Como eu teste meus dados para a normalidade Muitos testes e procedimentos estatísticos assumem que os dados seguem uma distribuição normal (figura 1). Por exemplo, todos os seguintes testes estatísticos, estatísticas ou métodos assumem que os dados são normalmente distribuídos: testes de hipóteses, como testes t, testes de Qui-Quadrado, testes F Análise de Variância (ANOVA) Gráficos de controle de regressão de mínimos quadrados de indivíduos com 3 - sigma limites Fórmulas comuns para índices de capacidade de processo, como Cp e Cpk Antes de aplicar métodos estatísticos que assumem a normalidade, é necessário realizar um teste de normalidade nos dados (com alguns dos métodos acima, verificamos os resíduos para a normalidade). Nós levantamos a hipótese de que nossos dados seguem uma distribuição normal, e apenas rejeitam essa hipótese se tivermos fortes evidências em contrário. Embora possa ser tentador julgar a normalidade dos dados simplesmente criando um histograma dos dados, este não é um método objetivo para testar a normalidade, especialmente com tamanhos de amostra que não são muito grandes. Com pequenos tamanhos de amostra, discernir a forma do histograma é difícil. Além disso, a forma do histograma pode mudar significativamente, simplesmente alterando a largura do intervalo das barras de histograma. O planejamento de probabilidade normal pode ser usado para avaliar objetivamente se os dados provêm de uma distribuição normal, mesmo com tamanhos de amostra pequenos. Em um gráfico de probabilidade normal, os dados que seguem uma distribuição normal aparecerão como lineares (uma linha reta). Por exemplo, uma amostra aleatória de 30 pontos de dados de uma distribuição normal resulta no primeiro gráfico de probabilidade normal (Figura 2). Aqui, os pontos de dados ficam próximos da linha reta. O segundo gráfico de probabilidade normal (Figura 3) ilustra dados que não provêm de uma distribuição normal. Figura 2: Gráfico de probabilidade normal ilustrando a distribuição normal Figura 3: Gráfico de probabilidade normal que ilustra a distribuição não normal Muitos métodos estão disponíveis para lidar com dados não normais e estes devem ser utilizados quando necessário. A aplicação de métodos que assumem a distribuição normal quando esta hipótese não é válida geralmente resulta em conclusões incorretas. Baixe o white paper sobre como iniciar um mini programa Six Sigma Quality em um orçamentoIndiana University Teste de Análise Univariada e Análise Univariada da IUScholarWorks Usando palavras-chave SAS, Stata e SPSS: Análise Univariada, Teste de Normalidade, SAS, Stata e SPSS: Copyright 2017 pelos curadores da Universidade de Indiana. Este conteúdo é lançado sob a licença Creative Commons Attribution 3.0 Unported (creativecommons. orglicensesby3.0). : As estatísticas descritivas fornecem informações importantes sobre as variáveis a serem analisadas. A média, a mediana e o modo medem a tendência central de uma variável. As medidas de dispersão incluem variação, desvio padrão, intervalo e intervalo inter-histórico (IQR). Os pesquisadores podem desenhar um histograma, um gráfico de haste e folha ou um gráfico de caixa para ver como uma variável é distribuída.13 13 Os métodos estatísticos são baseados em vários pressupostos subjacentes. Um pressuposto comum é que uma variável aleatória é normalmente distribuída. Em muitas análises estatísticas, a normalidade é muitas vezes convenientemente assumida sem qualquer evidência ou teste empírico. Mas a normalidade é crítica em muitos métodos estatísticos. Quando essa suposição é violada, a interpretação e a inferência podem não ser confiáveis ou válidas.13 13 O teste t e ANOVA (Análise de Variância) comparam o grupo significa, assumindo que uma variável de interesse segue uma distribuição de probabilidade normal. Caso contrário, esses métodos não têm muito sentido. A Figura 1 ilustra a distribuição de probabilidade normal padrão e uma distribuição bimodal. Como você pode comparar os meios dessas duas variáveis aleatórias13 13 Existem duas maneiras de testar a normalidade (Tabela 1). Os métodos gráficos visualizam as distribuições de variáveis aleatórias ou diferenças entre uma distribuição empírica e uma distribuição teórica (por exemplo, a distribuição normal padrão). Métodos numéricos apresentam13 estatísticas de resumo, como asfalto e kurtosis, ou realizar testes estatísticos de normalidade. Os métodos gráficos são intuitivos e fáceis de interpretar, enquanto os métodos numéricos fornecem formas objetivas de examinar a normalidade. DSpace
No comments:
Post a Comment