Teste de normalidade

Selecione Estat > Estatísticas Básicas > Teste de normalidade. Os resultados do teste indicam se você deve rejeitar ou deixar de rejeitar a hipótese nula de que os dados são provenientes de uma população distribuída normalmente. Você pode fazer um teste de normalidade e produzir um gráfico de probabilidade normal na mesma análise. O teste de normalidade e o gráfico de probabilidade geralmente são as melhores ferramentas para avaliar a normalidade.

Os testes a seguir são os tipos de testes de normalidade que podem ser usados para avaliar normalidade.

Teste de Anderson-Darling

Este teste compara o ECDF (função de distribuição acumulada empírica) de seus dados de amostra com a distribuição esperada se os dados foram normais. Se esta diferença observada é adequadamente grande, você deve rejeitar a hipótese nula de normalidade população.

Teste de normalidade Ryan-Joiner

Este teste avalia a normalidade através do cálculo da correlação entre os dados e as contagens normais de seus dados. Se o coeficiente de correlação estiver próximo de 1, a população tende a ser normal. A estatística de Ryan-Joiner avalia a força dessa correlação; se for menor que o valor crítico adequado, você deve rejeitar a hipótese nula de normalidade população. Este teste é semelhante ao teste de normalidade de Shapiro-Wilk.

Teste de normalidade Kolmogorov-Smirnov

Este teste compara o ECDF (função de distribuição acumulada empírica) de seus dados de amostra com a distribuição esperada se os dados foram normais. Se esta diferença observada é adequadamente grande, o teste vai rejeitar a hipótese nula de normalidade população. Se o valor de p do teste for menor do que seus α escolhidos, você pode rejeitar a sua hipótese nula e concluir que a população é não-normal.

Os testes Anderson-Darling e Kolmogorov-Smirnov são baseados na função de distribuição empírica. O teste Ryan-Joiner (similar ao teste Shapiro-Wilk) é baseado em regressão e correlação.

Todos os três testes tendem a funcionar bem na identificação de uma distribuição como não normal quando a distribuição é assimétrica. Todos os três testes são menos distintivos quando a distribuição subjacente é uma distribuição t e a não normalidade é devida à curtose. Normalmente, entre os testes baseados na função de distribuição empírica, Anderson-Darling tende a ser mais eficaz na detecção de desvios nas caudas da distribuição. Em geral, se a dispersão a partir da normalidade para as caudas for o maior problema, muitos estatísticos usariam de Anderson-Darling como a primeira escolha.