Índice

Introdução..........................................................................................................................4
Testes não paramétricos....................................................................................................5
Vantagens dos testes não paramétricos..........................................................................5
Desvantagens dos testes não paramétricos...................................................................5
Teste do Qui-Quadrado..................................................................................................6
Exemplo prático:............................................................................................................7
Exercício........................................................................................................................8
O experimento multinominal...........................................................................................10
Conclusão........................................................................................................................11
Obras Citadas...................................................................................................................12
Introdução

A pesquisa é intitulada testes não paramétricos, os testes podem ser divididos em

paramétricos e não paramétricos, mas estaremos mais centralizados nos testes não
paramétricos em especial o teste de Chi-quadrado.

Uma justificação para o uso de métodos não paramétricos é a simplicidade. Em certos

casos, até mesmo quando o uso de métodos paramétricos é justificado, os métodos não
paramétricos são mais fáceis de usar.

Devido tanto a simplicidade quanto `a maior robustez, os métodos não paramétricos são
vistos por algumas pessoas da área da estatística como o método que deixa menos
espaço para usos indevidos e mal-entendidos.

A maior aplicabilidade e a maior robustez dos testes não paramétricos têm um custo: em
alguns casos onde os testes paramétricos seriam apropriados, testes não paramétricos
têm menos potência estatística. Por outras palavras, uma amostra maior pode ser
necessária para retirar conclusões com o mesmo grau de confiança.

Os testes não paramétricos não têm exigências quanto ao conhecimento da distribuição

da variável na população. Estes testes são cada vez mais usados em análise estatística,
sobretudo na área das Ciências Sociais, nas Ciências Administrativas (por exemplo em
estudos de Marketing) e nas Ciências da Saúde, especialmente em Psiquiatria e
Psicologia. A Estatística não paramétrica representa um conjunto de ferramentas de uso
mais apropriado em pesquisas onde não se conhece bem a distribuição da população e
os seus parâmetros.

Este trabalho teve como objectivo principal o estudo de testes não paramétricos e a sua
aplicação em diversas situações. Neste caso do teste do Qui-Quadrado de
independência.

4
Testes não paramétricos

Segundo (Sousa, 2015)p.41. Existem fundamentalmente dois tipos de testes estatísticos,

designados por testes paramétricos e não paramétricos. A principal diferença entre eles
é a sofisticação das medidas utilizadas para calcular a variabilidade dos resultados. Uma
das vantagens dos testes não paramétricos ´e que podem ser utilizados quando os dados
experimentais apenas podem ser medidos numa escala ordinal, admitindo-se ainda a sua
utilização em algumas situações, em que os dados são medidos numa escala nominal.

A mesma autora refere que muitos dos testes estatísticos não paramétricos respondem `a
mesma série de questões tal como os testes paramétricos. Com testes não paramétricos
as hipóteses podem ser flexibilizadas consideravelmente. Por conseguinte, são
utilizados métodos não paramétricos para situações que violem os pressupostos de
procedimentos paramétricos.

Os testes não paramétricos requerem menos pressupostos em relação a população;

• Não exigem normalidade;

• Não se baseiam em parâmetros da distribuição (logo, não necessitam variâncias

homogéneas);

Ligeiramente menos eficientes que os testes paramétricos;

Baseiam-se nas estatísticas ordinais (e não nos valores das observações);

Mais fáceis de aplicar.

Vantagens dos testes não paramétricos

 Poucos pressupostos relativos a população;

 Facilidade de implementação;
 Maior perceptibilidade;
 Aplicável em situações não abrangidas pela Normal;
 Mais eficientes quando as populações não têm Distribuição Normal;
 Os resultados podem ser tão exactos como nos procedimentos paramétricos.

Desvantagens dos testes não paramétricos

 As hipóteses testadas por testes não paramétricos tendem a ser menos

específicas;
 Não têm parâmetros. Dificultam as comparações quantitativas entre populações;
 Escasso aproveitamento de informação da amostra;
 Pode ser de difícil cálculo a mão para grandes amostras;
 As tabelas não são amplamente disponíveis;

5
Teste do Qui-Quadrado

O teste de ajustamento Qui-Quadrado e o teste mais conhecido, porventura por ter sido
um dos primeiros grandes êxitos da Estatística como esteio de descobertas científicas
em outras ciências, e por a sua justificação intuitiva ser simples. (Eugenia, 2005)

Por sua vez (Correia, 2011)p.1, defende o teste qui-quadrado é um teste de hipóteses
que se destina a encontrar um valor da dispersão para duas variáveis categóricas
nominais e avaliar a associação existente entre variáveis qualitativas.

Mas (ricardo, 2014) p.11, diz que É um teste amplamente utilizado em análise de dados
provenientes de experimentos onde o interesse está em observar frequências em
diversas categorias (pelo menos duas). É uma prova de aderência útil para comprovar se
a frequência observada difere significativamente da frequência esperada, esta
geralmente especificada por uma distribuição de probabilidade.

Pode se concluir que O teste de qui-quadrado é um teste estatístico utilizado para

verificar a independência entre duas variáveis categóricas. Ele compara a frequência
observada de ocorrências em cada categoria com a frequência esperada, caso as duas
variáveis fossem independentes.

O teste de qui-quadrado é baseado na comparação entre a frequência observada e a

frequência esperada em uma tabela de contingência. A tabela de contingência é uma
matriz que mostra a distribuição conjunta das duas variáveis categóricas.

O teste de qui-quadrado calcula a estatística qui-quadrado, que é uma medida da

diferença entre as frequências observadas e esperadas. Quanto maior for a diferença,
maior será o valor da estatística qui-quadrado.

Para realizar o teste de qui-quadrado, é necessário definir uma hipótese nula, que
assume que as duas variáveis são independentes. A hipótese alternativa assume que as
duas variáveis são dependentes.

Função

A prova χ² de uma amostra é aplicada quando o pesquisador está interessado no número

de indivíduos, objectos ou respostas que se enquadram em várias categorias que podem
ser duas ou mais. Usa-se a técnica do tipo de prova de aderência, ou seja, deve
comprovar se existe diferença significativa entre o número observado de indivíduos, ou
de respostas, em determinada categoria, e o respectivo número esperado, baseado na
hipótese de nulidade.

6
Método

O método usado é o da comparação, ou seja, comparar um grupo observado com um

grupo esperado de frequências. Mas antes deve-se determinar as frequências esperadas.
Para isso, usa-se a hipótese de nulidade, que dará a proporção de indivíduos, ou
objectos, que se enquadram em cada uma das diferentes categorias em que a população
está presumidamente classificada. A hipótese de nulidade pode ser testada por:

Onde: Oi = número de casos observados classificados na

categoria i.

Ei = número de casos esperados na categoria i sob Ho, onde k = número de categorias.

Se há concordância entre os valores observados e os esperados, as diferenças (Oi - Ei)

serão pequenas e, consequentemente, χ2 será também pequeno. Se as divergências,
entretanto, forem grandes, o valor de χ2, será também grande. Pode-se mostrar que a
distribuição amostral de χ2, sob Ho, calculada pela fórmula acima, segue a distribuição
qui-quadrado com um número de graus de liberdade igual a “k-1” onde “k” é igual ao
número de categorias em que a variável foi classificada.

Existem muitas distribuições qui-quadrado diferentes, uma para cada grau de liberdade.
O grau de liberdade, anotado por gl reflecte o número de observações livres (que podem
variar) após feitas certas restrições sobre os dados. Por exemplo, se forem classificados
em duas categorias dados relativos a 50 casos, tão logo se saiba que, digamos, 35 casos
se enquadram em uma das categorias, automaticamente fica-se sabendo que 15 casos se
enquadrarão na outra. Tem-se, então que gl = 1, porque com duas categorias e qualquer
n fixo, tão logo se conheça o número de casos em uma categoria a outra estará
automaticamente determinada. Em geral, no caso de uma amostra, quando Ho especifica
plenamente os valores esperados o número de graus de liberdade será: gl = k - 1, onde k
representa o número de categorias usadas na classificação dos dados.

Para empregar a prova χ2 na comprovação de uma hipótese, deve-se enquadrar cada

observação em uma das k células. O número total dessas observações deve ser n
(número de elementos da amostra considerada). Isto é, cada observação deve ser
independente de qualquer outra. Não se pode, portanto, fazer várias observações sobre o
mesmo indivíduo e considerá-las como sendo independentes. Deve-se também
determinar a frequência esperada para cada uma das k células. Se Ho especificar que a
proporção de elementos em cada categoria seja a mesma, então Ei = n / k.

Exemplo prático:

Em corridas de cavalos é ponto de vista comum entre os apostadores que, em uma pista
circular, as chances são mais favoráveis a cavalos em determinadas posições (raias. A
raia 1 é a mais próxima do lado interno da pista, e a 8 o mais afastada (numa corrida
com 8 cavalos). Pode-se comprovar os efeitos das raias, analisando-se os resultados das

7
corridas, dados em função das raias. No exemplo, colectou-se os resultados do primeiro
mês da temporada de 1955 (conforme o New York Post, Ago. 30, 1955, pág. 42) em
uma pista circular.

Número de vitórias de cavalos e seus respectivos postos.

Posto
1 2 3 4 5 6 7 8 Total
Número de vitórias 29 19 18 25 17 10 15 11 144

1. Hipóteses: Ho: Não há diferença entre o número esperado de ganhadores em relação

a cada posto. H1: Existe diferença entre o número de ganhadores de cada posto.

2. Prova Estatística. Como se está comparando os dados de uma população presumida,

usa-se uma prova unilateral. Emprega-se a prova χ2 porque a hipótese em estudo se
refere à comparação de frequências observadas e esperadas em categorias discretas. (As
categorias são os oito postos).

3. Distribuição amostral. A distribuição amostral de χ2 tal como calculada, pela

expressão dada acima, segue a distribuição qui-quadrado com gl = k - 1.

4. Região de Rejeição. Ho será rejeitada se o valor observado de χ2, calculado pela

expressão acima, for maior que o valor tabelado, a um nível de significância dado α.

5. Decisão. A amostra de 144 ganhadores forneceu os dados exibidos na tabela 2.2

acima. O cálculo do valor observado do qui-quadrado é dado por:

A tabela fornece um valor χ2 igual a 18,475 para gl = 7 e um nível de significância de

1%. Neste caso, não é possível rejeitar H0, isto é, não é possível afirmar a 1% de
significância que o número de vitórias dependa do posto.

Exercício

O Quadro 1 descreve opiniões sobre qual é o motivo mais importante para se

economizar dinheiro. Você trabalha em um empresa de serviços financeiros e quer
testar a distribuição que descreve a opinião dos homens. Para testar a distribuição você
selecciona aleatoriamente 400 homens e pergunta a cada um qual é o motivo mais
importante para eles – economizar para a aposentadoria ou economizar para a educação
superior dos seus filhos. Os resultados são exibidos no Quadro 2. Com α=0,05, teste a
distribuição afirmada ou esperada.

8
 Tabela extraída do Prof. Walmes Marques Zeviani, Testes Qui-quadrado para
aderência e associação, pag: 9

Solução: realizando um teste de ajuste:

H0: A distribuição das opiniões dos homens em relação à economizar para

aposentadoria é 44%, para educação superior é 40% e 16% não sabem .

• Ha: A distribuição das opiniões dos homens diferem da distribuição afirmada ou

esperada.

α =0,05

g.l. =3 – 1 = 2

Tabela extraída do Prof. Walmes Marques Zeviani, Testes Qui-quadrado para

aderência e associação, pag: 11

Teste estatístico: χ2 = 3,140

Decisão: Não Rejeitar H0

Solução com 5% de significância, não há evidência suficiente para opor-se a

distribuição esperada dos homens.

9
O experimento multinominal

Segundo o professor (Zeviani)

 O experimento consiste em n testes idênticos.

 O resultado é apenas um de k > 1 possíveis classes ou categorias de uma
variável
 qualitativa. Ou seja, os resultados são mutuamente exclusivos.
 A probabilidade de ocorrência de cada uma das k classes é p1, p2, . . . , pk que
são
 constantes em todos os testes, sendo que p1 + . . . + pk = 1.
 Os testes são independentes.
 A variável aleatória de interesse é o número de ocorrências de cada classe (a
 frequência absoluta) n1, n2, . . . , nk.
 Quando k = 2 tem-se uma variável aleatória Binomial

A distribuição Binomial ´e o modelo probabilístico adequado para casos em que se

consideram provas repetidas de Bernoulli, isto ´e, sucessões de experiencias aleatórias
independentes, em cada uma das quais se observa a realização ou não realização de um
determinado acontecimento A, com probabilidade P(A) = p, constante de experiencia
para experiencia. (Firmino, 2014)p.7.

10
Conclusão

O teste do qui-quadrado (ou chi-quadrado) é uma técnica estatística usada para

determinar se existe uma relação entre duas variáveis categóricas. É comumente usado
para analisar dados em tabelas de contingência, onde os dados são organizados em
linhas e colunas. Para realizar o teste do qui-quadrado, você precisará seguir alguns
passos:

Formular as hipóteses nula (H0) e alternativa (H1). A hipótese nula afirma que não há
relação entre as variáveis, enquanto a hipótese alternativa afirma que há uma relação.

Construir uma tabela de contingência, que mostra a frequência observada em cada

combinação de categorias das variáveis.

Interpretar os resultados. Se o valor crítico for menor que a estatística do qui-quadrado,

ou se o p-valor for menor que o nível de significância escolhido (geralmente 0,05),
rejeitamos a hipótese nula e concluímos que há uma relação entre as variáveis.

Porém é importante ressaltar que o teste do qui-quadrado pressupõe algumas condições,

como a independência das observações e frequências esperadas adequadas em cada
célula da tabela. Caso essas condições não sejam atendidas, podem ser necessárias
outras técnicas estatísticas.

11
Obras Citadas

Correia, A. A. (2011). Teste do qui-quadrado. Lisboa .

Eugenia, M. (2005). Introducao a Probabilidade e estatistica. lisboa.

Firmino, M. J. (2014). Testes para o caso de uma amostra.

ricardo, P. (2014). estatistica nao parametrica. lisboa, portugal.

Sousa, M. J. (2015). Testes de hipoteses: uma abordagem. lisboa.

Zeviani, W. M. (s.d.). Testes Qui-quadrado para aderência e associação.

12