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

4 -7. Há razões para supor que tal diferença é uma variável aleatória com distribuição Normal de média 0.8 1.4 -8.6 -3.6 -2 5 2.4 2.8 -1.8 4.2. N(0. Será mesmo de admitir que tais dados foram extraídos de uma pop.2 7.9 -5.2 -2.2 4 Diferença entre a data de chegada e a data planeada para 30 navios. 7.3 15 -7.2 2.6 15.Dep. 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.8 8. 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 -0.4 -6 -5.1.7 -2.4 12.6 2.8 -0.2)? Carla Henriques e Manuel Reis 4 Tratamento Estatístico de Dados . -6.2 -9 13.1 e desvio padrão 7.6 os resultados que se apresentam na tabela -1. Uma amostra de 30 navios revelou seguinte.

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

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

.. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Denote-se por: . .Oi o nº de observações ou frequência absoluta observada da classe Ai. 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 .. i=1.Dep. . 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.

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

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

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

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

Os limites dos intervalos são tais que as probabilidades decorrentes da hipótese nula sejam iguais a 1/m para todas as classes.2. para i=1.Dep.3.4. donde p0i = P(Ai\H0) = 1/4.5>5). com m tal que n/m>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. Carla Henriques e Manuel Reis 12 Tratamento Estatístico de Dados . Assim. as frequências esperadas são todas iguais a n/m>5. Para o exemplo escolheu-se m=4 classes (ei=30/4=7.

7.Dep.2)) Carla Henriques e Manuel Reis 13 Tratamento Estatístico de Dados .75.96 (EXCEL: INV. 1/4 1/4 1/4 1/4 a1 a2 =0.2)).0.7.1-(4.NORM(0.25.1 a3 Da simetria da distribuição normal: a2=0.1.1.924-0. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Cálculo dos limites dos intervalos de classe: a3: p03 = 0.1)= -4.NORM(0.724 (EXCEL: INV.25 ⇔ a3=4.0.1 e a1=0.

4 -9 5 -6 13.9 1.5 O valor observado da estatística de teste é ( 8 − 7 .5 ) 2 ( 8 − 7 .Dep. -4.7 2.5 7.2 7.6 4.8 15.6 -7.5 ) 2 ( 7 − 7 .1[ A3=[0.96[ A4=[4.8 15 -8.96.5 7 .8 -5.5 Carla Henriques e Manuel Reis 14 Tratamento Estatístico de Dados .25 -7.13 7 .76. 4.5 7.4 -1.2 2.4 -0.1.5 7 . +∞ [ Frequências observadas 8 8 7 7 Frequências esperadas 7.25 0.5 ) 2 ( 7 − 7 .6 2.4 -1.2 4 Classes A1=]-∞.8 -0.76[ A2=[-4.0.2 -2 12. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento -6.25 0.6 -3.5 7.3 -2.5 ) 2 Qobs= + + + = 0.2 2.6 -2.5 7 .4 8.8 p0i 0.25 0.6 -5.

22). Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento A estatística teste. 7.CHI(0.C.05. (EXCEL: 7.1.C.Dep. somos levados a não rejeitar a hipótese de que a diferença entre os tempos de chegada e os tempos planeados tem distribuição N(0.05: R. sob o pressuposto de H0 ser verdadeira.81=INV. tem aproximadamente distribuição Qui-quadrado com m-1=4-1=3 graus de liberdade..81. +∞[ . Carla Henriques e Manuel Reis 15 Tratamento Estatístico de Dados . Para α=0.=[7.3)) Como Qobs ∉R.

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

enquanto que o teste K-S é aplicável a pequenas amostras. sem especificar µ e σ. podemos recorrer a outro teste. 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.Dep. Carla Henriques e Manuel Reis 17 Tratamento Estatístico de Dados . o teste do Qui-Quadrado está orientado essencialmente para grandes amostras. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Por outro lado. neste caso o teste desenvolvido por Lilliefors (teste de normalidade de Lilliefors) que será abordado mais tarde. por exemplo. efectuar um ajustamento de uma distribuição normal. Além disso.

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

entre a proporção de observações inferiores ou iguais a x. 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 .Dep. e a probabilidade de se observar um valor inferior ou igual a x se a distribuição populacional for a especificada em H0. S(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.

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

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

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

2602 0.0502 0.VERDADEIRO) 198 254 262 272 275 278 285 287 292 xi S(xi) 0.obs =0.409.2214 0.1602 0.106 0.NORM(198.56.4152 0.3858 Como D10.2 0.6 0.5 0.0739 0.486 |F0(xi).9 0.Dep.3 0. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento EXCEL: DIST.3944 0.0848 0.4 0.1 0.4786 0.4644 0. ao nível de significância de 5%.06 0.486>0.9 1 S(xi-1) 0 0.421 0.S(xi) | 0.0056 0.5 0. rejeitamos a hipótese de o tempo despendido na execução de uma tarefa seguir distribuição N(290.7 0.290.2 0. Carla Henriques e Manuel Reis 23 Tratamento Estatístico de Dados .1356 0.236 0.3085 0.1 0. 562).1085 0.3 0.026 0.009 0.4 0.0502 0.5142 F0(xi) |F0(xi).7 0.05 0.S(xi-1)| 0.185 0.3739 0.6 0.

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

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

05 é * D5.337 (consulte a tabela).05 =0. 0.95 . σ2) / Uma vez que nada sabemos acerca de µ e σ. Carla Henriques e Manuel Reis 26 Tratamento Estatístico de Dados . podemos utilizar o teste de Lilliefors. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento Assim.8 s=2. em primeiro lugar. O valor crítico da estatística teste. interessa testar.Dep. σ2) H1: X ~ N(µ. ao nível de significância de 0. recorrendo às estimativas x =33. as hipóteses H0: X ~ N(µ.

S(xi) | 0.6 1 S(xi-1) 0 0. então. ao nível se significância de 5%.1931 0. obs =0.0519 0.0069 0.2579<0.Dep.VERDADEIRO) Cálculo do valor observado da estatística de Teste: xi 29 33 35 36 S(xi) 0.2 0.772 |F0(xi).0579 0. não rejeitamos a hipótese de a população em estudo ter distribuição normal.1721 * Como D5.6 F0(xi) 0.2 0. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Testes de Ajustamento EXCEL: DIST.2279 |F0(xi).33.2579 0.3931 0.6579 0.S(xi-1)| 0.4 0.2. Carla Henriques e Manuel Reis 27 Tratamento Estatístico de Dados .NORM(29.8.1481 0.337.4 0.95.0519 0.

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 .. uma com r e outra com s modalidades ou categorias..Dep.. Ar e B1. Bs. respectivamente A1.. A2...

..r e j=1..... O1s O21 O22 . A classificação dos elementos da amostra dá origem a uma tabela de dupla entrada.. com o seguinte aspecto: B1 B2 .... O2s M M O M A1 A2 M Ar Oij (i=1. 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 .......s) Or1 Or2 . numa amostra de tamanho n. 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. designada por tabela de contingência r×s. Bs O11 O12 .Dep.

. Tem-se...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 .. • O⋅j = ∑ Oij (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. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Tabelas de Contingência Sejam: • Oi⋅ = ∑ Oij (i=1.Dep...

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 .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. mais concretamente.

.. • p⋅j=P(Bj) (j=1..... 1 = ∑ ∑ pij =∑ pi• = ∑ p • j .r e j=1.....Dep... • pi⋅=P(Ai) (i=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..s) a probabilidade (desconhecida) de um indivíduo da população ser classificado simultaneamente nas categorias Ai de A e 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 .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..

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

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

ˆ Logo. Carla Henriques e Manuel Reis 35 Tratamento Estatístico de Dados . Trata-se então de um teste unilateral à direita. a diferença entre Oij (frequência observada) e e ij (estimativa da frequência esperada supondo a independência) não deve ser grande. mede o afastamento dos dados em relação à hipótese de independência. que. 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. 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 . tem distribuição assimptótica do Qui-quadrado com (r-1)(s-1) graus de liberdade. Assim. a estatística teste.

Dep. 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. dinheiro e cartão de débito/crédito. 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 .

49. +∞[ (consulte tabela ou faça no EXCEL: INV. sob H0.Dep.CHI(0. a estatística teste tem distribuição assimptótica do Qui-quadrado com (r-1)(s-1)=(3-1)(3-1)= 4 graus de liberdade.4)). 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. Ao nível de significância de 0. a região crítica é então [9.05. 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. Carla Henriques e Manuel Reis 37 Tratamento Estatístico de Dados .05.

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

05..Dep. 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 + +. χ obs = 750 1500 250 125 Uma vez que 60 excede o valor crítico 9.. 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.+ + =60.49. Carla Henriques e Manuel Reis 39 Tratamento Estatístico de Dados .

Dep. 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. o seu valor observado poderá ser usado para avaliar o grau de associação entre os atributos. se for rejeitada a hipótese de independência entre os atributos. Uma vez que a estatística do teste mede o afastamento em relação à hipótese de independência. Carla Henriques e Manuel Reis 40 Tratamento Estatístico de Dados . pode interessar medir a intensidade da associação entre os mesmos.

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. Tshuprow propôs o seguinte coeficiente. Carla Henriques e Manuel Reis 41 Tratamento Estatístico de Dados . (q − 1) q onde q=min{r. Para obviar este problema. 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. enquanto que valores grandes de C indicam forte associação.Dep.

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

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

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

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

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

que. Valores muito grandes da estatística de teste traduzem um grande afastamento dos dados em relação à hipótese nula. tem distribuição assimptótica do Qui-Quadrado com (r-1)(s-1) graus de liberdade. 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. conduzindo à rejeição desta. 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. a estatística do teste é χ2 = ∑ ∑ r s ˆ (Oij − eij )2 ˆ eij i=1 j=1 .Dep. Assim.

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

como já se disse.. i. que é um teste exacto. 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. a distribuição da estatística é exacta (os pontos críticos e valores-p são calculados de forma exacta). baseado numa distribuição assimptótica.Dep. o teste de Fisher. Em tabelas de contingência 2x2.e. existe uma alternativa ao teste do Qui-quadrado. o que portanto limita a sua aplicação ao caso de grandes amostras (recorde as limitações sobre as frequências esperadas). Carla Henriques e Manuel Reis 49 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. pretende-se testar a hipótese H0 de que as duas distribuições populacionais são idênticas.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 . as duas amostras podem ser consideradas como provenientes de populações com a mesma distribuição. isto é.

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

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. 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. 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).Dep. SA(x)–SB(x). em valor absoluto. Estatística de teste: D ' = sup S A ( x) − S B ( x) − ∞ < x < +∞ Para um nível de significância α. A estatística de teste considera a maior das diferenças. Se não se registarem diferenças significativas.

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. 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. VALORES N. 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 . obtendo-se os seguintes resultados VALORES N.

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

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

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

i≠j (há pelo menos duas populações com medianas diferentes) Carla Henriques e Manuel Reis 3 Tratamento Estatístico de Dados .Dep. 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..nº total de observações.Dep. Rij. Procedimento: i =1 k ordenam-se todas as observações por ordem crescente dos seus valores. atribui-se um nº de ordem. N = ∑ ni . ou posto. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Teste de Kruskal_Wallis Notação: ni . ou posto. 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 . a cada observação Xij (a observação mais pequena fica com o nº de ordem.o tamanho da amostra retirada da população i (i=1.. 1 e a observação maior com o posto N).. Xij .k).

5. 3. os números de ordem seriam respectivamente. 103. 102. 1. suponhamos que ordenando os valores observados obtínhamos 100. o número de ordem. Matemática Escola Superior de Tecnologia de Viseu TESTES DE HIPÓTESES NÃO PARAMÉTRICOS Teste de Kruskal_Wallis Quando há empates nos valores observados.5. 102. 102. Por exemplo. 3. 103.5. ou posto. 6.5. Neste caso.Dep. 104. Carla Henriques e Manuel Reis 5 Tratamento Estatístico de Dados . 6. 8. 102. 3. 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.

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

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

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

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

05: 5. não se rejeita a hipótese nula dos três métodos de ensino produzirem efeitos idênticos.6429. Dado que Hobs=1. Por outras palavras. sob H0. 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.Dep.963.963<5. retira-se o ponto crítico para α=0. 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 . + + valor observado é: Hobs= 14(14 + 1) ⎜ 5 4 5 ⎟ ⎝ ⎠ Consultando a tabela da distribuição exacta de H.6429. não há evidência estatística de que o tipo de método de ensino influencie o desempenho dos estudantes na resolução de problemas.

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

Carla Henriques e Manuel Reis 12 Tratamento Estatístico de Dados . Se R i − R j > c ij .k −1 ⎜ ⎟⎜ ⎜ ⎝ 12 1 1⎞ + ⎟ ⎠⎝ n i n j ⎟ ⎠ 2 onde. portanto. então. evidência de existirem diferenças entre as populações de onde se extraíram estas amostras. χ α. havendo.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