Distribuição Normal e Testes

Paramétricos
Prof. Rodolfo Rodrigues
Introdução
• Na análise de parâmetros amostrais, como a média, os valores
encontrados para a amostra nem sempre serão iguais aos valores da
população.
• Normalmente, a estimativa do parâmetro populacional é feito de
forma intervalar.
• Para calcular esse intervalo, é preciso trabalhar com a distribuição
amostral.
• A distribuição amostral mais utilizada e difundida é a distribuição
normal.

2
Teorema do Limite Central e Lei dos Grandes
Números
• De acordo com o Teorema do Limite Central, as médias amostrais de
uma variável tendem para aproximadamente uma distribuição
normal quando o tamanho da amostra for superior a 30 elementos.

• A Lei dos Grandes Números afirma que à medida que o tamanho da

amostra cresce, a distribuição de frequências de uma amostra se
aproxima da distribuição de frequências da população, assim como a
média da amostra converge para a média populacional.

• Exemplos: moeda, dado

3
Distribuição Normal
• É uma distribuição contínua de probabilidade com base na
distribuição de frequências de uma variável x, que costuma se
apresentar em forma de sino e simétrica em relação a média.

4
Distribuição Normal
• Em torno da média, registra-se alta concentração de frequências ou
probabilidade maior de ocorrência;
• À medida que nos afastamos da média, as frequências são reduzidas.
Ou seja, a probabilidade de encontrarmos valores mais distantes
diminui;
• Exemplo: supondo que a altura de um grupo de indivíduos
masculinos adultos seja normalmente distribuída com média igual a
1,70. A probabilidade de encontrar indivíduos com altura em torno
da média, como 1,68 m ou 1,71 m é alta;

5
Distribuição Normal
• Então na distribuição normal, para calcular essas probabilidade
utiliza-se a seguinte regra prática:

• X +- 1s : probabilidade de 68% de os valores estarem contidos nesse

intervalo;

• X +- 2s : probabilidade de 95% de os valores estarem contidos nesse

intervalo.

6
Intervalos de confiança
• As expressões nível de confiança e nível de significância representam
os conceitos associados à probabilidade da média populacional
obtida estar dentro e fora do intervalo especificado,
respectivamente.

• Os intervalos podem unicaudais ou bicaudais.

7
8

O que é um teste de hipótese?

• Um teste de hipótese é um procedimento para decisão sobre a veracidade ou

falsidade de determinada hipótese;

• A região crítica (RC) de um teste bilateral é representada por duas caudas de

tamanhos iguais:

Fávero e Belfiore (2017)

9
10

Contextualização

• O procedimento para construção dos testes de hipóteses envolve as seguinte

etapas:

1) Escolher o teste estatístico adequado, dado o intuito do pesquisador;

2) Apresentar a hipótese nula H0 e a hipótese alternativa H1 do teste;
3) Fixar o nível de significância 𝛼;
4) Calcular o valor observado da estatística do teste com base na amostra extraída da
população;
5) Determinar a região crítica do teste em função do valor de 𝛼 fixado no passo 3;
6) Decidir – se o valor da estatística pertencer à região crítica, rejeitar H0, caso
contrário, não rejeitar H0.

Fávero e Belfiore (2017)

11

Testes Paramétricos

• Os testes de hipóteses dividem-se em paramétricos e não paramétricos;

• Quando as hipóteses forem formuladas sobre os parâmetros da população, o

teste de hipótese é chamado de paramétrico;

• Um parâmetro é qualquer medida numérica característica quantitativa que

descreve a população, como a média populacional (𝜇) ou o desvio padrão (𝜎).

Fávero e Belfiore (2017)

12

Testes Paramétricos

• Nos testes não paramétricos, as hipóteses são formuladas sobre características

qualitativas da população;

• Nos testes paramétricos, as variáveis em estudo devem ser medidas em escalas

quantitativas;

• Deve-se, também, retirar a amostra de populações com determinada distribuição,

geralmente a normal.

Fávero e Belfiore (2017)

13

Testes Paramétricos

• Nesse sentido, para verificar a normalidade dos dados, os testes mais utilizados
são os de:

a) Kolmogorov-Smirnov;

b) Shapiro-Wilk;

c) Shapiro-Francia.

Fávero e Belfiore (2017)

14
Teste de Normalidade – Kolmogorov-
Smirnov
• O teste de aderência Kolmogorov-Smirnov (KS) tem por objetivo testar se os valores
amostrais são oriundos de uma população com suposta distribuição teórica, neste
caso, a distribuição normal;

• O teste deve ser utilizado para amostras com n≥30.

Fávero e Belfiore (2017)

15
Teste de Normalidade – Kolmogorov-
Smirnov
• O teste KS assume as seguintes hipóteses:

a) H0: A amostra provém de uma população com distribuição N(𝜇, 𝜎);

b) H1: A amostra não provém de uma população com distribuição N(𝜇, 𝜎).

Fávero e Belfiore (2017)

16

Teste de Normalidade – Shapiro-Wilk

• O teste de Shapiro-Wilk (SW) pode ser aplicado para amostras de tamanho 4 ≤ n ≤

2.000;

• É uma alternativa ao teste de normalidade KS no caso de pequenas amostras;

Fávero e Belfiore (2017)

17

Teste de Normalidade – Shapiro-Wilk

• Analogamente ao teste KS, o teste de normalidade SW assume as seguintes

hipóteses:

a) H0: A amostra provém de uma população com distribuição N(𝜇, 𝜎);

b) H1: A amostra não provém de uma população com distribuição N(𝜇, 𝜎).

Fávero e Belfiore (2017)

18

Testes Paramétricos – T de Student

• É um teste de hipótese que usa conceitos estatísticos para rejeitar ou não uma
hipótese nula quando a estatística de teste (t) segue uma distribuição normal.

a) Teste para uma amostra

b) Teste de média para dados pareados

c) Teste de média para amostras independentes

19

Testes Paramétricos – T de Student

• O teste T de Student assume as seguintes

hipóteses para um teste bilateral:

a) H0: 𝜇 = 𝜇0

b) H1: 𝜇 ≠ 𝜇0

Fávero e Belfiore (2017)