada por Lilliefors.

a dimensão da amostra é muito pequena (n=5). T ~ tn-1 Tratamento Estatístico de Dados 25 . e além disso. 36 e 36. o intervalo pode ser calculado usando a fórmula: X mt Carla Henriques e Manuel Reis S .Dep. O senhor quer estimar o tempo médio pretendido através de um intervalo de confiança. 35. Poderá fazê-lo? Sabemos que caso a distribuição subjacente aos dados seja normal. 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. mas nada sabe acerca da distribuição do tempo de entrega X. Foi recolhida uma amostra aleatória de cinco tempos: 29. 33. n onde t: P(-t<T<t) =λ.

05 =0. σ2) H1: X ~ N(µ. podemos utilizar o teste de Lilliefors. 0. interessa testar. as hipóteses H0: X ~ N(µ.337 (consulte a tabela). Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Assim. em primeiro lugar. σ2) / Uma vez que nada sabemos acerca de µ e σ. O valor crítico da estatística teste. Carla Henriques e Manuel Reis 26 Tratamento Estatístico de Dados .8 s=2.05 é * D5. ao nível de significância de 0.95 . recorrendo às estimativas x =33.Dep.

VERDADEIRO) Cálculo do valor observado da estatística de Teste: xi 29 33 35 36 S(xi) 0.0579 0.0519 0.2579<0.6579 0.8.1931 0.NORM(29. obs =0.95.4 0. ao nível se significância de 5%.6 1 S(xi-1) 0 0. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento EXCEL: DIST. não rejeitamos a hipótese de a população em estudo ter distribuição normal.33.3931 0. Carla Henriques e Manuel Reis 27 Tratamento Estatístico de Dados .4 0.S(xi-1)| 0.2279 |F0(xi).772 |F0(xi).S(xi) | 0.2.Dep.337.0519 0. então.1481 0.6 F0(xi) 0.2 0.2579 0.2 0.0069 0.1721 * Como D5.

uma com r e outra com s modalidades ou categorias. Ar e B1.. Carla Henriques e Manuel Reis 28 Tratamento Estatístico de Dados . A2..Dep.. B2. respectivamente A1...... 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).

O2s M M O M A1 A2 M Ar Oij (i=1.. A classificação dos elementos da amostra dá origem a uma tabela de dupla entrada.. Ors número de elementos classificados simultaneamente nas categorias Ai de A e Bj de B..s) Or1 Or2 ..Dep... numa amostra de tamanho n.. O1s O21 O22 ....r e j=1.. designada por tabela de contingência r×s. Bs O11 O12 .. 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.. Carla Henriques e Manuel Reis 29 Tratamento Estatístico de Dados .. com o seguinte aspecto: B1 B2 ...

s) i=1 r nº de elementos na amostra com modalidade Bj. • O⋅j = ∑ Oij (j=1..Dep.... Tem-se. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência Sejam: • Oi⋅ = ∑ Oij (i=1..r) j=1 s nº de elementos na amostra com modalidade Ai.. Carla Henriques e Manuel Reis 30 Tratamento Estatístico de Dados ... 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. inferir se A e B são ou não independentes. 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. mais concretamente. 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 .

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

P(Ai∩Bj) = P(Ai) P(Bj). se os atributos são independentes. Carla Henriques e Manuel Reis 33 Tratamento Estatístico de Dados .Dep. 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). pij= pi⋅× p⋅j Assim. verifica-se a conhecida relação. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência Ora. isto é.

i. 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. pij= pi⋅× p⋅j . a partir dos dados amostrais.e.Dep. Quando H0 é verdadeira. 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 . por O ˆ pi• = i• n Notação: eij=n pij e ˆ p• j = O• j n . número esperado de indivíduos na classe Ai de A e Bj de B.

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

dinheiro e cartão de débito/crédito.Dep. 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. Existem três modos de efectuar os pagamentos: por cheque. 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 .

Dep. Ao nível de significância de 0.05. a estatística teste tem distribuição assimptótica do Qui-quadrado com (r-1)(s-1)=(3-1)(3-1)= 4 graus de liberdade. sob H0.05.4)).49. Carla Henriques e Manuel Reis 37 Tratamento Estatístico de Dados . 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.CHI(0. 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. +∞[ (consulte tabela ou faça no EXCEL: INV.

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. M Carla Henriques e Manuel Reis 38 Tratamento Estatístico de Dados .Dep.

. χ obs = 750 1500 250 125 Uma vez que 60 excede o valor crítico 9. rejeitamos a hipótese de que o modo de pagamento é independente do período do dia em que as compras são feitas. 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 + +..49.Dep. Carla Henriques e Manuel Reis 39 Tratamento Estatístico de Dados . ao nível de significância de 0.05.+ + =60.

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

enquanto que valores grandes de C indicam forte associação. Tshuprow propôs o seguinte coeficiente. (q − 1) q onde q=min{r. O facto deste coeficiente não assumir o valor 1 no caso de associação completa é uma sua limitação. 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.s} e portanto nunca Valores pequenos de C indicam fraca associação entre os atributos.Dep. Para obviar este problema. Carla Henriques e Manuel Reis 41 Tratamento Estatístico de Dados .

tomando o valor 0 no caso de existir independência e o valor 1 quando r=s e houver associação completa. com q=min{r. referimos o coeficiente proposto por Cramer que atinge o valor 1 quando há associação completa. Carla Henriques e Manuel Reis 42 Tratamento Estatístico de Dados . χ2 .Dep. 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. Por último.

calculam-se os coeficientes que acabámos de descrever. 0 ≤C≤ 0.s}=3. i.Dep.816. Coeficiente de Contingência de Pearson: C = χ2 χ2 + n = 60 = 0. 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. Para ter uma ideia da intensidade de associação entre estes dois atributos.e.122 60 + 4000 0≤C≤ (q − 1) q . Carla Henriques e Manuel Reis 43 Tratamento Estatístico de Dados . onde q=min{r.

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. que apesar de haver associação entre os atributos. esta pode considerar-se fraca.087 4000 2 × 2 χ2 Coeficiente V de Cramer: V = = n(q − 1) 60 =0. então.087 4000 × 2 Verificamos. Carla Henriques e Manuel Reis 44 Tratamento Estatístico de Dados .Dep.

...... Ar..s) Or1 Or2 . nas quais se observa um atributo A com r categorias A1....... Ors número de elementos da amostra da população Bj classificados na categoria Ai de A..r e j=1. B2. O1s O21 O22 ... Bs .Dep.. Carla Henriques e Manuel Reis 45 Tratamento Estatístico de Dados ... surge também uma tabela de contingência r×s: A1 A2 M B1 B2 .. O2s M M O M Ar Oij (i=1. Neste contexto. Bs O11 O12 ..... 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. A2.

. Carla Henriques e Manuel Reis 46 Tratamento Estatístico de Dados .. isto é..Dep..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. • O⋅j = ∑ Oij (j=1. e o que se pretende saber é se existe homogeneidade. Neste caso..r) j=1 s nº de elementos na categoria Ai de A em todas as amostras. se não há diferença entre as populações no modo como os seus elementos se distribuem pelas modalidades do atributo A.. cada Bj rotula uma sub-população cujos elementos se distribuem pelas r modalidades do atributo A..

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

. Carla Henriques e Manuel Reis 48 Tratamento Estatístico de Dados .alguma frequência esperada inferior a 1 devemos proceder à agregação de algumas classes contíguas.Dep. ei’s.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. se tivermos: . isto é. inferiores a 5 ou.

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

as duas amostras podem ser consideradas como provenientes de populações com a mesma distribuição. 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 . 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.Dep.

Dep. 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. isto é.Am. A2. Trata-se então do teste do Qui-quadrado de homogeneidade para duas populações (s=2). não há diferença entre as duas populações no modo como os seus elementos se distribuem pelas diversas classes... Por outras palavras. Carla Henriques e Manuel Reis 2 Tratamento Estatístico de Dados ... A hipótese H0 que se pretende testar é a de que as duas populações em estudo têm a mesma distribuição. as duas populações são homogéneas.

não é rejeitada a hipótese nula de que as duas amostras provêm de populações com a mesma distribuição. Comparam-se as frequências relativas acumuladas registadas nas duas amostras (digamos A e B). 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.Dep. Se não se registarem diferenças significativas. A estatística de teste considera a maior das diferenças. entre as proporções de valores inferiores ou iguais a x observadas em cada amostra. 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). em valor absoluto. Estatística de teste: D ' = sup S A ( x) − S B ( x) − ∞ < x < +∞ Para um nível de significância α. SA(x)–SB(x). Carla Henriques e Manuel Reis 3 Tratamento Estatístico de Dados .

01) Carla Henriques e Manuel Reis 4 Tratamento Estatístico de Dados . VALORES N.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. 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. obtendo-se os seguintes resultados VALORES N. Os valores da análise para estes 70 indivíduos estão registados seguidamente.Dep.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.

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 . pretende-se testar a hipótese H0 de que as distribuições populacionais são idênticas.Dep. quando os pressupostos desta não podem ser verificados. 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. a ser abordada mais tarde. as k amostras podem ser consideradas como provenientes de populações com a mesma distribuição. isto é.

Por esta razão as hipóteses são geralmente formuladas em termos das médias ou das medianas populacionais. isto é. Carla Henriques e Manuel Reis 2 Tratamento Estatístico de Dados . 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.Dep. há pelo menos duas populações com distribuições diferentes O teste de Kruskal-Wallis é particularmente sensível a diferenças nas medidas de localização.

Dep. i≠j (há pelo menos duas populações com medianas diferentes) Carla Henriques e Manuel Reis 3 Tratamento Estatístico de Dados . 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 .

a j-ésima observação da amostra da população i. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Teste de Kruskal_Wallis Notação: ni .o tamanho da amostra retirada da população i (i=1.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 . N = ∑ ni .. Procedimento: i =1 k ordenam-se todas as observações por ordem crescente dos seus valores.k). atribui-se um nº de ordem. Rij. ou posto.. 1 e a observação maior com o posto N).. ou posto. a cada observação Xij (a observação mais pequena fica com o nº de ordem. Xij .

5.5. 104. os números de ordem seriam respectivamente. o número de ordem. 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. 1. 6. 3.5. 102. 102. Por exemplo. 102. suponhamos que ordenando os valores observados obtínhamos 100. 3.Dep. 8. 103. 6. 102. 103. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Teste de Kruskal_Wallis Quando há empates nos valores observados. Neste caso. 3. ou posto. Carla Henriques e Manuel Reis 5 Tratamento Estatístico de Dados .5.

.. Carla Henriques e Manuel Reis 6 Tratamento Estatístico de Dados . sob H0.k.k.... ou o nº de empates é muito pequeno.Dep. Pontos críticos: o Se k=3 e ni≤5 para todo i=1.. consultar tabela da distribuição o Se ni≥5 para todo i=1.. exacta da estatística H.. superior ao ponto crítico (teste unilateral à direita).e. 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. 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.. sob H0. i. consultar tabela desta distribuição. H tem aproximadamente 2 distribuição χ k −1 .

k. Carla Henriques e Manuel Reis 7 Tratamento Estatístico de Dados . consultar tabela desta distribuição. 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. sob H0.. 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.Dep... H’ tem aproximadamente 2 distribuição χ k −1 ..

Dep. pediu-se a cada estudante que resolvesse o mesmo problema. Em cada turma utilizou-se um método de ensino diferente. cada um de 14 estudantes foi aleatoriamente matriculado em uma de três turmas. 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. 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. Após algumas aulas. Os tempos respectivos (em minutos) constam do quadro seguinte.05) Carla Henriques e Manuel Reis 8 Tratamento Estatístico de Dados .

Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Teste de Kruskal_Wallis Ordenam-se as observações. registando o grupo (mét.) 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 .Rij Grupo (mét. ensino) a que pertencem. 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.

05: 5.963<5. 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) = 1.963. sob H0. + + valor observado é: Hobs= 14(14 + 1) ⎜ 5 4 5 ⎟ ⎝ ⎠ Consultando a tabela da distribuição exacta de H. não há evidência estatística de que o tipo de método de ensino influencie o desempenho dos estudantes na resolução de problemas. retira-se o ponto crítico para α=0. não se rejeita a hipótese nula dos três métodos de ensino produzirem efeitos idênticos.Dep.6429. Por outras palavras. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Teste de Kruskal_Wallis k R2 12 Não havendo empates. Carla Henriques e Manuel Reis 10 Tratamento Estatístico de Dados . Dado que Hobs=1.6429.

k Carla Henriques e Manuel Reis 11 Tratamento Estatístico de Dados .…. quais são as amostras onde se encontram diferenças significativas.e. i. surge a questão de identificar onde se encontram as diferenças.Dep. 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. i..j=1. Determinam-se as diferenças absolutas entre cada par de postos médios Ri − R j . dividindo a soma dos postos Ri pelo tamanho da amostra ni. calcula-se o posto médio R i . Para isso temos de comparar cada par de amostras da seguinte maneira: para cada amostra.

k −1 é o ponto crítico usado para o teste de Kruskal-Wallis. 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 . então. considera-se significativa a diferença entre as amostras i e j. χ α.k −1 ⎜ ⎟⎜ ⎜ ⎝ 12 1 1⎞ + ⎟ ⎠⎝ n i n j ⎟ ⎠ 2 onde.Dep. Carla Henriques e Manuel Reis 12 Tratamento Estatístico de Dados . Se R i − R j > c ij . portanto. evidência de existirem diferenças entre as populações de onde se extraíram estas amostras. havendo.

Sign up to vote on this title
UsefulNot useful