Interpretar os principais resultados para Teste de qualidade de ajuste para Poisson

Conclua as etapas a seguir para interpretar um teste da qualidade do ajuste para Poisson. A saída principal inclui o valor de p e vários gráficos.

Etapa 1: Determine se os dados não seguem uma distribuição de Poisson

Para determinar se os dados não seguem uma distribuição de Poisson, compare o valor de p com o seu nível de significância (α). Geralmente, um nível de significância (denotado como α ou alfa) de 0,05 funciona bem. Um nível de significância de 0,05 indica um risco de 5% de concluir que os dados não seguem a distribuição de Poisson quando eles realmente a seguem.
Valor de p ≤ α: Os dados não seguem uma distribuição de Poisson (Rejeite H0)
Se o valor de p for menor ou igual ao nível de significância, você deve rejeitar a hipótese nula e concluir que os seus dados não seguem a distribuição de Poisson.
Valor de p > α: Não é possível concluir que os dados não seguem uma distribuição de Poisson (não deve rejeitar H0)
Se o valor de p é maior do que o nível de significância, você não deve rejeitar a hipótese nula, porque não há provas suficientes para concluir que os seus dados não seguem uma distribuição de Poisson.

Teste de Qualidade de Ajuste de Poisson: Defeitos

Método Frequências em Observado
Estatísticas Descritivas N Média 300 0,536667 Contagens observadas e esperadas para Defeitos Contribuição Probabilidade Contagem Contagem para Defeitos de Poisson observada esperada Qui-Quadrado 0 0,584694 213 175,408 8,056 1 0,313786 41 94,136 29,993 2 0,084199 18 25,260 2,086 >=3 0,017321 28 5,196 100,072
Teste qui-quadrado Hipótese nula H₀: dados seguem uma distribuição de Poisson Hipótese alternativa H₁: dados não seguem uma distribuição de Poisson

GL Qui-Quadrado Valor-p 2 140,208 0,000

Resultados principais: valor de p

Nestes resultados, a hipótese nula afirma que os dados seguem uma distribuição de Poisson. Como o valor de p é 0,000, que é inferior a 0,05, a decisão é rejeitar a hipótese nula. É possível concluir que os dados não vêm de uma distribuição de Poisson.

Etapa 2: Examine a diferença entre os valores observados e esperados para cada categoria

Use um gráfico de barras dos valores observados e esperados para determinar se, para cada categoria, o número de valores observados é diferente do número de valores esperados. As diferenças maiores entre os valores observados e esperados indicam que os dados não seguem uma distribuição de Poisson.

Este gráfico de barras indica que os valores observados para 0 defeitos, 1 defeito, e mais de 3 defeitos são diferentes dos valores esperados. Assim, o gráfico de barras confirma visualmente o que o valor de p indica, que é que os dados não seguem uma distribuição de Poisson.

Ao usar esse site, você concorda com a utilização de cookies para análises e conteúdo personalizado.  Leia nossa política