O que fazer com dados não normais

Executar a análise se a amostra for suficientemente grande

Apesar de diversos testes de hipóteses serem formalmente baseados na suposição de normalidade, você ainda pode obter bons resultados com dados não-normais se sua amostra for grande o bastante. A quantidade de dados de que você precisa depende de quão não-normais são os seus dados, mas um tamanho amostral de 20 é frequentemente adequado. A relação entre robustez para normalidade e o tamanho amostral está baseada no teorema do limite central. Este teorema prova que a distribuição da média de dados de qualquer distribuição se aproxima da distribuição normal conforme o tamanho amostral aumenta. Portanto, se você estiver interessado em fazer uma inferência sobre uma média da população, a suposição de normalidade não é crítica desde que sua amostra seja grande o suficiente.

Usar um teste não paramétrico

Testes não paramétricos não supõem uma distribuição específica para a população. O Minitab fornece vários testes não-paramétricos que você usar em vez de testes que supõem normalidade. Esses testes podem ser especialmente úteis quando você tem uma pequena amostra que é assimétrica ou uma amostra que contém diversos outliers.

Testes não paramétricos não são totalmente livres de suposições sobre os dados: por exemplo, eles podem exigir que os dados sejam uma amostra aleatória independente.

Transformar os dados

Algumas vezes é possível transformar os dados aplicando uma função para que os dados se ajustem a uma distribuição normal, de forma a concluir a análise.