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

2 7.2 -9 13.1 e desvio padrão 7.6 -2 5 2.4 2.8 1.4 -7.2 2.Dep. Será mesmo de admitir que tais dados foram extraídos de uma pop.8 4.6 -3.1.6 15.4 12.2)? Carla Henriques e Manuel Reis 4 Tratamento Estatístico de Dados .2.2 4 Diferença entre a data de chegada e a data planeada para 30 navios.8 8. Uma amostra de 30 navios revelou seguinte.2 -2. 7. 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.8 -1.3 15 -7. 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. N(0.4 -8.6 os resultados que se apresentam na tabela -1.6 -0.8 -0.4 -6 -5.9 -5.6 2. -6. Há razões para supor que tal diferença é uma variável aleatória com distribuição Normal de média 0.7 -2.

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

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

. .m H1: pi≠p0i para algum i Carla Henriques e Manuel Reis 7 Tratamento Estatístico de Dados .pi a probabilidade desconhecida de obter uma observação na classe Ai.Oi o nº de observações ou frequência absoluta observada da classe Ai. i=1.Dep. Hipóteses a testar: H0: pi=p0i .. .p0i a probabilidade 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: .. assumindo que a observação foi extraída de uma população com a distribuição especificada em H0.

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

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

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

a1[. a2[ A3=[ a2... as hipóteses a testar são H0: X ~ N(0.m. são intervalos da forma A1=]-∞. Carla Henriques e Manuel Reis 11 Tratamento Estatístico de Dados ..22) / Neste caso a distribuição proposta em H0 é contínua e.1. as classes Ai.Dep. Am=[ am-1.. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Retomemos o exemplo exposto atrás. Exemplo: Denotando por X a diferença entre a data de chegada dos navios e a data planeada. 7. A2=[ a1..1. +∞[. i=1.22) H1: X ~ N(0. deste modo. a3[ . 7.

Dep.2. donde p0i = P(Ai\H0) = 1/4. Para o exemplo escolheu-se m=4 classes (ei=30/4=7. com m tal que n/m>5. Os limites dos intervalos são tais que as probabilidades decorrentes da hipótese nula sejam iguais a 1/m para todas as classes. Carla Henriques e Manuel Reis 12 Tratamento Estatístico de Dados .4. Assim.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. para i=1.3. as frequências esperadas são todas iguais a n/m>5.

25.7.96 (EXCEL: INV.2)).2)) Carla Henriques e Manuel Reis 13 Tratamento Estatístico de Dados .75.1 e a1=0.924-0.7.1.1 a3 Da simetria da distribuição normal: a2=0.Dep. 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=4.0.1.0. 1/4 1/4 1/4 1/4 a1 a2 =0.724 (EXCEL: INV.1-(4.NORM(0.NORM(0.1)= -4.

0.2 4 Classes A1=]-∞.2 -2 12.6 4.8 15 -8.5 7 .1[ A3=[0.4 -1. 4.25 0.5 7 .6 2.8 15.5 ) 2 ( 8 − 7 . Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento -6.4 -1.Dep.5 7.8 -5.4 8.5 O valor observado da estatística de teste é ( 8 − 7 .5 7 .96[ A4=[4.5 ) 2 ( 7 − 7 .1.25 0.25 -7.7 2.76.6 -5.6 -7.25 0.9 1. -4.13 7 .5 Carla Henriques e Manuel Reis 14 Tratamento Estatístico de Dados .6 -3.76[ A2=[-4.5 ) 2 Qobs= + + + = 0.8 p0i 0.2 2.2 2.3 -2.8 -0.4 -9 5 -6 13.4 -0.96.2 7.5 7.5 7.6 -2. +∞ [ Frequências observadas 8 8 7 7 Frequências esperadas 7.5 ) 2 ( 7 − 7 .

1. +∞[ .CHI(0.C. tem aproximadamente distribuição Qui-quadrado com m-1=4-1=3 graus de liberdade. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento A estatística teste.=[7.22).81.05: R.05.C.3)) Como Qobs ∉R. sob o pressuposto de H0 ser verdadeira. (EXCEL: 7.Dep. 7. 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 .81=INV. Para α=0.

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

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

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

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

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

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%. Foram registados os tempos despendidos em 10 tarefas seleccionadas ao acaso. 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.Dep.

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). começa-se por ordenar os valores da amostra por ordem crescente. Para calcular o valor observado da estatística de teste. As hipóteses a testar são.05= 0. / O ponto crítico da estatística de teste D10 é.05. D10. Carla Henriques e Manuel Reis 22 Tratamento Estatístico de Dados . H0: X∼N(290. 562) H1: X ~ N(290.Dep. Os cálculos estão efectuados na tabela seguinte.409 (consulte a tabela). neste caso.0. para α=0.

4 0.5 0.106 0.421 0.185 0.3858 Como D10.3 0.7 0.9 0.1085 0.S(xi-1)| 0.7 0.0056 0.05 0.1 0.9 1 S(xi-1) 0 0.2214 0.486>0.3 0.2602 0. ao nível de significância de 5%.06 0.236 0.NORM(198.6 0.290.3944 0.2 0.3085 0.009 0.1 0.56.409.5 0.4786 0.1602 0.0502 0.1356 0. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento EXCEL: DIST. Carla Henriques e Manuel Reis 23 Tratamento Estatístico de Dados .Dep.486 |F0(xi).0848 0.4152 0.0739 0.obs =0.VERDADEIRO) 198 254 262 272 275 278 285 287 292 xi S(xi) 0.4644 0.S(xi) | 0.4 0.5142 F0(xi) |F0(xi). rejeitamos a hipótese de o tempo despendido na execução de uma tarefa seguir distribuição N(290.3739 0.2 0. 562).6 0.0502 0.026 0.

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

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

05 é * D5. podemos utilizar o teste de Lilliefors. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Assim.05 =0. Carla Henriques e Manuel Reis 26 Tratamento Estatístico de Dados .95 . 0.8 s=2. as hipóteses H0: X ~ N(µ. interessa testar. ao nível de significância de 0. O valor crítico da estatística teste.Dep. σ2) / Uma vez que nada sabemos acerca de µ e σ.337 (consulte a tabela). σ2) H1: X ~ N(µ. recorrendo às estimativas x =33. em primeiro lugar.

2579 0. então.1721 * Como D5. ao nível se significância de 5%.S(xi) | 0.1931 0.6579 0.NORM(29.6 1 S(xi-1) 0 0.6 F0(xi) 0.95.0519 0.2.1481 0.0069 0.VERDADEIRO) Cálculo do valor observado da estatística de Teste: xi 29 33 35 36 S(xi) 0.772 |F0(xi).4 0. Carla Henriques e Manuel Reis 27 Tratamento Estatístico de Dados .2579<0.4 0.Dep.3931 0.2 0.S(xi-1)| 0.337.8.2279 |F0(xi). obs =0.0579 0. não rejeitamos a hipótese de a população em estudo ter distribuição normal.0519 0. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento EXCEL: DIST.2 0.33.

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

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

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

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. 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 . inferir se A e B são ou não independentes.Dep. mais concretamente.

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

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

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

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

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

05. sob H0. 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.4)). +∞[ (consulte tabela ou faça no EXCEL: INV.CHI(0.05. Carla Henriques e Manuel Reis 37 Tratamento Estatístico de Dados . a região crítica é então [9.49. Ao nível de significância de 0. 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.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. M Carla Henriques e Manuel Reis 38 Tratamento Estatístico de Dados .Dep.

+ + =60. χ obs = 750 1500 250 125 Uma vez que 60 excede o valor crítico 9.49. ao nível de significância de 0..05. 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 + +. rejeitamos a hipótese de que o modo de pagamento é independente do período do dia em que as compras são feitas. Carla Henriques e Manuel Reis 39 Tratamento Estatístico de Dados .Dep..

Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência Medidas de Associação No teste do Qui-Quadrado apresentado. Uma vez que a estatística do teste mede o afastamento em relação à hipótese de independência. através de uma medida adequada. se for rejeitada a hipótese de independência entre os atributos. 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 . pode interessar medir a intensidade da associação entre os mesmos.Dep.

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

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

122 60 + 4000 0≤C≤ (q − 1) q .Dep. Para ter uma ideia da intensidade de associação entre estes dois atributos. rejeitámos a hipótese de independência entre o modo de pagamento e o período do dia em que as compras eram efectuadas. calculam-se os coeficientes que acabámos de descrever. onde q=min{r. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência Para o exemplo anterior. Coeficiente de Contingência de Pearson: C = χ2 χ2 + n = 60 = 0. i.e. 0 ≤C≤ 0. Carla Henriques e Manuel Reis 43 Tratamento Estatístico de Dados .s}=3.816.

que apesar de haver associação entre os atributos. 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 =0.087 4000 × 2 Verificamos.Dep. esta pode considerar-se fraca.087 4000 2 × 2 χ2 Coeficiente V de Cramer: V = = n(q − 1) 60 =0. então. Carla Henriques e Manuel Reis 44 Tratamento Estatístico de Dados .

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

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

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

se tivermos: . isto é. . ei’s. inferiores a 5 ou. Carla Henriques e Manuel Reis 48 Tratamento Estatístico de Dados .mais de 20% das frequências esperadas.Dep. 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.alguma frequência esperada inferior a 1 devemos proceder à agregação de algumas classes contíguas.

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

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

não é rejeitada a hipótese nula de que as duas amostras provêm de populações com a mesma distribuição. Se não se registarem diferenças significativas. em valor absoluto. Carla Henriques e Manuel Reis 3 Tratamento Estatístico de Dados . 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). entre as proporções de valores inferiores ou iguais a x observadas em cada amostra. 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. SA(x)–SB(x). 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. A estatística de teste considera a maior das diferenças.Dep.

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

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

as k amostras podem ser consideradas como provenientes de populações com a mesma distribuição. Nota: O teste de Krukal-Wallis constitui uma alternativa à análise de variância com um factor. pretende-se testar a hipótese H0 de que as distribuições populacionais são idênticas. 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. Carla Henriques e Manuel Reis 1 Tratamento Estatístico de Dados .Dep. a ser abordada mais tarde. isto é. quando os pressupostos desta não podem ser verificados.

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

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 .Dep. i≠j (há pelo menos duas populações com medianas diferentes) Carla Henriques e Manuel Reis 3 Tratamento Estatístico de Dados . i≠j H0: M1=M2=…=Mk (as k medianas populacionais são iguais) H1: Mi=Mj .

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

6. o número de ordem. ou posto. 102. suponhamos que ordenando os valores observados obtínhamos 100. 6. 5. Neste caso. 102. 1. 3. 3.Dep. 3. Carla Henriques e Manuel Reis 5 Tratamento Estatístico de Dados . 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. 103. 103.5. 8. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Teste de Kruskal_Wallis Quando há empates nos valores observados. 102. Por exemplo. 102.5. os números de ordem seriam respectivamente. 104.5.

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

. consultar tabela desta distribuição.k. 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 . Carla Henriques e Manuel Reis 7 Tratamento Estatístico de Dados .Dep. 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.

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=0.05) Carla Henriques e Manuel Reis 8 Tratamento Estatístico de Dados . cada um de 14 estudantes foi aleatoriamente matriculado em uma de três turmas. Após algumas aulas. Os tempos respectivos (em minutos) constam do quadro seguinte. 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.Dep. Em cada turma utilizou-se um método de ensino diferente. pediu-se a cada estudante que resolvesse o mesmo problema.

Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Teste de Kruskal_Wallis Ordenam-se as observações. 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.Rij Grupo (mét. 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 .

963. sob H0. + + valor observado é: Hobs= 14(14 + 1) ⎜ 5 4 5 ⎟ ⎝ ⎠ Consultando a tabela da distribuição exacta de H. Dado que Hobs=1. não se rejeita a hipótese nula dos três métodos de ensino produzirem efeitos idênticos.6429.963<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. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Teste de Kruskal_Wallis k R2 12 Não havendo empates.05: 5.Dep. 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=0.6429. Carla Henriques e Manuel Reis 10 Tratamento Estatístico de Dados . Por outras palavras.

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

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

Sign up to vote on this title
UsefulNot useful