Estudante
Tratamento Paramétrico
Diferenças entre testes paramétricos e não-paramétricos
Tratamento Paramétrico
Testes paramétricos:
Se o tamanho da amostra é grande, a média amostral se distribui de forma aproximadamente Normal, mesmo que a variável não siga uma distribuição Normal
(Teorema do Limite Central).
O teste t é considerado um teste robusto, o que significa que, mesmo se houver uma pequena discrepância em relação à
Normalidade, o teste pode ser aplicado.
Com pressuposições sobre o tipo de distribuição das observações e dos parâmetros.
Ex: teste t – distribuição Normal
✁
✁
Testes não paramétricos:
✁
✁
✁
Não há pressuposições sobre a distribuição
(“livres de distribuição”)
Baseiam-se em postos (ranks) dos dados.
Pouco influenciados por valores extremos
Implicações do tamanho da amostra amostras pequenas (< 6 observações): é difícil dizer qual a distribuição da variável; podem ser pouco representativas da população amostras pequenas (< 30 observações): distribuição de t de Student para dados que se distribuam de modo Normal amostras grandes: distribuição do teste é
Normal (Teorema do Limite Central)
Não há um número exato a partir do qual se possa dizer que uma amostra seja “grande”.
E quando houver uma clara discrepância dos dados em relação à distribuição Normal?
✁
Duas saídas possíveis: transformar os dados (ex. calculando o logaritmo) em uma tentativa de obter uma distribuição aproximadamente Normal;
✂
✂
utilizar um teste não-paramétrico adequado. Os testes não-paramétricos não fazem suposições sobre a distribuição dos dados.
1
Teste t para 2 amostras independentes (e variâncias iguais)
Exemplo (Teste t – 2 amostras independentes) O teste t para 2 amostras independentes também é conhecido como teste t não-pareado
Comparação de médias de 2 grupos independentes de observações usando amostras